AI & Implementatie

AI voor duurzaamheid: energie besparen en ESG-rapportage automatiseren

Gepubliceerd: Leestijd: 9 min
Dashboard met energieverbruik en CO2-cijfers van een MKB-bedrijf

De energierekening van de fabriek of het distributiecentrum stijgt, en wie vraagt waar het verbruik zit, krijgt een Excel-bestand met maandtotalen. De CO2-rapportage voor klanten wordt ook nog met de hand samengesteld. Dit artikel laat zien wanneer data het verbruik en die rapportage wel op orde brengt, en wanneer het de moeite niet loont.

Kernpunten: Energie is voor veel MKB-bedrijven een grote kostenpost die met data en AI 5 tot 20 procent omlaag kan. Concreet: verbruik voorspellen en installaties slim sturen (koeling, perslucht, klimaat, productie), uitval en verspilling terugdringen, en CO2- en ESG-rapportage automatiseren in plaats van handmatig in Excel. Een eerste traject kost 8.000 tot 30.000 euro en loont pas bij een energierekening boven 50.000 euro per jaar. Onder de 20.000 euro energiekosten per jaar loont het meestal niet. De eerste stap is bijna altijd meten: submeters plaatsen, data ontsluiten.

Waarom energie en duurzaamheid nu een datavraagstuk zijn

Energieprijzen zijn de afgelopen jaren grillig en gemiddeld hoger geworden. Voor een productiebedrijf, een logistiek centrum met koeling of een bedrijf met veel perslucht en machines is energie geen verwaarloosbare post meer, maar tienduizenden tot soms ruim honderdduizend euro per jaar. Tegelijk groeit de druk om te verduurzamen, niet alleen vanuit idealisme maar ook omdat grotere afnemers, banken en de overheid om cijfers vragen.

Het probleem is dat de meeste MKB-bedrijven niet weten waar hun energie precies heen gaat. Er is een totaalrekening van de leverancier, maar geen inzicht per machine, afdeling of order. Zonder dat inzicht is gericht besparen onmogelijk: het blijft onbekend welke installatie 's nachts onnodig doordraait of welk proces buitensporig veel verbruikt. Datagedreven werken begint hier met meten, en daarna pas met voorspellen en sturen. We schreven eerder over hoe een goede basis voor datagedreven besluitvorming eruitziet, en dezelfde logica geldt voor energie.

Eerlijk is eerlijk: voor een puur administratief kantoor met een paar laptops en wat verlichting is dit verhaal niet relevant. De winst zit bij bedrijven met fysieke processen die energie vreten. Daar liggen besparingen van duizenden tot tienduizenden euro's per jaar binnen handbereik, mits de data eerst op orde komt.

Energieverbruik voorspellen en installaties slim sturen

De eerste concrete toepassing is voorspellen. Een model dat leert van historisch verbruik, weersvoorspellingen, productieplanning en bezetting, kan vrij nauwkeurig inschatten hoeveel energie morgen of volgende week nodig is. Dat klinkt abstract, maar het heeft directe waarde: energie inkopen op gunstige momenten, pieken afvlakken om netcongestie en hoge tarieven te vermijden, en installaties laten draaien wanneer stroom goedkoop of groen is.

Het slim sturen gaat een stap verder. Denk aan een koelhuis dat extra koelt wanneer de stroomprijs laag is en daarna terugschakelt, of een klimaatinstallatie die anticipeert op bezetting in plaats van star een thermostaat te volgen. In de maakindustrie kan productieplanning worden afgestemd op energietarieven en op het voorkomen van gelijktijdige piekbelasting. Bedrijven die hun machines en installaties slim sturen op basis van data zien hier vaak 10 tot 20 procent besparing op het stuurbare deel van het verbruik.

De realistische verwachting: op het totale energieverbruik is 5 tot 15 procent besparing haalbaar bij processen met veel stuurbare installaties. Een bedrijf met 80.000 euro energiekosten bespaart dan 4.000 tot 12.000 euro per jaar. De investering in monitoring, een voorspelmodel en sturingslogica ligt vaak tussen 12.000 en 30.000 euro, dus de terugverdientijd is 1 tot 3 jaar. Is er weinig stuurbaar verbruik, bijvoorbeeld een proces dat continu vol moet draaien zonder flexibiliteit, dan valt de winst tegen en is dit het verkeerde startpunt.

