19 mei 2026
Energieverbruik speelt een grote rol bij de keuze voor AI-serverhardware. AI-workloads, zoals het trainen van grote taalmodellen of het draaien van GPU-geaccelererde inferentie, verbruiken aanzienlijk meer stroom dan traditionele servertaken. Hoe hoger het stroomverbruik, hoe hoger de operationele kosten op de lange termijn. De keuze voor de juiste hardware, van GPU-type tot koelingsarchitectuur, heeft daardoor direct invloed op zowel je energierekening als de duurzaamheid van je infrastructuur.
Energieverbruik bepaalt voor een groot deel de totale eigendomskosten van AI-servers. De aanschafprijs is slechts een deel van het verhaal. Stroom, koeling en datacenterruimte vormen samen een aanzienlijk deel van de totale kosten over de levensduur van een systeem. Voor AI-workloads, die continu een hoge belasting genereren, telt dit extra zwaar mee.
Traditionele servers draaien zelden op maximale capaciteit. AI-servers doen dat wel, soms dagenlang achter elkaar tijdens trainingsruns. Dat betekent dat een GPU-server die bij piekbelasting 10 kilowatt verbruikt, maand na maand een flinke energierekening oplevert. Organisaties die dit niet meenemen in hun beslissing, komen later voor onaangename verrassingen te staan.
Bovendien groeit de druk vanuit wet- en regelgeving rondom duurzaamheid. Datacenters en grote IT-omgevingen moeten steeds transparanter rapporteren over hun energieverbruik. De keuze voor energie-efficiënte hardware is daardoor niet alleen financieel slim, maar ook strategisch relevant voor organisaties die werken aan hun ESG-doelstellingen.
Een AI-server verbruikt gemiddeld tussen de 5 en 15 kilowatt per server, afhankelijk van het aantal GPU’s, het type processor en de koelingsoplossing. Servers met meerdere high-end GPU’s kunnen bij volledige belasting oplopen tot 20 kilowatt of meer per systeem. Dat is een veelvoud van wat een standaard applicatieserver verbruikt.
Ter vergelijking: een traditionele 1U-server voor webhosting verbruikt doorgaans tussen de 100 en 400 watt. Een server met vier high-end GPU’s voor AI-training kan gemakkelijk 6.000 watt of meer verbruiken. Dat verschil is enorm en heeft directe gevolgen voor de dimensionering van je stroomaansluiting, UPS en koelingsinfrastructuur.
Het is ook goed om te weten dat het stroomverbruik sterk varieert per workload. Inferentie, waarbij een al getraind model antwoorden genereert, verbruikt minder dan het trainen van een model vanaf nul. Wie slim planningsbeleid toepast en workloads bundelt, kan het gemiddelde verbruik per nuttige berekening flink verlagen.
PUE staat voor Power Usage Effectiveness en is een maatstaf voor hoe efficiënt een datacenter zijn stroomverbruik omzet in nuttige IT-capaciteit. Een PUE van 1,0 is perfect: alle stroom gaat naar de servers. In de praktijk ligt een goede PUE rond de 1,2 tot 1,4. Hoe hoger de PUE, hoe meer energie er verloren gaat aan koeling, verlichting en andere overhead.
Bij AI-hardware is PUE extra relevant, omdat de warmteproductie van GPU-servers veel hoger is dan bij gewone servers. Een systeem dat 10 kilowatt verbruikt, produceert ook 10 kilowatt aan warmte, en die warmte moet worden afgevoerd. In een datacenter met een PUE van 1,5 betekent dat 15 kilowatt totaal stroomverbruik voor datzelfde systeem.
Bij de keuze voor AI-hardware loont het dus om te kijken naar servers die compatibel zijn met geavanceerde koelingstechnieken, zoals directe vloeistofkoeling. Supermicro biedt hiervoor specifieke oplossingen die de warmteafvoer dichter bij de bron brengen, waardoor de belasting op de datacenterkoeling afneemt en de PUE verbetert. Dit heeft een directe impact op de operationele kosten.
De keuze van GPU heeft de grootste invloed op het stroomverbruik van een AI-server. Verschillende GPU-generaties hebben sterk uiteenlopende TDP-waarden (Thermal Design Power), wat de maximale warmteproductie en daarmee het maximale stroomverbruik aangeeft. Nieuwere generaties leveren doorgaans meer rekenkracht per watt dan hun voorgangers.
