Ressourcenverbrauch der KI – Energie, Effizienz und ein Ressourcenethos
KI-Navigation | Ressourcenverbrauch der KI und ein Ressourcenethos
Stand: 2. Oktober 2026
Künstliche Intelligenz benötigt Strom, Rechenchips, Speicher, Netze, Kühlung, Wasser und materielle Infrastruktur. Gleichzeitig kann KI die Effizienz anderer Systeme verbessern und Rechenarbeit teilweise dorthin verlagern, wo gerade viel erneuerbare Energie verfügbar ist. Für eine sachliche Bewertung müssen deshalb Verbrauch, Nutzen, Effizienzfortschritt, Energieversorgung und Rebound-Effekte gemeinsam betrachtet werden.
Zahlen in den Grafiken richtig einordnen
Die Bilder sind anschauliche Infografiken, keine Messprotokolle. Die wichtigsten Grenzen der Darstellungen:
- Die in Bild 3 und Bild 4 verwendeten 200 TWh KI-Strom pro Jahr sind eine Szenarioannahme für eine Größenrechnung, keine offiziell gemessene Weltzahl für KI allein. Die IEA beziffert den gesamten Stromverbrauch aller Rechenzentren 2025 auf rund 485 TWh; für KI-fokussierte Rechenzentren veröffentlicht sie Wachstumsraten und Projektionen, aber keine ebenso belastbare einzelne globale 2025-Zahl. [1][2]
- Bild 2 und Bild 4 verwenden für den Weltstromverbrauch 2025 den früheren IEA-Wert von rund 28.200 TWh. Die jüngere IEA-Mid-Year-Aktualisierung vom Juli 2026 nennt rund 28.600 TWh. Die Größenordnung und die Aussage der Grafiken ändern sich dadurch kaum. [3]
Maßeinheiten: Eine Wattstunde (Wh) ist Energie; eine Terawattstunde (TWh) sind eine Billion Wh. Gigawatt (GW) bezeichnet Leistung. Speicherleistung in GW sagt allein nichts über die speicherbare Energie in GWh oder die mögliche Überbrückungsdauer. kWp bezeichnet die Nennleistung von Solarmodulen unter Testbedingungen.
1. Wo KI Ressourcen verbraucht
Wo KI Ressourcen verbraucht
Zur Grafik 1: Die angegebenen Wh-Bandbreiten sind illustrative Größenordnungen, keine modellübergreifend bestätigten Messintervalle. Insbesondere Agentenläufe und Training sind keine einheitliche Aufgabe. Eine Textstelle bei der Datenübertragung ist im Bild undeutlich; gemeint ist der Datenaustausch zwischen Chips, Servern und Rechenzentren.
Eine KI-Anfrage ist kein einzelner Rechenschritt. Sie durchläuft eine Kette aus Modellberechnung, Chipoperationen, Speicherzugriffen, Datenübertragung, Stromwandlung und Kühlung. Bei großen Modellen werden sehr viele Matrixoperationen ausgeführt; zugleich müssen Modellgewichte, Kontext und Zwischenergebnisse zwischen Hochleistungsspeicher und Beschleunigern bewegt werden. In großen Clustern kommt die Kommunikation zwischen vielen GPUs oder anderen Beschleunigern hinzu.
Darum ist nicht nur die Zahl der sichtbaren Prompts entscheidend. Maßgeblich sind unter anderem:
- Modellgröße und Architektur,
- Länge des Kontexts,
- Zahl der erzeugten Tokens,
- Reasoning- und Agentenschritte,
- Bild-, Audio- oder Videoverarbeitung,
- Werkzeugnutzung, Codeausführung und Suche,
- Auslastung und Effizienz des Rechenzentrums.
Eine kurze Textantwort und ein mehrstufiger Agentenlauf sind deshalb energetisch nicht sinnvoll als gleiche Einheit zu behandeln.
2. Wie viel Energie braucht eine einzelne Nutzung?
Wie viel Energie braucht KI?
Zur Grafik 2: Der aktualisierte IEA-Weltstromwert für 2025 ist 28.600 TWh, nicht der ältere Bildwert 28.200 TWh. 485 TWh betreffen alle Rechenzentren und entsprechen gerundet weiterhin 1,7 %. Die Balken für 2019 und 2022 sind hier nicht unabhängig geprüft; 2030 ist eine Projektion. Einzelaufgabenwerte sind keine allgemeine Verbrauchstabelle.
