CO2-Fußabdruck von KI bezeichnet die Gesamtheit der Treibhausgas-Emissionen, die durch das Training, die Inferenz und den Betrieb von KI-Modellen entstehen – und ist ein wachsendes Umwelt- und Ethikproblem der KI-Branche.
Rubrik: GenAI & Content Creation · Unterrubrik: KI-Ethik & Gesellschaft · Niveau: Einsteiger Synonyme / Auch bekannt als: KI-Klimafolgen, Green AI, AI Sustainability, Energieverbrauch KI, AI Carbon Footprint
Was ist der CO2-Fußabdruck von KI?
Künstliche Intelligenz ist nicht immateriell – sie benötigt physische Hardware (Datenzentren, GPUs) und enorme Mengen Energie. Das Training großer KI-Modelle wie GPT-4 verbraucht Hunderte von Megawattstunden Strom und erzeugt einen CO2-Fußabdruck, der dem Lebenszeitverbrauch mehrerer Dutzend Autos entspricht. Der laufende Betrieb (Inferenz) – also das täglich millionenfache Beantworten von Anfragen – summiert sich zu einem kontinuierlichen Energieverbrauch, der mit dem vieler mittlerer Städte vergleichbar ist. Angesichts der KI-Wachstumsrate ist Nachhaltigkeit zu einem zentralen Thema der KI-Ethik geworden.
Erklärung
Energiephasen von KI-Modellen
Trainingsphase: Das einmalige Training eines großen Sprachmodells verbraucht die meiste Energie. Das Training von GPT-3 (175 Mrd. Parameter) wurde 2020 auf ca. 1.287 MWh Stromverbrauch geschätzt, was etwa 552 Tonnen CO2 entspricht (Studie: Patterson et al., 2021). Für GPT-4 (geschätzte 1 Billion Parameter) liegen keine offiziellen Zahlen vor; Schätzungen belaufen sich auf das Vielfache.
Inferenzphase: Jede Anfrage an ein KI-Modell (eine Frage an ChatGPT, die Generierung eines Bildes) benötigt Rechenleistung. Goldman Sachs schätzte 2023, dass eine ChatGPT-Anfrage ca. 10 Mal so viel Energie verbraucht wie eine Google-Suche. Bei Hunderten Millionen täglichen Anfragen summiert sich das erheblich.
Hardware-Produktion: Die Herstellung von GPUs und TPUs (Spezialprozessoren für KI) ist ressourcenintensiv – seltene Erden, Wasser für Chipproduktion, Lieferketten-Emissionen.
Wasserverbrauch: Rechenzentren kühlen Server durch Verdunstungskühlung mit Wasser. Microsoft gab bekannt, dass ChatGPT-Training erhebliche Wassermengen an einem Rechenzentrum in Iowa verbraucht hat – in einer Region mit saisonalen Trockenheitsproblemen. Die University of California Riverside schätzte 2023 den Wasserverbrauch einer ChatGPT-Konversation von 20-50 Fragen auf 0,5 Liter Wasser.
Vergleiche und Einordnung
KI-Training vs. andere CO2-Quellen: Ein GPT-3-Training entspricht dem CO2-Ausstoß einer Transatlantik-Flugreise (Hin und zurück, Economy, pro Person: ca. 0,5–1 Tonne CO2). Im globalen Kontext ist das gering – aber bei Hunderten von Modelltrainings pro Jahr summiert sich das.
KI-Betrieb vs. gesamte Digitalbranche: Eine Studie des Fraunhofer ISI (2023) schätzt, dass die gesamte Digitalbranche (inklusive Streaming, Soziale Medien, Internet) derzeit ca. 3–4 % der globalen CO2-Emissionen ausmacht. KI ist ein schnell wachsender Teil davon.
Vergleich mit Nutzen: Die Energiebilanz muss gegen den Nutzen abgewogen werden: KI-Modelle, die in der Klimaforschung, Materialwissenschaft oder Medizin Durchbrüche ermöglichen, können ihren eigenen CO2-Fußabdruck überkompensieren. Eine pauschale Ablehnung von KI wegen Energieverbrauch wäre unzureichend differenziert.
Maßnahmen für mehr Nachhaltigkeit
Erneuerbare Energie für Rechenzentren: Microsoft, Google und Amazon haben angekündigt, ihre Rechenzentren zu 100 % mit erneuerbarer Energie zu betreiben (100 % RE-Ziel). Tatsächliche Zertifizierungen (Power Purchase Agreements) und geografische Matching-Anforderungen sind aber komplex.
Effizientere Modelle (Green AI): Das Prinzip „Green AI" (Schwartz et al., 2020) fordert, nicht nur die Genauigkeit, sondern auch die Effizienz von KI-Modellen zu optimieren. Kleinere, spezialisierte Modelle (Small Language Models, SLMs) können für viele Aufgaben ähnlich gut wie Riesenmodelle sein – bei einem Bruchteil des Energieverbrauchs.
Model Cards mit Energieverbrauch: Wie Model Cards demografische Informationen dokumentieren, könnten Energy Cards systematisch den Energieverbrauch von Modellen ausweisen und Nutzern die informierte Wahl ermöglichen.
