KEV 2023 laat gat zien – zo kan AI het dichten

Waarom KEV 2023 een wake‑up call is

Nederland moet vóór 2030 het finaal energieverbruik met 15% terugbrengen ten opzichte van 2021 en het aandeel hernieuwbare energie naar zo’n 38% tillen. De Klimaat- en Energieverkenning (KEV) 2023 laat zien: we komen een heel eind, maar we halen het alleen als bijna alles mee zit. Dat is geen strategie, dat is hopen op geluk.

Voor iedereen die met de energietransitie bezig is – netbeheerders, industriële bedrijven, mobiliteitssector, beleidsmakers – is dit rapport verplichte kost. Nog belangrijker: het laat precies zien waar de kansen liggen voor data, digitalisering en vooral AI om de cijfers de goede kant op te duwen.

In deze blog, onderdeel van de serie “AI voor Nederlandse Energie: Duurzame Transitie”, leg ik uit wat KEV 2023 zegt over energiebesparing en hernieuwbare energie, waarom we nog niet op koers liggen en waar AI heel concreet kan helpen. Niet in 2040, maar in de projecten en investeringsbeslissingen van de komende paar jaar.

---

1. Waar staat Nederland volgens KEV 2023?

De kern: het oude Europese doel voor energieverbruik halen we, het nieuwe aangescherpte doel wordt spannend.

• Oud doel finaal energieverbruik 2030: maximaal 1837 PJ – haalbaar.
• Nieuw doel na aanscherping (EED): maximaal 1609 PJ – alleen haalbaar als het aan de onderkant van de bandbreedte uitkomt (raming: 1566–1818 PJ).
• Nodige daling t.o.v. 2021: 15%.

Volgens KEV 2023 zorgt vooral het Voorjaarspakket Klimaat voor een extra daling van het finaal energieverbruik in 2030 van 115 PJ:

• Ongeveer 60 PJ: meer elektrische voertuigen + Betalen naar Gebruik.
• Ongeveer 35 PJ: maatwerkafspraken met de industrie.
• Ongeveer 20 PJ: warmtepompen, energiebesparingsplicht en uitfaseren van huurwoningen met slechte labels.

Het goede nieuws: de trend is omlaag. Het lastige nieuws: er is weinig foutmarge. Een paar jaar tegenvallende uitvoering, vertraging in infrastructuur of tekort aan installateurs en we schieten over dat plafond van 1609 PJ heen.

Dit geldt nog sterker voor het primair energieverbruik (inclusief omzettingsverliezen bij elektriciteitsproductie):

• Doel 2030: 1935 PJ (–24% t.o.v. 2021).
• Raming KEV 2023: 1951–2323 PJ. Het doel ligt daar dus onder.

De reden: de elektriciteitsvraag groeit hard door elektrolyse, elektrificatie in industrie en mobiliteit. Zon en wind groeien wel, maar niet snel genoeg om het extra verbruik én de verliezen volledig te compenseren. Daar komt nog bij dat sommige klimaatmaatregelen – zoals CO₂-afvang en negatieve emissies – extra energie kosten en dus het primair verbruik juist verhogen.

De boodschap:

Zonder veel scherpere sturing op energiebesparing en efficiënter gebruik van infrastructuur halen we de 2030‑doelen niet.

Precies daar ligt de ruimte waar AI een verschil kan maken.

---

2. Hernieuwbare energie: hoger aandeel, maar doel stijgt nóg harder

Aan de hernieuwbare kant staat Nederland er een stuk beter voor, maar ook hier schuift de lat omhoog.

• KEV 2023 verwacht voor 2030 een aandeel hernieuwbare energie van 32–42%.
• Dit is 4–8 procentpunt hoger dan de raming van vorig jaar.
• Belangrijkste oorzaken: meer biobrandstoffen in mobiliteit, snellere groei van zonnepanelen en lager finaal verbruik.

Tegelijkertijd is het hernieuwbare‑doel zelf ook aangescherpt (RED III):

• Oud NL-doel: 27% hernieuwbaar.
• Nieuw verwacht NL-doel: rond de 38%, afgeleid van het EU-doel van 42,5% (met streefwaarde 45%).

Met andere woorden: we lopen harder, maar de eindstreep is naar voren geschoven.

En dan zijn er nog de sectordoelen in RED III voor:

• Industrie
• Mobiliteit
• Gebouwde omgeving
• Warmte en koude

KEV 2023 is hier helder over: die subdoelen zijn nog niet in zicht. Vooral warmte in de gebouwde omgeving en industriële processen blijven lastig.

Dit is precies het speelveld waar slimme aansturing, betere voorspellingen en integrale optimalisatie nodig zijn. En dat is nu typisch AI‑territorium.

