AI gebruiken met beleid: drie handvatten voor klimaat en privacy
Hoe kun je generatieve AI op een verantwoorde en ethische manier inzetten als student Journalistiek of docent? Het is een vraag die binnen het lectoraat regelmatig opduikt en die ook vaak terugkomt in gesprekken met journalisten en studenten. De grote taalmodellen (LLM’s) achter chatbots als Copilot, Gemini, Mistral en ChatGPT – net als opensourcemodellen op platforms als Hugging Face – liggen onder vuur. Door hun hoge energieverbruik en de grootschalige verzameling van gebruikersdata scoren ze slecht op het gebied van klimaat en privacy. Dat roept de vraag op: hoe gebruik je AI bewuster? Met deze drie tips – mede samengesteld door de AI Squad van Fontys Journalistiek – krijg je daar handvatten voor.
Tip 1: Vraag je af of je AI moet gebruiken voor een specifieke taak.
Sta ook stil bij de vraag of je AI voor elke taak nodig hebt. Er bestaan ‘groenere’ AI‑systemen en tools die beter omgaan met je privacy, maar dat verandert weinig aan de fundamentele milieubelasting van grootschalige digitalisering. De AI‑sector verbruikt structureel veel energie, onder meer door datacenters en de productie van hardware. Zo kost één prompt in GPT‑4 naar schatting vijftien keer zoveel energie als een reguliere Google‑zoekopdracht. Deze vergelijking stamt wel van voor de recente stap van Google naar AI Overviews en het zoeken van informatie via een chatbot. Controleer daarom altijd de gebruikersvoorwaarden van de chatbots die je gebruikt. Die zijn te vinden in de privacyverklaringen. Let daarbij op termen als ‘persoonsgegevens’, ‘personal data’ of ‘usage data’. Bij OpenAI, het bedrijf achter ChatGPT, staat bijvoorbeeld dat prompts en andere door gebruikers geüploade inhoud worden verzameld.
Wanneer is het gebruik van generatieve AI zinvol?
Is de vraag eenvoudig en feitelijk?
Ja: Raadpleeg eerst lesmateriaal of zoek via bestaande databases of zoekmachines. Feiten en specifieke kennis zijn doorgaans snel te vinden in studieboeken, colleges of betrouwbare zoekmachines.
Nee: Als de vraag meer verdieping of samenhang vereist, kan AI ondersteunend zijn.
Is het antwoord al beschikbaar in bestaand onderwijsmateriaal?
Ja: Controleer onderwijspagina’s op de portal of op Canvas, collegeslides of andere literatuur. Als het antwoord daar te vinden is, is AI niet nodig.
Nee: Wanneer de informatie niet direct beschikbaar is, kan AI helpen bij het verkennen of structureren van kennis.
Vraagt de opdracht om context, analyse of creativiteit?
Ja: Probeer het zelf of overweeg andere, eenvoudige AI-alternatieven, zoals overleg met medestudenten of een gesprek met de docent. AI-systemen kunnen je wel assisteren in je leerproces, bijvoorbeeld door samen te sparren over verhaalkoppen of -invalshoeken.
Nee: Voor repetitieve taken kun je best experimenteren met (generatieve) AI.
Is de informatie sterk tijdsgebonden of aan verandering onderhevig?
Ja: AI-systemen hebben niet altijd toegang tot de recentste informatie. Voor actueel nieuws, lopende ontwikkelingen of snel veranderende onderwerpen is het zoeken van informatie via zoekmachines of andere researchstappen betrouwbaarder.
Nee: Je zou AI-inzet kunnen overwegen.
Weegt de opbrengst op tegen de inzet van middelen?
Ja: Bij complexe of omvangrijke taken als het analyseren van grote datasets kan het gebruik van AI gerechtvaardigd zijn.
Nee: Kies bij eenvoudige taken voor een minder intensieve en duurzamere oplossing.
Is een ‘lichtere’ AI-oplossing voldoende?
Ja: Niet elke journalistieke of studietaak vereist een geavanceerd AI-model. Voor eenvoudige vragen volstaat vaak een basismodel, lokaal model of klein AI-model.
Nee: Bij complexe analyses of redactionele vraagstukken is het gebruik van zwaardere AI-systemen te verdedigen.
Tip 2: Gebruik een AI-model dat uitspraken en beloftes maakt over de eigen duurzaamheid
De CO₂‑voetafdruk van grote taalmodellen hangt af van verschillende factoren. Onderzoek dat is gepubliceerd in Nature laat zien dat vooral de grootte van het model, de gebruikte energiebron en de mate waarin een model opnieuw moet worden getraind een rol spelen.
Niet alle ontwikkelaars van taalmodellen zijn even transparant over die milieu‑impact. Het open‑sourceplatform Hugging Face probeert dat inzichtelijker te maken en publiceert energiescores voor uiteenlopende generatieve AI‑taken, modellen en aanbieders. Het Franse AI‑bedrijf Mistral, bekend van chatbot Le Chat, gaf in de zomer van 2025 zelf een inkijkje in de geschatte klimaatimpact van zijn model. Een prompt met een gemiddelde respons van 400 tekens zou volgens het bedrijf neerkomen op 1,14 gram CO₂‑uitstoot en een waterverbruik van 45 milliliter.
Werk je niet met een chatbot? Zo krijg je alsnog jouw energieverbruik inzichtelijk?
