Waarom eerlijke klimaatmodellen cruciaal zijn voor AI in de energietransitie

Detlef van Vuuren kreeg 1,5 miljoen euro voor zijn onderzoek, maar het belangrijkste resultaat van zijn werk is eigenlijk iets anders: hij laat zien dat duurzame scenario’s alleen werken als ze óók rechtvaardig zijn. En precies daar wringt het op dit moment, zowel in het mondiale klimaatbeleid als in de Nederlandse energietransitie.

Nederland zit midden in een ingewikkelde schuifpuzzel: netcongestie, warmtepompen, waterstof, zonnepanelen, wind op zee, industrie, boeren, huishoudens. Iedereen trekt aan dezelfde beperkte ruimte, dezelfde infrastructuur en hetzelfde CO₂-budget. AI wordt nu naar voren geschoven als hét hulpmiddel om de energietransitie slimmer te maken. Maar slimme algoritmen zonder een eerlijk kompas? Dat is gewoon een nieuw probleem in plaats van een oplossing.

In deze blog gebruik ik het werk van Spinozalaureaat Detlef van Vuuren als kapstok: wat kunnen we van zijn geïntegreerde klimaatmodellen en zijn focus op klimaatrechtvaardigheid leren voor AI in de Nederlandse energietransitie?

1. Van wereldwijde broeikasboekhouder naar kompas voor beleid

De kern: het IMAGE‑model van Van Vuuren laat zien hoe je wetenschap, beleid en rechtvaardigheid in één raamwerk kunt verbinden. Precies zo zouden we AI in onze energietransitie moeten inzetten.

Van Vuuren wordt niet voor niets de “broeikasboekhouder van de wereld” genoemd. Met zijn team ontwierp hij de scenario’s voor 1,5°C en 2°C opwarming die onder het Parijs-akkoord centraal staan. Zijn werk voedt de IPCC‑rapporten én Nederlandse en Europese beleidsanalyses.

Waar het interessant wordt voor onze serie AI voor Nederlandse Energie, is hoe hij te werk gaat:

• hij koppelt sociaal-economische data (inkomen, bevolkingsgroei, ongelijkheid)
• met technologische opties (schone energie, efficiency, CCS, warmtepompen, etc.)
• én natuurwetenschappelijke grenzen (koolstofbudget, biodiversiteit, landgebruik)

Dat alles komt samen in één geïntegreerd model (IMAGE). Geen mooi plaatje voor in een rapport, maar een werkend instrument waar beleidsmakers scenario’s mee doorrekenen.

“Laat de toekomst niet alleen duurzaam zijn, maar ook rechtvaardig.” – Detlef van Vuuren

De parallel met AI ligt voor de hand: een AI‑model dat alleen optimaliseert op kosten, CO₂ of netbelasting, en níet op verdeling van lusten en lasten, stuurt ons richting oplossingen die op papier efficiënt zijn en in de praktijk politiek en sociaal vastlopen.

2. Kostenoptimaal is vaak sociaal onacceptabel – ook in Nederland

De belangrijkste les uit Van Vuurens werk: als je alleen “kostenoptimaal” rekent, krijg je uitkomsten die politiek onhaalbaar en moreel twijfelachtig zijn.

Het steenkoolvoorbeeld en de les voor AI

In zijn onderzoek is het uitfaseren van steenkool wereldwijd de goedkoopste manier om CO₂ te reduceren. Alleen: het grootste deel van dat steenkoolgebruik zit in India en China. Rijke landen hebben historisch verreweg de meeste CO₂ uitgestoten, maar de goedkoopste reducties liggen nu vaak in landen met lagere inkomens.

Economen zeggen dan: geen probleem, dan betalen rijke landen voor reducties elders. Maar gebeurt dat werkelijk, structureel en op schaal? Nee. En dus voelt de uitkomst oneerlijk voor die landen.

Dit is direct toepasbaar op AI in onze energietransitie:

• Een AI‑model voor netoptimalisatie kan concluderen dat het “kostenoptimaal” is om duurzame opwek vooral af te knijpen in regio’s met veel zon-PV, omdat daar het meeste overschot is.
• Een algoritme voor vraagsturing kan piekprijzen doorbelasten aan huishoudens die hun verbruik niet kunnen verschuiven (denk aan kleine winkels, zorginstellingen, huurders zonder slimme apparaten).
• Een model voor warmtetransitie kan vooral investeren in wijken waar de businesscase het sterkst is, terwijl kwetsbare wijken achterblijven.

