Energieverbrauch und CO2-Fußabdruck von KI

Jede Antwort, die ChatGPT, Claude oder Gemini ausspuckt, verbraucht Strom – und zwar deutlich mehr, als du vermutlich denkst. Während KI längst zum Alltagswerkzeug geworden ist, wächst im Hintergrund ein gewaltiger Energiehunger. Rechenzentren verbrauchen mittlerweile so viel Strom wie ganze Industrienationen. Und der Durst nach Wasser ist mindestens genauso problematisch.

Dieser Artikel zeigt dir, was eine einzelne KI-Anfrage wirklich kostet, wie sich Training und Nutzung unterscheiden – und was Tech-Konzerne, Hardware-Hersteller und du selbst dagegen tun können.

Kaum ein Tool steht so sehr im Zentrum der täglichen KI-Nutzung wie ChatGPT – und genau dort entsteht auch ein großer Teil der Inferenz-Last. Wer verstehen will, wie stark einzelne Modelle Server, Stromnetze und Kühlungssysteme beanspruchen, findet im Überblick zu ChatGPT im Detail eine fundierte Einordnung zu Modellvarianten, Einsatzszenarien und technischen Hintergründen, die dir helfen, deinen eigenen Energie-Footprint bewusster einzuschätzen.

Wie viel Energie verbraucht KI wirklich?

Die Internationale Energieagentur (IEA) prognostiziert für 2026 einen Stromverbrauch von über 1.000 Terawattstunden (TWh) allein durch Rechenzentren, Krypto-Mining und KI. Das entspricht ungefähr dem gesamten Stromverbrauch Japans. 2022 lag der Wert noch bei 460 TWh – eine Verdopplung in nur vier Jahren.

Das Problem: Dieser Anstieg trifft auf Stromnetze, die sich gerade mitten im Umbau zu erneuerbaren Energien befinden. An vielen Standorten konkurrieren KI-Rechenzentren direkt mit Haushalten und Industrie um Netzkapazitäten.

Training vs. Inferenz: Wo die Energie tatsächlich fließt

Wenn über den Energieverbrauch von KI gesprochen wird, muss man zwei Phasen unterscheiden: das Training und die Inferenz. Beide verbrauchen Energie – aber in völlig unterschiedlichem Ausmaß.

Warum das Training nicht mehr das Hauptproblem ist

Das Training eines KI-Modells ist ein einmaliger, aber extrem energieintensiver Vorgang. Tausende Hochleistungs-GPUs laufen über Wochen oder Monate unter Volllast, um ein Modell zu erstellen. Das Training von GPT-3 (175 Milliarden Parameter) verbrauchte etwa 1.287 Megawattstunden. Für GPT-5 deuten Schätzungen auf einen Bedarf im zweistelligen bis dreistelligen Gigawattstunden-Bereich hin.

Dazu kommt der sogenannte „Embodied Carbon“ – also die CO₂-Emissionen, die bei der Herstellung der Chips und dem Bau der Rechenzentren entstehen. Dieser Faktor wird in der öffentlichen Diskussion häufig übersehen.

Der Unterschied zwischen Standard- und Reasoning-Modellen entscheidet maßgeblich über den Energieverbrauch pro Anfrage. Eine systematische Gegenüberstellung von OpenAI- und Anthropic-Modellen im Top-Modelle-Vergleich OpenAI vs. Anthropic zeigt dir, wann sich ein leistungsstarkes Modell wirklich lohnt – und wann du mit einer schlankeren Variante Ressourcen sparen kannst, ohne Qualität einzubüßen.

Inferenz: Der stille Energiefresser im Alltag

Die Inferenz ist der eigentliche Energiefresser – und der Grund, warum der Stromverbrauch von KI so rasant steigt. Inferenz bedeutet: Ein fertig trainiertes Modell beantwortet Anfragen. Jede Frage an ChatGPT, jede KI-gestützte Websuche, jede automatisch generierte E-Mail ist Inferenz.

