Klimaatfonds-subsidies, ETS en AI: wat werkt echt?

Waarom de nieuwe Klimaatfonds‑subsidies nu zo belangrijk zijn

De Nederlandse overheid heeft tot en met 2030 35 miljard euro gereserveerd in het Klimaatfonds. Alleen al voor het Meerjarenprogramma 2025 ligt er voor 21,2 miljard euro aan voorstellen op tafel. Dat is geen bijzaak meer, dat ís het klimaatbeleid.

Tegelijkertijd stijgt de druk. Het 2030‑doel is volgens eerdere PBL‑analyses “heel erg klein” haalbaar zonder extra beleid, de elektriciteitsvraag groeit explosief door warmtepompen, elektrolysers en datacenters, en de industrie moet versnellen of verliest concurrentiekracht.

In deze blog kijk ik naar wat het Planbureau voor de Leefomgeving (PBL) concludeert over die subsidievoorstellen, maar plaats ik het ook nadrukkelijk in de context van onze serie “AI voor Nederlandse Energie: Duurzame Transitie”. Want eerlijk: zonder slimme inzet van data en AI ga je met 35 miljard euro nooit maximaal effect uit elke euro halen.

We gaan langs drie vragen:

1. Hoe doelmatig en evenwichtig zijn de Klimaatfonds‑subsidies volgens PBL?
2. Waar wringt het, vooral rond CO₂‑vrije gascentrales en groene waterstof?
3. Hoe kan AI helpen om deze miljarden écht om te zetten in CO₂‑reductie, systeemstabiliteit en betaalbare energie?

---

1. Wat zegt PBL over de voorstellen uit het Klimaatfonds?

PBL heeft een quickscan gedaan van 70 subsidievoorstellen die in 2023 zijn ingediend voor het MJP 2025. De voorstellen vallen in zes percelen:

• Kernenergie
• CO₂‑vrije gascentrales
• Energie‑infrastructuur
• Vroege fase opschaling
• Verduurzaming industrie en innovatie mkb
• Verduurzaming gebouwde omgeving

Belangrijkste conclusie: de voorstellen zijn overwegend doelmatig en evenwichtig en sluiten goed aan op het Nationaal Plan Energiesysteem (NPE). Dat betekent dat er geen grote uitwassen of ‘dode hoek’-investeringen tussen lijken te zitten.

Subsidies pakken vooral de “onrendabele top” aan

Veel technologieën die we nodig hebben voor een CO₂‑vrij energiesysteem hebben nu nog een onrendabele top ten opzichte van fossiele alternatieven. Denk aan:

• CO₂‑vrije gascentrales (op waterstof of met CCS)
• Vroege schaal‑up projecten
• Industriële verduurzaming en mkb‑innovatie
• Verduurzaming van de gebouwde omgeving

Bij andere voorstellen (kernenergie, isolatie, energie‑infrastructuur) zijn de investeringen op lange termijn wel rendabel, maar schrikken hoge aanloopkosten of lange terugverdientijden private partijen af.

Subsidies zijn in die gevallen logisch: je voorkomt dat grote, internationaal opererende bedrijven Nederland verlaten en dat huishoudens en mkb met onbetaalbare kosten worden opgezadeld.

Dit is precies de plek waar AI toegevoegde waarde heeft:

• Beter doorrekenen van businesscases per regio, wijk of industriecluster
• Scenario‑analyses: wanneer valt de onrendabele top weg?
• Slimme selectie van projecten met de grootste CO₂‑reductie per euro subsidie

Wie deze analyses nog in Excel doet, loopt structureel achter.

---

2. Subsidies zijn tijdelijk, normen en prijzen zijn structureel

PBL is helder: subsidies zijn per definitie tijdelijk. Ze zijn bedoeld om de start mogelijk te maken, niet om een technologie decennia aan het infuus te houden.

Na subsidies komen normering en beprijzing

Voor technologieën die ook na 2030 nog duurder blijven dan fossiele alternatieven, zullen normen en CO₂‑beprijzing het stokje moeten overnemen. PBL noemt expliciet:

• Duurzame warmte (o.a. warmtenetten, all‑electric oplossingen)
• Groene waterstof
• Biobrandstoffen

De meeste voorstellen in het Klimaatfonds gaan er vanuit dat zulke normen en prijsprikkels tijdig komen en sterk genoeg zijn. Maar die aanname is niet vanzelfsprekend. Vooral bij groene‑waterstof‑productie hangt veel af van de ambitie van jaarverplichtingen voor brandstofleveranciers en de industrie.

De kern: als beleid achterblijft, vallen veel businesscases na afloop van de subsidie alsnog om.