Verspilling, uitval en CO2 per product terugdringen

Naast slim sturen zit er veel winst in het terugdringen van verspilling en onverwachte uitval. Een machine die ongemerkt minder efficiënt wordt, een lekkend persluchtsysteem of een koelinstallatie met vervuilde filters verbruikt fors meer dan nodig. AI-modellen die afwijkingen in het verbruikspatroon herkennen, signaleren zulke problemen vroeg, vaak voordat ze tot storing leiden. Dit ligt dicht tegen predictive maintenance aan: minder uitval betekent minder spoedreparaties en minder energieverspilling tegelijk.

Een persluchtlek kan een productiebedrijf zomaar duizenden euro's per jaar kosten zonder dat iemand het merkt. Een model dat het basisverbruik per installatie kent en afwijkingen meldt, verdient zich hier snel terug. Hetzelfde geldt voor verspilling in logistiek, waar route- en planningsoptimalisatie met AI zowel brandstof als lege kilometers terugdringt, met directe CO2-winst als bijvangst.

Steeds belangrijker wordt het toerekenen van energie en CO2 per product of order. Grotere klanten vragen niet langer alleen om een prijs, maar ook om de CO2-voetafdruk van wat ze afnemen. Wie verbruiksdata kan koppelen aan productie- en orderdata, kan die voetafdruk berekenen en onderbouwen. Dat is een commercieel argument: het verschil tussen een order winnen of verliezen bij een afnemer die op duurzaamheid stuurt. Maar het vereist wel dat systemen aan elkaar geknoopt zijn, een onderwerp dat we behandelen in systemen koppelen en data-integratie.

ESG- en CO2-rapportage automatiseren

De meeste MKB-bedrijven doen duurzaamheidsrapportage nu handmatig: een keer per jaar facturen van de energieleverancier verzamelen, brandstofbonnen optellen, alles in een Excel gooien en omrekenen naar CO2. Dat is foutgevoelig, kost dagen werk en levert cijfers op die te laat komen om nog op te sturen. Hier zit de winst in automatisering: niet zozeer een spannend AI-model, maar gewoon een goed gekoppelde dataketen.

Door verbruiksmeters, inkoopdata, brandstof- en wagenparkgegevens automatisch te ontsluiten en door te rekenen naar CO2-equivalenten, ontstaat een dashboard dat continu actueel is in plaats van een jaarlijkse momentopname. De directe besparing is tijd: een rapportage die nu drie tot vijf werkdagen kost, wordt grotendeels geautomatiseerd. Belangrijker is dat actuele cijfers het mogelijk maken om gedurende het jaar bij te sturen, in plaats van achteraf te constateren.

De urgentie neemt toe door regelgeving. De CSRD-rapportageverplichting raakt grote bedrijven direct, maar werkt door naar het MKB als toeleverancier: de klant die wel moet rapporteren, vraagt de cijfers op. Wie die data gestructureerd bijhoudt, voldoet sneller en behoudt opdrachten. Realistisch kost het opzetten van een geautomatiseerde ESG-rapportageketen 8.000 tot 20.000 euro, afhankelijk van hoeveel bronsystemen gekoppeld moeten worden. De business case is hier minder een energiebesparing en meer het behouden van klanten plus het besparen van rapportage-uren. Begin niet te groot: vaak is de scope 1- en 2-uitstoot (eigen verbruik) goed te automatiseren, terwijl scope 3 (de hele keten) een veel taaiere klus is die om een gefaseerde aanpak vraagt.

Wanneer het (nog) niet loont, en waar het wel begint

Het is verleidelijk om AI overal op los te laten, maar bij energie en duurzaamheid is eerlijkheid belangrijk: niet elk bedrijf heeft een sluitende business case. Ligt de energierekening onder de 20.000 euro per jaar, dan weegt de investering in modellen en koppelingen vaak niet op tegen de besparing. Dan is handmatig optimaliseren, een paar submeters plaatsen en eens kritisch naar de installaties kijken slimmer en goedkoper. AI loont pas als er genoeg volume en variatie is om uit te leren en genoeg euro's te besparen.

