Lernpfad
Grundlagen der KI
10 Std.
Verbessere die KI-Fähigkeiten deines Teams
Verändere dein Unternehmen, indem du deinem Team mit dem DataCamp for Business fortgeschrittene KI-Kenntnisse vermittelst. Erreiche bessere Einblicke und mehr Effizienz.
Den Umwelteinfluss von KI berechnen: Methodische Herausforderungen
Seit dem Start von ChatGPT Ende 2022 wächst die KI-Branche exponentiell. Laut Statista überstieg der Markt für Künstliche Intelligenz im Jahr 2024 ein Volumen von 184 Milliarden US-Dollar und soll bis 2030 auf über 826 Milliarden US-Dollar anwachsen.
Weltweite Marktgröße für KI von 2020 bis 2030. Quelle: Statista
Ein solches Expansionsprogramm darf jedoch nicht ohne eine vorherige Bewertung der planetaren Kosten von KI stattfinden. Die Zeit drängt, denn die Welt läuft Gefahr, in eine ausgewachsene Klimakatastrophe zu schlittern.
Die Bewertung des ökologischen Fußabdrucks von KI ist daher unverzichtbar. Wie wir in unserem Artikel Die Umweltauswirkungen digitaler Technologien und Daten erklärt haben, ist das jedoch eine anspruchsvolle Aufgabe.
Trotz wachsender Forschung ist eine umfassende Bilanz des ökologischen Fußabdrucks von KI bislang nicht möglich. Zu den wichtigsten Einschränkungen und Herausforderungen zählen:
Mangelnde Transparenz und Datenlücken
KI-Unternehmen sind oft zurückhaltend, Informationen über ihre Produkte offenzulegen – auch umweltrelevante. Das führt zu erheblichen Datenlücken und blinden Flecken, die die Arbeit von KI-Forschenden erschweren. Wie Sasha Luccioni, Climate Lead bei Hugging Face, feststellt:
Kein einziges Unternehmen, das KI-Tools anbietet, das ich kenne, stellt Informationen zu Energieverbrauch und CO2-Fußabdruck bereit. Wir wissen nicht einmal, wie groß Modelle wie GPT sind. Nichts wird offengelegt; alles ist ein Geschäftsgeheimnis.
Sasha Luccioni, Climate Lead at Hugging Face
Was zählt als ökologischer Fußabdruck?
Die meisten Studien konzentrieren sich auf den Energiebedarf oder Treibhausgasemissionen (also den CO2-Fußabdruck). Es ist jedoch wichtig, auch weitere nicht-energetische Auswirkungen in die digitale Umweltbilanz einzubeziehen, etwa Wasser- und Mineralienverbrauch.
Den gesamten KI-Lebenszyklus betrachten
Viele Beiträge beleuchten primär den Fußabdruck von KI beim Training. Wie Luccioni et al. jedoch in einem Paper von 2023 darlegen, sollten weitere Phasen des KI-Lebenszyklus einbezogen werden – darunter Rohstoffgewinnung, Hardwarefertigung, Modellausbringung und Entsorgung.
Der Life-Cycle-Assessment-Ansatz. Quelle: Luccioni et al.
Der ökologische Fußabdruck von KI
Trotz methodischer Hürden bei der Schätzung des ökologischen Fußabdrucks ist klar: KI verursacht spürbare Kosten in Form natürlicher Ressourcen. Im Folgenden gehen wir auf den CO2- und Wasserfußabdruck ein. Wie erwähnt, ist weitere Forschung nötig, um Auswirkungen in anderen Bereichen zu bewerten, etwa Mineralienverbrauch oder Biodiversitätsverlust.
Der CO2-Fußabdruck von KI
Damit KI ihre Stärken ausspielen kann, benötigt sie erhebliche Energiemengen – was häufig zu zusätzlichen Emissionen führt.
Der Energieverbrauch großer Sprachmodelle (LLMs) lässt sich grob in zwei Kategorien einteilen:
- Betriebsenergie. Energie zum Betreiben der Tools – beim Training wie auch bei der Inferenz.
- Hardwarefertigung. Energie zur Herstellung der Ausstattung von KI-Systemen, etwa GPUs (Graphics Processing Units).