Für Textanfragen liegen inzwischen reale Produktionsmessungen vor. Google veröffentlichte 2025 eine Messung, die aktive Beschleuniger, Hosts, Leerlaufanteile und Rechenzentrums-Overhead berücksichtigt. Der mediane Gemini-Textprompt benötigte dabei 0,24 Wh. Gleichzeitig sank der Energiebedarf dieses medianen Prompts laut Studie innerhalb eines Jahres um den Faktor 33. [4]
Daraus folgt aber keine universelle Zahl für „eine KI-Anfrage“. Andere Modelle, längere Kontexte, Reasoning, Werkzeuge oder multimodale Aufgaben können erheblich mehr benötigen. Die Google-Messung zeigt eine Größenordnung von einigen Zehntel Wh für den dort gemessenen medianen Textprompt. Komplexe Agenten-, Bild- und Videoaufgaben können deutlich mehr benötigen; die Rangfolge gilt nicht für jede Kombination von Modell und Aufgabe. Die Messung betrifft den laufenden Dienst, nicht den gesamten Lebenszyklus einschließlich Chip- und Rechenzentrumsbau.
Für Bildgenerierung zeigte eine breit angelegte Studie bereits 2023/24 große Unterschiede zwischen Modellen und Aufgabentypen. Generative Bilder waren deutlich energieintensiver als viele textbasierte Spezialaufgaben; die Ergebnisse sind jedoch nicht direkt auf heutige kommerzielle Modelle übertragbar, weil Hardware und Software sich schnell verändern. [5]
Codex-Credits sind keine Energieeinheit. Credits bilden Nutzung und Abrechnung ab und hängen unter anderem von Modell und Tokenverbrauch ab. Eine seriöse direkte Gleichung „100 Credits = x Wh“ gibt es derzeit nicht. [6][7]
3. Die globale Größenordnung
Die IEA schätzt den Stromverbrauch aller Rechenzentren für 2025 auf rund 485 TWh. Bis 2030 erwartet sie im Basisszenario rund 950 TWh. Besonders schnell wächst der Anteil KI-fokussierter Rechenzentren; deren Verbrauch soll von 2025 bis 2030 ungefähr auf das Dreifache steigen. [1][2]
Die jüngste IEA-Aktualisierung beziffert den gesamten Weltstromverbrauch 2025 auf rund 28.600 TWh. Rechenzentren sind damit global noch ein relativ kleiner Anteil, können aber lokal sehr große Lasten erzeugen. Genau hier liegen viele praktische Probleme: Netzanschlüsse, Transformatoren, Leitungen, Kraftwerks- und Speicherleistung müssen am richtigen Ort und zur richtigen Zeit verfügbar sein. [3]
4. Wie viel Solarfläche wäre nötig?
Solarfläche als Szenariorechnung
Zur Grafik 3: 200 TWh sind eine Szenarioannahme, kein gemessener globaler KI-Verbrauch. Bei 220 Wp/m² und den angenommenen Erträgen ergeben sich rund 410–610 km² Modulfläche. Gesamtgelände und Flächenmultiplikatoren sind beispielhaft; die Rechnung ersetzt weder Standortplanung noch eine 24/7-Versorgungsbilanz.
Für eine anschauliche Rechnung nehmen wir 200 TWh Jahresstrombedarf als Szenario und moderne Module mit ungefähr 220 Wp pro Quadratmeter an. Bei guten Solarstandorten mit etwa 1.500 bis 2.200 kWh Jahresertrag pro kWp ergibt sich:
- Südwesten der USA: ungefähr 410–505 km² reine Modulfläche,
- Südspanien: ungefähr 480–570 km²,
- Tunesien: ungefähr 430–505 km²,
- gute Standorte in Indien oder Westchina: ungefähr 480–610 km².
