Green AI: Die nachhaltigste KI ist auch die günstigste.
Zwischen Weltuntergang und Greenwashing liegt die unbequeme Wahrheit über den Energiehunger der KI, und eine überraschend gute Nachricht für den Mittelstand.
30 Minuten, online, kostenlos und unverbindlich.
Der Energiebedarf von KI hängt vor allem davon ab, welches Modell für welche Aufgabe läuft: Einfache Text-Anfragen brauchen wenig Strom, Reasoning-Modelle ein Vielfaches. Weil die laufende Nutzung (Inferenz) den Großteil ausmacht, senken passend dimensionierte Modelle, effiziente Technik und Ökostrom Kosten und CO₂ zugleich.
Energie, Kosten und die richtige Modellwahl
„Eine einzige Anfrage an ChatGPT verbraucht so viel Strom wie zehn Google-Suchen.“ „Für eine kurze E-Mail verdunstet die KI eine halbe Flasche Wasser.“ Solche Sätze machen seit Monaten die Runde, auf LinkedIn, in Talkshows, in Vorstandssitzungen. Sie sind eingängig, alarmierend und in dieser Form schlicht falsch.
Auf der anderen Seite stehen die Beschwichtiger: „Halb so wild, Rechenzentren machen doch nur anderthalb Prozent des Stroms aus.“ Auch das greift zu kurz, denn der Verbrauch der KI-Rechenzentren wächst schnell.
Die Wahrheit liegt dazwischen, und sie ist für den Mittelstand interessanter als jede der beiden Schlagzeilen: Der Hebel, der KI nachhaltiger macht, ist derselbe, der sie günstiger und unabhängiger macht. Effizienz, Kosten und CO₂ zeigen in dieselbe Richtung. Ohne Alarmismus, ohne Greenwashing.
Die Zahlen, die stimmen, und die, die nicht stimmen
Nach dem Bericht der Internationalen Energieagentur („Energy and AI“, 2025) verbrauchten Rechenzentren weltweit im Jahr 2024 rund 415 Terawattstunden Strom, etwa 1,5 Prozent des globalen Stromverbrauchs. In Deutschland lag der Bedarf laut Bitkom und Borderstep-Institut bei rund 20 Milliarden Kilowattstunden. Das ist relevant, aber kein Weltuntergang.
Und die Einzelanfrage? Die oft zitierten „3 Wattstunden pro ChatGPT-Prompt“ stammen aus einer groben Schätzung von 2023 und gelten heute als deutlich überhöht. Google hat im August 2025 Betriebszahlen offengelegt: Eine durchschnittliche Text-Anfrage an Gemini benötigt 0,24 Wattstunden Strom, 0,03 Gramm CO₂ und 0,26 Milliliter Wasser. Die Forschungsgruppe Epoch AI kommt für ein typisches GPT-4o-Modell auf einen ähnlichen Wert von rund 0,3 Wattstunden.
Die „halbe Wasserflasche pro E-Mail“ beruht auf einer anderen Rechengrenze: Sie bezieht den gesamten Lebenszyklus inklusive Stromerzeugung und einer besonders langen Ausgabe ein. Merke: Ohne die Angabe, was genau mitgezählt wird, ist jede KI-Verbrauchszahl wertlos.
Warum das trotzdem kein Grund zur Entwarnung ist
Diese kleinen Werte gelten für einfache Text-Anfragen. Sobald ein Modell „nachdenkt“ (Reasoning), als Agent mehrere Schritte plant oder Bilder und Videos erzeugt, steigt der Verbrauch drastisch. Eine einzelne Antwort eines Reasoning-Modells kann ein Vielfaches einer einfachen Text-Anfrage verbrauchen.
Nicht ob Sie KI nutzen, bestimmt Ihren Fußabdruck, sondern welche KI Sie für welche Aufgabe einsetzen. Die Modellwahl ist der größte Einzelhebel.
Nicht ob wir KI nutzen, entscheidet über den Fußabdruck, sondern welches Modell wir für welche Aufgabe wählen.
Das eigentliche Schlachtfeld heißt Inferenz
In der öffentlichen Debatte dreht sich fast alles um das Training von KI-Modellen. Für Ihr Unternehmen ist das die falsche Baustelle. Ein Modell wird einmal trainiert, danach aber millionenfach abgefragt. Diese laufende Nutzung heißt Inferenz, und sie macht über den Lebenszyklus einen großen Teil des Energieverbrauchs aus.
