🤖 AI

Assessing the Carbon Emissions and Energy Consumption of U.S. Hyperscale Data Centers

Deze studie schat dat 403 Amerikaanse hyperscale datacenters die tussen mei 2024 en april 2025 in bedrijf waren, 68–99 TWh aan elektriciteit consumeerden, wat bijdroeg aan 37–54 miljoen metriek ton CO2-emissies, met een koolstofintensiteit die ongeveer 48% hoger ligt dan het nationale elektriciteitsnetgemiddelde vanwege een zware afhankelijkheid van fossiele brandstoffen.

Oorspronkelijke auteurs: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Gepubliceerd 2026-06-05

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Gianluca Guidi, Francesca Dominici, Tiziano Squartini, Callaway Sprinkle, Jonathan Gilmour, Kevin Butler, Eric Bell, Scott Delaney, Falco J. Bargagli-Stoffi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat de Verenigde Staten een gigantische stad zijn, en verspreid over het land liggen enorme, superkrachtige fabrieken genaamd Hyperscale Datacenters (HDC's). Dit zijn geen gewone serverruimtes; het zijn kolossale motoren die ons moderne digitale leven aandrijven, vooral de nieuwe golf van Kunstmatige Intelligentie. Ze zijn zo groot dat ze tegelijkertijd tienduizenden huishoudens van stroom kunnen voorzien.

Dit artikel is als een team van detectives (onderzoekers van Harvard en andere instellingen) die besloten een volkstelling van deze fabrieken uit te voeren om een eenvoudige maar dringende vraag te beantwoorden: Hoeveel elektriciteit eten ze op, en hoe vervuilend is die energie?

Hier is wat ze hebben gevonden, onderverdeeld in eenvoudige concepten:

1. De "Energiehonger"

De onderzoekers volgden 403 van deze gigantische datacenters die opereerden tussen mei 2024 en april 2025.

De Analogie: Denk aan deze 403 fabrieken als één enkele, enorme, hongerige beest.
De Bevinding: Dit beest at tussen de 68 en 99 Terawattuur (TWh) aan elektriciteit. Om dit in perspectief te plaatsen: dat is ongeveer evenveel elektriciteit als het verbruik van hele staten zoals Indiana, Michigan of Tennessee voor een heel jaar. Het vertegenwoordigt ongeveer 1,8% van alle elektriciteit die in de gehele Verenigde Staten wordt gebruikt.

2. De "CO2-voetafdruk"

Elektriciteit verschijnt niet zomaar; het moet worden opgewekt, vaak door dingen te verbranden zoals steenkool of aardgas.

De Analogie: Als elektriciteit het voedsel is dat de datacenters eten, dan is Koolstofdioxide (CO2) de "uitlaatgassen" die zij achterlaten.
De Bevinding: Omdat deze centra zo hongerig zijn, zijn ze verantwoordelijk voor het creëren van tussen de 37 en 54 miljoen metriek ton CO2. Dat is een enorme wolk van uitlaatgassen. Vergeleken met een studie uit 2018 is dit aantal met ongeveer 3 tot 5 keer gestegen, wat laat zien hoe snel de honger naar AI groeit.

3. De "Vuile vs. Schone" Mix

Niet alle elektriciteit is gelijk. Sommige komt van schone wind en zon, terwijl andere komt van het verbranden van fossiele brandstoffen.

De Analogie: Stel je voor dat het elektriciteitsnet een gigantische smoothie is. Soms bestaat de smoothie voornamelijk uit fruit (schone energie), en soms voornally uit koffie (fossiele brandstoffen).
De Bevinding: Deze datacenters drinken voornamelijk de "koffie"-versie van de smoothie.
- Ongeveer 54% van hun stroom komt van fossiele brandstoffen (voornamelijk aardgas en steenkool).
- Slechts ongeveer 25% komt van hernieuwbare bronnen (wind, zon, waterkracht).
- De rest is kernenergie.
Het Resultaat: Omdat ze zich in gebieden bevinden waar het lokale elektriciteitsnet sterk afhankelijk is van fossiele brandstoffen, is hun "uitlaatgassen" veel vuiler dan die van een gemiddeld Amerikaans huishouden. Hun CO2-voetafdruk is ongeveer 48% hoger dan het nationale gemiddelde.

