StandpunktWarum sparsame KI allein das Energieproblem der KI nicht lösen wird

Entwicklung, Training und Einsatz großer Sprachmodelle (LLMs) sind ein energieintensiver Prozess, der enorme Mengen an Rechenleistung erfordert. Da der weit verbreitete Einsatz von KI zu einem sprunghaften Anstieg des Stromverbrauchs von Rechenzentren führt, prognostiziert die Internationale Energieagentur, dass sich der KI-bedingte Energiebedarf bis 2026 verdoppeln wird.

Schon jetzt sind Rechenzentren für 1 bis 2 Prozent des weltweiten Energieverbrauchs verantwortlich – das entspricht in etwa dem der gesamten Luftfahrtbranche. In Irland entfielen auf Rechenzentren 2023 satte 21% des gesamten Stromverbrauchs. Da Industrie und Bürger zur Reduzierung der Treibhausgasemissionen zunehmend auf Strom umstellen, stellt die steigende KI-Nachfrage eine enorme Belastung für Stromnetze und Energiemarkt dar. Es überrascht daher nicht, dass der irische Netzbetreiber EirGrid bis 2028 ein Moratorium für den Bau neuer Rechenzentren in Dublin verhängt hat. Länder wie Deutschland, Singapur und China haben ebenfalls Beschränkungen für neue Rechenzentrumsprojekte verhängt.

Um die Auswirkungen neuer Technologien auf die Umwelt zu verringern, hat die Technologiebranche begonnen, das Konzept der sparsamen KI zu fördern. Dabei geht es darum, das Bewusstsein für den CO₂-Fußabdruck der KI zu schärfen und die Endnutzer – Wissenschaftler und Unternehmen – zu ermutigen, das energieeffizienteste Modell für die jeweilige Aufgabe auszuwählen.

Doch während die Bemühungen um einen bewussteren Umgang mit KI nützlich sind, übersieht die ausschließliche Konzentration auf das Nutzerverhalten eine entscheidende Tatsache: Hauptverantwortlich für den Energieverbrauch der KI sind die Anbieter. Den größten Einfluss auf den CO₂-Fußabdruck der KI haben derzeit Faktoren wie Modellarchitektur, Effizienz des Rechenzentrums und strombezogene Emissionen. Und mit Weiterentwicklung der Technologie wird der einzelne Nutzer noch weniger Einfluss auf die Nachhaltigkeit haben, zumal KI-Modelle zunehmend in größere Anwendungen eingebettet werden, was es den Endnutzern erschwert, zu erkennen, welche Aktionen ressourcenintensive Prozesse auslösen.

Zusätzlich verschärft werden diese Herausforderungen durch das Aufkommen der agentenbasierten KI – unabhängiger Systeme, die zur Lösung komplexer Probleme zusammenarbeiten. Während Experten dies als „das nächste große Ding“ in der KI-Entwicklung ansehen, erfordern derartige Interaktionen sogar mehr Rechenleistung als die fortschrittlichsten heutigen LLMs, was die Auswirkungen der Technologie auf die Umwelt potenziell noch verschärft.

Darüber hinaus ist es angesichts der mangelnden Transparenz der Branche kontraproduktiv, die Verantwortung für die Verringerung des CO₂-Fußabdrucks der KI auf die Nutzer zu verlagern. Die meisten Cloud-Anbieter legen die Emissionsdaten speziell für generative KI bisher nicht transparent offen, was es schwierig macht, die Umweltauswirkungen ihrer KI-Nutzung zu beurteilen.

Ein effektiverer Ansatz wäre es, wenn die KI-Anbieter den Verbrauchern detaillierte Emissionsdaten zur Verfügung stellen würden. Mehr Transparenz würde die Nutzer in die Lage versetzen, fundierte Entscheidungen zu treffen, und zugleich die Anbieter zur Entwicklung energieeffizienterer Technologien ermutigen. Durch Zugriff auf Emissionsdaten könnten die Verbraucher KI-Anwendungen vergleichen und für die jeweilige Aufgabe dann das energieeffizienteste Modell auswählen. Auch Unternehmen könnten sich leichter für eine traditionelle IT-Lösung als für ein energieintensives generatives KI-System entscheiden, wenn die Gesamtauswirkungen von Anfang an klar wären. Indem sie zusammenarbeiten, könnten KI-Unternehmen und Verbraucher die potenziellen Vorteile der KI und ihre ökologischen Kosten miteinander ins Gleichgewicht bringen.

Sicherlich kann eine sparsame KI zu gewissen Effizienzgewinnen führen. Aber das Kernproblem des unersättlichen Energiebedarfs der KI wird dadurch nicht gelöst. Durch mehr Transparenz beim Energieverbrauch, die Weitergabe umfassender Emissionsdaten und die Entwicklung standardisierter Kennzahlen für KI-Modelle könnten Unternehmen ihren Kunden helfen, ihr Kohlenstoffbudget zu optimieren und nachhaltigere Praktiken einzuführen.

Die Automobilindustrie bietet ein nützliches Modell für mehr Energietransparenz bei der KI-Entwicklung. Durch Ausweis der Energieeffizienz ihrer Fahrzeuge ermöglichen die Automobilhersteller es den Käufern, eine nachhaltigere Wahl zu treffen. Die Anbieter generativer KI könnten einen ähnlichen Ansatz verfolgen und standardisierte Kennzahlen zur Erfassung der Umweltauswirkungen ihrer Modelle einführen. Eine derartige Kennzahl könnte der Stromverbrauch pro Token sein, der die Energiemenge angibt, die ein KI-Modell zur Verarbeitung einer einzelnen Texteinheit benötigt.

So wie Autokäufer anhand von Normen für die Kraftstoffeffizienz verschiedene Modelle vergleichen und die Hersteller in die Verantwortung nehmen können, benötigen Unternehmen und Privatanwender zuverlässige Instrumente zur Bewertung der Umweltauswirkungen von KI-Modellen, bevor sie diese einsetzen. Durch Einführung transparenter Kennzahlen könnten die Technologieunternehmen nicht nur die Branche in Richtung nachhaltigerer Innovationen lenken, sondern zugleich sicherstellen, dass die KI zur Bekämpfung des Klimawandels beiträgt, statt ihn zu verstärken.

Aus dem Englischen von Jan Doolan

Copyright: Project Syndicate, 2025. www.project-syndicate.org