Künstliche Intelligenz kann einem Unternehmen dabei helfen, weniger Energie zu verbrauchen, Verschwendung zu reduzieren und die ESG-Berichterstattung weniger manuell zu gestalten. Doch wer KI-Produkte entwickelt, kennt auch die Kehrseite der Medaille: Jedes Modell läuft auf energieintensiver Infrastruktur, jeder API-Aufruf verursacht Rechenkosten, und der Rechenbedarf nimmt weiter zu.
Aus diesem Grund sollte Nachhaltigkeit im Zusammenhang mit künstlicher Intelligenz weder als Schlagwort noch als Schuld, die es zu sühnen gilt, behandelt werden. Sie muss als operatives Problem angegangen werden. In Italien hat sich die Debatte mittlerweile um zwei konkrete Konzepte herum strukturiert: „Sustainability of AI “ und „AI for Sustainability“. Das erste betrifft den ökologischen Fußabdruck der KI selbst. Das zweite betrifft den Einsatz von KI zur Verbesserung von Prozessen, Verbrauchsmustern und Umwelt-Governance. In diesem Zusammenhang hat sich der durch KI unterstützte Anteil der ESG-Berichterstattung laut dieser Analyse zur Nachhaltigkeit künstlicher Intelligenz und ESG-Governance „im letzten Jahr fast verdreifacht“.
Als Gründer eines KI-Unternehmens halte ich sowohl automatische Panikmache als auch trägen Techno-Optimismus für wenig sinnvoll. Es geht nicht darum, zu entscheiden, ob KI „gut“ oder „schlecht“ für die Umwelt ist. Es geht darum zu verstehen , wo sie Ressourcen verbraucht, wann sie echten Mehrwert schafft und welche konkreten Entscheidungen die Auswirkungen verringern, ohne den Nutzen zu beeinträchtigen.
Die Diskussion über Nachhaltigkeit und künstliche Intelligenz ist reifer geworden. Endlich. Nicht, weil das Problem gelöst wäre, sondern weil es unmöglich geworden ist, es auf eine Floskel zu reduzieren.
Einerseits hilft KI Unternehmen und Anlagen dabei, Energie effizienter zu nutzen, Verschwendung zu reduzieren und die ESG-Berichterstattung zu optimieren. Andererseits erfordern diese Systeme Rechenleistung, Rechenzentren, Kühlsysteme, Netzwerke und Hardwarekomponenten, die mit realen Umweltkosten verbunden sind. Wer nur eine der beiden Seiten betrachtet, trifft eine falsche Entscheidung.
Die beiden Kategorien, die ich am häufigsten verwende, sind diejenigen, die mittlerweile auch im italienischen Kontext weit verbreitet sind:
Der Unterschied ist nicht rein theoretischer Natur. Er zwingt dich dazu, zwei unterschiedliche Fragen zu stellen. Die erste lautet: Wie viel wiegt mein KI-Stack? Die zweite lautet: Bringt dieses Gewicht einen ökologischen oder betrieblichen Nutzen mit sich, der konkret genug ist, um es zu rechtfertigen?
Die richtige Frage lautet nicht: „KI einsetzen oder nicht?“. Die richtige Frage lautet: „Wird für diese Aufgabe wirklich diese Rechenleistung benötigt?“
Der Fehler, den ich am häufigsten beobachte, ist kein technischer. Er liegt in der Entscheidungsfindung. Viele Unternehmen setzen KI so ein, als müsse die gesamte verfügbare Rechenleistung stets voll ausgeschöpft werden. In der Praxis wählen sie das größte Modell, den komplexesten Workflow und die umfassendste Automatisierung – selbst wenn das Problem eigentlich viel einfacher war.
Tatsächlich basiert eine nachhaltige Strategie auf einem weniger spektakulären Prinzip: der Verhältnismäßigkeit. Wenn eine Aufgabe mit weniger Rechenaufwand, weniger Datentransfer und weniger Komplexität gut ausgeführt werden kann, ist das kein Verzicht. Es ist eine bessere Entscheidung.
Der nützlichste Teil der Diskussion beginnt, wenn man aufhört, abstrakt zu reden. Die Umweltauswirkungen der KI sind keine Frage der Meinung. Es handelt sich um ein infrastrukturelles Thema, bei dem die Zahlen bereits so eindeutig sind, dass sie zur Vorsicht mahnen.