Ein Modell wird einmal trainiert, aber milliardenfach pro Tag abgefragt. Laut Deloitte entfallen 2026 etwa zwei Drittel der gesamten KI-Rechenleistung auf die Inferenz. Andere Analysen gehen sogar von 70 bis 90 Prozent aus.

Das verschiebt den Fokus komplett: Nicht das Erstellen der Modelle ist das Hauptproblem, sondern deren tägliche Nutzung durch Milliarden von Menschen.

So viel Strom kostet eine einzelne KI-Anfrage

Nicht jede Anfrage an eine KI verbraucht gleich viel Energie. Die Unterschiede sind enorm – und hängen stark vom Modelltyp ab.

Google-Suche vs. ChatGPT vs. Reasoning-Modelle

Anfragetyp	Geschätzter Verbrauch	Faktor (vs. Google-Suche)
Google-Suche	0,3 Wh	1x
Standard-LLM (GPT-4o, Claude Sonnet)	3–5 Wh	~10–16x
Reasoning-LLM (GPT-5, Claude Opus)	30–40 Wh	~100–130x
Bildgenerierung (HD)	2.900 Wh (2,9 kWh)	~9.600x

Der größte Sprung passiert bei den sogenannten Reasoning-Modellen. Diese Modelle denken intern in langen Ketten nach („Chain of Thought“), bevor sie eine Antwort liefern. Für dich sieht das Ergebnis kompakt aus – im Hintergrund wurden aber tausende Tokens verarbeitet und wieder verworfen.

Konkretes Beispiel: Eine intensive Arbeitssitzung mit GPT-5, die 50 komplexe Anfragen umfasst, könnte so viel Energie verbrauchen wie das Heizen eines Raumes für mehrere Stunden.

Spätestens beim Thema Bildgenerierung wird der Energieunterschied drastisch. Damit du einschätzen kannst, welche Tools besonders rechenintensiv sind, liefert der KI-Bildgeneratoren-Vergleich Midjourney vs. OpenAI vs. Leonardo AI eine klare Übersicht über Qualität, Einsatzbereiche und implizite Rechenanforderungen.

Bilder und Videos: Das energetische Schwergewicht

Noch drastischer wird es bei Nicht-Text-Inhalten. Die Erstellung eines einzigen hochauflösenden Bildes mit DALL-E oder Midjourney verbraucht etwa 2,9 bis 4 Wh – fast so viel wie das vollständige Laden eines Smartphones.

Videogenerierung potenziert das Ganze: Schätzungen zufolge benötigt die Erstellung weniger Sekunden Videomaterial 1.000 bis 3.000 Mal mehr Energie als die Generierung von Text.

Der CO₂-Fußabdruck von KI in Zahlen

Allein die Inferenz von GPT-4o verursachte 2025 geschätzt 138.000 bis 163.000 Tonnen CO₂. Der Forscher Alex de Vries (Digiconomist) schätzt die Gesamtemissionen des KI-Sektors für 2025 auf bis zu 80 Millionen Tonnen CO₂ – das entspricht den jährlichen Emissionen von ganz New York City.

KI vs. Luftfahrt, Streaming und Bitcoin

Um diese Zahlen einzuordnen, helfen Vergleiche mit anderen Branchen:

KI vs. Luftfahrt: Die KI-Emissionen entsprachen 2025 etwa 8 Prozent der globalen Luftfahrtemissionen. Klingt wenig – aber die Luftfahrt wächst linear mit 3 bis 4 Prozent pro Jahr, während KI exponentiell wächst.

KI vs. Streaming: Eine Stunde Netflix in HD verbraucht etwa 0,077 kWh. Zwei komplexe „Deep Research“-Anfragen an ein Reasoning-Modell kommen auf einen ähnlichen Wert. Wer zwei Stunden mit einem KI-Agenten arbeitet, verursacht ein Vielfaches der Emissionen eines Filmabends.

