De publicatie beschrijft waarom de vraag naar de footprint van AI zelden een eenvoudig antwoord oplevert. De impact hangt af van veel variabelen tegelijk, zoals modelgrootte, type vraag, locatie en koelmethode van datacenters, afstand tot infrastructuur en de verhouding tussen training en gebruik. Tegelijk is betrouwbare data nog beperkt beschikbaar, omdat grote modelontwikkelaars en hyperscalers volgens de analyse terughoudend zijn met gedetailleerde rapportage.

Om het onderwerp werkbaar te maken, deelt Cruz de impact op in twee lagen: hardware en software. Aan de hardwarekant draait het om GPU’s, koeling en datacenter-efficiëntie. NEMO Kennislink wijst daarbij op verschillen in koelsystemen en op indicatoren zoals PUE, die laten zien hoeveel extra energie nodig is naast rekenkracht. Aan de softwarekant draait het om de omvang van modellen en de twee zware fasen: training en inferentie. Juist inferentie groeit snel door massaal dagelijks gebruik.

De AI-focus in het artikel ligt sterk op efficiëntie per taak. Een zwaar model inzetten voor een simpele prompt is inefficiënt, terwijl lichtere routering en taakselectie veel rekenwerk kunnen besparen. Cruz en zijn team werken daarom aan een extra optimalisatielaag die vragen naar kleinere modelonderdelen stuurt wanneer dat kan. Deze benadering sluit aan op bredere ontwikkelingen in de sector, waar ook chip- en AI-bedrijven soortgelijke strategieën publiceren.

De conclusie van NEMO Kennislink is dat technische innovatie en governance samen moeten optrekken. Zonder betere transparantie blijft vergelijking moeilijk, en zonder slimmere modelarchitectuur loopt gebruik sneller op dan efficiëntieverbetering. Daarmee wordt de AI-voetafdruk vooral een ontwerp- en sturingsvraag, niet alleen een vraag naar meer capaciteit.