KI-Ressourcenverbrauch

Energie pro Anfrage

Die Zahl hängt direkt von der Tokenlänge ab. Epoch AI hat 2025 das sauberste tokenbasierte Modell veröffentlicht:

Quelle: Epoch AI, 2025. Berechnungsmodell: GPT-4o, ~100 Mrd. aktive Parameter, NVIDIA H100.

Der 10x-Mythos: Herkunft und Einordnung

Die weitverbreitete Behauptung, eine KI-Anfrage verbrauche 10-mal so viel Energie wie eine Google-Suche, geht auf ein einzelnes Schätzstatement des Alphabet-Vorsitzenden John Hennessy zurück (Reuters-Interview, Februar 2023). Keine Messung, keine Studie, ein beiläufiges "likely".

Von da lief die Kette: de Vries zitierte es in einem Joule-Paper, die IEA übernahm es, das UN-Umweltprogramm auch. Seitdem zirkuliert es als gesicherter Wert.

Das zweite Problem: Der Vergleichswert "0,3 Wh pro Google-Suche" stammt aus einem Google-Blogpost von 2009. Aktuelle Schätzungen setzen eine Suche bei ~0,04 Wh an. Beide Seiten der Rechnung waren um Faktor 10 überschätzt.

Quelle: Engineering Prompts, 2024

Effizienz-Sprung 2024 bis 2025

Google hat zwischen Mai 2024 und Mai 2025 den CO2-Ausstoß pro Gemini-Prompt um Faktor ~23 gesenkt. Ursache: algorithmische Optimierung + bessere Hardware-Auslastung. Studien, die auf GPT-3/GPT-4-Daten von 2022/2023 basieren, können diesen Sprung nicht abbilden.

Quelle: Elsworth et al. (Google), arXiv 2508.15734, August 2025. Direkte Messung in der produktiven Gemini-Infrastruktur.

Drei Fußabdrücke, die sich nicht immer in dieselbe Richtung bewegen

Der UN-Bericht (UNU-INWEH, Juni 2026) führt einen zentralen Befund ein, der in der öffentlichen Debatte fast vollständig fehlt: Kohlenstoff-, Wasser- und Flächenverbrauch sind drei eigenständige Dimensionen. Eine Entscheidung, die einen dieser Fußabdrücke senkt, kann einen anderen erhöhen.

Praktische Konsequenz: "Kohlenstoffneutral" ist nicht dasselbe wie "ökologisch unbedenklich". Ein Rechenzentrum, das mit Kernkraft betrieben wird, hat einen niedrigen CO2-Fußabdruck, aber einen hohen Wasserverbrauch. Ein Solar-betriebenes Rechenzentrum in einer wasserarmen Region kann trotz sehr niedrigem CO2-Ausstoß einen Flächenkonflikt verursachen.

Quelle: UNU-INWEH: Environmental Cost of AI's Energy Use: Carbon, Water and Land Footprints (Juni 2026). Autoren: Aczel, Chamanara, Matin, Farsi, Marwala, Madani.

Serverstandort als Entscheidungskriterium

Nutzer können den Energiemix, auf dem ihre KI-Nutzung basiert, durch Anbieter- und Regionswahl beeinflussen. Die wichtigsten Anbieter ermöglichen heute die Wahl europäischer Serverregionen.

• Anthropic (Claude): API-Zugriff läuft über AWS-Regionen. EU-Regionen (z.B. eu-central-1, Frankfurt) sind verfügbar und laufen auf einem Strommix mit deutlich höherem Erneuerbaren-Anteil als US-Regionen wie us-east-1 (Virginia) oder us-west-2 (Oregon).
• OpenAI (GPT): EU-Datenverarbeitung über Azure-Regionen möglich. Europäische Kunden können Datenresidenz in der EU konfigurieren.
• Europäischer Strommix: Der durchschnittliche CO2-Intensitätswert des europäischen Strommixes liegt deutlich unter dem US-amerikanischen, vor allem durch hohe Anteile aus Wind, Solar und Kernkraft. Texas und Virginia, zwei der wichtigsten US-Rechenzentrumsstandorte, haben einen höheren Gasanteil.

Organisationen, die ihre KI-Nutzung in ihrer Nachhaltigkeitskommunikation transparent machen wollen, können Serverstandort und Energiemix als konkrete Kriterien in ihrer Anbieterwahl dokumentieren.

Globaler Maßstab

Wasserverbrauch: Einordnung

Wasser "verschwindet" physikalisch nicht. Was zählt: Steht es dort noch zur Verfügung, wo es entnommen wurde? Rechenzentren verdampfen Wasser in Kühltürmen bewusst. Für die Region ist es dauerhaft weg, besonders problematisch in Dürregebieten.

Rechenzentren greifen zu 80 bis 90 Prozent auf hochreines "blaues Wasser" zurück: direkt aus Flüssen, Seen oder dem Trinkwassernetz, dasselbe Wasser wie in der lokalen Wasserversorgung. Avocados und Getreide leben dagegen zu einem großen Teil von Regenwasser ("grünes Wasser") im natürlichen Kreislauf.

Das bedeutet: Der globale Wasserbedarf von KI ist im Vergleich zur industriellen Landwirtschaft (ca. 70 % aller Süßwasserentnahmen weltweit) minimal. Das eigentliche Problem ist lokal und qualitativ, nicht global und quantitativ.

Quellen: UNU-INWEH, Juni 2026; GI-Studie, Juni 2025

Warum die Zahlen so weit auseinandergehen

Die Bandbreite in der Presse ist kein Messfehler, sondern ein Methodenproblem.

Systemgrenzen: Wird nur der aktive GPU-Chip gemessen (unterschätzt Realverbrauch um Faktor 2,4) oder der gesamte Standort inklusive vorgelagerter Stromerzeugung? Beide Ansätze liefern valide Zahlen, aber für verschiedene Fragen.

Veraltete Effizienzannahmen: Viele Studien rechnen mit Hardware-Nennwerten aus 2022/2023 und ignorieren algorithmische Optimierungen der letzten zwei Jahre.

Intransparenz: Kein Anbieter veröffentlicht KI-spezifische Umweltkennzahlen. Amazon (AWS) veröffentlicht keine aggregierten Wasserverbrauchsdaten überhaupt.

Methodische Grundlage: Frontiers in Communication, März 2025 (14 Modelle, 7B–72B Parameter, direkte Messung auf NVIDIA A100).

Praktische Konsequenzen

Auf Basis der aktuellen Forschung lassen sich konkrete Verhaltensweisen ableiten, die den Ressourcenverbrauch reduzieren:

• Prompt-Disziplin. Kürzere Prompts sparen proportional Energie. Höflichkeitsfloskeln gegenüber KI-Systemen haben messbare, wenn auch kleine Kosten.
• KI-Bilder und -Videos sparsam einsetzen. Ein einziges hochauflösendes KI-Bild verbraucht so viel Energie wie eine vollständige Smartphone-Akkuladung.
• Agentic Loops begrenzen. Autonome Agenten ohne Abbruchbedingung multiplizieren den Verbrauch exponentiell. Klare Grenzen und manuelle Freigabeschritte einbauen.
• Kleines Modell zuerst. Für Klassifizierungen, Extraktion und strukturierte Aufgaben benötigt ein kleineres Modell ca. 30-mal weniger Energie als ein Großmodell.
• Opt-out bei Trainings-Daten. Wer OpenAI-API nutzt, sollte aktiv der Nutzung der eigenen Eingabedaten zu Trainingszwecken widersprechen.