Was ist der Umwelteinfluss von KI?

Aktualisiert im Juli 2026

Der Umwelteinfluss von KI umfasst die Energie, das Wasser, die CO2-Emissionen und den Elektroschrott, die durch das Training und den Betrieb von KI-Modellen entstehen, vor allem durch die dahinterstehenden Rechenzentren, Chips und Kühlsysteme. Er deckt den gesamten Lebenszyklus von KI ab, von der Herstellung der Hardware bis zur alltäglichen Inferenz, und wächst schneller, als die Nachhaltigkeitspläne der meisten Unternehmen es vorgesehen hatten.

Für Führungskräfte ist die Frage „Was tut KI der Umwelt an" nicht mehr rein akademisch. Sie taucht in ESG-Fragebögen von Anbietern auf, in der Sorgfaltsprüfung bei der Beschaffung und in den Nachhaltigkeitsberichten, die Unternehmen heute gegenüber Vorständen und Aufsichtsbehörden erklären müssen. Die eigenen Zahlen von Google und Microsoft weiter unten zeigen, warum: Die Emissionen beider Unternehmen stiegen in einem einzigen Jahr im zweistelligen Bereich, fast ausschließlich wegen des Wachstums der KI-Infrastruktur. Wenn Ihr Unternehmen KI-Tools kauft, entwickelt oder weiterverkauft, ist das ein Posten, den Sie irgendwann ausweisen müssen, nicht nur eine interessante Statistik.

Die vier Säulen des Umweltfußabdrucks von KI

Der Umwelteinfluss von KI ist nicht nur eine einzelne Sache. Es sind vier getrennte Ressourcenprobleme, die zufällig von derselben Infrastruktur verursacht werden.

Diese vier Säulen entwickeln sich nicht immer gleich. Ein Rechenzentrum, das mit sauberem Strom betrieben wird, kann trotzdem die lokale Wasserversorgung belasten. Eine Anlage mit effizienter Kühlung kann trotzdem an einem kohlenstoffintensiven Stromnetz hängen. Wer „den Umwelteinfluss von KI" als eine einzige Zahl behandelt, verschleiert, welche konkrete Ressource an einem bestimmten Standort tatsächlich unter Druck steht, und diese Unterscheidung zählt mehr als jede Schlagzeilen-Prozentzahl.

Training vs. Inferenz: Woher der Fußabdruck wirklich kommt

Die meiste Berichterstattung über den Umwelteinfluss von KI konzentriert sich auf das Training, das aufsehenerregende einmalige Ereignis, bei dem ein Labor wochenlang Tausende von GPUs laufen lässt, um ein neues Modell zu bauen. Das ist real, aber dort liegt heute nicht mehr der Großteil des Fußabdrucks.

Die praktische Konsequenz: Ein Modell, das in einem Trainings-Benchmark effizient aussieht, kann nach der Produktivstellung trotzdem einen großen Umweltfußabdruck haben, weil Inferenz während der gesamten Lebensdauer eines Produkts fortlaufend stattfindet. Eine Chatbot-Funktion, die einmal trainiert wird und über Jahre Millionen Nutzer bedient, verursacht durch Inferenz mehr kumulierten Umweltschaden als durch den Trainingslauf, der sie hervorgebracht hat. Das ist derselbe Wandel, den Führungskräfte beim Budgetieren von KI-Infrastrukturkosten verstehen müssen: Die laufende Rechnung, in Dollar und in Ressourcen, ist die Inferenz, nicht das Training.

Die realen Zahlen: Wie groß ist der Fußabdruck von KI wirklich

Das Ausmaß lässt sich am einfachsten anhand direkter Vergleiche erfassen, statt anhand roher Terawattstunden.

Der weltweite Stromverbrauch von Rechenzentren soll sich fast verdoppeln, von rund 415 Terawattstunden im Jahr 2024 auf etwa 945 Terawattstunden bis 2030, nahe an 3 % des gesamten weltweiten Stromverbrauchs. Beim aktuellen Wachstum verbrauchten globale Rechenzentren in einem jüngeren Jahr bereits rund 448 Terawattstunden Strom, mehr Strom als alle bis auf etwa 10 Länder weltweit. Dieser Stromverbrauch erzeugte schätzungsweise 189 Millionen Tonnen Kohlendioxid, ungefähr so viel wie der gesamte nationale Fußabdruck Argentiniens, und verbrauchte rund 4,5 Billionen Liter Wasser zur Kühlung.