KI vs. Bitcoin: Der Energiebedarf von KI-Rechenzentren hat das Bitcoin-Netzwerk Ende 2025 oder Anfang 2026 überholt – oder steht kurz davor. Der entscheidende Unterschied: Bitcoin-Miner können abschalten, wenn das Stromnetz überlastet ist. KI-Rechenzentren brauchen 99,999 Prozent Verfügbarkeit und belasten die Netze dadurch strukturell stärker.

Sobald du dich mit automatisierten Workflows beschäftigst, vervielfacht sich der Energieverbrauch im Hintergrund. Der Vergleich Make vs. Zapier vs. n8n zeigt dir, wie KI-Agenten und Integrationen zusätzliche API-Calls erzeugen und warum effiziente Prozessgestaltung auch aus Nachhaltigkeitssicht entscheidend ist.

Was oft vergessen wird: Der Wasserverbrauch von KI

Die Klimadebatte dreht sich meist um CO₂ und Strom. Doch der Wasserverbrauch ist mindestens genauso kritisch – und betrifft Menschen vor Ort oft direkter.

Rechenzentren erzeugen enorme Abwärme. Um die Server zu kühlen, verdunsten viele Anlagen riesige Mengen Trinkwasser. Für 2027 wird der globale Wasserverbrauch der KI-Industrie auf 4,2 bis 6,6 Milliarden Kubikmeter projiziert – mehr als der nationale Verbrauch Dänemarks.

Wie viel Wasser ein Chatbot-Gespräch „trinkt“

Ein einzelner Dialog mit einem Chatbot (etwa 20 bis 50 Fragen) verbraucht ungefähr eine 500-ml-Flasche Wasser. Das klingt harmlos – aber multipliziert mit Milliarden täglicher Interaktionen wird daraus eine hydrologische Krise.

Schon das Training von GPT-3 verschlang 700.000 Liter sauberes Frischwasser. Für Modelle der GPT-5-Klasse liegt der Verbrauch um ein Vielfaches höher.

Lokale Konflikte um Rechenzentren

Ein besonders anschauliches Beispiel: In Council Bluffs (Iowa) verbrauchte ein einziges Google-Rechenzentrum 2024 rund 1,3 Milliarden Gallonen Trinkwasser – so viel wie eine Großstadt. Solche Entnahmen führen zunehmend zu Widerstand in den betroffenen Gemeinden.

Das Problem ist vor allem dort akut, wo Rechenzentren in ohnehin wassergestressten Regionen stehen – etwa in Arizona oder Spanien. Dort konkurriert die KI-Infrastruktur direkt mit Landwirtschaft und Bevölkerung um Grundwasser.

Was die Tech-Konzerne dagegen tun

Alle großen Tech-Konzerne haben sich ehrgeizige Klimaziele gesetzt. Die Umsetzung ist allerdings komplizierter, als die PR-Abteilungen es darstellen.

Erneuerbare Energien, Atomkraft und Greenwashing

Unternehmen	Wichtigste Maßnahme	Ziel
Google	8 GW Erneuerbare zugekauft, SMR-Nuklearvertrag, 64 % Wasser-Replenishment	24/7 CO₂-freie Energie bis 2030
Microsoft	34 GW kohlenstofffreie Energie, Holz-Hybrid-Rechenzentren, Investments in Fusionsenergie	CO₂-negativ bis 2030
Meta	Fokus auf Scope-3-Emissionen, Open Compute Project	Net Zero Value Chain bis 2030
Amazon (AWS)	Eigene Chips (Trainium, Inferentia), 53 % Fortschritt bei Water Positive	Water Positive bis 2030

Googles Ansatz ist dabei besonders ambitioniert: Das Unternehmen will nicht nur „Net Zero“ erreichen (was man durch den Kauf von Zertifikaten schaffen kann), sondern rund um die Uhr mit CO₂-freier Energie arbeiten. Dafür setzt Google unter anderem auf kleine modulare Kernreaktoren (SMRs).

Microsoft wettet auf technologische Durchbrüche bei Carbon Capture und Fusionsenergie. Gleichzeitig plant das Unternehmen, den Reaktor Three Mile Island Unit 1 wieder in Betrieb zu nehmen.