Hoe AI hier helpt: beter beleid, minder risico

Voor beleidsmakers en netbeheerders is dit het moment om AI‑gestuurde scenario‑tools in te zetten:

• Vraagvoorspelling: hoe ontwikkelt de vraag naar groene waterstof, warmte en elektriciteit zich per sector, per jaar?
• Beleidsimpact‑simulatie: wat doet een hogere CO₂‑prijs of strengere normen met investeringsbeslissingen?
• Risico‑analyse: waar is het risico groot dat subsidies “weglekken” omdat normen later of zwakker komen dan voorzien?

Een AI‑model dat duizenden combinaties van ETS‑prijzen, normniveaus en energieprijzen doorrekent, geeft beter inzicht dan statische tabellen. Dat is niet alleen technisch handig, het verkleint ook het politieke risico dat miljarden fout landen.

---

3. De pijnlijke vraag: zijn CO₂‑vrije gascentrales nu wel zo doelmatig?

Hier wordt PBL kritisch. De doelmatigheid van CO₂‑vrije gascentrales staat ter discussie.

Schaarse groene waterstof in de elektriciteitssector

CO₂‑vrije gascentrales draaien in veel scenario’s op groene waterstof. Maar die waterstof is de komende jaren schaars én duur. Gebruik je die in de elektriciteitssector, dan gaat dat ten koste van:

• Decarbonisatie van de industrie (hoogwaardige warmte, grondstoffen)
• Zwaar transport en scheepvaart

Daar komt bij: de elektriciteitssector valt onder het EU‑ETS. Daarin zit al een stevige prikkel om CO₂‑emissies richting 2040 af te bouwen. Extra nationale eisen, zoals een volledig CO₂‑vrije elektriciteitssector in 2035, kunnen:

• De kosten onnodig opdrijven
• Tot weglekeffecten leiden (CO₂‑uitstoot verschuift naar andere sectoren of landen)

PBL plaatst daarom vraagtekens bij zowel het beleidsdoel van een volledig CO₂‑vrije elektriciteitssector in 2035, als bij subsidies voor CO₂‑vrije aardgascentrales.

Mijn mening: voorzichtig zijn met nationale koppen op Europees beleid is verstandig. Zeker als je nog geen heldere, datagedreven onderbouwing hebt dat de maatschappelijke baten groter zijn dan de meerkosten.

Hoe AI de discussie kan uit de sfeer van ideologie halen

De vraag is niet zwart‑wit “wel of geen CO₂‑vrije gascentrales”. De vraag is: wanneer, hoeveel, waar en met welke brandstofmix?

Daarvoor heb je modellen nodig die:

• Uren‑tot‑kwartier‑resolutie vraag en aanbod op het net simuleren
• Weersafhankelijke productie van zon en wind koppelen aan vraagprofielen
• Beschikbaarheid en prijs van groene waterstof en opslag (batterijen, waterstof, warmte) meenemen

Met AI kun je grotere, complexere energiesysteem‑modellen trainen en continu actualiseren met realtime data van netbeheerders, marktprijzen en weersvoorspellingen. Dat levert veel betere antwoorden op vragen als:

• Hoeveel draaiuren zullen back‑upcentrales in 2035 realistisch maken?
• Is het goedkoper om extra flex (batterijen, vraagsturing, warmteopslag) in te zetten in plaats van CO₂‑vrije gascentrales?
• Hoe verander je het ontwerp als de ETS‑prijs sneller stijgt dan gedacht?

Als je zulke modellen goed inricht, wordt de discussie minder ideologisch en meer evidence‑based.

---

4. Evenwichtige verdeling: van kernenergie tot biobased bouwen

PBL constateert dat de voorgestelde verdeling van middelen redelijk in lijn ligt met de verschillende subsidiebehoeften per technologie.

• Kernenergie zit nog in een oriënterende fase → relatief veel voorbereidend geld, weinig concrete productieprojecten.
• Groene‑waterstof‑productie kan in principe snel starten als de onrendabele top wordt afgedekt.
• Duurzame koolstofhoudende brandstoffen, biobased bouwen, uitrol van warmtenetten, industriële verduurzaming en energiebesparing in de gebouwde omgeving vragen forse investeringen.

Belangrijk signaal:

Voor bijna alle technologieën uit het NPE zijn voorstellen ingediend. Uitzonderingen: windenergie, lokale warmtebronnen en warmteopslag.

Voor wind en lokale warmte is er al steun via SDE++, maar voor warmteopslag ontbreekt nog een subsidieregeling. Terwijl warmteopslag cruciaal is om de pieken van zon en wind op te vangen.