ChatGPT allein nutzt schätzungsweise rund 383 Gigawattstunden Strom pro Jahr, mit einem Wasserfußabdruck, der dem jährlichen Haushaltswasserbedarf von rund 500.000 Menschen in Subsahara-Afrika entspricht. Die Art der Aufgabe spielt hier eine große Rolle: Eine gewöhnliche Chat-Anfrage ist Schätzungen zufolge etwa 200-mal energieintensiver als eine einfache Textklassifizierungsaufgabe, das Erzeugen eines einzelnen KI-Bilds kann bis zum 1.450-Fachen dieses Ausgangswerts verbrauchen, und die Produktion eines kurzen KI-Videos kann in etwa so viel Energie verbrauchen wie 200.000 einfache Klassifizierungsaufgaben. Diese Schwankungsbreite ist der Grund, warum sich „KI" als Kategorie schwer auf eine einzige Zahl bringen lässt: Ein kurzer Kundensupport-Chat und eine Charge KI-generierter Videowerbung sind bei Weitem nicht dasselbe Umweltereignis.

Die Entsorgung von Hardware ist der am wenigsten diskutierte Teil der vier Säulen. Forschende, die in Nature Computational Science veröffentlichen, schätzen, dass generative-KI-Hardware bis 2030 jährlich zwischen 1,2 Millionen und 5 Millionen metrische Tonnen Elektroschrott erzeugen könnte, angetrieben davon, dass Rechenzentren GPUs schneller austauschen als typische Unternehmens-IT-Hardware. Kreislaufwirtschaftliche Ansätze, das Aufarbeiten von Komponenten und die Verlängerung der Hardware-Lebensdauer, könnten dieses Volumen schätzungsweise um 16 bis 86 % senken, allerdings nur, wenn Rechenzentrumsbetreiber sie tatsächlich in großem Maßstab einsetzen.

Was dagegen unternommen wird

Nichts davon ist statisch. Effizienzgewinne und Investitionen in saubere Energie entwickeln sich beide schnell, auch wenn die Gesamtnachfrage noch schneller wächst.

• Chip- und Modelleffizienz. Neuere GPU-Generationen liefern mehr Rechenleistung pro Watt als ihre Vorgänger, und Techniken wie Quantization und Modellkomprimierung verringern, wie viel Rechenleistung eine bestimmte Aufgabe tatsächlich benötigt. Small Language Models und Inference Optimization verfolgen aus einem anderen Blickwinkel dasselbe Ziel: vergleichbare Ergebnisse mit deutlich weniger Rechenleistung zu erzielen.
• Kühltechnologie. Direkte Flüssigkeitskühlung an den Chips und geschlossene Kreisläufe, die Wasser wiederverwenden statt es zu verbrauchen, ersetzen ältere Verdunstungssysteme und senken den Wasserbedarf pro Recheneinheit, selbst während die Leistungsdichte pro Rack weiter steigt.
• Beschaffung sauberer Energie. Hyperscaler schließen große Verträge über erneuerbare Energie ab, um die Nachfrage der Rechenzentren auszugleichen. Google unterzeichnete allein 2025 Verträge über mehr als 12 Gigawatt neuer sauberer Energie, und Microsoft erweiterte sein Portfolio an erneuerbaren Energien auf 40 Gigawatt, gegenüber 34 Gigawatt im Jahr zuvor. Keines von beiden gleicht das KI-getriebene Emissionswachstum bislang vollständig aus, aber beide bewegen sich in diese Richtung.
• Wasserpositive und Netto-Null-Verpflichtungen. Mehrere große Anbieter haben sich verpflichtet, mehr Wasser zurückzuführen, als ihre Rechenzentren verbrauchen, und bis 2030 Netto-Null oder CO2-negativ zu erreichen, wobei beide Unternehmen in ihren eigenen Berichten einräumen, dass der KI-Ausbau diese Ziele derzeit überholt.
• Kreislaufwirtschaftliche Hardware-Strategien. GPUs aufzuarbeiten und die Lebensdauer von Servern zu verlängern, statt sie nach einem festen Zyklus zu ersetzen, ist der direkteste Hebel gegen das Elektroschrott-Problem, und diese Strategie ist von den oben genannten noch die am wenigsten ausgereifte.

