Verbraucht KI zu viel Energie und Wasser?

Verbraucht KI zu viel Energie und Wasser? Die Debatte dreht sich im Kreis, weil die beiden Lager nicht über dasselbe sprechen. Die einen betrachten die Anfrage: Eine Frage an einen Chatbot verbraucht eine winzige Energiemenge. Die anderen betrachten die Summe: Milliarden von Anfragen, das Training der Modelle und der Bau neuer Rechenzentren belasten die Stromnetze und, lokal, das Wasser erheblich.

Beide Feststellungen sind wahr. Die nützliche Frage für ein Unternehmen lautet nicht „Muss man mit KI aufhören?“, sondern „Nutzen wir für jede Aufgabe die richtige Modellgröße?“, denn dort entscheiden sich zugleich der Fußabdruck und die Rechnung.

Kurz gesagt

• Im Referenzszenario der IEA würde der Stromverbrauch der Rechenzentren 2030 rund 945 TWh erreichen und ihr Wasserverbrauch rund 1.200 Milliarden Liter pro Jahr.
• Pro Anfrage sinkt der Verbrauch schnell: Google meldet für Gemini eine Senkung um den Faktor 33 in einem Jahr, nach eigenen Messungen.
• Beide Tendenzen bestehen nebeneinander, weil jeder Effizienzgewinn neue Nutzungen eröffnet.
• In den Tests der IEA verbraucht ein etwa 40-mal größeres Modell für dieselbe Aufgabe mehr als 40-mal so viel: Die richtige Größe zu wählen, ist der Hebel eines Unternehmens.

Position 1: Die Rechenzentren lassen den Verbrauch explodieren

Die belastbarste Quelle zur Gesamtmenge ist der Sonderbericht Energy and AI der Internationalen Energieagentur (IEA), veröffentlicht im April 2025. Er schätzt den Verbrauch der Rechenzentren zum Zeitpunkt des Berichts und dann für 2030 in seinem Referenzszenario. In gerundeten Zahlen:

Zum Strom fügt der Bericht hinzu:

• Der Verbrauch der Rechenzentren ist seit 2017 um rund 12 % pro Jahr gestiegen, mehr als viermal so schnell wie der gesamte Stromverbrauch;
• die Summe für 2030 läge etwas über dem gesamten Stromverbrauch Japans zum Zeitpunkt des Berichts, und KI ist neben den anderen digitalen Diensten der Haupttreiber dieses Wachstums;
• die Vereinigten Staaten standen 2024 für 45 % des Verbrauchs der Rechenzentren, China für 25 % und Europa für 15 %.

Beim Wasser hingen 2023 rund zwei Drittel des Verbrauchs mit der Energie- und Stromerzeugung zusammen, ein Viertel mit der direkten Kühlung und der Rest mit der Chipherstellung.

Der Bericht betont schließlich die Konzentration: Ein auf KI ausgerichtetes Rechenzentrum kann so viel Strom verbrauchen wie eine sehr energieintensive Fabrik, etwa eine Aluminiumhütte, doch diese Zentren sind geografisch viel stärker konzentriert, und fast die Hälfte der US-Kapazität befindet sich in fünf regionalen Clustern. Der Sektor wiegt im Stromverbrauch mancher lokaler Märkte bereits schwer: Dort ist die Belastung spürbar, im Netz wie beim Wasser, je nach Klima und Kühlverfahren.

Position 2: Eine Anfrage verbraucht sehr wenig, und die Effizienz steigt schnell

Das andere Lager stellt die Einheit in den Vordergrund. Google hat im August 2025 eine Messung des Fußabdrucks seines Assistenten Gemini veröffentlicht. Für die mittlere Textanfrage meldet das Unternehmen:

Hier misst Google seine eigenen Dienste: Es ist keine unabhängige Bewertung.

Der AI Index Report 2025 der Stanford University beobachtet seinerseits, dass die Inferenzkosten eines Systems mit der Leistung von GPT-3.5 zwischen November 2022 und Oktober 2024 um mehr als den Faktor 280 gesunken sind, dank immer leistungsfähigerer kleiner Modelle. Kosten sind kein Energieverbrauch, doch derselbe Bericht stellt fest, dass die Energieeffizienz der Hardware um 40 % pro Jahr steigt: Für dasselbe Ergebnis braucht es immer weniger Ressourcen.

Dieses Lager fügt hinzu, dass die IEA selbst relativiert: Die Rechenzentren machen bis 2030 nur etwa ein Zehntel des Wachstums der weltweiten Stromnachfrage aus, weniger als Industriemotoren, die Klimatisierung von Wohnungen und Büros oder Elektrofahrzeuge.

Warum beide recht haben

Die Gewinne pro Anfrage sind real, aber sie sagen nichts über die Zahl der Anfragen. Wenn eine Ressource billiger wird, nutzt man mehr davon: Jeder Effizienzgewinn eröffnet neue Nutzungen, mehr Agenten, mehr Modelle, die lange „nachdenken“, bevor sie antworten. Beide Tendenzen bestehen nebeneinander: Jede Anfrage wird sparsamer, und doch projiziert die IEA eine Verdopplung des Gesamtverbrauchs.