De NVIDIA B300 is een goed voorbeeld van hoe GPU-generaties de verhouding tussen prestatie en stroomverbruik kunnen verschuiven. De B300-architectuur biedt aanzienlijk meer rekenkracht voor AI-workloads dan eerdere generaties, terwijl de efficiëntie per berekening toeneemt. Voor organisaties die intensief trainen of inferentie op grote schaal draaien, kan de overstap naar nieuwere GPU-generaties, zoals de NVIDIA B300, de energiekosten per nuttige berekening flink verlagen.
Dat neemt niet weg dat nieuwere GPU’s ook een hogere absolute TDP kunnen hebben. Een NVIDIA B300-systeem verbruikt meer stroom dan een systeem met oudere GPU’s, maar levert ook een veelvoud aan rekenkracht. De vraag is dus niet alleen hoeveel watt een GPU verbruikt, maar hoeveel nuttige AI-berekeningen je per kilowattuur uitvoert. Die verhouding, ook wel performance-per-watt genoemd, is de meest zinvolle maatstaf bij de GPU-keuze.
De totale energiekosten van AI-servers bereken je door het stroomverbruik van het systeem te combineren met de PUE van je datacenter, het aantal draaiuren per jaar en de lokale energieprijs. De basisformule is: (systeemvermogen in kW × PUE × draaiuren per jaar) × stroomprijs per kWh.
Een voorbeeld: een server die 8 kilowatt verbruikt, in een datacenter met PUE 1,3, dat 8.760 uur per jaar draait, verbruikt effectief ruim 91.000 kWh per jaar. Vermenigvuldig dat met de actuele energieprijs en je hebt een concrete jaarlijkse energiekostenpost, nog los van aanschafprijs, licenties en beheer.
Houd ook rekening met het feit dat energieprijzen fluctueren, zeker in de huidige markt. Organisaties die grote hoeveelheden GPU-capaciteit inzetten, zijn gevoelig voor prijsstijgingen op de energiemarkt. Een goede businesscase voor AI-infrastructuur houdt rekening met scenario’s voor zowel hogere als lagere energieprijzen over de verwachte levensduur van de hardware.
De specificaties die de energie-efficiëntie van een AI-server het meest verbeteren zijn: een voeding met een hoog rendement (80 Plus Titanium of hoger), ondersteuning voor directe vloeistofkoeling, energiezuinige processors met hoge IPC-waarden en GPU’s met een gunstige performance-per-watt-verhouding.
Een voeding met 80 Plus Titanium-certificering heeft een rendement van meer dan 96 procent bij typische belasting. Dat klinkt als een detail, maar bij een server die continu onder hoge belasting draait, scheelt dat op jaarbasis een merkbare hoeveelheid verspilde energie. Directe vloeistofkoeling verlaagt bovendien de koelingsoverhead, wat de effectieve PUE van je opstelling verbetert.
Moderne server-CPU’s, zoals de nieuwste generaties AMD EPYC en Intel Xeon, bieden aanzienlijk meer rekenkracht per watt dan hun voorgangers. Voor AI-workloads die ook CPU-intensieve voorbereidingsstappen uitvoeren, zoals datapreprocessing, loont het om te kiezen voor processors die efficiënt omgaan met geheugenbandbreedte. Geheugen zelf verbruikt ook stroom, dus het gebruik van minder, maar DIMM’s met een hogere capaciteit kan het totale verbruik verlagen.
Hardware vervangen is energetisch voordeliger wanneer de performance-per-watt van nieuwe generaties hardware zo sterk is verbeterd dat de energiebesparing op termijn opweegt tegen de aanschafkosten en de milieu-impact van productie. In de GPU-markt is dit punt vaak al bereikt na twee of drie generaties.
Een concrete manier om dit te beoordelen is door de terugverdientijd op energiekosten te berekenen. Als nieuwe hardware 40 procent minder stroom verbruikt voor dezelfde workload, en de jaarlijkse energiekosten van de huidige hardware aanzienlijk zijn, dan is de terugverdientijd van de vervanging concreet te berekenen. Daarna is elke maand pure besparing.
Houd ook rekening met de beschikbaarheid van onderdelen en garantieondersteuning. Hardware die aan het einde van zijn ondersteunde levensduur zit, brengt risico’s mee voor de continuïteit. Vervanging is dan niet alleen energetisch, maar ook operationeel verstandig. Zeker voor organisaties waarbij uptime bedrijfskritisch is, loont het om de hardwarelevenscyclus actief te monitoren en tijdig te handelen.