Ein Bild dazu: Das Training ist der Autokauf, die Inferenz ist jede einzelne Fahrt. Der Fußabdruck entsteht beim Fahren, Tag für Tag. Die gute Nachricht: Die Inferenz ist genau der Teil, den Sie beeinflussen können. Ein kleineres Modell, eine effizientere Serving-Technik, cleveres Zwischenspeichern senken Energieverbrauch, CO₂-Ausstoß und Ihre Rechnung zugleich.
Drei Hebel für effiziente KI
1. Right-Sizing statt Maximierung
Für Klassifikation, Extraktion oder Antworten auf Firmenwissen braucht es kein Frontier-Modell. Ein kleines, spezialisiertes Modell ist im Betrieb deutlich günstiger als ein sehr großes Modell und liefert für eine klar umrissene Aufgabe oft gleichwertige Qualität.
2. Inferenz-Technik
Effiziente Serving-Engines wie vLLM erhöhen den Durchsatz deutlich. Quantisierung (geringere Rechenpräzision) senkt Speicher- und Energiebedarf. Zwischenspeichern häufiger Antworten (Caching) spart Wiederholungen ein.
3. Souveränität und Ökostrom
Eine gut ausgelastete lokale KI läuft mit planbarem Ökostrom, ohne intransparenten Cloud-Fußabdruck und ohne dass sensible Daten das Haus verlassen. Datensouveränität und Nachhaltigkeit sind hier dieselbe Architekturentscheidung.
Wir schauen im kostenlosen Erstgespräch gemeinsam darauf, was davon für Sie zählt.
Beispielszenario: Der überdimensionierte Chatbot
Ein Unternehmen führt einen internen Wissens-Assistenten ein. Der naheliegende Weg: das größte Cloud-Modell per Schnittstelle anbinden. Es funktioniert, aber jede simple Frage („Wo finde ich das Urlaubsformular?“) beschäftigt ein Hochleistungsmodell, und bei jeder Anfrage wandern interne Dokumente auf fremde Server.
Der sinnvolle Umbau: Ein kleineres, aufgabenspezifisches Modell übernimmt die Fragen und greift per RAG (Retrieval-Augmented Generation) auf die eigenen Dokumente zu. Die Daten bleiben im Haus, das Frontier-Modell wird nur für die wenigen komplexen Fälle reserviert. Man skaliert die Rechenleistung an der Aufgabe, nicht am Prestige des Modellnamens.
KI ist Problem und Lösung zugleich
KI ist nicht nur Verbraucher, sondern auch Ermöglicher von Nachhaltigkeit. Die IEA rechnet vor, dass KI bei breiter Anwendung bis 2035 Emissionen von rund 1.400 Millionen Tonnen CO₂ vermeiden könnte. Die Hebel sind mittelstandsnah: Steuerung von Stromnetzen, vorausschauende Wartung, Materialoptimierung, effizientere Gebäudetechnik. Der „Green-AI Hub Mittelstand“ des Bundesumweltministeriums berichtet von Einsparungen bei Material und Energie in KI-Pilotprojekten.
Der ehrliche Vorbehalt: das Jevons-Paradoxon
Wenn eine Technologie effizienter und billiger wird, nutzt man sie mehr, und der absolute Verbrauch kann trotz besserer Effizienz steigen. William Stanley Jevons beschrieb das 1865 für die Kohle. Effizienz ist notwendig, aber nicht hinreichend.
Nachhaltige KI heißt: kleineres Modell, sauberer Strom, bewusster Einsatz, zusammen.
Was der Gesetzgeber jetzt verlangt
- EU AI Act: Anbieter großer KI-Basismodelle müssen den Energieverbrauch ihrer Modelle dokumentieren. Energie wird zur nachweispflichtigen Größe.
- CSRD / ESRS E1: Die Nachhaltigkeitsberichterstattung verlangt die Offenlegung von Energieverbrauch und Emissionen, auch entlang der Wertschöpfungskette (Scope 3). Cloud-KI-Nutzung fließt damit in den Nachhaltigkeitsbericht ein.
- Energieeffizienzgesetz (EnEfG): Für Rechenzentren gelten Vorgaben zu PUE-Wert, Abwärmenutzung und Ökostrom. Machen Sie diese Kennzahlen zum Auswahlkriterium für Ihren Hosting-Anbieter.
Einige dieser Regeln sind noch in Bewegung (EU-Omnibus-Paket, EnEfG-Novelle). Die Richtung ist aber eindeutig: Energie- und Klimatransparenz bei IT wird zur Pflicht.
