AI wordt vaak weggezet als de nieuwe energieslurper: een digitale draak die servers laat loeien en onze stroomnetten onder druk zet. Maar wie alleen naar het stopcontact kijkt, mist het grotere plaatje. Want achter die kilowatts schuilt een revolutie in efficiëntie. In sectoren als de bancaire wereld zorgt AI niet alleen voor slimme beslissingen, maar vooral voor iets heel tastbaars: keiharde besparingen. Minder personeel, snellere processen, lagere foutmarges. De échte vraag is dus niet hoeveel energie AI verbruikt – maar hoeveel verspilling het voorkomt.

Energie vs efficiency, laat ik daarom komen met een voorbeeld van een bedrijfstak waarmee wij allemaal te maken hebben: banken.

Multiagent-orchestratie en minimale personeelsinzet

McKinsey’s visie op de AI-bank van de toekomst beschrijft een organisatie waarin multiagent orchestration het gros van de werkzaamheden automatiseert. Deze multiagent-systemen (virtuele AI-“collega’s”) kunnen complexe beslissingen en workflows aan, waardoor menselijke interventie nauwelijks nog nodig is. In een voorbeeld van McKinsey nemen AI-agents vrijwel alle stappen over in het kredietproces; alleen voor de laatste human touch (zoals klantgesprekken en het uiteindelijke aanbod) stapt een mens nog in. Dit scenario impliceert dat een commerciële bank in de toekomst met een minimale bezetting kan opereren, ondersteund door honderden of duizenden AI-agents die de taken van duizenden werknemers overnemen.

Besparing op loonkosten in een AI-gedreven bank

Personeelskosten (salarissen, bonussen, sociale lasten) vormen traditioneel een van de grootste kostenposten voor banken. Vooral in Europa met zijn hogere lonen kunnen de lasten per medewerker aanzienlijk zijn. Ter illustratie: het jaarkostenplaatje van een menselijke servicemedewerker kan rond de € 110.000 liggen (salaris plus bijkomende kosten). Bij hogere functies – of rekening houdend met bankiersbonussen – loopt dit nog verder op. Het vervangen van een groot deel van het personeel door AI-agents levert daarom een potentiële enorme kostenbesparing op.

Studies laten zien dat AI-tools de operationele kosten van banken fors kunnen drukken. Een analyse schat dat procesautomatisering met AI de operationele kosten met ~22–25% kan verlagen in de komende vijf jaar. In de klantenservice bijvoorbeeld kost een interactie via een AI-chatbot slechts €0,03–$0,25 per minuut, vergeleken met €3,00–$6,50 per minuut voor een menselijke medewerker – een verschil van een factor 10 tot 100. Bedrijven die AI-agents inzetten rapporteren dan ook rond 35% kostenreductie in die functies. Kortom, de besparing op loonkosten door AI kan in de honderden miljoenen euro’s lopen voor een middelgrote tot grote bank, doordat duizenden salarisposten (inclusief hoge bonussen) verdwijnen.

Energieverbruik van AI-agents en bijbehorende kosten

Het inzetten van AI op grote schaal is niet gratis – de energievraag van AI-systemen is aanzienlijk en groeit snel. AI-modellen draaien in datacenters vol servers met krachtige GPU’s/TPU’s, die veel stroom verbruiken. Eén AI-server met meerdere GPU’s trekt continu ~2 kilowatt. Wanneer een bank honderden of duizenden van zulke servers gebruikt om AI-agents te laten draaien, tikt het energieverbruik behoorlijk aan. Zo berekende een studie dat een grootschalige AI-toepassing (ChatGPT voor alle Google-zoekopdrachten) ~500.000 servers zou vergen, met een jaarverbruik van ~29 TWh (terawattuur) stroom. Meer realistisch voor banktoepassingen is een kleiner schaalniveau, maar alsnog wordt voor de komende jaren een enorme toename voorzien: 85–134 TWh per jaar tegen 2027 in een midden-scenario. Dat komt overeen met ~0,5% van de wereldwijde elektriciteitsvraag en is vergelijkbaar met het jaarverbruik van een land als Noorwegen of Zweden. Ter context: experts verwachten zelfs dat AI-stroomverbruik tegen 2027 het verbruik van Bitcoin zal voorbijstreven – en Bitcoin gebruikt nu al meer elektriciteit per jaar dan heel Nederland.