Eine italienische Quelle, die sich auf internationale Daten stützt, berichtet, dass eine Studie der University of Massachusetts aus dem Jahr 2019 geschätzt hat, dass das Training eines einzelnen KI-Modells über 284 Tonnen CO₂ verursachen kann – was den Emissionen von fünf Autos über deren gesamten Lebenszyklus entspricht. Dieselbe Quelle berichtet, dass die Entwicklung von ChatGPT-3 etwa 1.287 MWh Strom benötigt habe, was dem Jahresverbrauch von etwa 120 bis 130 durchschnittlichen US-Haushalten entspricht, und verweist zudem auf eine Prognose von Goldman Sachs Research, wonach der Strombedarf von Rechenzentren um 160 % steigen könnte, was einem Anstieg von etwa 200 TWh pro Jahr zwischen 2023 und 2030 entspricht, während der KI-bezogene Verbrauch bis 2028 19 % des gesamten Energiebedarfs von Rechenzentren ausmachen könnte. Alle diese Daten sind in dieser italienischen Analyse zu den Umweltkosten der KI aufgeführt.
Es geht nicht darum, diese Zahlen für Panikmache zu nutzen. Es geht darum, das Ausmaß zu verstehen. Wenn Sie KI entwickeln oder einsetzen, tragen Sie zu einem Anstieg des Energiebedarfs bei, der ganze Infrastrukturen betrifft – nicht nur Ihr Cloud-Budget.
Faustregel: Wenn Sie ein KI-Projekt bewerten, sollten Sie über die Kosten pro Token oder pro API-Aufruf hinausblicken. Das eigentliche Problem liegt oft weiter oben in der Infrastruktur, die diesen Aufruf erst ermöglicht.
Viele glauben, dass die Umweltbelastung durch KI fast ausschließlich auf das Training zurückzuführen ist. Das ist eine bequeme, aber falsche Vereinfachung. Der Verbrauch verteilt sich auf mehrere Ebenen:
| Komponente | Warum es wichtig ist |
|---|---|
| Training | Erfordert große Mengen an konzentrierter Rechenleistung |
| Schlussfolgerung | Jede Benutzeranfrage verursacht im Laufe der Zeit wiederkehrende Arbeit |
| Rechenzentrum | Stromversorgung, Redundanz und kontinuierliche Verwaltung der Infrastruktur |
| Kühlung | Die von den Anlagen erzeugte Wärme muss effizient abgeführt werden |
| Netzwerke und Datenübertragung | Der Datentransfer zwischen Systemen, Regionen und Diensten ist mit Energieaufwand verbunden |
Dies verändert die Herangehensweise an das Thema Nachhaltigkeit im Bereich der künstlichen Intelligenz. Es reicht nicht aus, sich zu fragen: „Wie viel Energie verbraucht das Modell?“ Man muss sich auch fragen, wo es läuft, wie viel Datenverkehr es erzeugt, wie oft es abgefragt wird und ob die Architektur so konzipiert wurde, dass Verschwendung vermieden wird.
Deshalb ist es sinnvoll, auch Fälle zu betrachten, in denen KI zur Verbesserung der eigenen Infrastruktur eingesetzt wird. Ein anschauliches Beispiel ist dieEnergieoptimierung von Rechenzentren mithilfe von KI, die eine einfache Tatsache deutlich macht: Das Problem ist nicht nur das Modell, sondern die gesamte technische Umgebung, auf der es basiert.
Wenn man sich nur auf die Kosten konzentriert, verpasst man die Hälfte des Gesamtbildes. KI kann auch ein wichtiger Hebel zur Verbesserung der unternehmerischen Nachhaltigkeit sein. Nicht im rhetorischen Sinne, sondern in ganz konkreten Prozessen.
Im italienischen Kontext kann KI, wenn sie in Energiemanagementsystemen eingesetzt wird, den Betriebsverbrauch in Industrieanlagen und KMU senken, indem sie Nachfragespitzen vorhersagt und Lasten wie HLK-Anlagen und Beleuchtung in Echtzeit regelt. Dies wirkt sich direkt auf die Scope-2-Emissionen aus und trägt dazu bei, die Nutzung intermittierender erneuerbarer Energiequellen zu optimieren, wie in diesem Artikel über Energiemanagementsysteme mit KI beschrieben.