Nachhaltigkeit wird zum Beschaffungskriterium
Über CSRD, Lieferkettensorgfaltspflichtengesetz (LkSG) und die EU-Lieferkettenrichtlinie (CSDDD) reichen große Konzerne Nachhaltigkeitsanforderungen an Zulieferer weiter, per Fragebogen, Selbstauskunft und Verhaltenskodex. Auch wer nicht direkt unter diese Gesetze fällt, ist als Zulieferer mittelbar betroffen. Wer nachweisen kann, dass die eigene KI- und IT-Landschaft energieeffizient, souverän und dokumentiert ist, hat bei Ausschreibungen einen Vorteil.
Die wirtschaftliche Wahrheit: Cloud oder lokal?
Weil die laufende Inferenz den Großteil des Aufwands ausmacht, senkt jede Effizienzmaßnahme direkt Ihre Betriebskosten. Energieeffizienz und Kosteneffizienz sind hier dasselbe. Die ehrliche Antwort auf „Cloud oder lokal?“ lautet: Es kommt auf die Auslastung an.
- Bei schwankender oder geringer Nutzung sind Cloud-Schnittstellen meist günstiger: keine Anschaffung, kein Betriebsaufwand.
- Bei stetiger, hoher Auslastung kann sich die Rechnung zugunsten lokaler Hardware verschieben. Das prüfen wir mit einer Beispielrechnung für Ihren Fall.
- Für viele Mittelständler ist ein hybrider Ansatz sinnvoll: lokal für Grundlast und sensible Daten, Cloud für Spitzen und Experimente.
Sieben Hebel für nachhaltige KI im Unternehmen
- Richtig dimensionieren: Nicht reflexartig das größte Modell wählen.
- Inferenz optimieren: Effiziente Serving-Technik, Quantisierung und hohe Auslastung statt Leerlauf.
- Caching nutzen: Häufige Antworten zwischenspeichern, statt jede Anfrage neu zu berechnen.
- Prompts straffen: Kürzere, präzisere Eingaben und begrenzte Ausgabelängen senken den Rechenbedarf.
- Ökostrom-Rechenzentren wählen: Anbieter mit niedrigem PUE, hohem Ökostromanteil und Abwärmenutzung bevorzugen.
- Hardware auslasten: Leerlauf vermeiden.
- Messen und berichten: Den KI-Energieverbrauch erfassen, für Steuerbarkeit, Glaubwürdigkeit und die CSRD-Berichterstattung.
Bevor Sie anfragen
Ist KI nicht generell ein Klimaproblem?
Differenziert betrachtet: Rechenzentren machen laut IEA rund 1,5 Prozent des globalen Stroms aus, wachsen aber schnell. Eine einfache Text-Anfrage verbraucht wenig, Reasoning sowie Bild und Video ein Vielfaches. Entscheidend sind bewusste Nutzung und die richtige Modellwahl, nicht pauschaler Verzicht.
Muss ich auf leistungsstarke KI-Modelle verzichten?
Nein. Es geht um Right-Sizing: das passende Modell je Aufgabe. Für Routine reichen kleinere, spezialisierte Modelle; das Frontier-Modell reservieren Sie für die wenigen komplexen Fälle.
Lohnt sich lokale KI ökologisch und wirtschaftlich?
Bei stetiger, hoher Auslastung in der Regel ja: Lokale Hardware ist dann kosteneffizient, planbar mit Ökostrom und datensouverän. Bei schwankender Last ist die Cloud oft günstiger. Für viele Mittelständler ist ein hybrider Ansatz sinnvoll.
Was bedeuten EU AI Act und EnEfG für mich?
Der EU AI Act verlangt von Modellanbietern eine Energie-Dokumentation. Das EnEfG setzt Effizienzvorgaben für Rechenzentren. Über die CSRD fließt Ihr KI-Energieverbrauch in die Nachhaltigkeitsberichterstattung ein, auch als Zulieferer über Scope 3.
Ist „Green AI“ nicht nur Greenwashing?
Die Gefahr besteht, Stichwort Jevons-Paradoxon: Effizienz allein kann durch Mehrnutzung aufgezehrt werden. Deshalb heißt Green AI für uns: kleineres Modell plus Ökostrom plus bewusster Einsatz. Kein Klimaversprechen, sondern eine messbare Praxis.
Wie effizient ist Ihre KI-Strategie?
Sprechen Sie mit uns über eine souveräne, energieeffiziente KI-Architektur. Wir melden uns innerhalb von 24 Stunden mit einem Vorschlag für das Erstgespräch.
