Neue Ansätze: KI kann auch nachhaltig

Auf 166 Millionen Tonnen CO2-Äquivalente schätzt das Öko-Institut die Treibhausgasemissionen, die im Jahr 2030 durch den Betrieb künstlicher Intelligenz entstehen. Das wäre elf Mal so viel wie im Jahr 2023, als der Wert auf 29 Millionen Tonnen geschätzt wurde. Für ihren im Mai 2025 veröffentlichten Report „Environmental Impacts of Artificial Intelligence“ wertete das Öko-Institut im Auftrag von Greenpeace mehr als 95 Studien aus und integrierte aktuelle Zahlen einer IEA-Studie. Laut Greenpeace ist bei dieser Vorhersage ein steigender Anteil von erneuerbaren Energien schon berücksichtigt.

Interessant ist diese Prognose vor allem vor dem Hintergrund, dass sich große Technologieunternehmen wie Google, Amazon, Microsoft und Meta zur Klimaneutralität bis 2030 verpflichtet haben. Greenpeace fordert deshalb, dass KI-Unternehmen einen Beitrag zum Ausbau erneuerbarer Energien entsprechend ihres Wachstums leisten.

Big Tech setzt auf nachhaltige Rechenzentren

Große KI-Anbieter koppeln Klimaschutzmaßnahmen daher inzwischen eng an den Betrieb ihrer Rechenzentren, etwa durch Abwärmenutzung, erneuerbare Energien und effizientere Kühlungssysteme. Besonders in Europa entstehen daraus konkrete Projekte.

So speist zum Beispiel Amazon Web Services bereits seit mehreren Jahren Abwärme eines Rechenzentrums in Dublin in ein städtisches Wärmenetz ein, das öffentliche, gewerbliche und Wohngebäude versorgt. Meta nutzt die Abwärme seines Rechenzentrums im dänischen Odense, um per Fernwärmesystem unter anderem ein Krankenhaus und tausende Haushalte zu heizen. Microsoft baut Rechenzentren explizit so, dass deren Abwärme an kommunale Energieversorger abgegeben werden kann, die damit Wohngebäude, Gewächshäuser oder Fischfarmen beheizen; dies ist Teil der Strategie bis 2030 sogar CO₂-negativ zu werden.  
Google hat sich das Ziel gesetzt, bis 2030 in allen Abläufen und in seiner gesamten Wertschöpfungskette klimaneutral zu sein. Entsprechend strebt das Unternehmen an, alle Standorte bis 2030 mit „24/7 carbon‑free energy“ zu betreiben, also jede Betriebsstunde der Rechenzentren möglichst mit lokalem, CO₂‑freiem Strom zu hinterlegen. Dazu wurden bereits mehr als 100 Stromabnahmeverträge mit Erzeugern regenerativer Energie abgeschlossen. 

Schwarz Gruppe baut nachhaltiges Rechenzentrum

Das prominenteste Beispiel für ein möglichst nachhaltiges Rechenzentrum hierzulande liefert das im Bau befindliche Datenzentrum von Schwarz Digits, der IT- und Digitalsparte der Schwarz Gruppe (Lidl, Kaufland, etc.) in Lübbenau. Das Rechenzentrum ist extrem leistungsstark (200 Megawatt) konzipiert und wird den Betrieb großer KI-Modelle ermöglichen. Das Datenzentrum wird vollständig mit Grünstrom betrieben. Auch eigene Photovoltaikanlagen mit 580 kWp Leistung steuern jährlich rund 520.000 kWh grünen Strom bei. Nach Fertigstellung soll dann ab 2028 die Serverabwärme in das städtische Fernwärmenetz eingespeist werden, um bis zu 75.000 Haushalte mit Fernwärme zu versorgen.

Training großer Sprachmodelle besonders energieintensiv

Das zeigt: Die großen Infrastrukturanbieter sind bestrebt, den CO2-Footprint in Richtung Null zu schieben. Denn nur wenn der Betrieb der KI-Modelle CO2-neutral oder CO2 arm möglich ist, kann KI ihre Effizienzvorteile nachhaltig ausspielen. Der Energiehunger von KI ist allerdings je nach Anwendung extrem unterschiedlich und variiert je nach individueller Nutzungssituation.  

Das Training eines KI-Modells ist der energieintensivste Teil. Ein Trainingslauf für ein großes KI-Modell wie ChatGPT4 nutzt oft zwei- bis zehntausende so genannte GPUs, die jeweils 300–700 W verbrauchen und dauert mehrere Wochen oder sogar Monate. GPU steht für „Graphics Processing Units“, also leistungsstarke Grafikprozessoren, die heutzutage für KI-Anwendungen genutzt werden. Man schätzt, dass ein GPT-4-Training etwa 10.000 MWh Strom verbraucht – zum Vergleich: ein deutscher Haushalt verbraucht durchschnittlich 3 MWh. Der Alltagseinsatz von KI ist hingegen deutlich sparsamer als das Training, aber stark abhängig von der Modellgröße (von 0,1 Wh bei kleinen Textabfragen bis zu 100 Wh bei der Video-Generierung).

Kleine KI-Lösungen fast Laptop-fähig

Dass KI im Alltagseinsatz energiesparsamer sein kann als herkömmliche Computer, haben diverse Projekte bereits gezeigt. Beispielsweise führt der Klimawandel zu immer mehr Extremwetter wie Starkregen und Dürren, was große wirtschaftliche Schäden verursacht. Moderne Wettermodelle nutzen zu können, die präzise Vorhersagen treffen, wird daher wichtiger. Aber solche Wettermodelle zu betreiben, verbraucht üblicherweise enorme Mengen an Energie. In einem KI-Leuchtturm-Projekt (EKAPEx) ist es kürzlich gelungen, durch den KI-Einsatz die CO2-Emissionen drastisch zu senken. Die gefundene KI-Lösung verbrauchte pro Vorhersage 40.000 bis 90.000 mal weniger Energie als der Super-Computer des Deutschen Wetterdienstes. Weiter optimiert, könnte das Wettermodell sogar auf handelsüblichen Mac-Books betrieben werden, heißt es im Projektfazit. Wie viel Energie für das Training des Modells verbraucht wurde, ist allerdings nicht bekannt.