Op papier logisch. In de praktijk politiek explosief.

De les van Van Vuuren: optimaal is niet hetzelfde als acceptabel. En duurzame transitie zonder maatschappelijk draagvlak redt het niet tot 2030 of 2050.

3. Wat AI kan leren van geïntegreerde klimaatmodellen

De manier waarop IMAGE werkt, biedt een blauwdruk voor hoe we AI‑systemen in de Nederlandse energietransitie zouden moeten ontwerpen.

Drie ontwerpprincipes uit IMAGE

1. Integraal modelleren, niet in silo’s
   IMAGE koppelt energie, landgebruik, emissies, demografie en economie. Dat voorkomt dat een maatregel die goed is voor klimaat, desastreus uitpakt voor natuur of voedselzekerheid.

   Voor AI betekent dit: koppel netmodellen, markten, sociale data en ruimtelijke plannen. Laat AI niet alleen sturen op kilowatts en euro’s, maar ook op gevolgen voor woonlasten, ruimtelijke kwaliteit en gezondheid.

2. Scenario’s, geen voorspellingen
   Van Vuuren bouwt geen glazen bol, maar scenario’s: wat gebeurt er als we X doen, of juist Y? Dat geeft beleidsmakers handelingsruimte.

   AI in de energietransitie moet hetzelfde doen: meerdere oplossingsrichtingen doorrekenen, inclusief onzekerheden en trade‑offs. Niet: “dit is dé uitkomst”, maar: “dit zijn drie robuuste routes en wie betaalt welke prijs?”.

3. Rechtvaardigheid expliciet meenemen
   Van Vuuren benadrukt dat rechtvaardigheid centraal moet staan: wie draagt welke last, wie profiteert, wie is historisch verantwoordelijk? Die vragen moeten in de modellen zelf zitten, niet achteraf in een politieke discussie worden geplakt.

   Voor AI‑toepassingen in energie betekent dat bijvoorbeeld:

   • indicatoren voor energiearmoede opnemen,
   • regionale en sociale verschillen zichtbaar maken,
   • niet alleen “kosten per ton CO₂” optimaliseren, maar ook “verdelen we de kosten en baten redelijk?”.

Concreet: hoe ziet dat eruit in Nederlandse AI‑cases?

Een paar voorbeelden waar deze principes direct toepasbaar zijn:

• Netcongestie-analyse
  Voeg naast fysieke en economische data ook indicatoren toe als werkgelegenheid, regionale ontwikkeling en energiearmoede. Dan voorkomt een netbeheerder dat slimmere sturing vooral kleine ondernemers of kwetsbare wijken raakt.

• Warmtepomp‑adoptie en isolatiemodellen
  AI voorspelt nu vaak waar warmtepompen het snelst rendabel zijn. Voeg data over inkomens, woningcorporaties en financieringsmogelijkheden toe, zodat scenario’s laten zien wat er nodig is om ook lage‑inkomenswijken mee te krijgen.

• Industrieclusters en waterstof
  In scenario’s voor waterstof en elektrificatie kun je naast CO₂ en kosten ook werkgelegenheid, regionale ongelijkheid en ruimtebeslag meenemen. Het resultaat: beleidsopties die niet alleen technisch kloppen, maar ook regionaal voelbaar voordeel opleveren.

4. De kernvraag: wie noemt AI‑uitkomsten “eerlijk”?

Van Vuuren waarschuwt dat we “echte kennis” steeds vaker ter discussie stellen. AI vergroot dat risico als we niet scherp zijn op transparantie en legitimiteit.

Wetenschap onder vuur, AI als nieuwe bron van twijfel

Van Vuuren zegt terecht: als we wereldwijd consequent op basis van wetenschappelijke feiten zouden handelen, zouden we de 2‑gradendoelstelling waarschijnlijk nog kunnen halen. Maar we twijfelen, schuiven, ontkennen en zoeken alternatieve feiten.

AI kan dan twee dingen doen:

• óf het wordt het nieuwe excuus: “het algoritme zegt dat dit de goedkoopste route is, dus zo doen we het”;
• óf het wordt nieuw wantrouwen: “wie heeft dat model eigenlijk gevuld en in wiens voordeel?”.

Als we willen dat AI voor de Nederlandse energietransitie vertrouwen oproept in plaats van weerstand, zijn drie dingen noodzakelijk:

1. Transparante aannames
   Laat expliciet zien welke doelen het AI‑model optimaliseert en welke niet. Is rechtvaardigheid een constraint, een doel, of simpelweg genegeerd?