Die meisten Studien fokussieren den CO2-Fußabdruck während der Trainingsphase – vor allem, weil hierfür mehr Daten vorliegen, insbesondere bei Open-Source-Modellen.
So schätzen Strubell et al. in einem Artikel von 2019, dass das Training eines LLMs mit 213 Millionen Parametern 626.155 Pfund CO2 ausstoßen kann – nahezu den Lebenszeitemissionen von fünf Autos inklusive Treibstoff.
Allerdings kann der Energiebedarf in der Inferenzphase (also beim Einsatz des Modells für seine eigentliche Aufgabe) ähnlich hoch oder sogar höher sein als beim Training.
In einer Studie von 2023 berechneten Luccioni et al., dass die Bereitstellung des BLOOM-Modells mit 176 Milliarden Parametern über 18 Tage im Schnitt 40,32 kWh pro Tag verbrauchte (in etwa 1.110 Smartphone-Ladungen) und täglich rund 19 kg CO2-Äquivalente ausstieß.
In einem jüngeren Artikel zeigen Lucioni et al. zudem, dass der Energiebedarf in der Ausbringungsphase stark von der jeweiligen Aufgabe abhängt. Besonders bildbasierte Aufgaben sind demnach am energieintensivsten.
Quelle: Luccioni et al.
Vor diesem Hintergrund überrascht es nicht, dass der Stromverbrauch von Rechenzentren – in denen typischerweise das Training und die Inferenz von KI-Systemen stattfinden – sich bis 2026 verdoppeln könnte, so eine aktuelle Analyse der Internationalen Energieagentur.
Der sprunghaft steigende Strombedarf durch die breite KI-Nutzung ist schlechte Nachricht für Tech-Firmen mit Netto-Null-Anspruch. So räumte Google in seinem jüngsten Nachhaltigkeitsbericht ein, dass die eigenen Emissionen 2023 im Vergleich zum Vorjahr um 13 % und seit 2019 um 48 % gestiegen sind – vor allem durch den höheren Energieverbrauch der Rechenzentren. Ähnlich bei Microsoft: Seit 2020 legten die Emissionen um 29,1 % zu, primär aufgrund des Stroms für KI-Betrieb.
Der Wasserfußabdruck von KI
Immer mehr Forschende richten den Blick auf den bedenklichen Wasserverbrauch von KI. Der größte Teil des Wasserfußabdrucks entfällt auf Rechenzentren: Sie benötigen Milliarden Liter Wasser, um die Server zu kühlen, die Trainings- und Inferenzberechnungen ausführen. Laut einer Studie von 2021 verbraucht ein durchschnittliches Rechenzentrum so viel Wasser wie drei durchschnittlich große Krankenhäuser.
Der Wasserverbrauch von Rechenzentren dürfte in den kommenden Jahren stark steigen, da neue Zentren entstehen, um die KI-Nachfrage zu bedienen. Forschende der UC Riverside schätzen, dass Rechenzentren 2027 zwischen 4,2 und 6,6 Milliarden Kubikmeter Wasser verbrauchen könnten – mehr als die Hälfte der jährlichen Wasserentnahme des Vereinigten Königreichs.
Lange als Geschäftsgeheimnis gehütet, beginnen Tech-Unternehmen inzwischen unter gesellschaftlichem und regulatorischem Druck, Informationen zu ihrem Wasserverbrauch zu veröffentlichen. So meldete Google in seinem jüngsten Nachhaltigkeitsbericht einen Anstieg des Wasserfußabdrucks um 17 % gegenüber 2025 – insgesamt 6,1 Milliarden Gallonen, also etwa der Bedarf zur Bewässerung von 41 Golfplätzen pro Jahr.
Da modernste Kühlsysteme nur mit sauberem Wasser funktionieren, kollidieren die Bedürfnisse von Rechenzentren häufig mit den Interessen der Anwohnenden – insbesondere in Regionen mit Wasserknappheit.
Auch wenn Rechenzentren die Hauptquelle des Wasserverbrauchs sind, braucht es neue Forschung, um den Wasserfußabdruck in anderen Phasen des KI-Lebenszyklus zu beleuchten – insbesondere bei der Hardwarefertigung, etwa den Halbleitern für GPU-Chips.