4. "Waar" het uitmaakt

De onderzoekers merkten op dat deze datacenters niet gelijkmatig verspreid zijn als een sproeier; ze zijn geclusterd in specifieke "hotspots".

De Analogie: Het is alsof al de grootste restaurants in een stad slechts in drie wijken gevestigd zijn. Die drie wijken zouden plotseling te maken krijgen met al het verkeer en afval.
De Bevinding: Virginia is de grootste hotspot, met 142 van deze centra en een verbruik van ongeveer een kwart van de totale elektriciteit. Oregon, Ohio en Iowa zijn ook belangrijke knooppunten. Samen zijn deze vier staten verantwoordelijk voor meer dan de helft van het totale energieverbruik in de studie.

5. Hoe ze de berekening maakten (Het detectivewerk)

Omdat datacenterbedrijven hun exacte energierekeningen niet altijd publiceren, moesten de onderzoekers slimme detectives zijn:

Satelliet-speurwerk: Ze gebruikten satellietbeelden om de gebouwen te vinden en de grootte ervan te meten, om er zeker van te zijn dat het daadwerkelijk datacenters waren en geen kantoorparken.
De "Load" Schatting: Ze wisten niet precies hoe hard de computers elke seconde werkten, dus creëerden ze vier verschillende "scenario's" (zoals het raden van de snelheid van een auto: langzaam, gemiddeld, snel of racend). Ze kozen een "centrale" schatting die het meest realistisch leek op basis van hoe deze machines normaal draaien.
De Netkaart: Ze brachten elk datacenter in kaart naar de lokale elektriciteitsmaatschappij (een "Balancing Authority") en keken naar het "menu" van elektriciteitscentralen die die partij gebruikt. Als een datacenter in een regio ligt waar de elektriciteitscentrale steenkool verbrandt, krijgt het datacenter "gekenmerkt" voor die steenkoolvervuiling, zelfs als het datacenter zelf de steenkool niet heeft verbrand.

De Kernboodschap

Dit artikel biedt een helder, op data gebaseerd beeld van de milieukosten van de AI-boom. Het laat zien dat hoewel deze datacenters de hersenen van onze digitale toekomst zijn, ze momenteel draaien op een dieet dat zwaar is op fossiele brandstoffen, wat resulteert in een aanzienlijke hoeveelheid koolstofemissies. De onderzoekers hebben een publieke tool gebouwd (een website) zodat iedereen precies kan zien hoeveel energie en vervuiling er in hun lokale gebied plaatsvindt.

Kortom: De AI-revolutie is echt, maar het draait momenteel op veel fossiele brandstoffen en laat een zeer grote CO2-voetafdruk achter, vooral in een paar belangrijke staten.

Technische Samenvatting: Beoordeling van de koolstofemissies en het energieverbruik van Amerikaanse hyperscale datacentra

Probleemstelling
De snelle proliferatie van hyperscale datacentra (HDC's) in de Verenigde Staten, grotendeels gedreven door de adoptie van kunstmatige intelligentie (AI), heeft aanzienlijke zorgen opgeroepen over de ecologische voetafdruk van de sector. Hoewel datacentra de ruggengraat vormen van de moderne digitale infrastructuur, heeft hun energie-intensieve aard — voortvloeiend uit rekenkracht en koelingseisen — geleid tot een toegenomen vraag naar elektriciteit en de daarmee gepaard gaande broeikasgasemissies. Bestaande literatuur presenteert een reeks schattingen voor het energieverbruik van datacentra, maar peer-reviewed studies die specifiek de emissies van hyperscale faciliteiten onderzoeken, zijn schaars. Eerdere schattingen, zoals die van Siddik et al. (17) voor 2018, zijn nu verouderd gezien de enorme toename in de vraag vanuit AI-workloads en cryptocurrency-mining (welke in deze analyse is uitgesloten). Bovendien is er een gebrek aan gegevens op faciliteitsniveau die heterogene bronnen integreren, infrastructuur valideren via satellietbeelden en emissies toeschrijven aan specifieke elektriciteitscentrales met behulp van de meest recente netgegevens.

