Das Jevons-Paradox: Warum effizientere KI mehr Strom verbrauchen kann

Kurz gesagt: Das Jevons-Paradox beschreibt, dass Effizienz den Verbrauch nicht senken muss – sie macht eine Sache billiger, und dann wird mehr davon genutzt. Bei KI sinkt die Energie pro Anfrage deutlich, der Stromverbrauch der Rechenzentren steigt trotzdem. Ob Effizienz dabei tatsächlich mehr Verbrauch auslöst oder nur einen Teil der Einsparung wieder auffrisst, ist für KI nicht gemessen. Belegt ist nur: „effizienter“ heißt nicht automatisch „weniger Strom insgesamt“.

Ein Alltagsbeispiel macht die Idee greifbar: Wer auf LED-Lampen umsteigt, lässt das Licht im Flur vielleicht einfach brennen, weil es ja „nichts mehr kostet“ – und hängt zusätzlich eine Lichterkette auf. Die Ersparnis ist dann kleiner als auf dem Papier. Genau diese Lücke zwischen erwarteter und tatsächlicher Einsparung ist das Thema dieses Artikels. Wo der Strom bei KI überhaupt hingeht, steht in Warum braucht KI so viel Energie?; hier geht es um die Frage, warum Effizienz allein das Problem nicht löst.

Woher die Idee stammt: Kohle im 19. Jahrhundert #

Der britische Ökonom William Stanley Jevons fragte in seinem Buch „The Coal Question“, wie lange Großbritanniens Kohle reichen würde. Viele Zeitgenossen setzten auf sparsamere Dampfmaschinen. Jevons hielt dagegen, im Kapitel „Of the Economy of Fuel“ unmissverständlich: „It is wholly a confusion of ideas to suppose that the economical use of fuel is equivalent to a diminished consumption. The very contrary is the truth.“Belegt

Sein Argument: Wenn eine Maschine mit weniger Kohle dieselbe Arbeit leistet, wird Arbeit aus Kohle billiger. Dann lohnt sich Dampfkraft für Betriebe, die sie vorher nicht bezahlen konnten, und bestehende Betriebe bauen aus. Neue Formen der Sparsamkeit führen laut Jevons zu einem höheren VerbrauchBelegt. Das Buch erschien 1865; die hier verlinkte Online-Fassung ist die überarbeitete zweite Auflage von 1866.

Wichtig für die heutige Debatte: Jevons hat eine These über eine Volkswirtschaft im Aufbruch formuliert, keine Messreihe. Ob sie stimmt, ist bis heute umstritten.

Der Rebound-Effekt: das Paradox in Prozent #

Die Energieökonomie nennt das Phänomen heute Rebound-Effekt (etwa „Rückprall“). Die gängige Definition misst ihn an der erwarteten Einsparung: Ein Rebound von 20 % bedeutet, dass nur 80 % der erwarteten Energieeinsparung tatsächlich eintretenBelegt. Als Formel:

Rebound = 1 − tatsächliche Einsparung ÷ erwartete Einsparung

Der Bericht des UK Energy Research Centre (UKERC) von 2007, eine breit angelegte Auswertung der damaligen Studienlage, unterscheidet zwei Mechanismen:

• Direkter Rebound: Die effizientere Sache selbst wird mehr genutzt. Wer ein sparsameres Auto fährt, fährt womöglich mehr; eine Fabrik, die weniger Energie pro Stück braucht, produziert mehr.
• Indirekter Rebound: Das gesparte Geld fließt in anderen Energieverbrauch – im Beispiel des Berichts etwa in eine Flugreise. Dazu kommt, dass sinkende Nachfrage die Energiepreise drückt, was wiederum Verbrauch anregt.

Beides zusammen ergibt den gesamtwirtschaftlichen Rebound; liegt er über 100 %, steigt der Verbrauch unterm Strich, was die Literatur „Backfire“ nenntBelegt. Das Jevons-Paradox ist also der Sonderfall Backfire – nicht jeder Rebound.

