Industrie haalt 2030-klimaatdoel niet zo: waar AI het verschil maakt

Minder reductie dan gepland: 19 Mton is simpelweg te weinig

Tussen 2021 en 2030 leveren de huidige plannen uit de Cluster Energiestrategieën (CES 3.0) 19 megaton CO₂-reductie op in de industrie. Dat is 7 megaton minder dan twee jaar geleden in CES 2.0 werd voorzien. Die 7 Mton staat gelijk aan ongeveer 3 procentpunt van het nationale doel van 55% broeikasgasreductie in 2030.

De harde boodschap: de industrie ligt achter op schema en de kans om het indicatieve restemissiedoel van 29,1 Mton in 2030 te halen is klein. De KEV 2024 verwacht voor 2030 namelijk 33,3 tot 42,5 Mton uitstoot uit de industrie. Dat gat dichten vraagt niet alleen extra beleid, maar óók slimmer gebruik van data en AI in de Nederlandse energietransitie.

In deze blog, onderdeel van de serie “AI voor Nederlandse Energie: Duurzame Transitie”, kijk ik naar drie dingen:

• wat er precies misloopt in de huidige industrieplannen;
• welke rol energie‑infrastructuur, businesscases en vergunningen daarin spelen;
• hoe AI en data concrete knelpunten kunnen oplossen – niet als hype, maar als gereedschap.

Waar gaat het mis in de huidige industriële plannen?

De CES’en brengen de plannen van de vijf grote clusters (Noord-Nederland, Noordzeekanaalgebied, Rotterdam‑Moerdijk, Zeeland‑West‑Brabant, Chemelot) én de decentrale industrie (Cluster 6) bij elkaar. Op papier ontstaat zo een beeld van de benodigde energie-infrastructuur: elektriciteitsnet, waterstofleidingen, CO₂‑transport en ‑opslag.

De optelsom laat echter drie grote problemen zien:

1. Te veel plannen staan nog in de kinderschoenen
   Ruim 60% van de beoogde emissiereductie komt uit projecten die nog in een beginfase zitten. Denk aan vroege studies, intentieovereenkomsten of pilots.

   De realiteit:

   • ontwikkeltijden van grote industriële projecten zijn 5–10 jaar;
   • 2030 is dus praktisch morgen;
   • elk jaar vertraging betekent vaak pas ná 2030 effect.

2. Infrastructuur loopt achter op ambities
   In de plannen wordt in 2030 21 Mton CO₂ per jaar afgevangen en opgeslagen (CCS) in industrie en elektriciteitssector. Terwijl de nu lopende initiatieven:

   • Porthos: ca. 2,5 Mton/jaar;
   • Aramis: 5–14 Mton/jaar (en tijdige beschikbaarheid is onzeker).

   Ook voor elektriciteitsnetverzwaring en waterstofinfrastructuur geldt: de plannen van bedrijven zijn ambitieuzer dan wat het netwerk nu aankan.

3. Businesscases zijn wankel – vooral voor groene waterstof
   De CES-plannen tellen op tot 11 GW elektrolyse in 2030. Tegenover:

   • Klimaatakkoord-doel: 3–4 GW;
   • KEV 2024-raming: maximaal 1,5 GW.

   Met andere woorden: de plannen zijn 7 keer hoger dan wat nu als realistisch wordt gezien. Het knelpunt is niet de techniek, maar de sluitende businesscase: stroomprijzen, onduidelijke vraag, subsidiestructuur, risico’s.

Dit alles verklaart waarom de reductie in CES 3.0 7 Mton lager uitvalt dan twee jaar geleden. Er zijn minder CCS‑projecten en extra industriële emissies door productie van synthetische brandstoffen. Die synthetische brandstoffen helpen overigens wél om de uitstoot in de mobiliteit fors omlaag te brengen – maar de industrie krijgt er dus tijdelijk extra emissies bij.

Klassieke knelpunten in een nieuwe jas: vergunningen, ruimte, mensen

De problemen in de industrieplannen zijn niet alleen technisch of financieel. Veel zijn ronduit bestuurlijk en organisatorisch. PBL wijst opnieuw op een rij bekende obstakels:

• Vergunningen duren lang
  Procedures voor nieuwe installaties, ondergrondse opslag of nieuwe kabeltracés lopen jaren uit. Gemeenten en provincies zitten vaak klem tussen klimaatdoelen, lokale weerstand en beperkte capaciteit.

• Onzekerheid rond wet- en regelgeving
  Vooral rondom waterstof: welke kwaliteitsstandaarden, veiligheidsregels, tariefstructuren en eigendomsscheiding gaan gelden? Zolang dat diffuus is, schuiven bedrijven investeringsbesluiten voor zich uit.

• Ruimtelijke inpassing
  Nieuwe hoogspanningsmasten, waterstofbackbones, elektrolyselocaties – allemaal concurreren ze om schaarse ruimte met woningbouw, natuur en landbouw. Zonder duidelijke keuzes in de ruimtelijke ordening raakt alles vertraagd.

