Hoe het Klimaatfonds de energietransitie versnelt (met hulp van AI)

AI voor Nederlandse Energie: Duurzame Transitie••By 3L3C

PBL ziet dat de meeste Klimaatfonds-subsidies doelmatig zijn. Waar zit het risico, en hoe helpt AI om miljarden aan klimaatgeld Ă©cht effectief in te zetten?

KlimaatfondsenergietransitieAI in energiePBL analysegroene waterstofenergie-infrastructuurNederlandse energiebeleid
Share:

Waarom het Klimaatfonds nu zo belangrijk is

Tussen 2024 en 2030 moet Nederland zijn uitstoot met minimaal 55% terugbrengen. Tegelijk groeit het elektriciteitsverbruik harder dan ooit door warmtepompen, elektrische auto’s, datacenters en nieuwe industrie. Zonder stevige publieke investeringen en slimme sturing lopen we simpelweg vast.

Daarom is het Klimaatfonds van 35 miljard euro zo bepalend. In het Meerjarenprogramma 2025 (MJP2025) ligt nu voor ruim 21,2 miljard euro aan subsidievoorstellen op tafel. Het Planbureau voor de Leefomgeving (PBL) heeft daar een quickscan op gedaan en komt tot een geruststellende maar ook kritische conclusie: meeste voorstellen zijn doelmatig en passen in het energiesysteem van 2050, maar niet allemaal zijn even scherp doordacht.

Voor iedereen die bezig is met de energietransitie – van beleidsmaker tot netbeheerder en van energie-intensief bedrijf tot techscale-up in AI – is dit relevant. Want waar dit geld naartoe gaat, bepaalt welke infrastructuur wordt gebouwd, welke technieken doorbreken én waar de grootste kansen liggen voor AI-toepassingen in de Nederlandse energievoorziening.

In deze blog uit de reeks “AI voor Nederlandse Energie: Duurzame Transitie” loop ik langs de belangrijkste conclusies van het PBL, leg ik uit wat dat betekent voor de praktijk en laat ik zien waar AI onmisbaar wordt om deze miljarden ook echt effectief te maken.

1. Klimaatfonds-subsidies: tijdelijk, maar cruciaal als startmotor

De kern: veel duurzame technieken zijn nu economisch onrendabel, maar maatschappelijk noodzakelijk. Subsidies uit het Klimaatfonds vullen tijdelijk de onrendabele top, zodat marktpartijen durven te investeren.

Het PBL ziet vooral in deze domeinen een duidelijke rol voor subsidies:

  • COâ‚‚-vrije gascentrales (bijvoorbeeld op groene waterstof)
  • Vroege fase opschaling van nieuwe energietechnologie
  • Verduurzaming van industrie en mkb
  • Verduurzaming van de gebouwde omgeving (isolatie, warmtenetten, warmtepompen)

Bij andere voorstellen, zoals kernenergie en energie-infrastructuur, zijn investeringen waarschijnlijk wél rendabel op de lange termijn, maar schrikken hoge aanloopkosten en risico’s marktpartijen af. Zonder steun komen die investeringen gewoon te laat.

Wat betekent dit concreet?

  1. Internationaal opererende bedrijven: zonder tijdelijke steun is de kans groot dat productie naar het buitenland verschuift, waar COâ‚‚-eisen vaak lager zijn. Dat is slecht voor klimaat Ă©n economie.
  2. Huishoudens en mkb: zonder subsidie worden warmtepomp, isolatie of aansluiting op een warmtenet voor veel mensen simpelweg te duur.
  3. Systeemfuncties zoals nieuwe hoogspanningsverbindingen, waterstofbackbone en CO₂-transport zijn nodig voor álle latere verduurzamingsstappen, maar verdienen zich niet snel genoeg terug om zonder publieke steun van de grond te komen.

De realiteit: zonder Klimaatfonds stokt de versnelling van de energietransitie, juist in de fase waarin veel technieken nog net te duur zijn.

2. Na de subsidiegolf: normering en COâ‚‚-prijs moeten het overnemen

Subsidies zijn bewust tijdelijk. Zodra een techniek grootschalig is uitgerold of goedkoper is geworden, moeten normering en beprijzing het stokje overnemen.

Het PBL is helder: voor bepaalde technieken zal dat bijna zeker nodig zijn, ook na 2030:

  • Duurzame warmte (zoals warmtenetten en geothermie)
  • Groene waterstof
  • Duurzame biobrandstoffen

De vraag is of de COâ‚‚-prijs in het EU-ETS en nationale normen (bijvoorbeeld jaarverplichtingen voor brandstofleveranciers en industrie) op tijd scherp genoeg worden om de markt ook zonder subsidie draaiende te houden.

Waar komt AI hier in beeld?

Zodra normering en beprijzing leidend worden, is goede data en voorspelbaarheid essentieel:

  • Overheden hebben AI-gestuurde scenario- en impactmodellen nodig om te toetsen of hun normen en heffingen stevig genoeg zijn.
  • Energiebedrijven gebruiken AI voor vraagvoorspelling om te bepalen wanneer groene waterstof, batterijen of vraagrespons het meest rendabel zijn.
  • Netbeheerders gebruiken AI voor netoptimalisatie om investeringen in zwaardere kabels, transformatoren en flexibiliteit slim te faseren.