Methodologie
De auteurs hebben een schaalbare, datagestuurde pijplijn ontwikkend om het elektriciteitsverbruik en de toeschrijfbare CO2-emissies te schatten voor 403 Amerikaanse hyperscale datacentra die opereerden tussen mei 2024 en april 2025. De methodologie bestaat uit vijf stappen:

Dataverzameling en Validatie: De studie stelde een dataset samen van 675 potentiële HDC's van private aanbieders (Baxtel). Deze dataset is rigoureus gevalideerd met behulp van hoogwaardige satellietbeelden (Esri World Imagery) en gebouwvoetafdrukgegevens van OpenStreetMap (OSM). Door middel van handmatige verificatie en geocoding hebben de auteurs de locatie en identiteit van 403 faciliteiten bevestigd en de oppervlaktegegevens voor alle faciliteiten verkregen.
Schatting van de Vermogenscapaciteit: Voor de 6 faciliteiten waarvoor de elektrische capaciteit niet gerapporteerd werd, is een Gradient Boosted Regression Tree (GBRT) model getraind om ontbrekende waarden te imputeren. Het model maakte gebruik van het vloeroppervlak van het gebouw, het klimaattype (Köppen-Geiger classificatie) en de regio van de balancing authority als predictoren. Het model bereikte een $R^2$ van 0,807 op een willekeurige 85/15 hold-out split, waarbij geclusterde validatieschema's de bruikbaarheid ervan bevestigden als een imputatietool in plaats van een algemeen voorspellend model voor nieuwe locaties.
Modellering van het Elektriciteitsverbruik: Het jaarlijkse elektriciteitsverbruik werd geschat door de totale elektrische capaciteit van de faciliteit (inclusclusief IT, koeling en overhead) te vermenigvuldigen met het aantal operationele uren per jaar (8.760) en een faciliteitsbelastingscoëfficiënt ( $u$ $u$ ). In het licht van de onzekerheid bij het vertalen van de nominale capaciteit naar de werkelijke operationele belasting, rapporteerden de auteurs resultaten over vier fysisch gemotiveerde scenario's:
- Lage belasting ( $u=0,48$ ): Conventionele servers, rated-max ontwerp.
- Centraal ( $u=0,58$ ): Conventionele servers, gemeten-max ontwerp, consistent met bottom-up power-flow modellering en onafhankelijke PUE-geïmpliceerde controles.
- Intermediair-hoog ( $u=0,663$ ): Serverniveau effectieve benutting toegepast op de faciliteitscapaciteit (behouden voor continuïteit met eerdere studies).
- AI-gewogen hoog ( $u=0,70$ ): Reflecterend op hogere benutting voor AI-gespecialiseerde faciliteiten.
Modellering van Toeschrijfbare Emissies: Elk HDC is geolocatiseerd naar de bijbehorende balancing authority (BA). Een energiegeneratie-gewogen (EGW) toeschrijvingsmodel werd toegepast, waarbij wordt aangenomen dat binnen elke BA de totale elektriciteitsvraag van de HDC's wordt verdeeld over elektriciteitscentrales in verhouding tot hun jaarlijkse netto elektriciteitsopwekking. Deze aanpak maakt gebruik van EPA eGRID2023 centrale-niveau data (de meest recente volledige release op het moment van revisie) om brandstofmixen en emissiefactoren toe te wijzen.
Berekening van Koolstofintensiteit: De studie berekende de gewogen gemiddelde koolstofintensiteit (gCO2/kWh) voor HDC's door de emissies en de aan de elektriciteitscentrales toegeschreven belasting te aggregeren, waarbij deze metrieken werden vergeleken met het nationale Amerikaanse elektriciteitsnetgemiddelde.