Bij NCS International helpen wij je graag bij het kiezen van de juiste AI-serverhardware, afgestemd op je specifieke workloads, energiedoelstellingen en budget. Als grootste en oudste Supermicro-distributeur van Nederland leveren wij als eerste in de Benelux de nieuwste GPU-generaties, waaronder systemen die de NVIDIA B300 ondersteunen. Neem contact met ons op en wij denken graag met je mee over een configuratie die vandaag presteert en morgen schaalbaar blijft.
Dat hangt sterk af van de schaal van je omgeving, maar als vuistregel kun je rekenen op energiekosten van €10.000 tot €30.000 per GPU-server per jaar bij continu gebruik en een gemiddelde energieprijs van €0,10–0,15 per kWh. Voor een omgeving met meerdere servers lopen de jaarlijkse energiekosten al snel op tot zes of zeven cijfers. Het is verstandig om bij de businesscase meteen een meerjarenprognose te maken, inclusief scenario's met hogere energieprijzen.
Controleer eerst de beschikbare stroomcapaciteit per rack in kilowatt, de capaciteit van je UPS-systeem en de maximale koelcapaciteit van je datacenter. Traditionele racks zijn vaak ontworpen voor 3–5 kW per rack, terwijl een enkelvoudige AI-server al 8–20 kW kan vragen. Laat een capaciteitsanalyse uitvoeren voordat je hardware aanschaft, zodat je zeker weet dat je stroomaansluiting, koeling en vloerbelasting de nieuwe configuratie aankunnen.
Luchtkoeling is technisch nog steeds mogelijk voor AI-servers, maar wordt bij de nieuwste GPU-generaties steeds minder praktisch. High-end GPU's zoals de NVIDIA B300 produceren zoveel warmte dat luchtkoeling een extreem hoge luchtstroom vereist, wat leidt tot hoog geluid, slijtage en een slechtere PUE. Directe vloeistofkoeling (DLC) is bij intensieve AI-workloads steeds vaker de verstandigste keuze, zowel voor efficiëntie als voor de levensduur van de hardware.
De meest gemaakte fout is het baseren van energieramingen op het gemiddelde verbruik in plaats van het piekverbruik, waardoor de stroominfrastructuur onderdimensioneerd wordt. Een tweede veelgemaakte fout is het vergeten van de PUE-factor, waardoor de werkelijke datacenterkosten fors worden onderschat. Tot slot onderschatten organisaties vaak hoe lang AI-servers daadwerkelijk op maximale belasting draaien, zeker tijdens langdurige trainingsruns die dagen of weken kunnen duren.
Cloud-GPU's bieden flexibiliteit en vereisen geen eigen infrastructuurinvestering, maar bij structureel hoge en voorspelbare workloads zijn on-premises servers op de lange termijn vaak goedkoper per berekening. Grote cloudproviders hebben weliswaar uitstekende PUE-waarden, maar de uurtarieven voor GPU-instances verdisconteren ook hun winstmarge. Een hybride aanpak, waarbij basisbelasting on-premises wordt afgehandeld en pieken worden opgevangen in de cloud, biedt voor veel organisaties de beste balans tussen kosten en flexibiliteit.
De meeste enterprise AI-servers ondersteunen IPMI of Redfish-gebaseerde interfaces waarmee je het stroomverbruik per component real-time kunt uitlezen. NVIDIA biedt via de NVML-bibliotheek en tools zoals nvidia-smi gedetailleerde GPU-specifieke verbruiksdata. Voor datacenterbreed inzicht kun je platforms zoals Grafana in combinatie met stroommeters per rack inzetten, waardoor je verbruikspatronen kunt analyseren en workloadplanning kunt optimaliseren.
Begin met het in kaart brengen van je huidige verbruikspatronen: wanneer draaien je servers op hoge belasting en wanneer staan ze grotendeels idle? Door workloads te bundelen en servers buiten piekuren in een lagere energiemodus te zetten, kun je het gemiddelde verbruik al merkbaar verlagen. Controleer daarnaast de firmware- en driverversies van je GPU's, want fabrikanten brengen regelmatig updates uit die de energie-efficiëntie verbeteren zonder dat je nieuwe hardware nodig hebt.
Den Sliem 89
7141 JG Groenlo
The Netherlands
+31 544 470 000
info@ncs.nl
GPU-servers verwerken duizenden berekeningen parallel — ontdek wanneer ze onmisbaar zijn voor jouw organisatie.
Wat is een AI-server en wanneer heb je er een nodig? Ontdek de techniek, hardware en toepassingen.