Der kritische Punkt: Fast alle Unternehmen nutzen „Market-based Accounting“. Wenn sie Zertifikate für Windstrom kaufen, gilt ihr Verbrauch als grün – auch wenn das Rechenzentrum physisch an einem Kohlekraftwerk hängt. Das verschleiert die reale Belastung lokaler Stromnetze.

Und das vielleicht größte Problem: Goldman Sachs warnt, dass 60 Prozent des KI-Stromwachstums durch fossiles Erdgas gedeckt werden könnten. Das würde 220 Millionen Tonnen zusätzliche CO₂-Emissionen bedeuten – das „schmutzige Geheimnis“ des KI-Booms.

Effizientere Hardware und kleinere Modelle als Ausweg

Wenn die Nachfrage explodiert, muss die Effizienz mithalten. Und tatsächlich gibt es 2026 technologische Fortschritte, die Grund zur Hoffnung geben – auch wenn sie das Problem nicht allein lösen.

Blackwell-Chips und Quantisierung

NVIDIAs neue Blackwell-Plattform (B200 GPU) ist der aktuelle Goldstandard. Im Vergleich zur Vorgängergeneration H100 bietet sie eine bis zu 30-fache Leistung bei der Inferenz und ist rund 57 Prozent schneller beim Training.

Der Trick dahinter: Die Chips rechnen mit geringerer Zahlenpräzision (FP4 statt FP16 oder FP32). Das spart Energie und Speicherbandbreite, ohne die Antwortqualität spürbar zu verschlechtern.

Auf der Software-Seite hilft Quantisierung: Modelle werden nach dem Training „komprimiert“ – von 32-Bit auf 4-Bit. Das Ergebnis ist ein Modell, das 8-mal kleiner ist und entsprechend weniger Energie bei der Inferenz verbraucht.

Dazu kommen „Mixture of Experts“-Architekturen (MoE): Statt bei jeder Anfrage alle Parameter zu aktivieren, wird nur der Teil des Modells genutzt, der für die jeweilige Frage relevant ist. Das spart massiv Rechenleistung.

Small Language Models und lokale KI auf dem eigenen Gerät

Braucht es für eine einfache Textzusammenfassung wirklich ein Modell mit 2 Billionen Parametern? Nein. Kleine Modelle (SLMs) wie Llama-3-8B oder Microsofts Phi-Serie können für spezifische Aufgaben genauso gut sein wie die großen Frontier-Modelle – bei 90 bis 99 Prozent weniger Energieverbrauch.

Der zweite große Trend: KI läuft zunehmend lokal auf Endgeräten. Apple (M4-Chips), Qualcomm und Intel haben leistungsstarke NPUs (Neural Processing Units) in ihre Consumer-Hardware integriert. Ein aktuelles MacBook kann heute Modelle wie Llama-3-70B direkt auf dem Gerät ausführen.

Die Vorteile für die Ökobilanz sind erheblich: Keine Datenübertragung über Netzwerke, keine Kühlung eines Rechenzentrums, keine zusätzliche Infrastruktur. Der einzige Trade-off: Die Batterie des Geräts wird stärker belastet. Insgesamt ist lokale Inferenz aber deutlich effizienter als der Umweg über die Cloud.

Das Jevons-Paradoxon bleibt allerdings ein Problem: Effizientere Chips senken die Kosten pro Anfrage – und führen dazu, dass KI in immer mehr Anwendungen integriert wird, die vorher ökonomisch nicht sinnvoll waren. Die Folge: Der absolute Energieverbrauch steigt trotz besserer Effizienz weiter an.

Green Prompting: Was du als Nutzer tun kannst

Du kannst den ökologischen Fußabdruck deiner KI-Nutzung direkt beeinflussen – ohne auf irgendetwas verzichten zu müssen. Das Stichwort heißt „Green Prompting“.

