Den gesamten Lebenszyklus messen
Der Fußabdruck der KI beginnt vor einem Prompt und setzt sich fort, nachdem ein Server außer Dienst gestellt wurde. Halbleiterfertigung verbraucht Energie, ultrareines Wasser, Chemikalien und Mineralien. Rechenzentren verbrauchen Strom, Kühlung, Notstromerzeugung, Netzwerktechnik, Land und Ausrüstung. Hardware am Ende ihrer Lebensdauer wird zu einem Elektroschrott- und Rückgewinnungsproblem.
Die öffentliche Debatte zitiert oft eine Wasser- oder Energiezahl pro Abfrage, als wäre sie universell. Der tatsächliche Verbrauch variiert je nach Modell, Hardware, Auslastung des Rechenzentrums, Kühlung, Klima, Stromnetz, Prompt-Länge, Ausgabemodalität und Zuordnungsmethode. Training und Inferenz sind unterschiedlich; Inferenz kann über die Lebensdauer eines Produkts dominieren, wenn die Nutzung groß ist. Anbieter legen zu wenig offen für präzise globale, ausschließlich KI-bezogene Gesamtwerte.
Was heute gemessen wird
Die Internationale Energieagentur schätzte, dass alle Rechenzentren 2024 rund 415 Terawattstunden Strom verbrauchten, etwa 1,5 % des globalen Verbrauchs. KI ist eine Teilmenge dieser Gesamtmenge. Fast die Hälfte der US-Rechenzentrumskapazität konzentrierte sich auf fünf regionale Cluster, sodass lokale Netzeffekte weit größer sein können als der globale Anteil (IEA, April 2025).
Die aktualisierte zentrale Prognose der IEA setzt die Rechenzentrumsnutzung 2030 bei etwa 950 TWh an, rund 3 % der globalen Nachfrage. Das ist eine Prognose auf Basis von Annahmen zu Kapazität, Effizienz, Verbreitung und Markt, keine Zählerablesung aus der Zukunft. Energieintensiveres Reasoning, Video und agentische Nutzung könnten die Nachfrage nach oben treiben; Effizienz, Finanzierungsbeschränkungen oder langsamere Verbreitung könnten sie senken (IEA, 2026).
In den Vereinigten Staaten schätzte das Lawrence Berkeley National Laboratory, dass der Stromverbrauch von Rechenzentren 2023 auf 176 TWh stieg und 2028 325–580 TWh erreichen könnte (US-Energieministerium, Dezember 2024). Die Spanne veranschaulicht die Unsicherheit. Sie erfasst Rechenzentren allgemein, nicht nur generative KI.
Emissionen hängen davon ab, wo und wann Strom erzeugt wird
Ein effizienter Server an einem fossillastigen Netz kann mehr betriebliche Emissionen erzeugen als ein weniger effizienter Server, der mit kohlenstoffarmem Strom versorgt wird. Jährliche Verträge über erneuerbare Energien zeigen nicht immer, welcher Strom eine Anlage zur Stunde der Nachfrage tatsächlich versorgt. Grenznachfrage kann fossile Erzeugung am Netz halten, selbst wenn ein Unternehmen Zertifikate für erneuerbare Energien erwirbt.
Die IEA schätzte die stromgebundenen Emissionen von Rechenzentren 2024 auf rund 180 Millionen Tonnen Kohlendioxid, etwa 0,5 % der globalen Emissionen aus Brennstoffverbrennung. Ihr Basisszenario steigt bis 2030 auf etwa 1 % (IEA-Klimaanalyse). Kleine globale Anteile können dennoch lokalen Klimaplänen widersprechen oder rasches sektorales Wachstum erzeugen.
Glaubwürdige Berichterstattung sollte standortbasierte und marktbasierte Emissionen, stündliche Zuordnung, wo machbar, Notstromgeneratoren, Bau- und materialisierte Hardware-Emissionen umfassen. Behauptungen über vermiedene Emissionen durch KI-Optimierung sollten separat berichtet und gegen ein Kontrafaktum validiert werden.
Wasser ist lokal
Rechenzentren können Wasser direkt durch Verdunstungskühlung und indirekt durch Stromerzeugung verbrauchen. Halbleiterfertigung erfordert ebenfalls hochwertiges Wasser. Entnahme ist nicht dasselbe wie Verbrauch: Entnommenes Wasser kann zurückgeführt werden, während verbrauchtes Wasser dem lokalen Einzugsgebiet nicht unmittelbar zur Verfügung steht.
Eine Gallone, die in einem wasserarmen Becken genutzt wird, hat eine andere Wirkung als eine, die dort genutzt wird, wo das Angebot reichlich ist. Jährliche globale Summen können saisonale Konkurrenz mit Haushalten, Ökosystemen, Landwirtschaft und Industrie verbergen. Luftkühlung kann den direkten Wasserverbrauch senken, aber den Stromverbrauch erhöhen; aufbereitetes Wasser kann die Trinkwassernachfrage senken, erfordert aber Infrastruktur und Schutzmaßnahmen.
Die OECD stellt fest, dass sich die Umweltbewertung über Energie und Kohlenstoff hinaus auf Süßwasser und Mineralienabbau erstrecken sollte und dass die Wasserberichterstattung von Rechenzentren weiterhin unvollständig ist (OECD zu KI-Rechenleistung). Gemeinden brauchen anlagenbezogene Angaben zu Entnahme, Verbrauch, Quelle, saisonaler Belastung, Einleitung und Notfallplänen, bevor Genehmigungen erteilt werden.