Ook geldt: zonder data geen AI. Zijn er geen submeters en geen inzicht per installatie, dan is de eerste stap simpelweg meten, niet modelleren. Het plaatsen van submeters en het ontsluiten van die data is relatief goedkoop en levert vaak al inzicht op dat zonder ingewikkeld model geld bespaart. Een gezond datafundament is de voorwaarde voor alles wat daarna komt. Pas met drie tot zes maanden goede meetdata kan een voorspel- of sturingsmodel echt iets toevoegen.

De verstandige aanpak is gefaseerd. Begin met een nuchtere ROI-berekening voor het dataproject: wat zijn de energiekosten, welk deel is stuurbaar, en wat is realistisch te besparen. Plaats waar nodig submeters, ontsluit de data en bouw eerst een eenvoudig dashboard. Pas daarna komen voorspelling en sturing erbij. Voor de financiering zijn er regelingen: gaat het om echt nieuwe modellen of technisch nieuwe oplossingen, dan komt de WBSO in beeld, en voor innovatieve samenwerkingsprojecten kan de MIT-regeling uitkomst bieden.

Stratalytic en duurzaamheid

Wij helpen MKB-bedrijven om bij energie en duurzaamheid van onderbuikgevoel naar data te gaan, zonder overbodige complexiteit:

  • We brengen eerst het energieverbruik in kaart per installatie of afdeling en bepalen waar realistisch winst zit, voordat we iets bouwen.
  • We ontwikkelen voorspel- en sturingsmodellen voor verbruik, koeling, perslucht en productie, gekoppeld aan tarieven en planning.
  • We automatiseren de CO2- en ESG-rapportage door bronsystemen te koppelen, zodat cijfers actueel zijn en aansluiten bij wat klanten en de CSRD vragen.
  • We zijn eerlijk over de business case: als AI nog niet loont, zeggen we dat en adviseren we de goedkopere route.
  • We helpen bij subsidie-aanvragen zoals WBSO en MIT om de investering te verlagen.

Veelgestelde vragen

Hoeveel energie kan een MKB-bedrijf besparen met AI?

Realistisch ligt de besparing tussen 5 en 20 procent van de energiekosten, afhankelijk van hoe energie-intensief het proces is en hoeveel sturing er nu al is. Bedrijven met installaties die continu draaien (koeling, perslucht, klimaat) halen de hogere percentages. Voor een kantoor met lage verbruikskosten loont AI-sturing vaak nog niet.

Wat kost een AI-project voor energiebesparing en wanneer is het terugverdiend?

Een eerste traject met monitoring en voorspelling kost grofweg 8.000 tot 30.000 euro, afhankelijk van de complexiteit. Bij een jaarlijkse energierekening boven de 50.000 euro is de terugverdientijd vaak 1 tot 2 jaar. Onder de 20.000 euro energiekosten per jaar is de business case meestal te dun en is handmatig optimaliseren slimmer.

Moet mijn MKB-bedrijf verplicht over CO2 en ESG rapporteren?

Veel kleine MKB-bedrijven vallen niet direct onder de CSRD, maar krijgen er indirect mee te maken als toeleverancier van grotere klanten die wel rapporteren. Die vragen steeds vaker CO2-cijfers per product of order op. Wie die data al gestructureerd bijhoudt, behoudt opdrachten die anders naar concurrenten gaan.

Welke data heb ik nodig voordat AI iets kan met energie?

Minimaal zijn slimme meters of submeters nodig die verbruik per installatie of afdeling registreren, plus liefst een koppeling met productie- of bezettingsdata. Zonder die meetdata kan een model niets voorspellen of optimaliseren. Het plaatsen van submeters en het ontsluiten van die data is vaak de eerste, relatief goedkope stap.

Plan een kennismaking van 30 minuten, vrijblijvend.

Stel een vraag over AI voor duurzaamheid

Laat je e-mailadres achter. Een solution architect uit het team reageert binnen een werkdag, met een eerste inschatting.

Liever het uitgebreide contactformulier

Dertig minuten om te zien waar de grootste impact zit.

Een eerlijke inschatting in cijfers, ook als het antwoord is dat het niet loont.