Die Formel lautet vereinfacht:
Modulfläche = Jahresenergie / (Jahresertrag je kWp × installierte kWp je m²)
Die Länderbandbreiten oben sind illustrative Ertragsannahmen für diese Rechnung, keine hier durchgeführte standortgenaue Simulation. PVGIS des Joint Research Centre der EU erlaubt solche Ertragsberechnungen unter konkreten Standort- und Anlagenannahmen. [12]
Die reale Anlagenfläche ist größer als die reine Moduloberfläche, weil Reihenabstände, Wege, Wechselrichter, Umspannwerke und Betriebsflächen hinzukommen. Historische NREL-Auswertungen großer US-Solarparks zeigen diese Differenz deutlich; heutige Anlagen können davon abweichen. [13]
Für den gesamten Rechenzentrumsverbrauch von 485 TWh ergäbe dieselbe vereinfachte Rechnung an sehr guten Standorten grob 1.000–1.500 km² reine Moduloberfläche. Die Jahresbilanz allein belegt keine jederzeit verfügbare Versorgung. Die Rechnung berücksichtigt keine Speicher- und Übertragungsverluste, zusätzlichen Flächen oder Reserveleistung. Flächenrechte, Biodiversität, Landwirtschaft und lokale Interessen bleiben auch bei global kleinen Flächen wichtig. Weitere Herausforderungen sind 24/7-Versorgung, Netze, Speicher und lokale Leistungsspitzen.
5. Solar, Wind und Speicher wachsen ebenfalls schnell
Wachstum, Effizienz und erneuerbare Energie
Zur Grafik 4: 200 TWh sind nur eine Szenarioannahme; aktuell sind 28.600 TWh Weltstromverbrauch für 2025 anzusetzen. Die Modellgrößenbalken und Jahreszuordnungen sind keine belastbare Zeitreihe „typischer“ Modelle: Schon GPT-3 hatte 2020 175 Milliarden Parameter. [17] Auch der zweimal beschriftete Jahrgang 2023 und die schematischen Kurven dürfen nicht als geprüfte Datenreihen gelesen werden. Stromerzeugung, -verbrauch und installierte Leistung haben unterschiedliche Bezugsgrößen; zusätzlicher Solarstrom steht nicht automatisch am Ort der Rechenzentren bereit.
Der KI-Verbrauch wächst schnell – aber auch die Stromversorgung verändert sich außergewöhnlich rasch.
Nach IEA-Schätzung wurden 2025 weltweit mehr als 600 GW Photovoltaik und rund 160 GW Windkraft neu installiert. Die Solarstromerzeugung stieg innerhalb eines Jahres um ungefähr 600 TWh auf fast 2.700 TWh. [8][9]
IRENA kommt mit einer teilweise anderen statistischen Methodik für 2025 auf 692 GW neue erneuerbare Kapazität und insgesamt 5.149 GW installierte erneuerbare Leistung; das entspricht einem Jahreszuwachs von 15,5 %. [11]
Auch Stromspeicher wachsen sehr schnell. 2025 kamen laut IEA weltweit rund 108 GW neue Batteriespeicherleistung hinzu – rund 40 % mehr als 2024. Die installierte Batteriespeicherleistung war damit etwa elfmal so hoch wie 2021. [10]
Die entscheidende Systemfrage lautet deshalb nicht nur: Wie viel Strom verbraucht KI? Sondern:
6. Rechenarbeit kann Sonne und Wind folgen
Rechenarbeit folgt Sonne und Wind
Zur Grafik 5: Weltkarte, Pfeile und Tageskurven illustrieren eine Möglichkeit, keine gemessenen regionalen Stromprofile. Die Beschriftung „12 Uhr Morgen“ ist fehlerhaft; 12 Uhr bezeichnet Mittag. Wind folgt keinem überall gleichen Tagesrhythmus. Verschiebung setzt passende Datenrechte, Rechnerkapazitäten und eine günstige Gesamtenergiebilanz voraus.
Digitale Rechenarbeit besitzt gegenüber vielen klassischen Industrien einen besonderen Vorteil: Ein Teil der Produktion ist zeitlich und räumlich verschiebbar.
Eine Aluminiumhütte kann nicht mittags von Bayern nach Tunesien verlagert werden. Eine nicht dringliche KI-Aufgabe kann dagegen teilweise in einem anderen Rechenzentrum ausgeführt oder um einige Stunden verschoben werden.
Dabei lassen sich vier Klassen unterscheiden:
- Echtzeitaufgaben: Chat, Sprache, interaktive Übersetzung – wenig verschiebbar.