Das ist die Art von Anwendung, die ich auch aus ökologischer Sicht für vertretbar halte. Nicht, weil sie kostenlos ist, sondern weil sie durch Berechnungen ständige physische Verschwendung verhindert. In einer Anlage mit schwankendem Bedarf kann die Echtzeitregelung von Lüftung, Klimatisierung oder Beleuchtung mehr wert sein als tausend Folien zum Thema „grüner Wandel“.
Drei Bereiche, in denen KI besonders nützlich sein kann, sind folgende:
Für ein KMU liegt der Nutzen oft nicht in einem spektakulären Modell. Er ergibt sich vielmehr aus einem System, das Doppelarbeit vermeidet: manuelle Exporte, zahlreiche Excel-Tabellen, mehrfach versendete Anhänge, Abgleiche derselben Daten durch verschiedene Personen. All dies kostet Zeit, Rechenleistung, Bandbreite und Aufmerksamkeit.
Ein Prozess, der fünfmal von verschiedenen Personen wiederholt wird, ist nicht nur aus organisatorischer, sondern auch aus ökologischer Sicht ineffizient.
Wenn KI Daten zentralisiert, sich wiederholende Schritte automatisiert und Analysen wiederverwendbar macht, liegt der Nutzen nicht in der einzelnen Schlussfolgerung. Er liegt in der Beseitigung von Redundanzen.
Für alle, die im Bereich Berichterstattung tätig sind, ist ELECTE für die ESG-Berichterstattung ein anschauliches Beispiel für dieses Problem. Es verdeutlicht, wie Automatisierung manuelle Arbeitsschritte und Informationsverlust reduzieren kann, ohne jede Aufgabe in ein komplexes IT-Projekt zu verwandeln.
Erfreulich ist, dass die Branche nicht stillsteht. Die KI verursacht zwar das Problem, treibt aber auch Innovationen voran, die darauf abzielen, ihren Energieverbrauch zu senken. Man sollte jedoch ehrlich sein: Es gibt keine Einzellösung.
Ein vielversprechender Ansatz ist die Fokussierung auf Vernetzung und die Effizienz der Infrastruktur. Wenn Rechensysteme auf Daten warten, wird die installierte Rechenleistung nicht optimal genutzt. Dies ist einer der Gründe, warum Hardware der neuen Generation nicht nur unter dem Gesichtspunkt der Leistung, sondern auch unter dem der Effizienz betrachtet werden sollte.
In der Technologiedebatte kursieren Vorschläge, die sich mit photonischen Verbindungen, einer besseren Datenübertragung und geringerem Energieverlust befassen. Für diejenigen, die Cloud-Dienste und keine Chips erwerben, geht es in der Praxis jedoch um etwas anderes: um die Wahl von Stacks, die mehr nützliche Arbeit mit weniger Wartezeiten, weniger Datenverkehr und weniger Overhead leisten.
Diese Logik lässt sich auch über den engen Bereich der KI hinaus anwenden. Wer sich allgemeiner mit weniger ressourcenverschwendenden Produktionsmodellen auseinandersetzen möchte, kann in diesen Praktiken der nachhaltigen Wirtschaft nützliche Anregungen finden, insbesondere um digitale Effizienz und die Reduzierung von Materialverschwendung in den Prozessen miteinander zu verknüpfen.
Was die Software angeht, sind die interessantesten Hebel oft weniger glamourös, dafür aber umso unmittelbarer:
Meiner Erfahrung nach war dies die Entscheidung mit der größten Wirkung. Die wirksamste Veränderung bestand nicht darin, eine futuristische Technologie einzuführen, sondern darin, nicht mehr für alles das leistungsstärkste Modell zu verwenden. Klassifizierung, Formatierung, das Erkennen bekannter Muster und viele unterstützende Vorgänge erfordern nicht immer ein Spitzenmodell. Sie erfordern architektonische Disziplin.
Wenn das Ergebnis für den Nutzer dasselbe bleibt, ist ein geringerer Rechenaufwand kein Kompromiss. Es ist einfach besseres Design.