Wie groß ist der Rebound – und wann wird er zum Backfire? #

Hier lohnt der nüchterne Blick, weil in KI-Debatten oft stillschweigend angenommen wird, Effizienz werde immer vollständig aufgefressen. Die Energieforschung sieht das differenzierter:

• Für Heizen, Kühlen und Autofahren in Industrieländern schätzt der UKERC-Bericht den direkten Rebound auf meist unter 30 %, beim Verkehr eher nahe 10 %Belegt. Effizienz spart dort also den größten Teil dessen, was sie verspricht.
• Gesamtwirtschaftlich hält der Bericht Rebound-Effekte von mindestens 10 % für wahrscheinlich und in manchen Fällen über 50 % für möglich; bei „durchdringenden“ Technologien wie Dampfmaschine und Elektromotor gibt es Hinweise auf Backfire in der VergangenheitBelegt.
• Steve Sorrell kommt in seiner Übersichtsarbeit zum Jevons-Paradox zu dem Schluss, dass die Belege dafür „far from conclusive“ sind – aber dass gesamtwirtschaftliche Rebound-Effekte größer sind als üblicherweise angenommenBelegt. Das Paradox sei zudem sehr schwer empirisch zu prüfen.

Was die Größe bestimmt, lässt sich aus der Theorie ableiten. Für KI ist davon nichts gemessen, deshalb hier ausdrücklich als Denkmodell:

• Preiselastizität: Wie stark reagiert die Nutzung, wenn der Preis sinkt? Wer sowieso schon so viel heizt, wie er möchte, heizt bei billigerer Wärme kaum mehr. Wo Bedarf noch nicht gesättigt ist, kann die Reaktion stark sein.
• Neue Anwendungen: Der größte Hebel sind Dinge, die sich vorher gar nicht lohnten – bei Jevons die neuen Dampfmaschinen-Betriebe.
• Energieanteil an den Kosten: Direkte Rebound-Effekte sind laut UKERC tendenziell kleiner, wenn Energie nur einen kleinen Teil der Gesamtkosten ausmachtBelegt.

Übertragen auf KI: was man beobachten kann #

Bei KI ist eine Hälfte der Geschichte gut dokumentiert, die andere nicht.

Pro Anfrage wird es effizienter. Google gibt an, der Energiebedarf eines mittleren Text-Prompts in den Gemini-Apps sei innerhalb eines Jahres um den Faktor 33 gesunkenHerstellerangabe – eine Herstellerangabe, die im Energie-Artikel eingeordnet ist. Unabhängig davon werden KI-Antworten billiger: Epoch AI hat ausgewertet, wie schnell der Preis sinkt, um ein festes Leistungsniveau auf Benchmarks zu erreichen – je nach Aufgabe um das 9- bis 900-Fache pro JahrBelegt. Epoch weist selbst darauf hin, dass die schnellsten Rückgänge jüngst passierten und offen ist, ob sie anhalten. Und: Preise sind nicht dasselbe wie Energie, aber genau der Preis ist der Hebel, über den ein Rebound wirkt.

Insgesamt wächst der Verbrauch. Laut IEA wuchs der Stromverbrauch der Rechenzentren seit 2017 um rund 12 % pro Jahr und soll sich bis 2030 auf rund 945 TWh mehr als verdoppelnBelegt.

Beides gleichzeitig ist genau das Muster, das man bei einem Rebound erwarten würde. Ein Beweis ist es nicht. Um einen Rebound zu messen, bräuchte man die Gegenwelt: Wie viel Strom würde KI verbrauchen, wenn es die Effizienzgewinne nicht gegeben hätte? Das Wachstum kann ebenso von neuen Fähigkeiten, Investitionsentscheidungen oder Marketing kommen.

Was Luccioni, Strubell und Crawford argumentieren #

Die ausführlichste Anwendung des Paradoxes auf KI stammt von der KI-Forscherin Sasha Luccioni, der Informatikerin Emma Strubell und der Forscherin Kate Crawford. Ihr Kernpunkt: Rebound-Effekte untergraben die Annahme, dass bessere technische Effizienz allein zu weniger Umweltbelastung führtTheorie. Wie sich KI auswirkt, hänge ebenso an Geschäftsanreizen, Regulierung und sozialen Normen.