Chips haben einen vorgelagerten Fußabdruck
Fortgeschrittene Beschleuniger stützen sich auf geografisch konzentrierte Fertigung, Verpackung, Speicher und Materialien. Fertigungsanlagen haben große Bau- und Versorgungsanforderungen. Kurze Modell-Aufrüstungszyklen können noch funktionsfähige Ausrüstung ausmustern, obwohl ältere Beschleuniger für weniger anspruchsvolle Inferenz weiterverwendet werden können.
Bergbau und Verarbeitung können Lebensraumschäden, Umweltverschmutzung, arbeitsbezogene Gefahren und geopolitische Abhängigkeit hervorbringen. Eine genaue Zuordnung zu „KI” ist schwierig, da dieselbe Lieferkette Telefone, Fahrzeuge, Netzwerktechnik und andere Rechenanwendungen bedient. Lebenszyklusanalysen sollten Wirkung transparent zuordnen, statt das gesamte Halbleiterwachstum der KI zuzuschreiben.
UNEP identifiziert Energie, Treibhausgasemissionen, Wasser, Mineralienabbau und Elektroschrott als direkte Lebenszyklusbelange und fordert gemeinsame Messmethoden (UNEP, September 2024). UNEP hat ein Umweltmandat, das seinen Fokus prägt; seine Messempfehlung bleibt dennoch weithin nützlich.
KI kann Umweltvorteile hervorbringen
Maschinelles Lernen kann Wetter- und Klimamodellierung verbessern, Methan erkennen, Netze und Gebäude optimieren, Erzeugung erneuerbarer Energien vorhersagen, Materialien entwerfen und Naturschutz unterstützen. Vorteile müssen im Einsatz gemessen werden, nicht aus Benchmark-Genauigkeit abgeleitet.
Rebound-Effekte zählen. Senkt Effizienz die Kosten, kann die Gesamtnutzung stark genug steigen, um Einsparungen zunichtezumachen. Optimierung kann auch Schaden verlagern: Stromkosten senken, während der Wasserverbrauch steigt, oder Infrastruktur in einer verletzlichen Gemeinde ansiedeln. Die Nettobewertung sollte induzierte Nachfrage und Verteilung einschließen.
Die IEA prognostiziert in ihrem Basisszenario, dass erneuerbare Energien bis 2035 rund die Hälfte des Wachstums der Stromnachfrage von Rechenzentren decken, doch Erdgas und Kohle liefern ebenfalls erhebliches kurzfristiges Wachstum. „Angetrieben durch erneuerbare Energien” ist daher keine Beschreibung des globalen Sektors.
Bessere Infrastrukturentscheidungen
Betreiber können die Auslastung verbessern, effiziente Modelle und Hardware nutzen, flexible Arbeitslasten planen, wenn sauberer Strom verfügbar ist, die Lebensdauer der Ausrüstung verlängern, Wärme dort zurückgewinnen, wo sie nützlich ist, Leerlaufkapazität reduzieren und eine für das lokale Einzugsgebiet geeignete Kühlung wählen. Kleinere, aufgabenspezifische Modelle können den verschwenderischen Einsatz eines Frontier-Modells übertreffen.
Versorger und Regulierungsbehörden können realistische Netzanschlussstudien, Kostenzuordnung, Nachfrageflexibilität, saubere Versorgung, öffentliche Wasserprüfung und Rückbaupläne verlangen. Rechenzentrumskunden sollten Netzausbau- oder Knappheitskosten nicht stillschweigend auf Haushalte abwälzen.
Offenlegung sollte gemeinsame funktionale Einheiten verwenden: Energie und Wasser pro Trainingslauf, pro standardisierter Arbeitslast und pro Dienstvolumen, neben absoluten Unternehmens- und Anlagensummen. Effizienzquoten ohne absolutes Wachstum können in die Irre führen.
Was AGI verändern könnte
Der Energiebedarf von AGI ist ein Szenario. Systeme, die Forschung und wirtschaftliche Aktivität automatisieren, könnten die Rechenleistungsnutzung stark erhöhen. Sie könnten auch Chipdesign, Materialien, Netze und den Einsatz sauberer Energie verbessern. Ein Rebound-Effekt im Jevons-Stil könnte Effizienzgewinne in höheren Gesamtverbrauch verwandeln.
Physische Beschränkungen bleiben bestehen: Fabs, Transformatoren, Erzeugung, Netze, Wassersysteme und Genehmigungen brauchen Zeit. Behauptungen unmittelbarer Intelligenzfülle sollten diese Engpässe berücksichtigen. Umweltgovernance könnte zu einer praktischen Einsatzgrenze werden statt zu einem externen Thema.
Ein ausgewogener Maßstab
Vier Fragen sind zu stellen: Wie groß ist der absolute Lebenszyklus-Fußabdruck? Wo und wann tritt er auf? Wer erhält den Nutzen, und wer trägt die Kosten? Welche Alternative erfüllt dieselbe Funktion?
Die Evidenz stützt weder „KI ist umweltmäßig vernachlässigbar” noch eine universelle Katastrophe pro Prompt. Rechenzentren sind eine Minderheit des globalen Stromverbrauchs, aber eine schnell wachsende, geografisch konzentrierte Last mit erheblichen Wasser- und Lieferketten-Auswirkungen. KI kann Umweltverbesserungen ermöglichen, doch nur gemessene Nettoergebnisse zählen. Verpflichtende anlagenbezogene Offenlegung, Lebenszyklusstandards, lokale Beteiligung, Investitionen in saubere Netze und die Wahl effizienter Modelle sind die Grundlagen einer ehrlichen Umweltpolitik.