---

3. Waar wringt het echt? Van beleid op papier naar gedrag in de praktijk

De KEV beschrijft vooral beleid, cijfers en bandbreedtes. Maar de echte frictie ontstaat in de dagelijkse praktijk:

• Een netbeheerder die nieuwe zonneparken en laadpleinen wil aansluiten, maar vastloopt op netcongestie.
• Een industriële energiecoördinator die moet kiezen tussen elektrificatie, waterstof of CCS zonder helder beeld van toekomstige prijzen en CO₂‑heffingen.
• Een woningcorporatie die wel wil versnellen met warmtepompen, maar worstelt met planning, budgetten en bewonersgedrag.

De bottleneck is niet alleen techniek, maar ook:

• Onzekerheid over vraag en aanbod op uur- of kwartierniveau.
• Gebrek aan realtime inzicht in wat er op het net gebeurt.
• Moeilijke prioritering van investeringen onder tijdsdruk en met beperkte middelen.

Hier kan AI veel meer brengen dan “mooie dashboards”. De combinatie van historische data, realtime sensoren en slimme algoritmes kan:

• verbruik én productie op detailniveau voorspellen;
• fysieke en financiële beperkingen in één model optimaliseren;
• op basis van scenario’s investeringen rangschikken naar impact per euro en per ton CO₂.

Dat is geen luxe. Het is nodig om de stap te zetten van “we zitten nét binnen de bandbreedte” naar “we zitten ruim onder het plafond en kunnen tegenvallers opvangen”.

---

4. Drie concrete AI‑toepassingen die helpen de KEV‑kloof te dichten

4.1 AI voor netoptimalisatie en minder gasgestookte piekcentrales

Een van de redenen dat het primair energieverbruik zo lastig daalt, is dat we bij piekvraag nog vaak terugvallen op gasgestookte centrales. Die draaien regelmatig niet omdat er te weinig hernieuwbare productie is, maar omdat het net de beschikbare hernieuwbare stroom op het verkeerde moment of op de verkeerde plek niet aankan.

AI‑toepassingen die hier verschil maken:

• Congestiemanagement met voorspellende modellen
  Modellen die uur‑ en kwartierprijzen, weersverwachting, historisch verbruik en flexibiliteitscontracten combineren. Zo kunnen netbeheerders en marktpartijen vroegtijdig zien waar pieken ontstaan, en flexibele bronnen (batterijen, laadinfra, warmtepompen, industriële processen) aansturen.

• Dynamische netcapaciteitsplanning
  In plaats van statische aannames gebruikt men AI om de werkelijke benutting van kabels en transformatoren te analyseren. In de praktijk blijkt er vaak 10–20% meer ruimte te zitten in bestaande infrastructuur dan conservatieve normen suggereren. Dat betekent: sneller meer hernieuwbaar aansluiten, minder curtailment, minder gas.

Effect op KEV‑cijfers: minder inzet van gascentrales verlaagt omzettingsverliezen en dus het primair energieverbruik, terwijl de geproduceerde stroom wel als hernieuwbaar meetelt.

4.2 AI voor energiebesparing in industrie en gebouwde omgeving

De KEV laat zien dat een belangrijk deel van de extra energiebesparing komt uit:

• maatwerkafspraken met de industrie;
• warmtepompen;
• energiebesparingsplicht;
• uitfasering van slechte labels in huurwoningen.

Waar deze trajecten vaak vastlopen, is detailkennis van installaties en gedrag. AI kan daar verrassend praktisch in zijn:

• Predictive maintenance op compressoren, pompen, ovens en koelmachines
  Door trillingsdata, temperatuur, druk en energieverbruik te combineren, voorspelt AI slijtages en inefficiënt gedrag. Bedrijven kunnen onderhoud plannen vóórdat rendement inzakt. In de praktijk leveren zulke systemen vaak 5–15% energiebesparing per installatiegroep op.

• Slimme gebouwregelingen
  In kantoren en appartementencomplexen passen AI‑modellen verwarming, koeling en ventilatie aan op bezettingspatronen, buitentemperatuur en dynamische energietarieven. Zonder comfortverlies zijn 10–25% besparing op warmtevraag en elektriciteitsverbruik haalbaar.

• Virtuele energieadviseur voor woningcorporaties
  Door woningdata, verbruiksprofielen, huurderskenmerken en subsidie‑ en prijsontwikkelingen te combineren, kan AI scenario’s doorrekenen: waar eerst isoleren, waar meteen naar hybride of volledig elektrische warmtepompen, wat doet dat met de energierekening per huishouden? Dit helpt om de verplichte uitfasering van slechte labels sneller én socialer te doen.

Deze toepassingen verlagen direct het finaal energieverbruik, precies het getal waar de aangescherpte EED‑doelen naar kijken.