Das richtige Modell für die richtige Aufgabe wählen: Für eine kurze Textzusammenfassung oder eine einfache Faktenfrage reicht ein kleineres Modell wie GPT-4o-mini oder Claude Haiku völlig aus. Reasoning-Modelle wie GPT-5 oder Claude Opus solltest du nur dann nutzen, wenn du wirklich komplexe Probleme lösen willst – etwa mehrstufige Analysen oder anspruchsvolle Programmieraufgaben.

Präzise Prompts formulieren: Vage Fragen führen zu langen, oft unbrauchbaren Antworten – und damit zu unnötiger Rechenzeit. Ein klar formulierter Prompt mit konkreten Angaben (gewünschtes Format, Länge, Kontext) spart Tokens und Energie. Weniger „Retries“ bedeuten weniger Verbrauch.

Den Denkmodus bewusst einsetzen: Viele Modelle bieten einen erweiterten Reasoning-Modus an. Für eine einfache Übersetzung oder Rechtschreibprüfung brauchst du diesen nicht. Deaktiviere ihn, wenn die Aufgabe das nicht erfordert.

Lokale Modelle ausprobieren: Wer technisch etwas versierter ist, kann mit Tools wie LM Studio oder Ollama kleinere Modelle direkt auf dem eigenen Rechner laufen lassen. Das ist nicht nur energieeffizienter, sondern schützt auch die eigenen Daten.

Wer KI aktiv im Alltag nutzt, erzeugt häufig unbewusst hohe Inferenz-Last. Konkrete Einsatzbeispiele in KI im Alltag – praktische Beispiele zeigen dir, wo KI echten Nutzen stiftet – und wo du bewusst reduzieren kannst, ohne Produktivität einzubüßen.

Kann KI dem Klima auch helfen?

Bei all den alarmierenden Zahlen darf eine Perspektive nicht fehlen: KI ist nicht nur Teil des Problems, sondern potenziell auch Teil der Lösung.

Studien des Weltwirtschaftsforums (WEF) und der Boston Consulting Group (BCG) schätzen, dass KI bis 2035 helfen kann, 3 bis 6 Gigatonnen CO₂ in anderen Sektoren einzusparen. Das übersteigt den eigenen Fußabdruck der Technologie deutlich.

Die wichtigsten Einsatzfelder: KI optimiert Stromnetze, damit mehr erneuerbare Energie ins Netz integriert werden kann. Sie beschleunigt die Materialforschung für effizientere Batterien und Solarzellen. Sie verbessert die Verkehrssteuerung und macht autonomes Fahren effizienter. Und in der Präzisionslandwirtschaft reduziert sie den Einsatz von Düngemitteln und Wasser erheblich.

Ob dieser positive „Handprint“ den negativen „Footprint“ tatsächlich überwiegt, hängt allerdings davon ab, wie schnell diese Anwendungen skaliert werden – und ob der Strom für die KI-Infrastruktur selbst aus sauberen Quellen kommt.

Technologischer Fortschritt allein löst das Problem nicht, wenn die Nachfrage exponentiell wächst. In den KI-Prognosen für 2030 bekommst du eine strategische Perspektive darauf, wie stark Rechenzentren, Energiebedarf und regulatorische Eingriffe in den kommenden Jahren zunehmen könnten.

Fazit: Intelligenz braucht Energie – aber wie viel ist zu viel?

Der KI-Boom hat einen Preis, der in Megawattstunden, Milliarden Litern Wasser und Millionen Tonnen CO₂ gemessen wird. Die Ära der scheinbar kostenlosen digitalen Intelligenz ist vorbei.

Drei Erkenntnisse sind dabei entscheidend: Erstens ist nicht das Training der Modelle das Kernproblem, sondern deren tägliche Nutzung durch Milliarden von Menschen. Zweitens ist Wasser mindestens so kritisch wie Strom – lokale Auswirkungen auf Gemeinden und Ökosysteme werden oft unterschätzt. Und drittens braucht es sowohl technologische Lösungen (effizientere Chips, kleinere Modelle, lokale KI) als auch politische Rahmenbedingungen, die verhindern, dass die Intelligenz der Zukunft mit den fossilen Brennstoffen der Vergangenheit betrieben wird.