Wat betekenen deze getallen in euro’s? In Europa ligt de elektriciteitsprijs voor grootverbruik rond €0,10–0,20 per kWh. Zelfs in het ongunstige geval van 100 TWh extra AI-verbruik mondiaal (≈100 miljard kWh), komt dit neer op zo’n €10–20 miljard wereldwijd aan elektriciteitskosten. Voor een individuele bank is het aandeel uiteraard veel kleiner. Stel dat een bank 10.000 AI-servers zou inzetten (ruim voldoende om duizenden medewerkers te vervangen in diverse processen): bij ~2 kW per server is het verbruik ca. 175 GWh per jaar. Bij €0,10/kWh komt dat neer op grofweg €17,5 miljoen aan stroomkosten per jaar. Zelfs als we een hogere Europese stroomprijs aannemen en extra koelings- en datacenterkosten meerekenen, blijft het orde van grootte tientallen miljoenen per jaar, niet honderden.

Weegt de besparing op tegen de energiekosten?

Zetten we het op een rij, dan wordt duidelijk dat de besparing op loonkosten ruimschoots opweegt tegen de extra energiekosten van AI-agents in dit hypothetische toekomstscenario. Een bank die bijvoorbeeld 10.000 medewerkers (tegen pakweg €80.000 gemiddeld per persoon) vervangt door AI, bespaart circa €800 miljoen aan personeelskosten per jaar. Hier staat een toename in energiekosten van misschien enkele tientallen miljoenen euro’s tegenover – slechts een fractie van de besparing. Ook op brancheniveau ziet de balans er positief uit: generatieve AI kan de productiviteit sterk verhogen terwijl de operationele uitgaven dalen, wat wereldwijd naar schatting $1 biljoen aan extra waarde voor banken kan opleveren. Geen wonder dat 80% van de bedrijven aangeeft AI-agents te willen omarmen tegen 2025.

Kortom, in een EU-context met hoge lonen en traditioneel dure bankbonussen is de case duidelijk. De loonkosten die worden uitgespaard door een “AI-first” bankorganisatie zijn vele malen hoger dan de elektriciteitsrekening voor het draaien van die AI-systemen. Zelfs met de forse toename in datacenter-energieverbruik blijft AI per saldo kostenefficiënter dan menselijke arbeid voor dezelfde taken. Wel moeten banken rekening houden met de absolute groei in energiebehoefte – qua duurzaamheid en infrastructuur – maar financieel gezien overtreft de batenkant (loonkostenbesparing) de lastenkant (energiekosten) ruimschoots. De AI-bank van de toekomst kan dus zowel efficiënter opereren als kostenvoordelen behalen, zolang men de energievraag beheerbaar en (bij voorkeur) groen invult.

En de klant dan?

De AI-bank van de toekomst lijkt financieel onweerstaanbaar: miljoenenbesparingen op loonkosten tegen een beheersbare energierekening. Maar klanttevredenheid is geen optelsom van efficiëntie alleen. Zodra emotie, complexiteit of vertrouwen in het spel komt, verlangt de klant iets wat AI (nog) niet levert: menselijkheid. De uitdaging ligt dan ook niet in óf we AI inzetten, maar hoe we de balans bewaren tussen rekenkracht en relatie. Alleen dan wordt de bank van de toekomst niet alleen goedkoper, maar ook beter.

Sources: Multiagent-systeem voorbeelden en productiviteit (McKinsey); Kostenvergelijking AI vs. mens; Verwachte AI-kostenbesparing banken; Energieverbruik AI vs. Bitcoin en landen.

Geschreven ism o3; een scenario!

Podcast: AI in Banken: Winst versus Wattage.

Willem E.A.J. Scheepers, docent, auteur, adviseur, cyborg. 

Ik nodig je graag uit voor een abonnement op de wekelijkse Sunny Side Up nieuwsbrief @LinkedIn.