4.3 AI voor vraagsturing in mobiliteit en Betalen naar Gebruik

Een flinke hap uit de 115 PJ extra besparing komt uit mobiliteit: meer elektrische voertuigen en Betalen naar Gebruik. Alleen: elektrische auto’s kunnen het net óf belasten óf helpen, afhankelijk van hoe slim we ze aansturen.

Concreet kan AI hier:

• Slim laden en ontladen (V2G)
  Op basis van rijpatronen, weersverwachting, netbelasting en stroomprijzen bepalen wanneer laden het meest duurzaam en goedkoop is. In wijken met veel EV’s scheelt goed aangestuurd laden serieus in piekvermogens – en dus in benodigde netverzwaring.

• Dynamische prijs- en routeringsmodellen
  Voor logistiek en openbaar vervoer kunnen AI‑modellen reistijd, uitstoot, toltarieven en laadinfrastructuur meewegen om routes en vertrektijden te optimaliseren. Dit beperkt kilometers én piekbelasting op wegen en netten.

• Datagedreven beleidsevaluatie van Betalen naar Gebruik
  Door transactiedata, verkeersdata en emissies te koppelen, zie je bijna realtime wat prijsprikkels doen met rijgedrag. Daarmee kunnen overheid en sector Betalen naar Gebruik iteratief optimaliseren voor zowel inkomensrechtvaardigheid als CO₂‑reductie.

Het effect: minder fossiele kilometers, meer gespreide vraag op het elektriciteitsnet en sneller groeiend aandeel hernieuwbare energie in de mobiliteitssector.

---

5. Van KEV‑cijfers naar roadmap: hoe begin je met AI?

De valkuil bij AI in de energietransitie is om “een AI‑project” te willen, zonder duidelijke link met nationale doelen. De KEV 2023 geeft juist een uitstekend kompas om prioriteiten te stellen.

Een pragmische aanpak die ik vaak zie werken:

1. Koppel je eigen doelen aan de KEV‑gaten
   Waar kun jij het meest bijdragen? Minder gascentrales, meer hernieuwbare integratie, gebouwde omgeving, mobiliteit, industrie?

2. Identificeer 2–3 KPI’s die direct raken aan KEV‑indicatoren
   Denk aan: PJ bespaard per jaar, % hernieuwbare dekking, piekbelasting op transformator, vollasturen van gascentrales.

3. Zoek daarna pas naar AI‑toepassingen
   AI is geen doel, maar een hulpmiddel om die KPI’s sneller en slimmer te verbeteren. Begin klein, meetbaar en met bestaande data.

4. Bouw multidisciplinaire teams
   Combineer data scientists met netbeheerders, operators, beleidsmensen en financieel specialisten. AI‑modellen zonder praktijkkennis leveren zelden zinvolle besparing op.

5. Werk iteratief, niet in vijfjarige megaprojecten
   De KEV wordt elk jaar geactualiseerd. Richt je AI‑initiatieven zo in dat je jaarlijks kunt bijstellen op basis van nieuwe cijfers, nieuwe regelgeving en nieuwe technologie.

Wie deze koppeling durft te leggen – van KEV‑doelen naar concrete AI‑cases – gaat niet alleen efficiënter investeren, maar kan ook aantoonbaar laten zien wat de bijdrage is aan de landelijke doelen.

---

6. Wat betekent dit voor jouw organisatie in 2025?

We zitten nu eind 2025. 2030 lijkt ver, maar in energie‑ en infrastructuurprojecten is dat praktisch morgen. Een groot zonnepark, een nieuw industriële stoomvoorziening of warmtenet is zó vijf tot zeven jaar verder.

De realiteit is hard maar simpel:

Zonder versnelde energiebesparing en veel slimmere inzet van bestaande infrastructuur halen we de aangescherpte doelen voor 2030 niet.

AI is daarbij geen magische knop, maar wel een multiplicator:

• dezelfde kabels, maar beter benut;
• dezelfde installaties, maar energiezuiniger aangestuurd;
• dezelfde voertuigen, maar op slimmere momenten rijdend en ladend;
• dezelfde beleidsinstrumenten, maar veel sneller bijgestuurd op basis van echte data.

Als je als netbeheerder, industriële speler, mobiliteitsbedrijf of beleidsorganisatie serieus wilt bijdragen aan de Nederlandse energietransitie, is nu het moment om AI niet meer te zien als experiment, maar als onderdeel van je kernstrategie.

Wil je verder kijken:

• Welke KEV‑doelstelling raakt jouw organisatie het meest?
• Waar zitten in jouw processen de grootste onbenutte efficiëntie‑ en flexibiliteitsreserves?
• Welke data heb je al liggen die daar inzicht in kan geven?

Wie die drie vragen scherp beantwoordt, heeft feitelijk al de eerste versie van een AI‑roadmap voor de energietransitie in handen.