Zwei ehrliche Grenzen, die man im Kopf behalten sollte. Die Zahlen pro Anfrage der kommerziellen Dienste stammen von ihren Anbietern, die ihre Methode wählen: Die IEA stellt fest, dass der Mangel an Daten zum Verbrauch der kommerziellen Modelle ihre Bewertung verhindert, und ihre eigenen Messungen betreffen offene Modelle unter Testbedingungen. Und ihre Projektionen sind Szenarien, mit Unsicherheiten, die laut dem Bericht selbst nach 2030 zunehmen.

Was wir davon halten

Den Nutzer für jede Frage an einen Chatbot zu beschämen, scheint uns am Thema vorbeizugehen: Auf der Ebene einer Person ist die Wirkung gering, und die IEA zeigt, dass andere Nutzungen im Wachstum der Nachfrage schwerer wiegen. Auf der Ebene eines Unternehmens dagegen, das täglich Tausende Vorgänge automatisiert, wird die Wahl der Modelle zu einem echten Hebel, und das Unternehmen hält ihn in der Hand.

Die Tests der IEA geben die Größenordnung an:

Das größere der beiden verbraucht mehr als 40-mal so viel Strom. Ein Modell, das „schlussfolgert“, verbraucht bei einer einfachen Aufgabe doppelt so viel wie ein Modell vergleichbarer Größe. Die Falle besteht also darin, standardmäßig alles an das leistungsstärkste Modell zu schicken, auch Aufgaben, die ein kleines Modell genauso gut erledigen würde, etwa eine E-Mail einordnen oder einen Betrag aus einer Rechnung auslesen. Das größte Modell ist auch das teuerste: Genügsamkeit und Sparsamkeit gehen hier in dieselbe Richtung, was selten genug ist, um es hervorzuheben.

Was uns umstimmen würde: unabhängige, nicht von den Anbietern veröffentlichte Messungen, die zeigen würden, dass der Verbrauch pro Anfrage der gängigen Modelle nicht mehr sinkt oder mit den lange schlussfolgernden Modellen wieder steigt.

Was sich für ein Unternehmen konkret ändert

1. Die Aufgaben zum richtigen Modell leiten. Jede automatisierte Aufgabe sollte über das kleinste Modell laufen, das sie bewältigt: Eine Tabelle ordnet jedem Aufgabentyp ein Modell zu, getestet an realen Beispielen. Unser Leitfaden zu den KI-Kosten im Unternehmen, von den Tokens bis zum Routing beschreibt die Methode.

2. Unnötige Aufrufe vermeiden. Ein Teil der Verarbeitungen braucht gar keine KI: Eine einfache Regel oder eine Datenbankabfrage erledigt die Arbeit ohne Modell. Und ein Ergebnis, das sich nicht ändert, kommt in den Cache, statt neu berechnet zu werden.

3. Darauf achten, wo das Modell läuft. Der Fußabdruck hängt vom Strom des Ortes ab, an dem gerechnet wird. Bestimmte Verarbeitungen in Europa zu hosten oder ein offenes Modell auf dem eigenen Server zu betreiben, ist auch eine Frage der Souveränität, die wir in unserer Analyse zur Abhängigkeit Europas von den amerikanischen Cloud-Riesen behandeln.

4. Messen, bevor man kommuniziert. Ein Unternehmen, das über den Fußabdruck seiner Nutzungen sprechen will, muss seine Aufrufe und das jeweils verwendete Modell zählen. Ohne diese Erfassung wäre jede angezeigte Zahl eine Schätzung aus zweiter Hand.

Wo Sie anfangen

Der Fußabdruck der KI entscheidet sich weniger an einer Frage an einen Chatbot als an den Verarbeitungen, die sich Tausende Male wiederholen. Beginnen Sie mit der Liste Ihrer automatisierten Nutzungen, mit dem Modell, das jede aufruft, und ihrem Volumen: Diejenigen, die am häufigsten auf einem großen Modell laufen, testen Sie als Erste auf einem kleineren, und dieselbe Sortierung entlastet die Rechnung wie den Fußabdruck. Unser Leitfaden, um KI im Unternehmen einzuführen, geht diese Entscheidungen eine nach der anderen durch, vom Modell bis zu den Kosten. Wenn Sie wissen wollen, was jede Nutzung kostet, bevor Sie entscheiden, beginnt unser Angebot KI zum fairen Preis, Nutzung für Nutzung mit einem Audit Ihrer Rechnung und einem Testlauf mit Ihren eigenen Inhalten.

Häufige Fragen

Quellen

1. Energy and AI (neuer Tab)iea.blob.core.windows.net
2. Messung des Fußabdrucks seines Assistenten Gemini (neuer Tab)arxiv.org
3. AI Index Report 2025 der Stanford University (neuer Tab)hai.stanford.edu