Goldman Sachs prognostiziert bis 2030 einen Anstieg des Strombedarfs von Rechenzentren um 160 bis 175 Prozent. Im schlimmsten Fall könnten 60 Prozent davon durch Erdgas gedeckt werden. Ob das passiert, hängt davon ab, wie schnell erneuerbare Energien, Kernkraft und Speichertechnologien ausgebaut werden.

Als Nutzer kannst du mit bewusster Modellwahl und präzisen Prompts einen kleinen, aber realen Beitrag leisten. Die größere Verantwortung liegt allerdings bei den Unternehmen und der Politik.

FAQ

Wie viel Strom verbraucht eine ChatGPT-Anfrage?

Eine einfache Anfrage an ein Standard-LLM wie GPT-4o verbraucht etwa 3 bis 5 Wattstunden – ungefähr das Zehnfache einer Google-Suche. Bei Reasoning-Modellen wie GPT-5 steigt der Verbrauch auf geschätzt 30 bis 40 Wattstunden pro komplexer Anfrage, weil das Modell intern lange Denkketten verarbeitet.

Ist KI schlimmer für das Klima als Fliegen?

Noch nicht. Die KI-Emissionen entsprachen 2025 etwa 8 Prozent der globalen Luftfahrtemissionen. Allerdings wächst die Luftfahrt linear (3 bis 4 Prozent pro Jahr), während KI exponentiell wächst. Ohne Gegenmaßnahmen könnte KI in den nächsten Jahren zur Luftfahrt aufschließen.

Was sind Reasoning-Modelle und warum brauchen sie mehr Energie?

Reasoning-Modelle (z. B. GPT-5 oder Claude Opus) lösen Aufgaben durch logisches Schließen. Bevor sie eine Antwort liefern, erzeugen sie intern eine lange Kette von Zwischenschritten – eine sogenannte „Chain of Thought“. Für dich sieht die Antwort kurz aus, aber im Hintergrund wurden tausende Tokens verarbeitet. Das macht sie bis zu zehnmal energieintensiver als Standard-LLMs.

Kann ich KI klimafreundlicher nutzen?

Ja. Die wirksamsten Maßnahmen: Nutze das kleinste Modell, das deine Aufgabe löst (z. B. GPT-4o-mini statt GPT-5 für einfache Fragen). Formuliere präzise Prompts, um unnötige Rechenzeit zu vermeiden. Deaktiviere den erweiterten Denkmodus bei einfachen Aufgaben. Und wenn du die Möglichkeit hast, probiere lokale Modelle auf deinem eigenen Gerät aus – das spart Strom, Wasser und Netzwerkressourcen.

Quellen und weitere Infos:

Weiterführende Quellen & Referenzen

• International Energy Agency (IEA) – (Der Bericht analysiert den prognostizierten Stromverbrauch von Rechenzentren und KI bis zum Jahr 2026 im globalen Vergleich.)
• euronews.com
• Goldman Sachs Insights – (Diese Analyse beleuchtet die wirtschaftlichen und infrastrukturellen Herausforderungen durch den massiv steigenden Energiebedarf der KI-Industrie.)
• NVIDIA Newsroom – (Die offizielle Ankündigung der Blackwell-Architektur detailliert die Effizienzsprünge bei der Inferenz und dem Training neuer KI-Modelle.)
• Google Sustainability Blog – (Google erläutert hier seine Strategie zur Nutzung von Kernenergie durch kleine modulare Reaktoren für den Betrieb seiner Rechenzentren.)
• Heise – (Die Pressemitteilung dokumentiert die Partnerschaft zur Wiederinbetriebnahme von Three Mile Island für die Versorgung der Microsoft-KI-Infrastruktur.)
• Ollama Project Page – (Diese Plattform ermöglicht es Nutzern, große Sprachmodelle lokal auf eigener Hardware auszuführen und so Cloud-Ressourcen zu schonen.)