Als Hinweise nennen sie unter anderem: Trotz effizienterer Hardware lieferte NVIDIA 2024 laut den Autorinnen 3,7 Millionen GPUs aus, über eine Million mehr als 2023Belegt. Dazu kommen indirekte Effekte, die über den Stromzähler hinausgehen – etwa neue KI-Funktionen, die neuere Smartphones voraussetzen, oder KI-gestützte Werbung, die zusätzlichen Konsum anregen soll.

Bemerkenswert ist, wie vorsichtig die Arbeit selbst bleibt: Die Autorinnen schreiben, die Anwendung des Jevons-Paradoxes auf Technologien wie KI habe „notable conceptual and empirical limitations“Belegt, und berufen sich dabei auch auf Sorrells Kritik. Ihre Forderung ist deshalb nicht „Effizienz bringt nichts“, sondern: mehr offengelegte Verbrauchsdaten, Lebenszyklus- Analysen, die auch indirekte Effekte erfassen, und Regulierung, die Berichtspflichten vorschreibt.

Reality Check #

Stand September 2026:

• Belegt: Der Rebound-Effekt ist in der Energieökonomie gut beschrieben; für viele Alltagsbereiche liegt der direkte Rebound deutlich unter 100 %. Backfire ist möglich, aber nicht die Regel.
• Beobachtet, aber nicht kausal zugeordnet: Bei KI sinken Preise und (laut Hersteller) Energie pro Anfrage, während der Gesamtverbrauch der Rechenzentren steigt.
• Theorie: Dass Effizienzgewinne bei KI einen Rebound oder gar Backfire auslösen. Plausibel, aber nicht gemessen – es fehlen Verbrauchsdaten der großen Anbieter und jede Gegenrechnung.
• Offen: wie groß der Rebound bei KI ist und ob er beim Training, bei der Nutzung oder über ganz neue Anwendungen entsteht. Zum Verhältnis der beiden Posten: Training oder Inferenz: Was kostet langfristig mehr Energie?.

Neue Hardware-Architekturen, wie sie Was kommt nach CPU und GPU? sammelt, versprechen Effizienz pro Rechenschritt. Das Jevons-Paradox erinnert daran, dass damit noch nichts über den Gesamtverbrauch gesagt ist.

Was heißt das fürs eigene Homelab? #

Zu Hause kann man den Rebound im Kleinen an sich selbst beobachten – das Folgende ist ein Gedankenexperiment mit ausgedachten Zahlen, keine Messung.

Angenommen, ein lokales Modell braucht für eine Antwort 20 Sekunden bei 150 W zusätzlicher Leistung. Das sind 150 W × 20 s ÷ 3.600 ≈ 0,83 Wh. Nach einem Wechsel auf ein kleineres, quantisiertes Modell dauert dieselbe Antwort nur noch 10 Sekunden: ≈ 0,42 Wh. Bei 30 Anfragen am Tag wären das rechnerisch rund 12,5 Wh Ersparnis.

Jetzt der Rebound: Weil die Antworten so flott kommen, lässt man das Modell zusätzlich jede Nacht 200 Dokumente zusammenfassen. Das sind 230 Antworten × 0,42 Wh ≈ 96 Wh statt vorher 25 Wh. Erwartet waren −12,5 Wh, tatsächlich sind es +71 Wh – nach der Formel oben ein Rebound von weit über 100 %, also Backfire. Ob das schlimm ist, hängt davon ab, ob die neue Anwendung den Strom wert ist; das Paradox sagt nichts über den Nutzen.

Im Homelab kommt ein zweiter Punkt dazu: Oft zählt der Grundverbrauch des Rechners mehr als die einzelne Antwort. Wie sich Leerlauf und Last bei einer CPU real unterscheiden, zeigt das LAB 35-W-CPU im Homeserver. Wer wissen will, ob ein Effizienzgewinn bei ihm tatsächlich ankommt, misst vorher und nachher an der Steckdose – über Tage, nicht über eine Anfrage – und trägt beide Werte in den Server-Stromkosten-Rechner ein. Eigene Messungen dazu haben wir noch nicht veröffentlicht.