3 Techniken zur Reduzierung des ökologischen KI-Fußabdrucks
Angesichts der steigenden Umweltkosten für Entwicklung und Betrieb von KI-Modellen müssen Unternehmen Strategien umsetzen und Techniken anpassen, um ihren Fußabdruck zu verringern.
Im Folgenden analysieren wir einige Lösungen, die eine nachhaltigere KI voranbringen.
1. Modelle effizienter machen
Eine der naheliegendsten Strategien zur Reduktion des CO2-Fußabdrucks von KI ist höhere Effizienz. In KI-Begriffen bedeutet das: Die Genauigkeit führender Modelle mit kleineren, weniger komplexen Modellen zu erreichen.
Zum einen lässt sich Effizienz auf Hardwareebene steigern. Wenn Ingenieurinnen, Ingenieure und Chip-Hersteller mit dem Moore’schen Gesetz Schritt halten – Gordon Moore prognostizierte, dass sich die Transistoranzahl auf Mikrochips etwa alle zwei Jahre verdoppelt –, sehen wir schnellere, kleinere und effizientere GPUs.
Auch wenn manche vorhersagen, dass das Gesetz um 2025 an physikalische Grenzen stößt, könnten andere Spitzentechnologien – etwa Quantencomputing, neue Materialien und innovative Chip-Architekturen – entscheidend für mehr Effizienz sein. Ebenso zentral sind Innovationen im Design und Betrieb von Rechenzentren, um den Energiebedarf zu senken.
Zum anderen gibt es die Softwareseite. KI-Forschende entwickeln neue Verfahren und Designs, um Modelle beim Training und in der Inferenz effizienter zu machen, zum Beispiel:
- Model Pruning. Entfernen unwichtiger Parameter aus einem neuronalen Netz, um die Modellgröße zu reduzieren und die Inferenz zu beschleunigen.
- Quantisierung. Ein Set von Techniken, um kontinuierliche, unendliche Werte auf eine kleinere Menge diskreter, endlicher Werte abzubilden. Mehr dazu in unserem Guide zur LLM-Quantisierung.
- Knowledge Distillation. Übertragung des Wissens eines großen, vortrainierten Modells auf ein kleineres Modell. Details zur LLM-Distillation findest du in unserem separaten Artikel.
2. Erneuerbare Energien nutzen
Eine weitere Antwort auf den bedenklichen CO2-Fußabdruck von KI in Rechenzentren ist die Investition in erneuerbare Energien. Der offensichtliche Vorteil von Solaranlagen, Windkraft oder Wasserkraft: Sie erzeugen Strom ohne CO2-Emissionen.
Große KI-Akteure wie Google, Microsoft und Meta gehören zu den größten Investoren in saubere Energieinfrastruktur. Doch wie Sasha Luccioni, Climate Lead bei Hugging Face, warnt:
Erneuerbare Energien wachsen definitiv. Das Problem ist, dass sie nicht schnell genug wachsen, um mit dem KI-Wachstum Schritt zu halten.
Sasha Luccioni, Climate Lead at Hugging Face
Daher haben sich diese Unternehmen traditionell auf andere Finanzinstrumente gestützt, um ihre Ziele für saubere Energie zu erfüllen, etwa Renewable Energy Certificates (RECs) und CO2-Zertifikate.
3. Cloud-Lösungen einsetzen
Dank Skaleneffekten bieten Cloud-Provider KI-Unternehmen eine deutlich kostengünstigere Möglichkeit, Modelle zu trainieren und bereitzustellen. Das ist gut fürs Budget – denn die Anschaffung eigener Infrastruktur entfällt – und gut fürs Klima.
Hyperscale-Rechenzentren sind speziell auf Effizienz ausgelegt. Sie können energieintensive Prozesse schneller und in großem Maßstab ausführen und so erhebliche Energieeinsparungen erzielen. Gleichzeitig sind sie optimiert, um den Wasserbedarf für Kühlung zu senken.
Mehr über Cloud Computing erfährst du in unserem Understanding Cloud Computing Course.