• Tekort aan mensen
  Er zijn te weinig technici, én te weinig mensen bij overheden om vergunningen te beoordelen. Het gevolg: fysieke projecten lopen vast, net als de besluitvorming.

Hier zie je direct waar AI in de Nederlandse energietransitie interessant wordt. Niet als vervanger van mensen, maar als versneller in drie domeinen: slimme planning, betere besluitvorming en efficiënter gebruik van bestaande infrastructuur.

Het kip‑ei‑probleem: netbeheerder vs. industrie

Het meest hardnekkige probleem is het bekende kip‑ei‑dilemma:

• Netbeheerders willen eerst zekerheid over toekomstige vraag voordat ze miljarden investeren in netverzwaring of nieuwe waterstofleidingen.
• Industriebedrijven willen alleen investeren in elektrificatie, CCS of waterstof als ze zeker weten dat de infrastructuur op tijd beschikbaar is.

Iedereen wacht dus op elkaar. Precies daarom is het Nationaal Programma Verduurzaming Industrie (NPVI) opgezet: om overheid, netbeheerders en bedrijven aan één tafel te krijgen en cruciale infrastructuur sneller te realiseren.

Waar AI hier verschil kan maken

De kern van het kip‑ei‑probleem is onzekerheid. AI is sterk in het omgaan met onzekere scenario’s. Concreet kun je denken aan:

1. Vraagvoorspelling voor elektriciteit en waterstof
   Met historische data, orderportefeuilles, aangekondigde investeringen en macro-economische scenario’s kunnen AI‑modellen:

   • probabilistische scenario’s maken: wat is de kans dat de vraag in 2030 boven een bepaalde drempel ligt?;
   • gevoeligheidsanalyses draaien: wat gebeurt er als één groot project uitvalt of juist versnelt?;
   • regionale verschillen inzichtelijk maken per cluster.

   Dit geeft netbeheerders en overheid veel steviger onderbouwde beslisinformatie dan klassieke spreadsheets.

2. Slimme prioritering van infrastructuurprojecten
   Niet elk project levert dezelfde CO₂‑reductie per geïnvesteerde euro of per gebruikte netcapaciteit. AI‑gestuurde optimalisatie kan:

   • projecten rangschikken op CO₂‑impact per MVA netcapaciteit;
   • combinaties van projecten zoeken die binnen een beperkt budget maximaal bijdragen aan het 2030‑doel;
   • alternatieve routes vinden (bijvoorbeeld tijdelijke curtailment, batterijen, flexibele vraag) om netten sneller effectief te maken.

3. Data Safe House als AI‑motor
   In de CES 3.0‑reflectie noemen bedrijven en netbeheerders expliciet de meerwaarde van een goed functionerend Data Safe House: een omgeving waarin vertrouwelijke data gedeeld kan worden.

Combineer zo’n veilige data‑omgeving met AI en je krijgt:

• gezamenlijke netplanningsmodellen met echte bedrijfsdata (maar geanonimiseerd of geaggregeerd);
• realtime zicht op benutting en knelpunten per cluster;
• scenario’s waarbij individuele bedrijfsplannen niet volledig prijsgegeven hoeven te worden, maar de collectieve impact wel inzichtelijk wordt.

Hiermee kun je het kip‑ei‑probleem niet volledig wegtoveren, maar je vermindert de onzekerheid zó sterk dat investeringsbesluiten eerder genomen durven worden.

AI als versneller van vergunningen en projectrealisatie

De traagheid van vergunningen en besluitvorming klinkt bestuurlijk, maar is óók een data‑probleem. Veel tijd gaat verloren aan zoeken, vergelijken, controleren en berekenen. Precies dat zijn taken waar AI goed in is.

Drie praktische toepassingen

1. Snellere milieueffectrapportages (MER)
   Een groot deel van een MER bestaat uit:

   • verzamelen van bestaande rapporten en data;
   • doorrekenen van emissies en scenario’s;
   • genereren van kaarten en tabellen.

   AI kan:

   • relevante passages uit eerdere rapporten en jurisprudentie voorstellen;
   • standaardberekeningen automatiseren en checken;
   • conceptteksten en visualisaties genereren die de specialist vervolgens inhoudelijk aanscherpt.

   Resultaat: maanden aan doorlooptijd kunnen worden teruggebracht naar weken, zonder de juridische kwaliteit te verlagen.

2. Slimme screening van vergunningaanvragen
   Overheden kunnen AI inzetten om:

   • aanvragen automatisch te controleren op volledigheid;
   • risico’s te signaleren (bijvoorbeeld stikstof, geluid, veiligheid);
   • vergelijkbare eerdere besluiten te tonen aan beoordelaars.

   Zo verplaats je capaciteit van administratieve checks naar inhoudelijke beoordeling.

3. Resource‑planning in de industrie zelf
   Bedrijven worstelen met het combineren van meerdere projecten: elektrificatie, CCS, waterstof, efficiency. AI‑gestuurde planningssoftware kan:

   • personeels- en contractorcapaciteit optimaliseren;
   • stilstand van installaties minimaliseren;
   • projecten slim faseren rond schaarse middelen (zoals hoogspanningsaansluitingen of gespecialiseerde aannemers).

