Mit freundlicher Unterstützung von
← Zurück zu GenAI & Content Creation
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 (Rechenzentren, GPUs) und große Mengen Energie. Das Training großer KI-Modelle verbraucht Hunderte bis Tausende Megawattstunden Strom. Hinzu kommt der laufende Betrieb (Inferenz), also das millionenfache Beantworten von Anfragen, der sich zu einem dauerhaften Energiebedarf summiert. Die Internationale Energieagentur (IEA) schätzt, dass Rechenzentren 2024 rund 415 Terawattstunden Strom verbrauchten, etwa 1,5 % des weltweiten Verbrauchs, und dass sich dieser Wert bis 2030 auf rund 945 Terawattstunden mehr als verdoppeln könnte, vor allem wegen KI. Nachhaltigkeit ist deshalb zu einem zentralen Thema der KI-Ethik geworden.

Stromverbrauch der Rechenzentren weltweit, Terawattstunden
2024415 TWh
2030 (Erwartung der IEA)945 TWh
Quelle: IEA, Energy and AI, 2025

Erklärung

Energiephasen von KI-Modellen

Trainingsphase: Das einmalige Training eines großen Modells ist sehr energieintensiv. Für das Training von GPT-3 (175 Mrd. Parameter) schätzten Patterson et al. (2021) rund 1.287 MWh Strom und etwa 552 Tonnen CO2-Äquivalente. Für neuere große Modelle veröffentlichen die Anbieter meist keine vollständigen Zahlen.

Training von GPT-3, Schätzung
0,00 MWhStrom in MWh
0,00 tCO2-Äquivalente in Tonnen
Quelle: Patterson et al., Carbon Emissions and Large Neural Network Training, 2021

Inferenzphase: Jede Anfrage an ein KI-Modell, etwa eine Frage an einen Chatbot oder die Generierung eines Bildes, benötigt Rechenleistung. Der Verbrauch pro Anfrage hängt stark von Modell, Hardware und Aufgabe ab; Schätzungen gehen weit auseinander. Untersuchungen von Luccioni, Jernite und Strubell (2024) zeigten, dass Bildgenerierung zu den energieintensivsten KI-Aufgaben gehört und große Mehrzweckmodelle für dieselbe Aufgabe deutlich mehr Energie brauchen als spezialisierte Modelle.

Hardware-Produktion: Die Herstellung von GPUs und anderen KI-Chips ist ressourcenintensiv: Rohstoffe, Wasser für die Chipproduktion, Emissionen in der Lieferkette.

Wasserverbrauch: Rechenzentren kühlen Server häufig durch Verdunstungskühlung, und auch die Stromerzeugung verbraucht Wasser. Forschende der University of California Riverside schätzten, dass GPT-3 für etwa 10 bis 50 mittellange Antworten rund einen halben Liter Wasser „trinkt“, je nach Standort und Jahreszeit (Li et al.).

Vergleiche und Einordnung

KI-Training im Verhältnis: Gemessen an den weltweiten Emissionen ist ein einzelnes Training gering; bei vielen Trainingsläufen pro Jahr und stark wachsender Nutzung summiert sich der Bedarf aber erheblich.

KI und Rechenzentren insgesamt: Laut IEA ist KI der wichtigste Treiber des wachsenden Strombedarfs von Rechenzentren, neben anderen digitalen Diensten.

Vergleich mit Nutzen: Die Energiebilanz muss gegen den Nutzen abgewogen werden: KI-Anwendungen in Klimaforschung, Materialwissenschaft oder Netzsteuerung können Emissionen an anderer Stelle senken. Eine pauschale Bewertung wäre zu undifferenziert.

Maßnahmen für mehr Nachhaltigkeit

Erneuerbare Energie für Rechenzentren: Große Cloud-Anbieter haben Ziele für den Bezug erneuerbarer oder CO2-freier Energie gesetzt. Ob Strom zeitgleich und am selben Ort erneuerbar erzeugt wird oder nur bilanziell über Zertifikate und Abnahmeverträge, macht aber einen großen Unterschied.

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 berichten und zu optimieren. Kleinere, spezialisierte Modelle können viele Aufgaben ähnlich gut lösen wie sehr große, bei einem Bruchteil des Energiebedarfs.

Transparenz über Energieverbrauch: Model Cards könnten systematisch den Energieverbrauch von Modellen ausweisen. Der EU AI Act verlangt von Anbietern von KI-Modellen mit allgemeinem Verwendungszweck, in der technischen Dokumentation für Behörden auch den bekannten oder geschätzten Energieverbrauch des Modells anzugeben (Art. 53 Abs. 1 lit. a, Anhang XI).

Standortwahl: Rechenzentren in Regionen mit hohem Anteil erneuerbaren Stroms und kühlem Klima senken Emissionen und Kühlaufwand.