Deshalb spreche ich oft vom „richtigen Modell für die richtige Aufgabe“. In der Praxis bedeutet das, eine Routing-Ebene zu schaffen, die jeden Vorgang der erforderlichen Leistungsstufe zuordnet. Das ist eine Frage der Kosten, aber auch der Nachhaltigkeit.
Wer sich näher mit dem Zusammenhang zwischen technischen Lösungen und Umweltauswirkungen befassen möchte, kann auch den ELECTE-Beitrag zum Thema KI und Umwelt lesen, in dem verschiedene Fallbeispiele und Entwicklungsrichtungen vorgestellt werden, ohne diese als Wundermittel darzustellen.
Der wichtigste Einwand ist zugleich auch der unbequemste: Eine Steigerung der Effizienz der KI garantiert nicht automatisch eine Senkung des Gesamtverbrauchs. Im Gegenteil, manchmal ist sogar das Gegenteil der Fall.
Wenn das Rechnen kostengünstiger, zugänglicher und schneller wird, neigen Unternehmen dazu, es verstärkt zu nutzen. Mehr Automatisierungen, mehr Anfragen, mehr Integrationen, mehr Prozesse – „weil es ja so wenig kostet“. Das ist der Kern des Effizienzparadoxons.
Aus diesem Grund darf Nachhaltigkeit im Bereich der künstlichen Intelligenz nicht nur eine Frage besserer Chips oder kompakterer Modelle sein. Sie muss zu einem vorrangigen Kriterium werden. Vor jeder Implementierung sollten einige Fragen gestellt werden:
Eine der offensichtlichsten Lücken in der italienischen Debatte ist genau diese: das Fehlen standardisierter Messgrößen und eines ganzheitlichen Ansatzes zur Messung des Fußabdrucks der KI über den gesamten Lebenszyklus hinweg – ein Thema, das in dieser systemischen Perspektive zur Nachhaltigkeit der künstlichen Intelligenz hervorgehoben wird.
Das Problem besteht also nicht darin, Innovationen zu bremsen. Es geht vielmehr darum, Rechenleistung nicht länger als kostenlose und unerschöpfliche Ressource zu betrachten. Jede Organisation sollte damit genauso umgehen wie mit ihrem Budget oder der Arbeitszeit ihrer Mitarbeiter: als etwas, das dort eingesetzt werden muss, wo es tatsächlich einen Mehrwert schafft.
Für ein KMU hat es wenig Sinn, über Nachhaltigkeit zu sprechen, ohne einen konkreten Aktionsplan zu haben. Es empfiehlt sich, mit vier Entscheidungen zu beginnen, die sofort getroffen werden können – auch ohne eine perfekte Erfassung des ökologischen Fußabdrucks.
Eine italienische Quelle stellt fest, dass viele Diskussionen über die Nachhaltigkeit der KI den Kosten-Nutzen-Kompromiss außer Acht lassen, während Rechenzentren bereits etwa 3 % des weltweiten Energieverbrauchs ausmachen. Die oft unterschätzte Frage lautet: Wann ist es sinnvoller, ein kleineres Modell oder einen herkömmlichen Prozess zu verwenden, um einen untragbaren Anstieg des Verbrauchs und der Kosten zu vermeiden? Dieser Punkt wird in diesem Artikel über den ökologischen Kompromiss der KI gut zusammengefasst.
Wähle das Modell, das dem Problem angemessen ist
Dies ist der Hebel mit dem besten Verhältnis zwischen Einfachheit und Wirkung. Verwende das leistungsstärkste Modell nicht als Standard. Setze es nur dort ein, wo es einen echten Unterschied macht. Für viele alltägliche Aufgaben reichen einfachere Modelle oder nicht-generative Systeme aus.
Bewerten Sie den Cloud-Anbieter auch hinsichtlich seines Energieverbrauchs
Achten Sie nicht nur auf Preis, Latenz und Compliance. Achten Sie auch auf Transparenz hinsichtlich der Rechenzentren, des regionalen Energiemixes und des Ansatzes zur betrieblichen Effizienz. Die geografische Lage spielt eine Rolle. Eine Workload hinterlässt nicht in jeder Region denselben ökologischen Fußabdruck.