Nachhaltige KI-Praxis in der Industrie
Richtig eingesetzt kann KI zu unseren stärksten Verbündeten im Kampf gegen die Umweltkrise zählen. Schauen wir uns einige überzeugende Use Cases an, in denen KI nachhaltige Ziele vorangebracht hat.
KI für ökologische Nachhaltigkeit
Die Zahl KI-gestützter Anwendungen zur Bewältigung ökologischer Herausforderungen wächst rasant – von der Überwachung von Emissionen und der Identifikation klimaanfälliger Regionen über mehr Nachhaltigkeit in Lieferketten bis hin zu Precision Farming zur Reduktion von Wasserverbrauch und Bodendegradation.
Hier eine Auswahl interessanter Anwendungen:
Modellierung extremer Wetterereignisse
Wettervorhersage ist eine der ältesten und anspruchsvollsten wissenschaftlichen Disziplinen. KI hilft Meteorologinnen und Meteorologen, Prognosen mit nie dagewesener Genauigkeit zu erstellen – auch für Extremwetter.
Beispielsweise kann GraphCast, ein Deep-Learning-Modell von Google, Zyklonpfade weiter in die Zukunft vorhersagen, atmosphärische Flüsse mit Hochwasserrisiko identifizieren und das Eintreten extremer Temperaturen prognostizieren.
Überwachung von Treibhausgasemissionen (GHG)
Nahezu alle wirtschaftlichen Aktivitäten verursachen THG-Emissionen. Zu wissen, wo, wann, durch wen und wie viel emittiert wird, ist entscheidend, um den Klimawandel besser zu verstehen, wirksame Klimapolitik zu gestalten und Emissions-Hotspots zu identifizieren.
Ein hervorragendes Beispiel für KI-gestütztes Emissions-Tracking ist Climate TRACE, ein Projekt einer gemeinnützigen Koalition, die mithilfe von KI und Fernerkundung Emissionen so präzise wie nie erfasst.
Stromnetze optimieren
Die Modernisierung der Netze ist zentral für die Energiewende. Der Aufstieg erneuerbarer Energien erhöht die Komplexität der Netze: Im Unterschied zu Kraftwerken mit konstanter Leistung produzieren Solar- und Windanlagen wetterbedingt variable Strommengen.
KI kann diese Komplexität bewältigen und Angebot und Nachfrage ausbalancieren. Durch die Analyse großer Datenmengen prognostiziert KI automatisch den Bedarf für den nächsten Tag und findet die kosteneffizienteste Fahrweise für die Energieverteilung.
Materialentdeckung
Grüne Technologien wie Solar- und Windkraft basieren auf anorganischen Materialien. Neue Materialien sind essenziell für technologischen Fortschritt – sei es für neue, umweltfreundlichere Technologien oder effizientere bestehende Lösungen.
KI beschleunigt die Materialentdeckung. Googles KI-Modell GNoME hat jüngst 380.000 stabile Kristalle identifiziert, die Potenzial für grünere Technologien bieten – von besseren Batterien für E-Autos bis zu Supraleitern für effizienteres Computing.
Unternehmerische Verantwortung
Unternehmen aller Branchen nutzen KI, um ihre Nachhaltigkeitsziele zu erreichen. Big Tech ist hier besonders sichtbar – dank enormer KI-Expertise. So nennt Microsoft in seinem AI & Sustainability Playbook fünf Bereiche, in denen KI hilfreich ist:
Quelle: Microsoft
Auch DataCamp arbeitet an einer nachhaltigeren Zukunft. Wir unterstützen lokale und globale Umweltinitiativen mit kostenlosem oder stark vergünstigtem Zugang zu unserer Bildungsplattform. Über DataCamp Donates haben wir mit zahlreichen Organisationen mit Fokus auf den Klimawandel zusammengearbeitet, um ihre Teams weiterzubilden.
Über unsere Plattform können wir die unterschiedlichsten Organisationen und Fachleute dabei unterstützen, positiv auf die Umwelt einzuwirken. Zu unseren Erfolgen zählen NGOs wie CDP und Omenda sowie Unternehmen aus der sauberen Energie wie Drax und SSE.