- Asynchrone Nutzeraufgaben: größere Codex-Aufträge, Rendering, umfangreiche Analyse – oft gut verschiebbar.
- Batch-Aufgaben: Datenaufbereitung, Indexierung, synthetische Daten – sehr gut verschiebbar.
- Großes Training: zeitlich teilweise flexibel, räumlich schwieriger, weil viele Beschleuniger eng gekoppelt und Daten lokal verfügbar sein müssen.
Verschiebbarkeit hängt von Datenrechten, Datenschutz, regionaler Datenhaltung, freien Rechnern und zusätzlichem Übertragungsaufwand ab. Ein sonniger Standort ist nicht automatisch ein zulässiger oder energieärmerer Ausführungsort.
Eine intelligente Laststeuerung könnte gleichzeitig prüfen: Strompreis, CO₂-Intensität, Wind- und Solarangebot, Netzbelastung, Latenz, freie Rechenkapazität und Datenübertragungsaufwand. Die IEA betont Demand Flexibility und Batteriespeicher als wichtige Instrumente, um variable Erzeugung und große neue Lasten wie Rechenzentren besser in Stromsysteme zu integrieren. [14]
Das Prinzip lautet daher:
7. Photonik: wichtiger Baustein, aber keine Gesamtlösung
Ein wachsender Teil des Energieaufwands großer KI-Systeme entsteht durch die Bewegung von Daten. Bei Co-Packaged Optics werden optische Verbindungen näher an die Switch-Chips gebracht. NVIDIA nennt für seine aktuelle Silicon-Photonics-Plattform eine bis zu fünffach bessere Netzwerkenergieeffizienz gegenüber herkömmlichen steckbaren Transceivern. Diese Zahl ist eine Herstellerangabe und betrifft das Netzwerk, nicht den gesamten Energiebedarf eines KI-Modells. [15]
Photonik kann deshalb einen Engpass deutlich entschärfen, ersetzt aber nicht die anderen Hebel:
- effizientere Beschleuniger,
- kleinere Zahlenpräzision und Quantisierung,
- Sparse Computing und Mixture-of-Experts,
- bessere Speicherarchitekturen,
- Caching, Batching und Speculative Decoding,
- spezialisierte kleinere Modelle,
- effizientere Kühlung und Stromversorgung.
8. Macht KI andere Systeme effizienter?
Der Ressourcenverbrauch der KI darf nicht isoliert betrachtet werden. Wasserbedarf und die Herstellung von Chips, Geräten und Gebäuden gehören dazu; die folgenden Stromrechnungen bilden diese weiteren Belastungen nicht vollständig ab. KI kann Produktionsprozesse, Stromnetze, Gebäude, Verkehr, Forschung und Wartung effizienter machen. Die IEA schätzt, dass bereits erprobte KI-Anwendungen energieintensiven Unternehmen helfen könnten, ihre Energiekosten um 3 bis 10 Prozentpunkte zu reduzieren. Das ist eine von der IEA genannte Potenzialeinschätzung, keine überall gemessene Einsparung und keine gleich große Abnahme des Energieverbrauchs. Das Potenzial wird bisher allerdings nicht vollständig genutzt. [2]
Hier entsteht ein doppelter Effekt:
- gleiche Leistung mit weniger Energie und Material, oder
- mehr Leistung mit denselben Ressourcen.
Der zweite Fall führt zum Rebound-Effekt: Effizienz senkt Kosten, wodurch Nutzung und Produktion wieder steigen können. Deshalb garantiert höhere Effizienz allein noch keinen sinkenden Gesamtverbrauch.
9. Ernsthafte Arbeit, Alltag, Spiel und „Unsinn“
Es wäre irreführend, nicht berufliche Nutzung mit Ressourcenverschwendung gleichzusetzen. Eine große NBER-Studie zur ChatGPT-Verbrauchernutzung fand 2025 ungefähr rund 30 % arbeitsbezogene und über 70 % nicht arbeitsbezogene Nachrichten im damaligen Verbraucherprodukt. Nahezu 78 % der klassifizierten Nachrichten entfielen auf praktische Anleitung, Informationssuche und Schreiben. Die Untersuchung reicht bis Juli 2025, beruht auf automatischer Klassifikation und ist keine Statistik sämtlicher KI-Systeme oder ihres Energieverbrauchs. Freizeit, persönliche Reflexion oder Kreativität können ebenfalls echten Wert haben. [16]
Für ein Ressourcenethos ist daher nicht die Unterscheidung „Arbeit = sinnvoll, Freizeit = unsinnig“ entscheidend. Wichtiger sind Fragen wie:
- Ist der Nutzen der Aufgabe den Ressourcenaufwand wert?
