Warum KI so viel Strom verbraucht und was dem gegenübersteht

Jede Frage an ChatGPT, jedes generierte Bild, jede KI-Zusammenfassung läuft irgendwo in einem Rechenzentrum: einer Halle voller Server, die Strom verbrauchen und Wärme produzieren. Mit dem explodierenden KI-Einsatz wächst auch die Diskussion: Wie viel Energie kostet das eigentlich, und ist das ein Problem? Die Zahlen sind differenzierter als die Schlagzeilen, in beide Richtungen.

Warum KI so viel Strom braucht

Es gibt zwei sehr unterschiedliche Energieposten. Der erste ist das Training: der Bau eines großen Sprachmodells. Dabei rechnen Tausende spezialisierte Chips wochenlang ununterbrochen an Milliarden von Texten. Das Training eines einzelnen großen Modells kostet Schätzungen zufolge Dutzende Gigawattstunden, vergleichbar mit dem Jahresverbrauch von Tausenden Haushalten. Das passiert einmalig pro Modell.

Der zweite Posten ist die Nutzung (Inferenz): Jedes Mal, wenn jemand eine Frage stellt, rechnet das Modell neu. Pro Frage ist das wenig. Die Schätzungen gehen auseinander, aber eine KI-Anfrage kostet ein Mehrfaches einer klassischen Suchanfrage. Die Krux liegt in der Skalierung: Milliarden Anfragen pro Tag machen aus kleinen Beträgen eine große Summe. Bei populären KI-Diensten ist die Nutzung inzwischen ein größerer Energieposten als das Training.

Wie groß ist es wirklich?

Rechenzentren insgesamt (also einschließlich des gewöhnlichen Internets: Streaming, E-Mail und Cloud) verbrauchen weltweit grob anderthalb bis zwei Prozent des gesamten Stroms. KI ist darin der am schnellsten wachsende Teil. Energie-Analysten wie die Internationale Energieagentur erwarten, dass der Rechenzentrumsverbrauch bis 2030 deutlich steigt, mit KI als wichtigstem Treiber.

Dem steht etwas gegenüber, das oft untergeht: Die Effizienz pro Berechnung sinkt rasant. Neue Chips leisten mehr mit weniger Strom, Modelle werden geschickter komprimiert, und für viele Aufgaben genügt ein kleines Modell, das einen Bruchteil der großen Flaggschiffe verbraucht. Nur: Billiger pro Anfrage bedeutet mehr Anfragen. Die Gesamtnachfrage nach Rechenleistung wächst schneller als der Effizienzgewinn. Ökonomen kennen dieses Muster als Jevons-Paradoxon.

Warum Tech-Konzerne plötzlich Kernkraftwerke wollen

Der Stromhunger erklärt einen auffälligen Trend: Große Tech-Unternehmen schließen langfristige Verträge für Kernenergie und investieren in neue Erzeugungskapazität, von Solarparks bis zu experimentellen kleinen Reaktoren. Ein Rechenzentrum braucht Tag und Nacht stabile Stromversorgung, und das Netz kann dieses Wachstum nicht überall tragen. Netzengpässe sind in mehreren europäischen Ländern ein reales Hindernis für neue Rechenzentren.

Die Standortwahl dreht sich um drei Dinge: verfügbaren Strom, Kühlung (kaltes Klima oder Kühlwasser) und eine schnelle Anbindung an die Nutzer. Deshalb ballen sich Rechenzentren an Orten wie Skandinavien (kalt, Wasserkraft) und Irland, wo Rechenzentren inzwischen einen zweistelligen Prozentsatz des nationalen Stromverbrauchs ausmachen.

Was bedeutet das für Sie?

Für die meisten Berufstätigen ist die praktische Lehre bescheiden, aber real: Nutzen Sie das richtige Werkzeug für die Aufgabe. Eine kurze Zusammenfassung oder eine einfache Umformulierung braucht kein schweres Flaggschiffmodell; kleinere, schnellere Modelle erledigen das gut, mit einem Bruchteil der Energie (und oft auch der Kosten). Wer KI strukturell in einer Organisation einsetzt, sollte Energie- und Kosteneffizienz bei der Modellwahl mitberücksichtigen.

Und wer verstehen möchte, was in diesen Rechenzentren eigentlich passiert (warum das Training so aufwendig ist und was ein Modell tut, wenn Sie eine Frage stellen), findet die Erklärung ohne Formeln unter Was ist ein LLM? und Was ist KI?.