Green AI: KI plus Effizienz, minus Ressourcenverbrauch

Hand aufs Herz: Wie oft haben Sie heute schon KI genutzt?
Inzwischen ist die Technologie aus dem Alltag vieler Menschen kaum noch wegzudenken. Häufig kinderleicht in der Anwendung liefert sie scheinbar mühelos hochqualitative Ergebnisse, die den eigenen Aufwand stark reduzieren. Doch wo ist da der Haken und lässt sich der besagte eingesparte Aufwand messen?
In diesem Blogbeitrag werfen wir einen Blick auf Green AI und die oft vernachlässigten Umweltauswirkungen Künstlicher Intelligenz.

Montagmorgen. Der erste Kaffee steht auf dem Schreibtisch. Bevor der Arbeitstag richtig beginnt, öffnest du deinen KI-Assistenten. Du lässt dir eine E-Mail formulieren, eine Excel-Formel erklären und eine Präsentation strukturieren. Dann erzeugst du mit einer Bild-KI ein überzeugendes Titelbild für die Präsentation. Am Abend planst du mit einem KI-Assistenten den nächsten Urlaub und lässt dir Restaurantempfehlungen zusammenstellen. Nichts davon erscheint besonders außergewöhnlich. Jede einzelne Anfrage dauert nur wenige Sekunden.

Doch nun ein Gedankenexperiment: Stell dir vor, jeder dieser scheinbar kleinen KI-Momente würde irgendwo auf der Welt einen Schalter umlegen. Ein Rechenzentrum startet Prozessoren. Kühlsysteme springen an. Strom wird verbraucht. Wasser wird benötigt, um die entstehende Wärme abzuführen. Millionen spezialisierter Chips arbeiten parallel daran, innerhalb von Sekunden eine Antwort zu erzeugen.

Für eine einzelne Anfrage mag dieser Aufwand gering erscheinen. Doch was passiert, wenn Hunderte Millionen Menschen täglich dasselbe tun?

Künstliche Intelligenz verändert nahezu alle Bereiche unseres Lebens. Gleichzeitig wächst jedoch ihr Bedarf an Rechenleistung und somit Energie. Während die Leistungsfähigkeit moderner KI-Systeme stetig wächst, rückt zunehmend eine Frage in den Vordergrund:

Wie können wir die Vorteile von KI nutzen, ohne dabei die Auswirkungen auf die Umwelt aus dem Blick zu verlieren?

KI hat sich innerhalb weniger Jahre von einer Forschungstechnologie zu einem allgegenwärtigen Werkzeug entwickelt. Weniger sichtbar bleibt jedoch, dass hinter jeder KI-Anfrage leistungsstarke Rechenzentren arbeiten, die enorme Mengen an Energie, aber auch Wasser und andere Rohstoffe wie Silizium, Aluminium, Kupfer, Lithium und Kobalt benötigen. Während die Leistungsfähigkeit aktueller KI-Modelle kontinuierlich wächst, steigt gleichzeitig ihr ökologischer Fußabdruck.

Doch warum werden KI-Systeme überhaupt immer ressourcenintensiver?

Ein wesentlicher Treiber des steigenden Ressourcenbedarfs liegt in der Entwicklung der KI selbst. In der Vergangenheit wurde der Fortschritt vieler KI-Modelle vor allem durch ein Prinzip vorangetrieben: größer ist besser. Mehr Daten und mehr Parameter führen häufig zu einer höheren Leistungsfähigkeit der Modelle, gleichzeitig erhöht sich jedoch der Bedarf an Energie und anderen Ressourcen erheblich.

KI-Systeme verbreiten sich immer weiter und die Zahl ihrer Nutzerinnen und Nutzer wächst kontinuierlich. Dadurch verschiebt sich der Ressourcenverbrauch zunehmend von der Trainings- in die Nutzungsphase.