Warum das für Führungskräfte und ESG-Berichterstattung wichtig ist

Wenn Ihr Unternehmen über ESG-Kennzahlen berichtet, KI-Anbieter in nennenswertem Umfang nutzt oder Beschaffungsfragebögen von Kunden beantwortet, die dies tun, ist der Umweltfußabdruck von KI nicht länger das Problem von jemand anderem, das es zu verfolgen gilt.

• Anbieteremissionen werden zunehmend zu Ihren Scope-3-Emissionen. Wenn die KI-Infrastrukturemissionen eines Lieferanten so ansteigen wie bei Google und Microsoft und Sie sich für KI-gestützte Tools auf diesen Anbieter verlassen, kann dieses Wachstum, je nachdem, wie Ihr ESG-Rahmenwerk den Umfang festlegt, in Ihrer eigenen Berichterstattung zu Lieferkettenemissionen auftauchen.
• Behauptungen wie „Unser KI-Anbieter ist klimaneutral" verdienen genaue Prüfung. Fragen Sie konkret nach, ob diese Behauptung Scope 1 und 2 (die direkten Betriebsabläufe des Anbieters) abdeckt oder sich auf Scope 3 erstreckt (alles vor- und nachgelagert, einschließlich Chipherstellung und Hardware am Ende ihrer Lebensdauer). Die meisten öffentlichen Zusagen bleiben noch hinter einer vollständigen Abdeckung des gesamten Lebenszyklus zurück.
• Das Inferenzvolumen ist eine kontrollierbare Variable. Da Inferenz den weit überwiegenden Teil des laufenden KI-Energieverbrauchs verursacht, wirken sich Produktentscheidungen wie die Modellstufe, die Sie standardmäßig verwenden, wie aggressiv Sie wiederkehrende Anfragen cachen, und ob eine Aufgabe Echtzeit- oder Batch-Verarbeitung braucht, direkt auf Ihren KI-Fußabdruck aus, nicht nur auf Ihre KI-Rechnung.
• Regulatorische Offenlegungspflichten weiten sich aus. Immer mehr Rechtsräume führen Offenlegungspflichten für Energie und Emissionen ein, die Rechenzentrumsbetreiber und zunehmend auch große KI-Nutzer betreffen. Dies jetzt als Compliance-Frage zu behandeln, ist günstiger, als die Berichterstattung später nachzurüsten.

Ein ausgewogener Blick

Es ist leicht, die obigen Zahlen zu lesen und zu schließen, KI sei eindeutig schlecht für die Umwelt. Das ist nicht ganz richtig, und ganz falsch ist es auch nicht.

Der Fußabdruck ist real, wächst und überholt derzeit den Ausbau sauberer Energie, der ihn ausgleichen soll, dieser Teil steht außer Frage. Gleichzeitig wird KI auch für Klimamodellierung, Netzoptimierung, Materialforschung für bessere Batterien und Solarzellen sowie für industrielle Effizienzarbeit eingesetzt, die ihren eigenen ökologischen Nutzen hat. Keine der beiden Seiten hebt die andere auf. Die ehrliche Position für eine Führungskraft lautet: Die Umweltkosten von KI sind eine reale, quantifizierbare und derzeit wachsende Ausgabe, die dieselbe genaue Prüfung verdient wie jeder andere ressourcenintensive Teil des Unternehmens, statt entweder eine moralische Panik oder einen Freifahrtschein, weil „KI auch dem Klima hilft". Beide Behauptungen können gleichzeitig in unterschiedlichen Teilen derselben Technologie zutreffen.