De overgang van subsidie naar normering mislukt als je geen goed beeld hebt van gedragseffecten, prijsreacties en systeemrisico’s. Juist daar maken AI-gedreven energiemodellen het verschil.

3. COâ‚‚-vrije gascentrales: doelmatig of dure omweg?

Hier wordt het spannend. Het PBL zet serieuze vraagtekens bij de doelmatigheid van het beleid voor COâ‚‚-vrije gascentrales met waterstof.

De redenering is scherp:

  • Groene waterstof is de komende jaren schaars en duur.
  • De elektriciteitssector valt al onder het EU-ETS en heeft daardoor sowieso een sterke prikkel om richting 2040 emissies terug te brengen.
  • Als je die schaarse groene waterstof vóór 2035 groots inzet in gascentrales, gaat dat ten koste van sectoren waar minder alternatieven zijn (bijvoorbeeld staal, chemie, zwaar transport).

Daarmee is de vraag: is een volledig COâ‚‚-vrije elektriciteitssector al in 2035 wel de meest kosteneffectieve route, of schuiven we duurzame moleculen weg van plekken waar ze meer klimaatwinst opleveren?

Hoe AI kan helpen om dit soort keuzes beter te maken

Voor dit soort afwegingen heb je meer nodig dan politieke ambitie; je hebt systeemanalyse op basis van data nodig. AI is daar extreem geschikt voor:

  • Systeembrede optimalisatie: AI-modellen kunnen berekenen waar elke geproduceerde kilogram groene waterstof netto de meeste COâ‚‚-reductie oplevert, gegeven ETS-prijzen, sectorale normen en infrastructuur.
  • Dynamische scenario’s: in plaats van Ă©Ă©n route naar 2035, kun je met AI tientallen scenario’s doorrekenen met variaties in brandstofprijzen, technologieontwikkeling en ETS-prijzen.
  • Weglekeffecten kwantificeren: wat gebeurt er als waterstof in de elektriciteitssector wordt gesubsidieerd, maar daardoor de prijs voor industrie oploopt? AI-modellen kunnen zulke indirecte effecten zichtbaar maken.

Mijn stelling: beleid voor COâ‚‚-vrije gascentrales dat nĂ­et leunt op serieuze AI- en data-analyse is onverantwoord kostbaar.

4. Past het Klimaatfonds bij het energiesysteem van 2050?

Het Nationaal Plan Energiesysteem (NPE) schetst hoe een COâ‚‚-vrij energiesysteem in 2050 eruit moet zien. Het PBL constateert dat de meeste subsidievoorstellen goed aansluiten bij dat doelbeeld.

Er zijn voorstellen voor vrijwel alle sleuteltechnologieën:

  • Kernenergie
  • Groene waterstofproductie
  • Duurzame koolstofhoudende brandstoffen
  • Biobased bouwen
  • Warmtenetten en duurzame warmte
  • Verduurzaming industrie
  • Energiebesparing in de gebouwde omgeving
  • Energie-infrastructuur (elektriciteit, waterstof, COâ‚‚)

Drie zaken springen eruit:

  1. Wind op zee en lokale warmtebronnen zitten nauwelijks in het Klimaatfonds, omdat hier al andere subsidies (zoals SDE++) voor bestaan. Logisch, want daar werken bestaande regelingen al.
  2. Warmteopslag heeft géén eigen subsidieregeling, terwijl het cruciaal is om een flexibel en betrouwbaar energiesysteem te bouwen.
  3. Geen voorstellen buiten het NPE-beeld: er wordt dus niet zomaar geld gestoken in technologieën die niet passen bij een CO₂-vrij systeem in 2050.

Warmteopslag: vergeten maar essentieel

Dat warmteopslag geen subsidie heeft, is opvallend en eigenlijk zorgelijk. Zonder seizoensopslag en middellange opslag van warmte wordt het:

  • Moeilijker om warmtenetten efficiĂ«nt te draaien
  • Duurder om pieken op te vangen
  • Lastiger om veel duurzame warmtebronnen te integreren

Juist hier liggen grote kansen voor AI in de energietransitie:

  • Slimme sturing van warmtebuffers (in wijken, glastuinbouw of industrie) op basis van prijsvoorspelling en weersdata
  • Optimalisatie van warmtenetten met AI, zodat bronnen, opslag en vraag optimaal op elkaar worden afgestemd
  • Predictive maintenance voor warmte-infrastructuur, om storingen te voorkomen en efficiĂ«nt te investeren

Als er straks alsnog een subsidie-instrument voor warmteopslag komt, zullen projecten die AI inzetten voor sturing en optimalisatie simpelweg meer COâ‚‚-reductie en lagere kosten per euro subsidie halen.

5. Verdelen van miljarden: waar gaat het geld naartoe?

Niet elke technologie heeft dezelfde fase van volwassenheid of dezelfde subsidiebehoefte. Het PBL vindt de voorgestelde verdeling van middelen door de fondsbeheerder redelijk evenwichtig.

