De kunstmatige intelligentie heeft de markt gewend gemaakt aan denken in termen van snelheid. Nieuwe modellen elke paar maanden, krachtigere chips, datacenters aangekondigd met cijfers die tot voor kort onwaarschijnlijk leken en investeringsrondes van miljarden. Maar de grens die nu begint te verschijnen ligt niet alleen in de software of de halfgeleiders. Het bevindt zich in de meest fysieke onderdelen van de economie: elektriciteit, turbines, transformatoren, vergunningen, grond, water, koeling en infrastructuur.
Een citaat toegeschreven aan Elon Musk en veel gedeeld op sociale media vat die spanning goed samen. Toen hem werd gevraagd waarom grote technologiegiganten niet gewoon privé-energiecentrales bouwen naast hun datacenters om het netwerk over te slaan, was het antwoord helder: de bottleneck ligt bij de fabricanten van energiecentrales. Los van de letterlijke inhoud van de uitspraak, past het idee bij een steeds duidelijker wordende realiteit: AI kan veel sneller in code opschalen dan de wereld de fysieke infrastructuur kan bouwen.
De paradox is ongemakkelijk. Een team kan een model trainen of aanpassen in weken, GPU-capaciteit kopen via multimiljardendeals of een inference-architectuur ontwerpen in maanden. Maar het bouwen van elektriciteitsproductie, het versterken van een transformatorstation, het verkrijgen van gasturbines, het uitbreiden van transmissielijnen of het verkrijgen van milieutoestemmingen kan jaren duren. AI vordert in software-snelheid; de energiewereld beweegt nog steeds op basis van staal, beton en regelgeving.
De nieuwe bottleneck is niet langer alleen de GPU’s
In 2023 en 2024 lag de focus van de AI-debatten op de schaarste aan GPU’s. NVIDIA werd het symbool van de race, en elke aankondiging van capaciteit werd gemeten in chips, clusters en gigawatt aan rekencracht. Die focus blijft belangrijk, maar zal tekortschieten. Aantal accelerators is nutteloos als er niet voldoende elektriciteit is om ze aan te zetten, te koelen en te verbinden.
Het Internationaal Energie Agentschap schat dat het wereldwijde energieverbruik van datacenters in 2030 kan verdubbelen tot ongeveer 945 TWh, wat iets hoger is dan het huidige elektriciteitsverbruik van Japan. AI zal een van de belangrijkste drijfveren achter die groei zijn, met servers aangedreven door AI die veel sneller groeien dan de reguliere informatica-infrastructuur. In de Verenigde Staten schat de AIE dat datacenters bijna de helft van de groei in energievraag tot het einde van dit decennium zullen bepalen.
De meest recente gegevens wijzen in dezelfde richting. In april 2026 meldde de AIE dat de elektriciteitsvraag van datacenters in 2025 met 17% was gestegen, terwijl de vraag van datacenters specifiek voor AI nog sneller toen, ver boven de wereldwijde groei van 3% in elektriciteitsverbruik.
In de VS voorziet het Energy Information Administration dat het elektriciteitsverbruik in 2026 en 2027 nieuwe hoogten zal bereiken, aangedreven door datacenters, kunstmatige intelligentie, cryptocurrencies en de elektrificatie van andere sectoren. De totale vraag zou groeien van 4.195 miljard kWh in 2025 tot 4.248 miljard in 2026 en 4.379 miljard in 2027.
De duidelijke conclusie is dat AI niet meer slechts een chips- en modelindustrie is. Het is inmiddels een energiewedstrijd geworden.
Zelfs het bouwen van eigen productie is niet eenvoudig
De ogenschijnlijk logische oplossing is dat grote spelers hun eigen energieproductie nabij de datacenters bouwen. In de sector wordt dat wel aangeduid als ‘behind the meter’-productie: energie die achter de meter staat, direct gekoppeld aan een industriële of digitale installatie. Dit kan afhankelijkheid van het net verminderen, de doorlooptijden versnellen en meer controle geven over de stroomvoorziening.
Maar ook dat pad stuit op fysieke limieten. Gasturbines, generatoren, transformatoren, hoogspanningssystemen, industriële koeling en gespecialiseerde arbeidskrachten komen niet van de ene op de andere dag. De markt toont al duidelijke signalen van spanning. Een analyse gepubliceerd in Engineering stelde dat de wachttijden voor grote gasturbines nu gemiddeld rond de vijf jaar liggen, en in sommige gevallen zelfs tot zeven jaar, terwijl vroeger de cycli meestal tussen één en drie jaar lagen.
TechCrunch berichtte in april dat de race naar nieuwe gascentrales voor datacenters tot schaarste aan turbines leidt en de kosten sterk doet stijgen, met schattingen van Wood Mackenzie die leveringen tot zes jaar vooruit voorspellen en aangeven dat nieuwe bestellingen nog niet beschikbaar zijn tot 2028.
De casus van xAI illustreert deze nieuwe fase. Het bedrijf dat gekoppeld is aan Musk kreeg goedkeuring om 41 gasturbines te installeren in Mississippi met een geschatte capaciteit van 1,2 GW om hun Colossus-datacenters te voorzien. De beslissing werd door milieugroepen bekritiseerd vanwege de snelheid van het proces en de potentiële uitstoot, maar laat zien hoe ver de industrie bereid is te gaan om directe energieoplossingen te zoeken.
