Hochleistungsmaschinen mit Nebenwirkungen KI und ihr Heißhunger

Anbieter zum Thema

ADLON Intelligent Solutions GmbH

Vitel GmbH

Künstliche Intelligenz treibt Innovation und Produktivität – doch sie verschlingt enorme Mengen an Energie, Wasser und Rohstoffen. Mit wachsender Rechenleistung wachsen auch die ökologischen Nebenwirkungen. Unternehmen müssen daher nicht nur auf Effizienz, sondern auch auf Nachhaltigkeit achten.

Man stelle sich vor, man fährt einen Supersportwagen – nicht für eine Spritztour, sondern dauerhaft, rund um die Uhr, mit Vollgas. Der Tank leert sich im Rekordtempo, der Motor läuft heiß, der Verschleiß steigt massiv. Genau so verhalten sich moderne KI-Systeme: Sie sind Hochleistungsmaschinen, die permanent Energie und Ressourcen verschlingen – und das im globalen Maßstab.

Eine neue Dimension des Energiehungers

Das rasante Wachstum von KI-Technologien bringt erhebliche ökologische Herausforderungen mit sich. Prognosen der Internationalen Energieagentur (IEA) zeigen, dass sich der Strombedarf von Rechenzentren, vor allem durch KI-Anwendungen, bis 2030 mehr als verdoppeln wird – auf rund 945 Terawattstunden pro Jahr. Das entspricht etwa drei Prozent des weltweiten Stromverbrauchs. KI-spezifische Rechenzentren werden dabei fast die Hälfte der Emissionen aller Rechenzentren verursachen.

Drei Ursachen für den Ressourcenhunger

1. Modelltraining und Inferenz:
Das Training großer Sprachmodelle wie GPT-3 verschlingt enorme Mengen an Energie: Rund 1.287 Megawattstunden Strom – so viel wie 120 US-Haushalte in einem Jahr. Hinzu kommen etwa 5,4 Millionen Liter Wasser zur Serverkühlung. Jede einzelne Anfrage an ein Modell wie ChatGPT benötigt ein Vielfaches der Energie einer klassischen Websuche.

2. Rechenzentren als Engpass:
KI-optimierte Rechenzentren setzen auf spezialisierte Hardware wie GPUs und TPUs, die hohe Mengen an Strom und Wasser verbrauchen. In Frankfurt und Dublin machen Rechenzentren bereits rund 20 Prozent des gesamten Stadtstromverbrauchs aus. Der Anteil von Servern mit GPU-Beschleunigung wird bis 2030 auf nahezu die Hälfte aller Rechenzentrumsserver steigen.

3. Hardwareproduktion mit großem Fußabdruck:
Auch die Herstellung spezialisierter KI-Chips ist ressourcenintensiv. Für die Fertigung eines einzelnen High-End-Chips werden bis zu 8.000 Liter Wasser benötigt – allein für Reinigung und Kühlung. Zudem verursacht die Produktion eines modernen KI-Prozessors bis zu einer halben Tonne CO₂-Emissionen, abhängig vom Standort und Energiemix der Fabrik.

Die Lieferkette umfasst energieintensive Rohstoffgewinnung, komplexe Fertigungsprozesse und globale Transporte. Greenpeace und das Öko-Institut schätzen, dass die Hardwareproduktion rund 60 Prozent des gesamten CO₂-Fußabdrucks digitaler Geräte ausmacht. Die steigende Nachfrage nach immer leistungsfähigeren Chips verschärft diese Belastung weiter.

Wege zu mehr Effizienz

Modellarchitektur und Komprimierung
Neue Modelle wie GPT-4o oder Claude 3.5 Sonnet erreichen mit deutlich weniger Parametern ähnliche Leistungen wie ihre Vorgänger. Techniken wie Modell-Distillation, Quantisierung oder Chinchilla-Skalierung reduzieren die Modellgröße und damit den Energiebedarf erheblich.

Green-AI-Ansätze
Green AI setzt auf Transparenz, Effizienzmetriken und ressourcenschonendes Training. Dazu zählen optimierte Trainingsalgorithmen (z. B. sparsames Training, Early Stopping), energieeffiziente Hardware (z. B. TPUs, FPGAs) sowie Rechenzentren mit erneuerbaren Energien und innovativen Kühlsystemen wie Flüssigkühlung oder Wärmerückgewinnung.

Lifecycle-Management
Ein nachhaltiges IT-Asset-Management umfasst Wiederaufbereitung, modulare Systeme und zertifizierte Recyclingstrategien, um Elektroschrott und Umweltbelastung messbar zu senken. Verlängerte Leasingzeiten können bis zu 30 Prozent CO₂-Emissionen vermeiden; Altgeräte werden DSGVO-konform gelöscht und weiterverwertet.

Suffizienz und Rebound-Effekt
Effizienzgewinne führen häufig zu Mehrnutzung – ein Phänomen, das als Jevons-Paradox bekannt ist. Je günstiger und effizienter KI wird, desto häufiger wird sie eingesetzt, wodurch der Gesamtverbrauch erneut steigt. IT-Strategien sollten deshalb auch Suffizienzprinzipien berücksichtigen: Welche KI-Anwendungen sind wirklich notwendig?

Politische und regulatorische Vorgaben

Die EU-KI-Verordnung sieht erstmals eine verpflichtende Dokumentation des Energie- und Ressourcenverbrauchs für Hochrisiko-KI-Systeme vor. Generative KI-Modelle müssen ihren Energieverbrauch messen und offenlegen. Greenpeace und das Öko-Institut fordern zudem Effizienzlabel für Rechenzentren und verpflichtende Umweltverträglichkeitsprüfungen.

Handlungsempfehlungen für IT-Verantwortliche

• Spezialisierte Modelle sollten, wo immer möglich, großen Foundation Models vorgezogen werden.

• Green-AI-Frameworks sind konsequent zu nutzen, Anbieter sollten zur Transparenz bei Energie- und Wasserverbrauch verpflichtet werden.

• Rechenzentren lassen sich durch innovative Kühltechnologien, erneuerbare Energien und Wärmerückgewinnung deutlich effizienter gestalten.

• Refurbishing und Recycling sollten über den gesamten Hardwarelebenszyklus hinweg fest eingeplant werden.

• Rebound-Effekte können durch klare Priorisierung und Suffizienzstrategien eingedämmt werden.

Nachhaltigkeit als Architekturfrage

Der technologische Fortschritt der KI ist nicht aufzuhalten. Damit er nicht auf Kosten von Umwelt und Ressourcen geht, muss er bewusst gestaltet werden. IT-Entscheider stehen in der Verantwortung, den Energiehunger moderner KI-Systeme mit ökologischer Vernunft zu balancieren. Nachhaltige KI ist kein Widerspruch, sondern eine Frage von Architektur, Infrastruktur und Haltung.

Über den Autor

Christian Knauer ist Head of Operations beim IT-Beratungsunternehmen Adlon Intelligent Solutions GmbH.

(ID:50593480)