Regulierung durch EU AI Act: Der EU AI Act verpflichtet GPAI-Anbieter, u. a. Informationen zum Energieverbrauch ihrer Modelle bereitzustellen (Art. 53 Abs. 1 EU AI Act). Das schafft Transparenz und kann Anreize für Effizienzverbesserungen setzen.
Standortoptimierung: Rechenzentren können in Regionen gebaut werden, wo Strom überwiegend aus erneuerbaren Quellen kommt (Island: Geothermie, Norwegen: Wasserkraft) und wo das Klima die Kühlung billiger macht.
Beispiele
- Gemini Ultra – Googles Trainingsaufwand (2023): Google gab an, für das Training von Gemini Ultra Rechenzentren in verschiedenen Regionen genutzt zu haben, ohne den genauen Energieverbrauch zu veröffentlichen. Unabhängige Schätzungen belaufen sich auf mehrere Tausend MWh – größer als GPT-4.
- Stable Diffusion vs. DALL-E – Effizienzvergleich: Das Forschungsinstitut Hugging Face veröffentlichte 2022 eine Studie, die zeigt, dass Stable Diffusion pro generiertem Bild ca. 0,046 g CO2 erzeugt, während vergleichbare größere Dienste deutlich mehr verbrauchen. Open-Source-Modelle können nachhaltiger sein, wenn sie lokal ausgeführt werden.
- Microsoft Azure Green Certificates (2024): Microsoft verpflichtete sich, bis 2030 carbon-negativ zu werden und alle historischen Emissionen bis 2050 auszugleichen. Azure KI-Dienste werden mit 100 % erneuerbarer Energie betrieben – theoretisch; die Praxis der Zertifikate wird kritisch begleitet.
- Fraunhofer ISI Studie Deutschland (2023): Das Fraunhofer-Institut schätzte, dass der KI-Betrieb in Deutschland bis 2030 1–3 % des nationalen Stromverbrauchs ausmachen könnte, wenn das Wachstum anhält – eine relevante Größe für die Energiewende-Planung.
- EU Data Centers Act (2024): Die EU verabschiedete Regeln, nach denen Rechenzentren ab einer bestimmten Größe Nachhaltigkeitsziele einhalten, Abwärme nutzen und Wasserverbrauch reduzieren müssen – ein erster regulatorischer Rahmen für nachhaltigere KI-Infrastruktur.
In der Praxis
Für Kreativschaffende: Der Energieverbrauch eines einzelnen KI-Bildes oder eines Chat-Prompts ist minimal (Bruchteile von Wattstunden). Der ökologische Footprint liegt primär bei den Unternehmen, nicht bei individuellen Nutzungen. Dennoch ist es sinnvoll, bewusst zu nutzen: Prompts effizient formulieren, Batch-Verarbeitung statt Einzelanfragen, lokale Open-Source-Modelle für Routineaufgaben.
Für Unternehmen: KI-Governance sollte Umweltziele einschließen: Energie-Monitoring von KI-Workloads, Bevorzugung von Anbietern mit nachgewiesener RE-Nutzung, Investition in effizientere, kleinere Modelle für Routineaufgaben statt immer der größten verfügbaren Modelle.
Für Bildungseinrichtungen: Nachhaltigkeits-Diskussionen um KI in den Informatikunterricht und in Ethik-Debatten integrieren. KI-Nutzung als Ressourcenverbrauch begreifen.
Vergleich & Abgrenzung
KI-Nachhaltigkeit vs. Streaming-Nachhaltigkeit: Video-Streaming macht deutlich mehr Energie-Anteil an der digitalen Infrastruktur aus als aktuelle KI. Aber KI wächst schneller. Der IEA-Bericht „Electricity 2024" prognostiziert, dass KI bis 2026 einen signifikanten Teil des globalen Stromanstiegs ausmachen wird.
Training vs. Inferenz: Das Training verbraucht pro Event mehr Energie; die Inferenz (täglicher Betrieb) verbraucht in der Summe mehr, weil sie dauerhaft läuft. Effizienzverbesserungen bei der Inferenz haben daher längerfristig mehr Wirkung.
Häufige Fragen (FAQ)
Wie viel CO2 erzeugt eine KI-Bildgenerierung? Schätzungsweise 0,01–0,05 g CO2 pro Bild bei kleinen Modellen, bis zu mehrere Gramm bei rechenintensiven Modellen. Zum Vergleich: Eine Google-Suche erzeugt ca. 0,2 g CO2. Ein KI-Bild ist also in derselben Größenordnung wie eine Suche – aber Tausende täglich summieren sich.
Ist Open-Source-KI ökologisch besser? Nicht per se. Open-Source-Modelle können lokal auf grüner Energie ausgeführt werden, was besser ist. Aber Open-Source ermöglicht auch den Betrieb auf ineffizienter Hardware oder in Ländern mit hohem Kohle-Strommix. Es kommt auf die konkrete Implementierung an.
Verwandte Einträge
Weiterführend
- Patterson, D. et al. (2021): Carbon and the Cloud. Communications of the ACM
- Schwartz, R. et al. (2020): Green AI. Communications of the ACM, 63(12)
- IEA (2024): Electricity 2024 – Analysis and Forecast to 2026. iea.org
- Netzpolitik.org (2024): Wie viel Strom braucht KI wirklich? netzpolitik.org