Ethische Überlegungen zur KI-Entwicklung
Jede Branche muss ihre potenziellen Auswirkungen auf den Planeten bewerten und Wege finden, ihren ökologischen Fußabdruck zu senken. Die KI-Industrie bildet hier keine Ausnahme. Trotz der Versprechen, mit KI Umweltziele voranzubringen, sind zusätzliche Anstrengungen nötig, um die Umweltauswirkungen der Branche zu reduzieren.
Innovation ist erforderlich, um bessere und effizientere Modelle zu entwickeln. Doch das allein reicht nicht. Angesichts der steigenden Umweltkosten von KI braucht es eine ernsthafte, ethische Debatte über Entwicklung und Wachstum der Branche.
Abwägungen bei KI
Zunächst müssen wir die Folgen bewerten, wenn KI-Entwicklung gegenüber anderen gesellschaftlichen Grundbedürfnissen priorisiert wird. Während KI-Akteure umfangreich in saubere Energie für ihre Rechenzentren investieren, wird diese Energie anderen potenziellen Nutzungen entzogen – etwa Heizung oder Stromversorgung für Haushalte mit geringen Ressourcen.
Ebenso ist zu bedenken, dass grüne Technologien stark von kritischen Materialien abhängen – darunter Mineralien, Metalle und Seltene Erden –, die schwer zu finden sind und deren Förderung enorm viel Energie benötigt, mit negativen Folgen für den Planeten.
Während der CO2-Fußabdruck von KI global wirkt, gilt dies nicht für den Wasserfußabdruck. Hier ist der Zielkonflikt offensichtlich: Das Wasser, das ein Rechenzentrum nutzt, fehlt den Anwohnenden und der umliegenden Biodiversität.
Mögliche Rebound-Effekte
Zweitens braucht es mehr Forschung zu möglichen Rebound-Effekten durch KI-Entwicklung. Wie in anderen Sektoren könnte höhere Effizienz insgesamt zu mehr KI-Nutzung führen – und damit die Effizienzgewinne wieder aufzehren.
Zur Veranschaulichung: Laut Goldman Sachs benötigt eine ChatGPT-Abfrage fast zehnmal so viel Strom wie eine Google-Suche. Bei durchschnittlich 10 Millionen Abfragen pro Tag summiert sich das zu einer enormen Energierechnung. Darum sind viele ChatGPT-Versionen kostenpflichtig, und selbst die fortgeschrittensten Versionen haben Tageslimits.
Stell dir nun vor, OpenAI entwickelt eine neuartige neuronale Architektur mit deutlichen Effizienzgewinnen. Angenommen, die neueste ChatGPT-Version braucht nur noch das Fünffache einer Google-Suche. Wahrscheinlich würde OpenAI günstigere Pläne mit weniger Prompt-Limits anbieten – die Nutzerzahlen stiegen.
Das Ergebnis? OpenAI steigert die Gewinne und die Nutzer sind zufrieden, doch die Emissionen könnten am Ende steigen, weil ChatGPT noch populärer und allgegenwärtiger wird – die Effizienzgewinne würden teilweise verpuffen.
KI und die fossile Industrie
Ein weiterer Blick auf mögliche Rebound-Effekte: die engen Verbindungen einiger zentraler KI-Akteure wie Microsoft zur fossilen Industrie. Indem Big Tech Expertise und Zugang zu KI bereitstellt, helfen sie Öl- und Gasunternehmen, Förderung und Produktion zu optimieren und zu steigern – mit zusätzlichen Emissionen und potenziellen Verzögerungen beim Übergang zu erneuerbaren Energien.
Solche Geschäftsbeziehungen sind besorgniserregend und stehen teils im Widerspruch zu globalen Klimaverpflichtungen.
Wie Holly Alpine, ehemalige Senior Program Managerin für Datacenter Community Environmental Sustainability bei Microsoft, in einem aktuellen Artikel betonte:
Während Microsofts öffentliche Aussagen und Berichte die positiven Anwendungen von KI für Nachhaltigkeit hervorheben, verschweigen sie entscheidend, dass ein beträchtlicher Teil des Geschäfts darin besteht, fossilen Unternehmen Technologie zur Produktionssteigerung bereitzustellen.
Holly Alpine, Former Microsoft Senior Program Manager of Datacenter Community Environmental Sustainability