Dit klinkt misschien operationeel, maar op schaal maakt het verschil tussen net wel of net niet gereed zijn in 2030.

Van 11 GW op papier naar realistische waterstofplannen

De kloof tussen 11 GW geplande elektrolyse en 1,5 GW realistisch geraamd zegt eigenlijk: de markt weet nog niet goed waar en wanneer groene waterstof écht rendabel wordt.

AI kan helpen om de businesscase van groene waterstof scherper te krijgen:

• Prijsvoorspelling voor stroom en waterstof
  Door combinaties van weersdata, elektriciteitsmarktprijzen, uitrol van zon en wind en vraagpatronen te modelleren, kun je:

  • inschatten wanneer elektrolysers rendabel draaien;
  • bepalen welke loadfactoren haalbaar zijn per locatie;
  • zien waar koppeling met flexibele vraag (bijvoorbeeld industriële processen of warmtenetten) loont.

• Locatie‑optimalisatie
  AI‑modellen kunnen duizenden scenario’s doorrekenen voor:

  • afstand tot hernieuwbare opwek;
  • beschikbare netcapaciteit;
  • nabijheid van afnemers (industrie, mobiliteit, havens).

  Daarmee voorkom je dat iedereen plannen maakt op dezelfde paar “logische” plekken, waar het net al vol zit.

• Risico‑analyse voor investeerders en banken
  Financiële instellingen kunnen AI inzetten om:

  • policy‑risico’s en marktprijsrisico’s beter in kaart te brengen;
  • portefeuilles samen te stellen die robuust zijn onder meerdere scenario’s;
  • voorwaarden voor financiering objectiever te maken.

Hoe beter de risico’s gekwantificeerd zijn, hoe makkelijker projecten met redelijke rendementseisen gefinancierd worden.

CES 4.0: lichter proces, slimmer gebruik van data

Uit gesprekken voor de Reflectie op CES 3.0 blijkt dat het draagvlak voor nóg een zware CES‑ronde (CES 4.0) afneemt. Bedrijven willen:

• meer duidelijkheid van netbeheerders over wat er zeker niet komt en wat waarschijnlijk wel en wanneer;
• minder rapportagedruk en meer focus op de echte knelpunten;
• betere, veilige data‑uitwisseling (Data Safe House).

Een logische stap is een lichtere CES 4.0, met nadruk op:

• de belangrijkste wijzigingen in plannen;
• het faciliteren van de dialoog tussen industrie en netbeheerders;
• gezamenlijke, datagedreven scenario’s in plaats van stapels losse pdf’s.

Voor die lichtere aanpak is AI bijna onmisbaar:

• automatische vergelijking tussen CES‑versies (wat is nieuw, wat valt weg?);
• realtime dashboards op clusterniveau met verwachte emissies, netvragen en mijlpalen;
• vertaling van technische data naar bestuurlijke keuzes: “Welke drie beslissingen hebben de grootste impact op de 2030‑doelen?”

Wie nu slim inzet op AI in de Nederlandse energietransitie, bouwt geen extra bureaucratie, maar juist een snellere besluitmachine.

Wat betekent dit concreet voor jouw organisatie?

Of je nu bij een industriecluster, netbeheerder, overheidsorganisatie of adviesbureau werkt: de rode draad is duidelijk. De huidige plannen leveren te weinig emissiereductie op én zijn onzeker in uitvoering. Wachten op perfect beleid of perfecte technologie is geen optie meer richting 2030.

Praktisch kun je vandaag al drie stappen zetten:

1. Breng je data op orde
   Zonder goede data is AI waardeloos. Zorg dat je:

   • verbruiks- en productiegegevens structureel vastlegt;
   • projecten en investeringen eenduidig codeert (cluster, technologie, timing, CO₂‑impact);
   • afspraken maakt over datadeling binnen cluster of sector.

2. Begin klein met concrete AI‑use cases
   Denk aan:

   • netvraagvoorspelling per site of cluster;
   • interne planningsoptimalisatie van verduurzamingsprojecten;
   • versnelling van vergunningdocumentatie.

   Eén goed gekozen pilot kan meer opleveren dan een dikke AI‑strategie op papier.

3. Zoek actief aansluiting bij programma’s als NPVI en Data Safe House‑initiatieven
   Daar ontstaan nu de plekken waar collectieve data en AI‑modellen worden gebouwd. Wie vanaf het begin meedoet, heeft straks invloed op de spelregels – en niet alleen last van de uitkomst.

De realiteit is hard: met de huidige CES 3.0‑plannen haalt de industrie het 2030‑doel niet. Maar de uitkomst ligt niet vast. Organisaties die nu serieus werk maken van AI‑gedreven planning, infrastructuurkeuzes en projectuitvoering, vergroten hun eigen concurrentiekracht én helpen Nederland uit de klimaatimpasse.

De vraag is niet of AI een rol gaat spelen in de Nederlandse energie‑ en industrie‑transitie, maar wie hem het eerst verstandig weet te gebruiken.