Reduzieren Sie Redundanzen in den Arbeitsabläufen
Wenn dieselben Daten mehrfach exportiert, kopiert, neu formatiert und erneut versendet werden, verschwenden Sie Ressourcen, noch bevor man überhaupt von KI sprechen kann. Eine Plattform wie ELECTE, eine KI-gestützte Datenanalyseplattform für KMU, kann genutzt werden, um Daten zu zentralisieren, Berichte zu automatisieren und doppelte Analysen zu reduzieren. Der Vorteil besteht in diesem Zusammenhang nicht darin, „mehr KI einzusetzen“, sondern darin, weniger unnötige Arbeit zu leisten.
Messe, auch wenn es nicht perfekt ist
Nicht alle Unternehmen verfügen über Instrumente, um den Stromverbrauch (kWh) oder die CO₂-Emissionen pro einzelnen Vorgang zu messen. Das ist in Ordnung. Beginnen Sie mit betrieblichen Kennzahlen, die Ihnen bereits zur Verfügung stehen.
Da es keinen wirklich etablierten Branchenstandard gibt, würde ich mit einer einfachen Tabelle beginnen:
| Operative Kennzahl | Was sagt dir das? |
|---|---|
| API-Aufruf bei abgeschlossener Aufgabe | Wenn du zu viel Arbeit investierst, um ein Ergebnis zu erzielen |
| Durchschnittliche Modellgröße pro Vorgang | Wenn du die Aufgaben zu groß ansetzt |
| Pro Sitzung übertragene Datenmenge | Wenn dein Arbeitsablauf vermeidbaren Datenverkehr verursacht |
| Erstellte, aber nicht verwendete Analysen | Wenn du Ausgaben automatisierst, die niemand liest |
Eine ungenaue, aber konsistente Messung ist besser als gar keine Messung.
Wenn du nach drei Monaten feststellst, dass die Anzahl der Aufrufe pro Aufgabe sinkt, dass große Modelle seltener aktiviert werden und dass der Datentransfer geringer ausfällt, hast du noch keine perfekte CO₂-Bilanzierung erreicht. Du verfügst jedoch über etwas sehr Nützliches: eine Effizienzstrategie, die Rechenverschwendung, Kosten und wahrscheinlich auch die Umweltbelastung reduziert.
Die Nachhaltigkeit der künstlichen Intelligenz lässt sich nicht mit einem Slogan lösen. Auch nicht mit einer ideologischen Ablehnung der KI. Sie entsteht durch bessere technische und betriebswirtschaftliche Entscheidungen.
Wer heute KI einsetzt, muss zwei Tatsachen im Blick behalten. Erstens: Die Umweltbelastung ist real, nimmt zu und darf nicht heruntergespielt werden. Zweitens: KI kann konkrete Vorteile bringen, wenn sie Verschwendung reduziert, die Energienutzung verbessert und repetitive, unkoordinierte Prozesse durch intelligentere Systeme ersetzt. Die Qualität der Entscheidung hängt vom Verhältnis zwischen diesen beiden Aspekten ab.
Für europäische Unternehmen gibt es zudem eine zweite Ebene der Verantwortung. Es reicht nicht aus, die Vorschriften einzuhalten. Man muss verstehen, wie Technologie, Infrastruktur, Governance und geistiges Eigentum miteinander verflochten sind. Zu diesem letzten Punkt empfehle ich allen, die sich eingehender mit dem rechtlichen Rahmen der KI-Einführung befassen möchten, diesen Leitfaden zu Patenten im Bereich der künstlichen Intelligenz, der dabei hilft, technologische Nachhaltigkeit auch als langfristige strategische Entscheidung zu betrachten.
Der richtige Weg besteht nicht darin, insgesamt weniger KI einzusetzen. Es geht darum , die richtige KI am richtigen Ort und mit der richtigen Leistungsstärke einzusetzen.
Wenn Sie KI effizienter und bewusster einsetzen möchten, können Sie sich ansehen, wie ELECTE funktioniert. Die Plattform hilft KMU dabei, Daten zu zentralisieren, Berichte zu automatisieren und redundante Analysearbeiten zu reduzieren – mit einem pragmatischen Ansatz bei der Modellauswahl und der operativen Effizienz.
.svg)
.svg)
.svg)
.webp)