Warmteopslag, netoptimalisatie en AI zijn een gouden combinatie

Warmteopslag is niet sexy, maar wel essentieel:

• Minder netcongestie
• Hogere benutting van warmtenetten
• Lagere systeemkosten

AI kan hier concreet helpen:

• Netoptimalisatie: algoritmen bepalen wanneer het slim is om warmte op te slaan of vrij te geven, zodat elektriciteitsnetten worden ontlast.
• Vraagvoorspelling: voorspellen van warmtevraag per wijk op basis van weer, gedragspatronen en historische data.
• Ontwerpoptimalisatie: simuleren van verschillende combinaties van buffers, bronnen en afnemers in nieuwe of bestaande warmtenetten.

Juist omdat warmteopslag nog geen duidelijke subsidieregeling heeft, kunnen partijen die hier nú in investeren met goede AI‑ondersteunde businesscases een voorsprong pakken.

---

5. “Geen zelfstandig effect” is niet hetzelfde als “zinloos”

PBL heeft per voorstel beoordeeld of de geclaimde CO₂‑reductie plausibel is. Daarbij krijgen sommige voorstellen het stempel:

• “Geen zelfstandig effect”
• “Niet plausibel”
• “Plausibel mits”
• “Niet te valideren”

Dat klinkt streng, maar PBL benadrukt expliciet: dit is géén oordeel over doelmatigheid.

Voorbeeld: energie‑infrastructuur heeft vaak geen zelfstandig CO₂‑effect. Een kabel, leiding of transformator stoot op zich niets minder uit dan daarvoor. Maar zonder die infrastructuur komt geen enkel windpark, warmtenet of elektrolyser van de grond.

Hetzelfde geldt voor digitale infrastructuur, data‑platforms en AI‑systemen:

• Die reduceren niet direct CO₂,
• Maar zonder goede data en algoritmen kun je systemen nooit echt optimaliseren.

In de context van deze serie is dat misschien wel de belangrijkste les: AI is een randvoorwaarde, geen bonusfeature.

---

6. Hoe maak je als organisatie hier nu concreet gebruik van?

Als je in Nederland actief bent in energie, industrie, gebouwde omgeving of mobiliteit, dan raakt dit Klimaatfonds jou direct of indirect. Een paar stappen die ik verstandig vind:

1. Projecten spiegelen aan NPE en PBL‑analyse

• Check of jouw technologie of project past in het NPE‑beeld voor 2050.
• Kijk hoe PBL naar vergelijkbare voorstellen kijkt: waar zitten kansen, waar twijfels?
• Gebruik dat als input om je project scherper, realistischer en beter onderbouwd te maken.

2. AI inzetten voor betere subsidieaanvragen

Veel subsidieaanvragen sneuvelen op te rooskleurige aannames of vage onderbouwing. Met AI‑ondersteunde modellen kun je:

• CO₂‑reductie realistischer inschatten (met scenario’s in plaats van één getal).
• Netimpact, congestierisico en systeemvoordelen kwantificeren.
• Businesscases per regio of klantsegment optimaliseren.

Dit vergroot niet alleen de slagingskans van je aanvraag, maar helpt ook om intern draagvlak te krijgen voor investeringen.

3. Denk nu al verder dan de subsidieperiode

Stel jezelf drie harde vragen:

1. Hoe ziet de businesscase eruit als de subsidie stopt?
2. Welke normen of CO₂‑prijzen heb je minimaal nodig om rendabel te blijven?
3. Kun je met AI‑gestuurde optimalisatie je operationele kosten zó ver omlaag brengen dat je minder afhankelijk wordt van beleid?

Organisaties die die vragen nu scherp hebben, staan straks sterker als beleid of markt tegenvalt.

---

Slot: 35 miljard redenen om slimmer met data om te gaan

De PBL‑quickscan is eigenlijk een reality check: de voorstellen uit het Klimaatfonds zijn overwegend doelmatig en in lijn met het NPE, maar er zijn duidelijke aandachtspunten rond CO₂‑vrije gascentrales, schaarse groene waterstof en het tempo van normering en beprijzing.

Voor onze serie “AI voor Nederlandse Energie: Duurzame Transitie” is dit hét moment om stelling te nemen:

Zonder stevige inzet van AI voor netoptimalisatie, vraagvoorspelling, onderhoudspredictie en geïntegreerde systeemanalyse halen we nooit het maximale uit het Klimaatfonds.

De volgende stap ligt dus niet alleen bij Den Haag, maar ook bij jou. Hoe ga jij ervoor zorgen dat jouw projecten – of je nu netbeheerder, energiebedrijf, industrie‑speler, gemeente of tech‑scale‑up bent – echt datagedreven worden en klaar zijn voor een energiesysteem dat in 2050 CO₂‑vrij is?