2. Participatie in de modelkeuzes
   Betrek provincies, gemeenten, woningcorporaties, netbeheerders, energiecoöperaties en maatschappelijke organisaties bij de inrichting van scenario’s en wegingen. Je hoeft het niet overal over eens te zijn, maar de discussie moet vóór het rekenen plaatsvinden.

3. Uitlegbare resultaten
   Klimaatmodellen als IMAGE worden steeds beter uitlegbaar. Diezelfde lat moet gelden voor AI: geen black box die een “optimale” netindeling spuugt, maar tooling die de gevolgen per regio, sector en inkomensgroep inzichtelijk maakt.

5. Praktische handvatten: zo maak je AI‑projecten rechtvaardiger

Wie nu bezig is met AI‑toepassingen in de energietransitie – bij een netbeheerder, gemeente, provincie, adviesbureau of energiebedrijf – kan direct iets met de lessen van Van Vuuren.

Vijf concrete stappen

1. Definieer rechtvaardigheid als ontwerpeis, niet als bijvangst
   Formuleer bij de start van elk AI‑project vragen als:

   • Welke groepen kunnen nadeel ondervinden?
   • Hoe meten we dat?
   • Wanneer vinden we een uitkomst onacceptabel, ook al is hij goedkoop?

2. Neem verdelingsindicatoren op in je datamodel
   Denk aan: inkomensniveau per wijk, aandeel sociale huur, energiearmoede‑indices, werkloosheidscijfers, gezondheidseffecten of ruimtedruk. Zo kunnen scenario’s ook expliciet laten zien wie wat betaalt.

3. Reken altijd meerdere scenario’s door
   Bijvoorbeeld:

   • “minimale systeemkosten”,
   • “maximale CO₂‑reductie tot 2030”,
   • “gelijke lastenverdeling per inkomensgroep”,
   • “voorrang voor kwetsbare wijken/gebieden”.
     Laat bestuurders kiezen tussen díe scenario’s in plaats van één zogenaamd objectieve optimumlijn.

4. Werk met een toets op klimaatrechtvaardigheid
   Net als een MKBA kun je een eenvoudige klimaatrechtvaardigheidstoets toevoegen:

   • wie wint, wie verliest, wie beslist, wie wordt gecompenseerd?
     Daarmee sluit je aan bij de lijn die Van Vuuren in zijn Spinozawerk bepleit.

5. Combineer AI met klassieke expertise
   Van Vuuren werkt op het snijvlak van academische wetenschap en toegepast beleid. Doe met AI iets vergelijkbaars: zet data scientists, energiesysteemexperts, planologen en sociaal‑wetenschappers samen aan tafel. Modellen worden daar beter én geloofwaardiger van.

6. Waarom dit nu dringend is richting 2030

De recente analyses – waaronder die van het PBL zelf – laten zien dat de kans dat Nederland zijn klimaatdoelen voor 2030 haalt “heel erg klein” is zonder stevig extra beleid. Tegelijkertijd groeit de druk van burgers, bedrijven en politiek over betaalbaarheid, uitvoerbaarheid en draagvlak.

Daarom is de combinatie van geavanceerde modellen (zoals IMAGE) en toepassingen van AI in de Nederlandse energietransitie zo relevant eind 2025:

• We hebben snelheid nodig: AI helpt om sneller door te rekenen, te plannen, te voorspellen en bij te sturen.
• We hebben precisie nodig: waar is het net echt het knelpunt, waar levert een warmtenet het meeste op, waar is isolatie het meest urgent?
• We hebben rechtvaardigheid nodig: zonder een gevoel van eerlijkheid stokt het beleid politiek en maatschappelijk.

Het werk van Detlef van Vuuren laat zien dat deze drie eisen samen kunnen gaan. Voorwaarde is wel dat we modellen niet zien als neutrale rekenmachines, maar als gedragen instrumenten met een expliciete morele en maatschappelijke dimensie.

De volgende stap voor Nederland? AI‑projecten in de energietransitie toetsen langs dezelfde lat als de grote klimaatmodellen: zijn ze niet alleen technisch briljant en economisch efficiënt, maar ook aantoonbaar eerlijk voor mensen, regio’s en generaties. Dáár zit het verschil tussen een rekenoefening en échte duurzame transitie.