Wichtige Fakten

• Der weltweite Stromverbrauch von Rechenzentren soll bis 2030 auf rund 945 Terawattstunden ansteigen, etwa 3 % des gesamten weltweiten Stromverbrauchs, gegenüber rund 415 Terawattstunden im Jahr 2024. IEA
• Globale Rechenzentren sollen bis 2030 rund 399 Millionen Tonnen Kohlendioxid aus dem Stromverbrauch ausstoßen und dabei etwa 9,3 Billionen Liter Wasser verbrauchen, das entspricht dem grundlegenden jährlichen Haushaltswasserbedarf von 1,3 Milliarden Menschen in Subsahara-Afrika. United Nations University, UNU-INWEH
• ChatGPT allein nutzt schätzungsweise rund 383 Gigawattstunden Strom pro Jahr bei rund 2,5 Milliarden täglichen Prompts, mit einem Wasserfußabdruck vergleichbar mit dem Jahresbedarf von etwa 500.000 Menschen in Subsahara-Afrika; ein einzelnes KI-generiertes Bild kann bis zum 1.450-Fachen der Energie einer einfachen Textklassifizierungsaufgabe verbrauchen. United Nations University, UNU-INWEH
• Das Training eines Modells in der Größenordnung von GPT-3 verbrauchte rund 1.287 Megawattstunden Strom und erzeugte etwa 552 Tonnen Kohlendioxid; die Kühlung eines Rechenzentrums benötigt rund 2 Liter Wasser pro Kilowattstunde eingesetzter Energie. MIT News
• Generative-KI-Hardware könnte bis 2030 jährlich zwischen 1,2 Millionen und 5 Millionen metrischen Tonnen Elektroschrott erzeugen, wobei kreislaufwirtschaftliche Strategien wie Aufarbeitung und Wiederverwendung dieses Volumen um 16 bis 86 % senken könnten. Nature Computational Science
• Googles operativer CO2-Fußabdruck für 2025 stieg im Jahresvergleich um 18 % und liegt nun 81 % über dem Ausgangswert von 2019, ein Anstieg, den das Unternehmen vor allem dem KI-Rechenzentrumswachstum zuschreibt, das der Dekarbonisierung des Stromnetzes voraus ist. Google 2026 Environmental Report
• Microsofts Emissionen im Geschäftsjahr 2025 stiegen im Jahresvergleich um 25 % auf rund 20 Millionen metrische Tonnen Kohlendioxidäquivalent, gegenüber 16 Millionen Tonnen im Jahr zuvor, vor allem getrieben durch den Neubau von KI-Rechenzentren. Microsoft

Verwandte KI-Konzepte

• Was ist ein KI-Rechenzentrum? - Die physischen Einrichtungen hinter dem Großteil des Energie-, Wasser- und CO2-Fußabdrucks von KI
• Was ist KI-Infrastruktur? - Der gesamte Stack, von Compute bis Observability, der diesen Umweltfußabdruck erzeugt
• Was ist AI Inference? - Die laufende Produktionslast, die für 80 bis 90 % des gesamten KI-Energieverbrauchs verantwortlich ist
• Inference Optimization - Techniken, die Energie und Kosten beim Betrieb von KI-Modellen in der Produktion senken
• Quantization - Eine Schlüsseltechnik, um Modellgröße und benötigte Rechenleistung zu verringern
• Small Language Models - Rechenleistungsärmere Alternativen zu Frontier-Modellen für viele Produktionsanwendungsfälle
• AI Total Cost of Ownership - Wie sich Infrastruktur- und Inferenzkosten, finanziell und ökologisch, über die Zeit summieren
• Model Serving - Die Deployment-Schicht, in der Inferenz, und damit der größte Teil des laufenden KI-Fußabdrucks, tatsächlich stattfindet
• Foundation Models - Die großen vortrainierten Modelle, aus denen der Großteil der trainingsbezogenen Umweltkosten stammt
• AI Governance - Die Aufsichtsrahmen, die zunehmend auch Umwelt- und ESG-Angaben abdecken sollen

Externe Ressourcen

• IEA: Energy and AI, Executive Summary - Prognosen zur weltweiten Stromnachfrage von Rechenzentren bis 2030
• MIT News: Explained, Generative AI's Environmental Impact - Energie-, Wasser- und CO2-Kosten des Trainings und Betriebs generativer KI
• United Nations University, UNU-INWEH: Environmental Cost of AI's Energy Use - Prognosen zu CO2-, Wasser- und Flächenfußabdruck globaler Rechenzentren bis 2030
• Nature Computational Science: E-waste Challenges of Generative Artificial Intelligence - Prognostizierter Elektroschrott durch generative-KI-Hardware bis 2030
• Google 2026 Environmental Report - Googles operative Emissionen, Wasserrückführung und Verpflichtungen zu sauberer Energie
• Microsoft: Responsibly Building the AI Future - Microsofts Emissionen im Geschäftsjahr 2025 und Fortschritte bei der Nachhaltigkeit

Teil der KI-Begriffe-Sammlung. Zuletzt aktualisiert: 2026-07-20