Der genaue Stromverbrauch einer einzelnen Anfrage hängt dabei von unterschiedlichen Faktoren wie dem verwendeten Modell, der Antwortlänge und der Hardware ab. Aktuelle Analysen schätzen eine typische ChatGPT-Anfrage auf etwa 19 Wh, das sind ca. 63 Google-Anfragen (diese werden auf 0,3 Wh je Anfrage geschätzt). Milliarden täglicher Interaktionen summieren sich zu einem immensen Energiebedarf auf globaler Ebene. Skaliert man die rund 3,2 Milliarden Anfragen pro Tag, ergibt sich ein jährlicher Energiebedarf von ca. 22,15 TWh – zum Vergleich: das allein ist mehr als der Energieverbrauch kleinerer Länder wie Slowenien oder Kenia.

Besonders deutlich wird dies auch bei generativer Bild-KI. Untersuchungen zeigen, dass die Erstellung eines einzelnen KI-generierten Bilds ungefähr so viel Energie benötigen kann wie das vollständige Aufladen eines Smartphones. Für die Erzeugung längerer Videos vervielfacht sich dieser Aufwand nochmals erheblich.

Der exakte Ressourcenbedarf von KI hängt von zahlreichen Faktoren wie dem verwendeten Modell, der Hardware, der Nutzungsintensität und der Energiequelle ab, die Größenordnung zeigt jedoch: Digitale Anwendungen sind keineswegs immateriell.

Die gute Nachricht: Effizienzpotenziale sind enorm

Die steigenden Umweltwirkungen von KI bedeuten nicht zwangsläufig, dass auf KI verzichtet werden muss. Im Gegenteil. Zahlreiche Studien zeigen, dass bereits durch gezielte Optimierungen erhebliche Einsparungen möglich sind. In einigen Anwendungsfällen konnten Energieverbräuche um bis zu 70 Prozent reduziert werden, ohne dass die Qualität der Ergebnisse spürbar abnahm.

Genau hier setzt das Konzept Green AI an. Dabei steht das Ziel im Fokus, KI ressourcenschonender zu entwickeln und zu betreiben, ohne den praktischen Nutzen aus den Augen zu verlieren. Oft wird Green AI ausschließlich als Nachhaltigkeitsthema betrachtet. Tatsächlich reichen die Vorteile jedoch weit darüber hinaus und können sich zu wirtschaftlichen und strategischen Erfolgsfaktoren für Unternehmen entwickeln, die KI langfristig produktiv und verantwortungsvoll einsetzen möchten.

Viele Entscheidungen können schon beim Design der späteren KI-Anwendung antizipiert werden: Nicht jede Aufgabe benötigt ein Milliarden-Parameter-Modell, häufig reichen kleinere, spezialisierte Modelle aus, um eine vergleichbare Ergebnisqualität zu erzielen. Entscheidend ist, nicht nur auf Leistung und Performance zu setzen, sondern auch auf Effizienz. Effizientere KI-Modelle benötigen weniger Rechenleistung und verursachen dadurch geringere Energiekosten. Gleichzeitig können sie auf weniger leistungsfähiger Hardware betrieben werden und werden dadurch auch für Organisationen mit begrenzten Ressourcen zugänglicher. Darüber hinaus können viele Anwendungen direkt auf Smartphones, Maschinen oder Sensoren ausgeführt werden. Das reduziert nicht nur den Energiebedarf, sondern verbessert auch Datenschutz, Kontrolle und Transparenz, da Daten nicht zwangsläufig an Rechenzentren übertragen werden müssen, sondern eine lokale Verarbeitung stattfinden kann.

Transparenz ist hierbei der Schlüssel: Tools, Metriken, Labels und Leaderboards schaffen Vergleichbarkeit und helfen, Optimierungspotenziale zu identifizieren und fundierte Entscheidungen zu treffen. Dies stärkt auch die digitale Souveränität, da weniger Abhängigkeit zu großen Cloud-Anbietern und zentralen Infrastrukturen besteht.

Im Fokus der Diskussion steht also nicht die Frage, ob KI eingesetzt werden sollte, sondern wie sie eingesetzt werden kann, um effizientere und verantwortungsvolle KI-Systeme zu schaffen.Wenn Sie also morgen früh wieder ihren KI-Assistenten öffnen, denken Sie daran: Hinter jeder Anfrage stehen Ressourcen. Aber mit bewussten Entscheidungen und Handlungen können wir dazu beitragen, dass die KI von morgen nicht nur leistungsstark, sondern auch nachhaltig ist.

Leselinks: