Warum braucht KI so viel Energie? Stromverbrauch von KI und Rechenzentren eingeordnet

Kurz gesagt: KI braucht viel Energie, weil große Modelle Milliarden Zahlen verarbeiten und dafür ständig Daten zwischen Speicher und Rechenwerken hin- und herschieben – einmal beim Training und danach bei jeder einzelnen Anfrage. Dazu kommen Kühlung und Stromversorgung im Rechenzentrum. Wie viel genau, weiß außerhalb der Betreiber niemand sicher: Die belastbarsten Zahlen gibt es für Rechenzentren insgesamt, nicht für KI allein und schon gar nicht pro Anfrage.

Wer ein Sprachmodell zu Hause laufen lässt, merkt das direkt: Der Lüfter dreht hoch, sobald das Modell antwortet, und das Strommessgerät an der Steckdose zeigt einen deutlichen Sprung. Im Rechenzentrum passiert dasselbe – nur mit zehntausenden Beschleunigerkarten, rund um die Uhr. Dieser Artikel sortiert, woher der Verbrauch kommt, welche Größenordnungen gesichert sind und wo die Zahlen aufhören.

Die großen Zahlen: Rechenzentren insgesamt #

Zuerst die Ebene, auf der es halbwegs belastbare Daten gibt. Laut Internationaler Energieagentur verbrauchten Rechenzentren 2024 weltweit rund 415 Terawattstunden (TWh), etwa 1,5 % des globalen StromverbrauchsBelegt. Eine Terawattstunde sind eine Milliarde Kilowattstunden. Seit 2017 wuchs dieser Verbrauch laut IEA um rund 12 % pro Jahr – mehr als viermal so schnell wie der Stromverbrauch insgesamtBelegt. Fast die Hälfte davon entfiel 2024 auf die USA (45 %), gefolgt von China (25 %) und Europa (15 %).

Für die USA gibt es eine detailliertere Zählung. Das Lawrence Berkeley National Laboratory (LBNL) hat im Auftrag des US-Kongresses den Verbrauch von Servern, Speicher, Netzwerk und Gebäudetechnik zusammengerechnet: Zwischen 2014 und 2016 lag er stabil bei etwa 60 TWh im Jahr, 2018 bei rund 76 TWh (1,9 % des US-Stroms) und 2023 bei 176 TWh (4,4 %)Belegt. Als Treiber nennt der Bericht ausdrücklich das schnelle Wachstum von Servern mit Beschleunigerkarten (GPUs) für KI, das den Gesamtverbrauch zwischen 2017 und 2023 mehr als verdoppelt hatBelegt.

Wichtig beim Lesen dieser Zahlen: Sie umfassen alle Rechenzentren – Webseiten, Streaming, Cloud-Speicher, Unternehmens-IT. Welcher Anteil davon auf KI entfällt, weisen weder IEA noch LBNL als einzelne, sichere Zahl aus. Die Aussage „KI verbraucht X % des Weltstroms“ ist deshalb fast immer eine Schätzung auf Schätzungen.

Wohin der Strom geht: vier Posten #

Energie entsteht bei KI nicht an einer Stelle, sondern in mehreren Schichten. Grob:

Training: der große Einmalposten #

Beim Training rechnet das Modell wochen- oder monatelang auf tausenden Beschleunigern. Die Betreiber veröffentlichen die dafür verbrauchte Energie selten. Eine der wenigen nachvollziehbaren Größenordnungen stammt aus einer Arbeit von Google-Forschern: Patterson et al. schätzen den Energiebedarf für das Training von GPT-3 (175 Milliarden Parameter) auf 1.287 MWhBelegt. Das ist eine Schätzung aus Rechenaufwand und Hardwaredaten, keine Messung von OpenAI – und sie betrifft ein Modell von 2020. Neuere, größere Modelle sind darin nicht abgebildet.

Dieselbe Arbeit zeigt auch, wie stark die Randbedingungen wirken: Die Wahl von Modellarchitektur, Rechenzentrum und Prozessor kann den CO₂-Fußabdruck eines Trainings laut den Autoren um bis zu etwa das 100- bis 1000-Fache verändernBelegt. Das betrifft CO₂, nicht nur Strom – aber es zeigt, warum eine einzelne Zahl „pro Modell“ wenig aussagt.

Inferenz: der Dauerposten #

Training passiert einmal, Anfragen passieren ständig. Patterson et al. zitieren dazu Branchenschätzungen: NVIDIA schätzte, dass 80–90 % der Machine-Learning-Last Inferenz ist; Amazon Web Services nannte 90 % der ML-Nachfrage in der CloudHerstellerangabe. Das sind Angaben von Firmen, die Hardware und Cloud verkaufen, und sie stammen aus der Zeit vor ChatGPT. Die Richtung ist trotzdem plausibel: Wer ein Modell millionenfach am Tag befragt, überholt den Trainingsaufwand irgendwann.

Wie teuer eine Anfrage ist, hängt stark von der Aufgabe ab. Luccioni, Jernite und Strubell haben den Energiebedarf von je 1.000 Inferenzen über viele Modelltypen verglichen: Vielseitige, generative Modelle waren für dieselbe Aufgabe um Größenordnungen teurer als spezialisierte ModelleBelegt. Einen Text zu klassifizieren, kostet mit einem kleinen Spezialmodell also einen Bruchteil dessen, was ein großes Chat-Modell dafür braucht.

Ein Training-gegen-Inferenz-Vergleich im Detail folgt in einem eigenen Artikel (In Vorbereitung: Training oder Inferenz – was verbraucht mehr?).

Datenbewegung: der unsichtbare Posten #

Der größte Teil der Energie in einem KI-Chip geht oft nicht ins Rechnen, sondern ins Holen der Daten. Ein Zugriff auf externen DRAM kann laut dem Überblicksartikel von Sze et al. um mehrere Größenordnungen mehr Energie kosten als die eigentliche RechenoperationBelegt; kleine Speicher direkt am Rechenwerk sind deutlich günstiger. Sprachmodelle sind hier besonders ungünstig, weil sie für jedes erzeugte Token große Teile ihrer Gewichte lesen müssen. Warum das so ist und wie es sich auf die Hardware zu Hause auswirkt, erklärt Warum kostet lokale KI so viel Hardware?.

Infrastruktur: Kühlung und Drumherum #

Jedes Watt, das ein Chip verbraucht, wird zu Wärme, und die muss raus. Dazu kommen Verluste in Transformatoren, USVs und Netzteilen. Die übliche Kennzahl dafür ist die PUE (Power Usage Effectiveness): Gesamtstrom des Rechenzentrums geteilt durch den Strom der IT. Eine PUE von 1,4 bedeutet, dass auf jede Kilowattstunde für Server weitere 0,4 kWh für Kühlung und Infrastruktur kommen.

• Für die USA ermittelt das LBNL eine durchschnittliche PUE, die von 1,6 im Jahr 2014 auf 1,4 im Jahr 2023 fiel; der Infrastrukturanteil am Gesamtverbrauch sank von 40 % auf 30 %Belegt.
• Laut IEA liegt der Anteil der Kühlung zwischen etwa 7 % in effizienten Hyperscale-Anlagen und über 30 % in weniger effizienten Unternehmensrechenzentren; die Server selbst machen im Schnitt rund 60 % des Verbrauchs moderner Rechenzentren ausBelegt.

Der Bericht des LBNL weist selbst auf die Grenze der Kennzahl hin: Die PUE sagt nur, wie effizient das Gebäude die IT versorgt – nichts darüber, wie effizient die IT selbst rechnet.

Was kostet eine einzelne Anfrage? #

Das ist die Frage, die am häufigsten gestellt wird – und die am schlechtesten belegt ist. Zwei Anbieter haben Zahlen genannt:

• Google gibt für einen mittleren Text-Prompt in den Gemini-Apps 0,24 Wh an, einschließlich Host-Systemen, ungenutzt vorgehaltener Kapazität und Rechenzentrums-Overhead; innerhalb eines Jahres sei der Wert um den Faktor 33 gesunkenHerstellerangabe.
• OpenAI-Chef Sam Altman schreibt, eine durchschnittliche ChatGPT-Anfrage brauche etwa 0,34 WhHerstellerangabe. Wie diese Zahl zustande kommt, legt der Blogbeitrag nicht offen.

Beide Werte sind Herstellerangaben, von außen nicht nachprüfbar und nicht direkt vergleichbar: „Median eines Text-Prompts“ und „durchschnittliche Anfrage“ sind verschiedene Größen, und es bleibt offen, welche Modelle, Antwortlängen und Anfragetypen einfließen. Bildgenerierung, lange Dokumente oder „Reasoning“-Modelle, die intern viele Tokens erzeugen, sind darin nicht einzeln ausgewiesen.

Zur Einordnung, ausdrücklich als Rechnung und nicht als Aussage über ein reales System: 0,24 Wh entsprechen einer 10-W-LED-Lampe, die rund 86 Sekunden leuchtet (0,24 Wh ÷ 10 W × 3.600 s). Pro Anfrage wenig – entscheidend ist, wie oft sie gestellt wird.

Warum die Schätzungen so weit auseinandergehen #

Wer verschiedene Artikel zum KI-Stromverbrauch liest, findet Zahlen, die sich um Faktoren unterscheiden. Das liegt selten an Rechenfehlern, sondern an drei Dingen:

1. Fehlende Offenlegung. Der LBNL-Bericht hält fest, dass nur sehr wenige Unternehmen ihren tatsächlichen Rechenzentrumsverbrauch berichten und praktisch keines ihn in Bezug zu Rechenkapazität oder Arbeitslast setztBelegt. Luccioni et al. beobachten sogar, dass die Transparenz über Kosten und Umweltwirkungen großer Modelle abgenommen hat – und dass daraus ungenaue oder aus dem Zusammenhang gerissene Schätzungen entstehen, die sich weiterverbreitenBelegt.
2. Unterschiedliche Methodik. Manche Studien rechnen „von unten“: verkaufte Chips × typische Leistungsaufnahme × angenommene Auslastung × PUE. Andere rechnen „von oben“ aus angekündigten Netzanschlüssen. Das LBNL arbeitet bewusst von unten, weil geplante, aber nie gebaute Projekte sonst zu Überschätzungen führen – braucht dafür aber viele Annahmen aus wenigen öffentlichen Daten.
3. Unterschiedliche Grenzen. Nur der Chip? Der ganze Server? Mit Kühlung? Mit ungenutzter Reservekapazität? Googles 0,24 Wh schließen einiges davon ein, viele frühere Schätzungen nicht.

Die Unsicherheit steckt auch in den Prognosen selbst. Das LBNL gibt für den US-Verbrauch 2028 eine Spanne von rund 325 bis 580 TWh an – 6,7 bis 12 % des erwarteten US-StromverbrauchsBelegt. Die IEA erwartet weltweit rund 945 TWh im Jahr 2030; für 2035 reicht die Spanne ihrer Szenarien von 700 bis 1.700 TWhBelegt. Für Server mit Beschleunigern, getrieben vor allem durch KI, rechnet die IEA im Basisszenario mit rund 30 % Wachstum pro JahrBelegt. Das sind Szenarien, keine Vorhersagen – die IEA selbst betont die erhebliche Unsicherheit über heutigen und künftigen Verbrauch.

Wird es mit effizienteren Chips nicht einfach besser? #

Effizienz steigt tatsächlich, wie Googles eigene Angabe zum sinkenden Verbrauch pro Prompt zeigt. Ob der Gesamtverbrauch deshalb sinkt, ist eine andere Frage. Hier kommt ein Gedanke aus dem 19. Jahrhundert ins Spiel: der Jevons-Effekt. Der Ökonom William Stanley Jevons beobachtete, dass effizientere Dampfmaschinen den Kohleverbrauch nicht senkten, sondern steigerten, weil sich plötzlich viel mehr Anwendungen lohnten. Luccioni, Strubell und Crawford argumentieren, dass solche Rebound-Effekte auch bei KI die Annahme untergraben, technische Effizienz allein führe zu weniger UmweltbelastungTheorie. Ob und wie stark das bei KI eintritt, ist nicht gemessen – es hängt von Preisen, Geschäftsmodellen und Regulierung ab. Dieser Punkt bekommt einen eigenen Artikel (In Vorbereitung).

Welche Hardware-Ideen versuchen, mit deutlich weniger Energie zu rechnen — vom rechnenden Speicher bis zum Rechnen mit Licht —, sammelt Was kommt nach CPU und GPU?.

Reality Check #

Stand September 2026:

• Belegt: Rechenzentren verbrauchen einen wachsenden Anteil des Stroms (weltweit rund 1,5 % im Jahr 2024, USA 4,4 % im Jahr 2023), und KI-Beschleuniger sind laut LBNL und IEA der wichtigste Wachstumstreiber. Kühlung und Infrastruktur machen je nach Anlage einen spürbaren Teil aus.
• Geschätzt, aber begutachtet: Trainingsenergie einzelner Modelle (für GPT-3 aus einer Arbeit von 2021) und der KI-Anteil am Rechenzentrumsverbrauch.
• Nur Herstellerangabe: Energie pro Anfrage bei Gemini und ChatGPT.
• Offen: der tatsächliche Gesamtverbrauch der großen KI-Anbieter, das Verhältnis von Training zu Inferenz heute und wie stark Rebound-Effekte Effizienzgewinne aufzehren.

Was heißt das fürs eigene Homelab? #

Das eigene Homelab ist einer der wenigen Orte, an denen du den Energiebedarf von KI selbst messen kannst, statt Schätzungen zu glauben. Die Rechnung ist einfach:

Energie pro Antwort (Wh) = Leistungsaufnahme während der Antwort (W) × Dauer der Antwort (s) ÷ 3.600

Die beiden Eingangswerte kommen von deinem System, nicht aus einem Datenblatt: die Leistung von einem Steckdosen-Messgerät, die Dauer von der Uhr oder aus der Ausgabe von Ollama. Wie Messwerte aus dem Prozessor selbst aussehen – und warum sie nicht dasselbe sind wie der Verbrauch an der Steckdose – zeigt das LAB 35-W-CPU im Homeserver.

Für die laufenden Kosten zählt meist nicht die einzelne Antwort, sondern der Dauerbetrieb: Ein Rechner, der den ganzen Tag bereitsteht, verbraucht auch im Leerlauf. Trag deinen gemessenen Leerlauf- und Lastwert in den Stromkosten-Rechner ein, dazu, wie viel Prozent der Zeit das Modell tatsächlich rechnet – dann siehst du die Jahreskosten für deinen Strompreis. Ob sich das gegenüber einem Cloud-Abo lohnt, ist eine eigene Abwägung: Cloud-KI oder lokales LLM?.

Eigene Messungen einer lokalen KI an der Steckdose haben wir noch nicht veröffentlicht; sie folgen im LAB. Bis dahin gilt: Eine gemessene Zahl aus deinem eigenen Setup ist aussagekräftiger als jede Hochrechnung – auch unsere.