Beispiele

  1. GPT-3 als Referenzwert: Die Schätzung von Patterson et al. (2021) mit rund 1.287 MWh und 552 Tonnen CO2-Äquivalenten wird bis heute häufig als Vergleichsgröße zitiert, weil für neuere Modelle kaum belastbare Zahlen vorliegen.
  2. Energiebedarf nach Aufgaben: Luccioni, Jernite und Strubell (FAccT 2024) verglichen den Energiebedarf verschiedener KI-Aufgaben; Bildgenerierung lag deutlich über Textklassifikation oder -erzeugung.
  3. Microsoft-Klimaziel: Microsoft kündigte 2020 an, bis 2030 CO2-negativ zu werden und bis 2050 alle seit der Gründung verursachten Emissionen auszugleichen; der KI-bedingte Ausbau der Rechenzentren macht dieses Ziel schwieriger.
  4. IEA „Energy and AI“ (2025): Der Bericht der Internationalen Energieagentur beziffert den Stromverbrauch von Rechenzentren 2024 auf rund 415 TWh und erwartet bis 2030 rund 945 TWh.
  5. EU-Regeln für Rechenzentren: Die überarbeitete EU-Energieeffizienzrichtlinie (EU) 2023/1791 verpflichtet Betreiber größerer Rechenzentren, Daten zu Energie- und Wasserverbrauch zu melden, die in eine europäische Datenbank einfließen.

In der Praxis

Für Kreativschaffende: Der Energieverbrauch eines einzelnen KI-Bildes oder Chat-Prompts ist klein, summiert sich aber über viele Anfragen. Sinnvoll ist ein bewusster Einsatz: Prompts gezielt formulieren, unnötige Massengenerierung vermeiden, für Routineaufgaben kleinere Modelle nutzen.

Für Unternehmen: KI-Governance sollte Umweltziele einschließen: Energie-Monitoring von KI-Workloads, Bevorzugung von Anbietern mit nachgewiesen hohem Anteil erneuerbarer Energie, Einsatz kleinerer Modelle für Routineaufgaben statt immer der größten verfügbaren.

Für Bildungseinrichtungen: Nachhaltigkeitsfragen der KI in den Informatikunterricht und in Ethik-Debatten integrieren. KI-Nutzung als Ressourcenverbrauch begreifen.

Vergleich & Abgrenzung

KI vs. andere digitale Dienste: Rechenzentren versorgen auch Streaming, Cloud-Speicher und soziale Medien. KI ist laut IEA aber der am schnellsten wachsende Treiber des Strombedarfs.

Training vs. Inferenz: Das Training verbraucht pro Durchlauf viel Energie; die Inferenz kann in der Summe mehr verbrauchen, weil sie dauerhaft und millionenfach läuft. Effizienzgewinne bei der Inferenz wirken daher langfristig stark.

Häufige Fragen

Wie viel CO2 erzeugt eine KI-Bildgenerierung? Das hängt stark vom Modell, der Hardware und dem Strommix ab. Studien zeigen, dass Bildgenerierung zu den energieintensiveren KI-Aufgaben gehört; ein einzelnes Bild ist dennoch klein im Vergleich zu Alltagsaktivitäten, während Millionen Bilder täglich ins Gewicht fallen.

Ist Open-Source-KI ökologisch besser? Nicht per se. Offene Modelle können lokal und mit erneuerbarem Strom betrieben werden, aber auch auf ineffizienter Hardware oder mit kohlelastigem Strommix. Es kommt auf die konkrete Nutzung an.

Wie viel Strom verbrauchen Rechenzentren weltweit? Laut IEA waren es 2024 rund 415 TWh, etwa 1,5 % des weltweiten Stromverbrauchs; bis 2030 erwartet die IEA rund 945 TWh.

Verwandte Einträge

Weiterführend

  • Patterson, D. et al. (2021): Carbon Emissions and Large Neural Network Training. arXiv
  • Schwartz, R. et al. (2020): Green AI. Communications of the ACM, 63(12)
  • Luccioni, S. / Jernite, Y. / Strubell, E. (2024): Power Hungry Processing: Watts Driving the Cost of AI Deployment? ACM FAccT 2024
  • Li, P. / Yang, J. / Islam, M. A. et al. (2025): Making AI Less „Thirsty“. Communications of the ACM, 68
  • IEA (2025): Energy and AI. iea.org
← Zurück zu GenAI & Content Creation
Infotag

Sei am Freitag dabei.
Bring Eltern oder Freunde mit.

Ein halber Nachmittag, der dir drei Jahre Klarheit bringen kann. Kostenlos, unverbindlich, ehrlich.

  • Rundgang durch Studios, Schnitträume und Tonstudio
  • Echte Absolventenfilme sehen
  • 1:1-Beratung zu Bewerbung & BAföG
  • Studierende direkt fragen
  • Kaffee, kein Sales-Pitch
  • Auch online möglich

Platz beim Infotag reservieren

Dauert 30 Sekunden. Bestätigung per E-Mail.
100 % kostenlos · keine Verpflichtung · jederzeit absagbar