De afgelopen jaren zijn er ook hulpmiddelen ontwikkeld die de CO₂‑impact van AI‑processen inzichtelijk proberen te maken. Voorbeelden zijn CodeCarbon, LLMCarbon, MLCO2 en OpenCarbonEval. Deze tools zijn vooral bedoeld om vooraf, tijdens het ontwikkelproces van een AI-workflow, een inschatting te maken van het energie‑ en CO₂‑verbruik. Zo wordt er bijvoorbeeld een inschatting gemaakt van het energieverbruik van een bepaalde AI-taak. Daar kleven wel beperkingen aan. LLMCarbon en MLCO2 zijn vrij technisch en vereisen programmeerkennis, wat ze minder toegankelijk maakt voor een breed publiek. OpenCarbonEval kiest voor een laagdrempeligere aanpak en biedt, net als Hugging Face, een leaderboard met de geschatte impact van verschillende taalmodellen. LLMEmissions is dan weer sterk beperkt en geeft alleen inzicht in de uitstoot van twee OpenAI‑modellen.
Onze tip: kies en gebruik een chatbots waarvan de ontwikkelaars open zijn over de klimaatimpact van hun systemen of expliciet aangeven hoe zij omgaan met privacy en databeveiliging. Sommige aanbieders doen concrete uitspraken over het compenseren van klimaatschade of over de manier waarop gebruikersgegevens worden beschermd. Een selectie uit de beschikbare opties:
GreenPT
Dit is een Nederlandse AI‑dienst die per prompt inzicht geeft in de CO₂‑impact. Abonnement vanaf €4,50 p/m (15 prompts per dag), plus één gratis AI‑agent. Data wordt binnen de EU verwerkt (via Scaleway), met transparante privacy‑ en beveiligingsmaatregelen.
Viro
AI‑platform dat een eigen model combineert met ChatGPT, Claude en Gemini. Gratis te gebruiken via een advertentiemodel (ongeveer elke vijf chats een advertentie). Volgens de aanbieder worden advertentie‑inkomsten ingezet voor projecten rond hernieuwbare energie. Viro meet het energieverbruik per prompt en claimt dit te compenseren. Gebruikersdata wordt niet verkocht of gebruikt voor training; chatgeschiedenis is volledig te beheren en te verwijderen.
Ecosia Chat
AI‑chatbot van zoekmachine Ecosia, die advertentie‑inkomsten inzet voor klimaat‑ en boomplantprojecten. Draait op GPT‑4, is gratis beschikbaar via de Ecosia‑zoekmachine en als browserextensie. Volgens Ecosia wordt alle winst besteed aan initiatieven tegen klimaatverandering.
ChatGPTree
AI‑chatdienst op basis van GPT‑4, met de claim dat elk abonnement bijdraagt aan klimaatherstel door het planten van minimaal één boom per maand. Momenteel gratis in bètafase; later een betaalde, goedkopere optie dan ChatGPT Plus. Niet gelieerd aan OpenAI. Op de website worden geen duidelijke uitspraken gedaan over dataprivacy.
Geïnteresseerd in een AI-platform dat beter jouw data beschermt? NanoGPT is een open en minimalistisch AI‑platform voor het trainen en gebruiken van compacte taalmodellen. Te gebruiken zonder account; sessies zijn standaard anoniem en er is keuze uit meerdere modellen. Kostenstructuur is beperkt transparant en lijkt gebaseerd op pay‑as‑you‑go, met één gratis model.
Tip 3: Gebruik een lokaal AI-model of een ‘klein’ taalmodel
Er gaat veel aandacht uit naar LLM’s, oftewel grote taalmodellen, maar generatieve AI bestaat uit meer dan alleen deze zware systemen. Voor een goede chatbot is lang niet altijd een enorm trainingsmodel nodig. Steeds vaker wordt gewezen op zogeheten Small Language Models (SLM’s), oftewel kleine taalmodellen. UNESCO noemde het gebruik van deze SLM’s in maart 2024 expliciet als een goedkoper en groener alternatief voor generatieve AI op basis van LLM’s.
SLM’s zijn compacter, bevatten minder parameters en kunnen in sommige gevallen zelfs lokaal draaien, bijvoorbeeld op een eigen laptop, zonder afhankelijk te zijn van cloud‑infrastructuur. Ter vergelijking: grote taalmodellen zoals GPT‑4 bevatten naar schatting 1,76 biljoen parameters, terwijl open‑source SLM’s zoals Mistral 7B het doen met ongeveer 7,3 miljard parameters. Alsnog groot aantal datapunten, maar een stuk minder dan GPT-4, daar hoef je geen wiskundig wonder voor te zijn. Die kleinere modellen zijn vaak getraind op specifieke domeinen. Ze beschikken daardoor niet over alle algemene kennis van grote modellen, maar presteren juist sterk binnen het toepassingsgebied waarvoor ze zijn ontworpen.
In veel gevallen kun je deze kleinere taalmodellen ook lokaal op je eigen laptop gebruiken. Een bekend voorbeeld is Ollama. Dat is geen AI‑model op zich, maar een programma waarmee je verschillende SLM’s kunt draaien binnen je eigen computeromgeving, zonder afhankelijk te zijn van cloud‑diensten.
Dat is én een goede klimaatstap (want deze modellen zijn een stuk kleiner) én je gegevens zijn een stuk veiliger.
Ollama installeren doe je zo
Ollama installeer je via de terminal op jouw laptop. Is de terminal op een luchthaven de enige terminal die je kent? Deze tutorial loodst je door het installatieproces van Ollama.