Een paar voorbeelden:

  • Kernenergie zit nog in een oriĂ«nterende fase: veel onderzoek, vergunningstrajecten, ontwerpstudies. Geen grote bouwsubsidies, wel ontwikkelkosten.
  • Groene-waterstof-productie kan in principe meteen starten zodra de onrendabele top wordt gedekt. Hier gaat dus relatief veel geld naartoe op korte termijn.
  • Duurzame brandstoffen, biobased bouwen, industriĂ«le verduurzaming, warmtenetten en isolatie vragen forse investeringen, maar leveren ook grote structurele COâ‚‚-reductie op.

Waar kun je als organisatie op voorsorteren?

Als je actief bent in energie, industrie of gebouwde omgeving, dan is dit de rode lijn:

  • Projecten met duidelijke systeembijdrage (flexibiliteit, infrastructuur, besparing) maken een grotere kans op financiering.
  • Data- en AI-ondersteuning helpt om de COâ‚‚-impact onderbouwd en geloofwaardig te maken.
  • Integrale businesscases die zowel subsidie, ETS, energiemarkten als systeemvoordelen meenemen, zijn overtuigender dan losse rekensommen.

Zelf merk ik bij organisaties die serieus met AI voor energieplanning bezig zijn, dat hun subsidieaanvragen vaak sterker zijn: ze kunnen aannemelijk maken hoe hun oplossing zich gedraagt in verschillende scenario’s en hoe robuust de CO₂-reductie is.

6. PBL: plausibel is niet hetzelfde als doelmatig

Interessant detail uit de quickscan: PBL heeft per voorstel alleen beoordeeld of de geclaimde COâ‚‚-reductie plausibel is, niet of het voorstel maatschappelijk doelmatig is.

Veel voorstellen krijgen labels als:

  • geen zelfstandig effect
  • niet plausibel
  • plausibel mits
  • niet te valideren

Belangrijk: dat betekent níet dat zo’n voorstel per definitie slecht is. Twee voorbeelden uit de PBL-reflectie:

  • Energie-infrastructuur heeft zelf nauwelijks directe COâ‚‚-reductie, maar is wĂ©l een randvoorwaarde voor bijna alle andere maatregelen.
  • Voorstellen waar COâ‚‚-reductie mogelijk wat te optimistisch is ingeschat, kunnen alsnog heel zinvol zijn, zolang het systeemvoordeel groot is.

Hoe AI kan helpen om “plausibel” naar “hard onderbouwd” te brengen

Waarom worstelen veel voorstellen met plausibiliteit? Omdat:

  • Data versnipperd is
  • Gedragseffecten lastig te vangen zijn
  • Onzekerheid over prijzen en volumes groot is

Dit is precies waar AI het verschil maakt:

  • Datakoppeling en -opschoning: AI-tools kunnen grote hoeveelheden verbruiks- en productiegegevens, netdata en marktcijfers combineren.
  • Scenario-analyses: door duizenden scenario’s door te rekenen, krijg je niet Ă©Ă©n getal, maar een bandbreedte met waarschijnlijkheden.
  • Realtime monitoring na toekenning: AI kan live volgen of projecten de beloofde COâ‚‚-reductie realiseren en waar moet worden bijgestuurd.

Wie in 2025 nog klimaatsubsidie aanvraagt met alleen een Excel en ruwe aannames, loopt achter. AI-ondersteunde onderbouwing is snel de norm aan het worden.

7. Wat betekent dit voor jouw volgende stap in de energietransitie?

De PBL-quickscan van het Klimaatfonds laat zien dat Nederland grosso modo op een verstandige koers zit:

  • De meeste subsidievoorstellen zijn doelmatig en passen in het NPE-beeld voor 2050.
  • Er is terechte zorg over de doelmatigheid van COâ‚‚-vrije gascentrales op schaarse groene waterstof.
  • Subsidies zijn een tijdelijke versneller; normering en COâ‚‚-beprijzing moeten de structurele ruggengraat vormen.
  • Data, plausibiliteit en systeemeffecten worden steeds belangrijker in de beoordeling.

Voor iedereen die werkt aan de Nederlandse energietransitie geldt nu:

  1. Gebruik de Klimaatfonds-periode als versnelfase. Zet projecten op die niet alleen vandaag, maar ook in een ETS- en normgestuurde wereld overeind blijven.
  2. Bouw AI-capaciteit op voor netoptimalisatie, vraagvoorspelling, onderhoudspredictie en integrale systeemanalyse. Zonder die laag mis je kansen Ă©n loop je risico op suboptimale investeringen.
  3. Maak COâ‚‚-effecten meetbaar en voorspelbaar. Dat is niet alleen handig voor subsidie, maar ook voor je eigen investeringsbeslissingen.

De grote vraag voor de komende jaren is niet meer Ăłf we investeren in de energietransitie, maar hoe slim we dat doen. Organisaties die klimaatbeleid, energiesysteemkennis en AI combineren, gaan hier de toon zetten.

Welke keuze je ook maakt in 2025: zorg dat je beslissingen niet alleen politiek wenselijk, maar ook data-gedragen en systeemslim zijn.