De AI-race gaat fysiek worden

De afgelopen jaren is het verhaal over kunstmatige intelligentie bijna geheel in de taal van software verteld. Modellen worden steeds capabeler, sneller en specialiser. Miljarden dollars stromen naar foundation-modellen, onderzoekscentra en startups die hele industrieën beloven te herscheppen. Overheden hebben nationale AI-strategieën gepubliceerd en elke directiekamer in het land heeft integratieplannen besproken. Het gesprek is breed, vooruitkijkend en op belangrijke punten onvolledig.

AI is geen magie. Het leeft niet in de cloud in enige figuurlijke zin. Elk getraind model, elke beantwoorde vraag, elke gegenereerde afbeelding is afhankelijk van fysieke infrastructuur – datacentra die enorme hoeveelheden stroom verbruiken, koelsystemen die 24 uur per dag draaien, glasvezelkabels die data over continenten vervoeren, onderstations die alles verbinden met functionerende elektriciteitsnetwerken.

De hoge energiekosten van inferentie

We hebben meer dan 200 senior AI-beslissers in de VS ondervraagd, en de gegevens geven harde cijfers voor wat veel mensen binnen de industrie hebben erkend. Bijna 29% van de organisaties zegt dat energiekosten hun vermogen om AI te schalen al beperken. Meer dan een kwart (28%) zegt dat stijgende energiekosten hen hebben gedwongen om AI-training te vertragen of helemaal te stoppen. Vertragingen bij het aansluiten op het net, beperkingen van de koeling, tekorten aan connectiviteit en planningsbottlenecks worden allemaal genoemd als groeiende barrières. De infrastructuurlaag, die lange tijd als iemands anders probleem werd behandeld, is nu ieders probleem geworden.

Dit is niet geheel onverwacht in retrospectief. De schaal waarop moderne AI werkt is echt buitengewoon. Het trainen van een groot frontier-model kan evenveel elektriciteit verbruiken als honderden huizen in een jaar – een enkele GPT-4-training verbruikt ongeveer 50 GWh aan elektriciteit – equivalent aan het jaarlijkse verbruik van 40.000 Amerikaanse huizen. Het uitvoeren van inferentie voor miljoenen dagelijkse gebruikers vereist datacentra van een omvang en dichtheid die een decennium geleden onwaarschijnlijk zou hebben geleken. En de vraag neemt toe, aangedreven door de verspreiding van AI-toepassingen, de uitbreiding van agentische systemen en de toenemende integratie van AI in kernbedrijfsoperaties. Het elektriciteitsverbruik van datacentra groeit met ongeveer 15% per jaar – meer dan vier keer sneller dan het totale elektriciteitsverbruik in alle andere sectoren samen. De fysieke wereld wordt gevraagd om een exponentiële curve te absorberen, en die was nooit ontworpen om dit zo snel te doen.

De strategie verschuift naar de fysieke wereld

Wat het huidige moment bijzonder openbaar maakt, is waar de beperkingen daadwerkelijk verschijnen. Land, zo blijkt, is niet het kernprobleem. Slechts ongeveer 14% van de bedrijven in ons onderzoek identificeert de beschikbaarheid van land als hun primaire uitdaging. Het moeilijkere probleem is alles wat moet gebeuren nadat je de grond hebt gevonden. Een locatie zonder netcapaciteit is nutteloos; geen planningsgoedkeuring betekent dat je vastzit; en als er geen robuuste connectiviteit is, kan de AI-opbouw niet functioneren. De bottleneck is niet de ruimte – het is het complexe, langzame proces van het omzetten van fysieke ruimte in operationele rekenomgevingen. Dat onderscheid is belangrijk omdat het veel moeilijker is om met alleen geld op te lossen.

Het herdefinieert ook hoe we moeten denken over nationale AI-concurrentie. Het gesprek is lang gefocust op onderzoektalent, investeringsvolume en de race om de meest capabele modellen te trainen. Maar infrastructuurstrategie wordt een even beslissende variabele. In regio’s waar vergunningen sneller verlopen, waar energibeleid meer is afgestemd op industriële vraag en waar particuliere investeringen in grootschalige infrastructuur meer volwassen zijn, kan AI eenvoudig sneller schalen. De VS heeft structurele voordelen hier die vaak worden onderschat. Ze zijn niet glamoureus – ze hebben betrekking op netplanning, hervorming van de zoning en coördinatie van nutsbedrijven – maar ze worden steeds belangrijker.

Geopolitiek voegt een extra laag complexiteit toe. Ongeveer een derde (33%) van de ondervraagde bedrijven zegt dat ze actief overwegen om AI-werklasten te verplaatsen naar andere regio’s of landen vanwege geopolitieke bezorgdheid. Naast de praktische beperkingen van energie en planning, wegen organisaties nu ook soevereiniteit, supply chain-resilience en de politieke stabiliteit van de omgevingen waarin ze compute inzet. Het resultaat is een herschikking van waar AI-infrastructuurinvesteringen naar toe gaan – naar regio’s met overvloedige hernieuwbare energie, beschikbare netcapaciteit en snellere regulatoire paden, ongeacht waar die regio’s op een traditionele technologiekaart zitten.

De eerste fase van de AI-revolutie werd gedefinieerd door wat mogelijk was in software. De volgende fase zal worden gedefinieerd door wat haalbaar is in de fysieke wereld – door het onglamoureuze, zware werk van het opbouwen van energiinfrastructuur, het verzekeren van de energietoevoer en het navigeren door de bureaucratische complexiteit van grootschalige industriële inzet.

Dit is waar de VS een voordeel zal hebben dat niet gemakkelijk kan worden overwonnen door enige modelcapaciteit. De toekomst van AI hangt af van het functioneren van het net. Dat is minder spannend dan de koppen suggereren. Het is ook belangrijker.