- Wird unnötig oft neu generiert?
- Könnte ein kleineres Modell genügen?
- Kann das Ergebnis weiterverwendet werden?
- Kann die Aufgabe zeitlich oder räumlich flexibel gerechnet werden?
10. Ressourcenethos der KI
Ressourcenethos der KI
Zur Grafik 6: Die sechs Regeln sind ethische und technische Orientierung. Ihr tatsächlicher Nutzen hängt vom Anwendungsfall ab und ist keine garantierte Energieeinsparung.
Ein Ressourcenethos der KI kann sechs praktische Regeln verbinden:
1. Effizient rechnen
Hardware, Software, Speicher, Netzwerke und Kühlung so gestalten, dass je Aufgabe weniger Energie benötigt wird.
2. Das passende Modell wählen
Nicht jede Aufgabe braucht das größte Reasoning-Modell. Routing zum kleinsten ausreichend leistungsfähigen Modell kann viel Rechenarbeit vermeiden.
3. Ergebnisse weiterverwenden
Gute Ergebnisse speichern, anpassen und teilen, statt identische Inhalte immer wieder neu zu berechnen.
4. KI für reale Effizienz nutzen
Der Ressourcenaufwand der KI kann sinnvoll sein, wenn dadurch in Energie, Material, Verkehr, Gebäuden oder Forschung größere Einsparungen entstehen.
5. Rechnen an das Energieangebot anpassen
Verschiebbare Aufgaben bevorzugt dann und dort rechnen, wo erneuerbare Energie, Netzkapazität und Speicher verfügbar sind.
6. Rebound begrenzen
Effizienzgewinne nicht vollständig in immer mehr Berechnung, Werbung, Konsum oder Wegwerfproduktion umwandeln.
Daraus ergeben sich drei übergeordnete Ziele:
Produktivität fragt: Was können wir herstellen?
Ethik fragt zusätzlich: Was brauchen wir wirklich, wie viel ist genug, und welche Folgen hat unser Handeln für Menschen, Natur und kommende Generationen?
Quellen
[1] IEA 2026 – Key Questions on Energy and AI, Executive Summary. 485 TWh Rechenzentrumsstrom 2025; rund 950 TWh 2030; KI-fokussierte Rechenzentren wachsen deutlich schneller.
https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[2] IEA 2026 – Data centre electricity use surged in 2025. 2025 +17 % Rechenzentrumsstrom; KI-fokussierte Rechenzentren noch schneller; Effizienz pro KI-Aufgabe sinkt stark; flexible Rechenzentren als Option.
https://www.iea.org/news/data-centre-electricity-use-surged-in-2025-even-with-tightening-bottlenecks-driving-a-scramble-for-solutions
[3] IEA 2026 – Electricity Mid-Year Update 2026. Aktualisierte globale Stromnachfrage 2025: rund 28.600 TWh.
https://www.iea.org/reports/electricity-mid-year-update-2026/executive-summary
[4] Google / Elsworth et al. 2025 – Measuring the environmental impact of delivering AI at Google Scale. Medianer Gemini-Textprompt in der gemessenen Produktionsumgebung: 0,24 Wh; starke Effizienzverbesserungen innerhalb eines Jahres.
https://arxiv.org/abs/2508.15734
[5] Luccioni, Jernite & Strubell 2024 – Power Hungry Processing. Vergleich von Inferenzenergie verschiedener ML-Aufgaben; generative Bildaufgaben deutlich energieintensiver als viele textbasierte Spezialaufgaben.
https://arxiv.org/abs/2311.16863
[6] OpenAI Help – Credits für flexible Nutzung. Credits sind Abrechnungs-/Nutzungseinheiten unterstützter Funktionen, keine physikalische Energieeinheit.