Het probleem is dat niet alle bedrijven dit kunnen. Het kopen van GPU’s is één ding; zelf elektrische producent worden, vergunningen onderhandelen, brandstof regelen, emissies beheren, interconnecties regelen en kritische energieactiva beheren, is iets heel anders. AI drijft grote technologische bedrijven in een hoek waar het minder om software gaat en meer om zware industrie.
China, de VS en de snelheid van bouwen
De vergelijking met China wordt vaak gemaakt omdat de AI-race ook een race is om industriële capaciteit. China heeft blijk gegeven van een opmerkelijke vaardigheid om snel te bouwen en supply chains op te schalen in sectoren als zonne-energie, batterijen, netwerken, hogesnelheidstreinen en elektronische fabricage. De VS behoudt leiderschap in chips, software, kapitaal en modellen, maar kampt met knelpunten in vergunningverlening, netinfrastructuur, fabricage van apparatuur en territoriale coördinatie.
De AIE voorspelt dat de instellingen in de VS en China samen bijna 80% van de wereldwijde groei in dataverbruik en energieverbruik van datacenters tot 2030 zullen voor hun rekening nemen. Beide landen staan voor dezelfde fundamentele uitdaging: het is niet genoeg om modellen te kunnen trainen; de fysieke infrastructuur die dat mogelijk maakt, moet ook worden gevoed.
Het verschil zit in de snelheid van bureaucratische procedures, planningscapaciteit en controle over industrieketens. China kan, ondanks energiemoeilijkheden en milieuproblemen, projecten versnellen dankzij een sterk overheidscoördinatie-model dat moeilijk te repliceren is in meer gedecentraliseerde democratieën. In de VS kunnen projecten vastlopen in lokale vergunningen, rechtszaken, overheidsagentschappen, gemeenschappen en milieuregelgeving, waardoor vertragingen ontstaan.
Europa volgt dit debat met haar eigen beperkingen. De vraag naar datacenters groeit ook op het continent, maar onderhevig aan strengere regelgeving op het gebied van duurzaamheid, watergebruik, landgebruik en energiebesparing. Voor steden als Madrid, Frankfurt, Dublin, Amsterdam en Parijs gaat het niet alleen om het aantrekken van investeringen, maar ook om te bepalen hoeveel capaciteit het netwerk aankan en onder welke voorwaarden.
Het software draait, de infrastructuur beweegt
De belangrijkste les uit deze fase is dat AI de fysieke economie opnieuw populair heeft gemaakt. Decennia lang was het discours over technologie gebaseerd op het idee dat waarde verschuift naar het intangible: code, platforms, data, sociale netwerken en cloud-diensten. Dat klopt nog steeds, maar alleen totdat de vraag naar rekenkracht zodanig toeneemt dat er gigavattoestellen moeten worden gebouwd.
Elke vooruitgang in modellen heeft een materiële schaduw. Meer parameters betekent meer training. Meer inferentie betekent meer servers. Meer servers betekenen meer energieverbruik, koeling, kabels, transformatoren, grond en bouwen. De digitale wereld zweeft niet in de lucht: hij bestaat in industriële hallen vol apparatuur die continu elektriciteit verbruikt.
Dit verandert ook de machtsverdeling in de technologische keten. Fabrikanten van turbines, leveranciers van transformatoren, energieleveranciers, netwerkoperators, ingenieursbureaus, koeltechnici en datacenterontwikkelaars krijgen een strategischerere rol. De volgende competitieve voorsprong ligt mogelijk niet meer alleen in het hebben van meer GPU’s, maar in het eerder toegankelijk maken van betrouwbare energie, vergunningen en elektrische apparatuur.
De uitspraak van Musk raakt een eenvoudige waarheid: je kunt kunstmatige intelligentie niet uitvoeren zonder energie. En energie op grote schaal produceren kan niet zonder fabrieken, vergunningen, materialen, arbeid en jaren van planning. Code kan bijna in een oogwenk veranderen; een krachtcentrale niet.
Het mythebeeld van AI als pure digitale industrie begint te vervagen. De komende race zal niet alleen meer plaatsvinden in laboratoria, code-repositories of trainingsruimtes, maar ook op industrieterreinen, langs transmissielijnen, havens, turbinedagen, koperb Minewebsites, transformatorfabrieken en gemeenteraadsvragen over projecten.
AI bevindt zich in de fase van ‘beton en metaal’, en die fase zal langzamer, duurder en politiek beladen zijn dan de vorige.
Veelgestelde vragen
Wat is de belangrijkste fysieke bottleneck voor AI?
De energie. AI-datacenters hebben grote hoeveelheden elektriciteit nodig, naast koeling, netaansluiting, transformatoren, turbines en vergunningen.
Waarom worden niet alle datacenters voorzien van privécentrales?
Omdat ook het verkrijgen van apparatuur, fabricage, leveringsroutes, vergunningen, brandstoffen, interconnecties en industriële capaciteit niet op grote schaal snel kan worden gerealiseerd.
Is de schaarste aan GPU’s minder belangrijk geworden?
Nee. Chips blijven cruciaal, maar de beschikbaarheid van elektriciteit is voor veel projecten nu net zo belangrijk of zelfs belangrijker geworden.
Welke landen hebben voordeel in deze nieuwe fase?
Degenen die technologische capaciteit combineren met snelheid in het bouwen van energie-infrastructuur, netwerken, datacenters en industriële ketens. De VS en China domineren de voorspelde groei, maar staan voor verschillende uitdagingen.