Belangrijkste Bijdragen

Omvattende Dataset: De creatie van een gevalideerde, dataset op faciliteitsniveau van 403 Amerikaanse HDC's, die een geschatte 56–82% van de nationale hyperscale elektriciteitsvoetafdruk vertegenwoordigt.
Toeschrijvingskader: De toepassing van een transparante, toeschrijvingsmethode die specifieke datacentra koppelt aan de fysieke generatiemix van hun balancing authorities, wat dit werk onderscheidt van consequente (marginale) benaderingen.
Scenario-gebaseerde Schatting: Het leveren van een reeks schattingen (68–99 TWh elektriciteit; 37–54 Mt CO2) in plaats van een enkel punt-schatting, waarbij rekening wordt gehouden met de onzekerheden in de belastingsfactoren van faciliteiten en onvolledige dekking.
Publieke Tool: De ontwikkeling van een publiek toegankelijk webplatform waarmee gebruikers de koolstofvoetafdrukken, elektriciteitsbelastingen en brandstofmixen op staats- en balancing authority-niveau kunnen verkennen.

Resultaten

Elektriciteitsverbruik: Onder het centrale scenario ( $u=0,58$ ) verbruikten de 403 HDC's ongeveer 82 TWh aan elektriciteit, wat ongeveer 1,8% van het totale Amerikaanse elektriciteitsverbruik vertegenwoordigt. Over alle scenario's heen varieerde het verbruik van 68 tot 99 TWh (1,5–2,2% van het nationale totaal).
Koolstofemissies: De bijbehorende CO2-emissies varieerden van 37 tot 54 miljoen metriek ton (Mt), met een centrale schatting van 45 Mt. Dit is ongeveer 3,5 tot 5 keer hoger dan de 10,5 Mt die in 2018 voor HDC's werd geschat.
Geografische Verdeling: Virginia huisvestte de meeste HDC's (142) en het hoogste geaggregeerde verbruik (~21 TWh), gevolgd door Oregon, Ohio en Iowa. Samen waren deze vier staten verantwoordelijk voor meer dan 50% van het totale elektriciteitsverbruik van de HDC's in de steekproef.
Brandstofmix en Koolstofintensiteit: Ongeveer 53,9% van de aan de HDC's toegeschreven elektriciteit werd geleverd door fossiele brandstoffen (38,2% aardgas, 15,2% kolen), 20,9% door kernenergie en 25,3% door hernieuwbare energie. De elektriciteit-gewogen gemiddelde koolstofintensiteit van de HDC's was ongeveer 545 gCO2/kWh, wat ongeveer 48% hoger is dan het gelijktijdige nationale Amerikaanse netgemiddelde van 370 gCO2/kWh. Opvallend genoeg bevindt 90% van de elektriciteitsvraag van de HDC's zich in balancing authorities met koolstofintensiteiten boven het nationale gemiddelde.

Betekenis en Claims
Het artikel claimt een robuust, toeschrijvingsinstrument te bieden voor het beoordelen van de ecologische voetafdruk van hyperscale datacentra met behruikmaking van de meest recente EPA eGRID-centrale-niveau data. De auteurs benadrukken dat hun benadering een statistisch robuuste beoordeling biedt vanwege de kenmerkende zichtbaarheid en de goed gedocumenteerde infrastructuur van HDC's. Zij stellen dat hun bevindingen de disproportionele concentratie van datacentra in regio's met koolstofintensieve netten benadrukken, een kritieke factor die vaak over het hoofd wordt gezien in bredere sectorale analyses. De studie onderstreept de urgentie van datagestuurde besluitvorming om beleid te informeren dat gericht is op het verzachten van de milieu-impact van datacentra, vooral naarmate de adoptie van AI verdere expansie drijft. De auteurs merken expliciet op dat hun schattingen begrende scenario-gebaseerde cijfers zijn in plaats van strikte ondergrenzen, waarbij zij beperkingen erkennen zoals onvolledige faciliteitsdekking en het gebrek aan PUE-gegevens op faciliteitsniveau. Zij positioneren hun werk als een noodzakelijke stap om datacentra te erkennen als een relevante economische sector die gerichte aandacht van beleidsmakers vereist, terwijl zij hun toeschrijving op faciliteitsniveau onderscheiden van de serverniveau- of AI-specifieke emissieprojecties die in andere literatuur worden gevonden.