https://help.openai.com/de-de/articles/12642688
[7] OpenAI Help – Credit-basierte Preisliste Business/Enterprise/Edu. Codex/Work-Credits werden modell- und tokenabhängig berechnet; keine direkte Wh-Umrechnung.
https://help.openai.com/de-de/articles/11481834-chatgpt-rate-card-business-enterpriseedu-credit-based-pricing
[8] IEA 2026 – Global Energy Review: Global trends. Solarstrom legte 2025 um rund 600 TWh zu und erreichte fast 2.700 TWh.
https://www.iea.org/reports/global-energy-review-2026/global-trends
[9] IEA 2026 – Technology: Solar PV and wind. 2025 >600 GW Solarzubau und rund 160 GW Windzubau; erneuerbarer Zubau insgesamt rund 800 GW nach IEA-Schätzung.
https://www.iea.org/reports/global-energy-review-2026/technology-solar-pv-and-wind
[10] IEA 2026 – Technology: Battery storage. 2025 wurden weltweit 108 GW Batteriespeicher zugebaut, rund 40 % mehr als 2024; installierte Leistung etwa elfmal so hoch wie 2021.
https://www.iea.org/reports/global-energy-review-2026/technology-battery-storage
[11] IRENA 2026 – Renewable Capacity Statistics. Erneuerbare Gesamtkapazität Ende 2025: 5.149 GW; Zubau 692 GW (+15,5 %). Methodik weicht teilweise von IEA-Schätzungen ab.
Originalbericht (PDF)
[12] EU JRC – PVGIS. Standortbezogene Ertragsabschätzungen für Photovoltaik weltweit; Grundlage für die Größenordnung der regionalen PV-Erträge.
https://joint-research-centre.ec.europa.eu/pvgis-online-tool_en
[13] NREL 2013 – Land-Use Requirements for Solar Power Plants in the United States. Historische empirische Landnutzungswerte großer PV-Anlagen; reale Anlagenfläche umfasst mehr als die reine Moduloberfläche.
https://www.nlr.gov/docs/fy13osti/56290.pdf
[14] IEA 2026 – Electricity: Flexibility. Demand Response, Batteriespeicher und flexible Großverbraucher unterstützen die Integration variabler Wind- und Solarerzeugung.
https://www.iea.org/reports/electricity-2026/flexibility
[15] NVIDIA – Silicon Photonics / Co-Packaged Optics. Herstellerangabe: bis zu 5-fach bessere Netzwerkenergieeffizienz gegenüber herkömmlichen steckbaren Transceivern bei der beschriebenen CPO-Plattform; betrifft Netzwerk, nicht die gesamte KI-Rechnung.
https://www.nvidia.com/de-de/networking/products/silicon-photonics/
[16] NBER 2025 – How People Use ChatGPT. Klassifizierte Nachrichten im Verbraucherprodukt bis Juli 2025: rund 30 % arbeitsbezogen, über 70 % nicht arbeitsbezogen; drei Hauptthemen umfassen nahezu 78 %. Nicht-Arbeit ist nicht mit 'Unsinn' gleichzusetzen.
NBER – Working Paper; Originalarbeit (PDF).
[17] Brown et al. 2020 – Language Models are Few-Shot Learners. GPT-3 mit 175 Milliarden Parametern; Gegenbeleg zur Jahreszuordnung in Grafik 4.
Originalarbeit auf arXiv.
Einordnung
Der steigende Ressourcenbedarf der KI ist real und lokal teilweise schwer zu integrieren. Gleichzeitig sinkt der Energiebedarf einzelner Aufgaben rasch, erneuerbare Energien und Speicher wachsen stark, und digitale Arbeit ist teilweise zeitlich und räumlich flexibel. Die sinnvollste Leitidee ist deshalb weder ein pauschales „KI vermeiden“ noch ein technischer Fortschrittsoptimismus, sondern Verhältnismäßigkeit: Rechenleistung dort einsetzen, wo ihr Nutzen den Ressourcenaufwand rechtfertigt, und Technik wie Organisation konsequent auf Effizienz und erneuerbare Energie ausrichten.
<< KI-Boom, Schulden und Blasenrisiko | KI-Navigation | KI, Angst und gesellschaftliche Überforderung >>
Zur KI-Übersicht →