KI nachhaltig einsetzen – worauf Unternehmen achten müssen

Alle Umweltauswirkungen durch den Einsatz von KI zu erfassen, ist ohnehin äußerst schwierig – ebenso wie Vergleiche. Der CO2-Footprint lässt sich nicht lückenlos schreiben – er beginnt bei der Produktion der GPUs und endet beim Elektroschrott der ausrangierten Prozessoren. Da sich die komplette Kette nie exakt erfassen lässt, ist es schwer, überhaupt einen Überblick zu erhalten. Um in dieses Wirrwarr Leitplanken einzuziehen, hat der Green-AI Hub Mittelstand des Bundesumweltministeriums gemeinsam mit dem KI-Bundesverband und in Abstimmung mit weiteren KI- und Umwelt-Akteuren daher die so genannten Guidelines for Green AI entwickelt. Sie sollen Betreibern und Einkäufern von KI-Leistungen einen Orientierungsrahmen bieten, um KI-Systeme so ökologisch nachhaltig wie möglich zu gestalten und einzusetzen.  

Guidelines helfen, den ökologischen Fußabdruck klein zu halten

Die Guidelines decken die Themen CO2- und Energieverbrauch, Infrastruktur & Hardware, Software, Datenmanagement und Anwendungen ab und geben konkrete Empfehlungen. Dass Unternehmen eine redundante Datenhaltung vermeiden, kleine Datensätze verwenden, möglichst bestehende Hardwarestrukturen nutzen und bei der KI-Modellauswahl auf eine hohe Trainingseffizienz achten sollten, sind nur einige der vielen Ratschläge, welche die Guideline den Firmen an die Hand geben. Insbesondere sollte bei der Wahl des Rechenzentrums auf Standort und die Zertifizierung der Anlage geschaut werden. Auch der Zeitpunkt des Bezugs einer Rechenleistung kann sich auf den ökologischen Fußabdruck auswirken.

Industrie spart mit KI-Materialen und senkt CO2-Footprint

Die gute Nachricht: In der Praxis muss es nicht immer ein energiehungriges, großes Sprachmodell wie ChatGPT5 sein. Auch schlanke, kleine KI-Applikationen können große Wirkung entfalten, zum Beispiel Computer Vision oder Standard-NLP-Modelle.  
Wie sich schon mit kleinen KI-Lösungen wertvolle Ressourcen schonen und Prozesse optimieren lassen, haben 20, kürzlich abgeschlossene, KI-Pilotprojekte des Green AI Hub Mittelstand gezeigt. Für 14 Unternehmen aus der verarbeitenden Industrie wurden die Einsparpotenziale anhand spezifischer Prozesse praxisnah getestet und abgeschätzt. Die prozessbezogenen Einsparpotenziale während der Laufzeit der Pilotphase wurden rechnerisch auf die Jahresproduktion hochskaliert. Das Ergebnis: Insgesamt ergaben sich durch den KI-Einsatz bei den verarbeitenden Unternehmen Einsparpotenziale in Höhe von rund 320 t Material und mehr als 1.311 t CO2e.  

KI erkennt Fehlertrends frühzeitig

Der Autozulieferer Köstler zum Beispiel verarbeitet unter anderem Textilien für Airbags. Die Qualitätssicherung im Produktionsprozess dieser Textilien erfolgt noch manuell, was monoton ist und Ausschuss erzeugt. Das Pilotprojekt hat gezeigt, dass eine KI nicht nur präziser und konsistenter die Qualität prüfen kann, sondern auch Fehlertrends frühzeitiger erkennt und den Ausschuss reduziert. 700 Kilogramm Kunststoffe könnten so pro Jahr eingespart werden.  

Die sechs Projekte aus dem IT- und Softwaresektor konnten durch den Einsatz von KI vor allem entlang der Wertschöpfungskette Einsparpotenziale heben. Fieldcode – eine cloudbasierte Webanwendung zur Verwaltung von Außendiensteinsätzen – konnte beispielsweise dank KI automatisch Empfehlungen liefern, ob ein Problem remote gelöst werden kann oder ein Außendiensteinsatz sowie bestimmte Ersatzteile erforderlich sind. Die Folge: weniger Fahrten der Techniker zu den Kunden, da von der KI eine mögliche Fernbearbeitung besser erkannt wird und eine bessere „First-Fix-Rate“ erreicht wird, da der Techniker die tatsächlich passenden Ersatzteile dabeihat – was insgesamt letztlich 200 t CO2 pro Kunde sparen kann.

Fazit: Green AI steht am Anfang, ist aber auf einem guten Weg

Obwohl führende Tech-Unternehmen ambitionierte Klimaziele verfolgen, steht die wirklich grüne KI noch am Anfang. Zwar setzen immer mehr Rechenzentren auf erneuerbare Energien und Abwärmenutzung, doch der steigende Strombedarf großer Sprach-Modelle bleibt eine Herausforderung. Beispiele wie das Schwarz Digits Rechenzentrum oder Googles „24/7 carbon-free energy“-Ansatz zeigen, dass nachhaltige Ansätze möglich sind.

Während sich einerseits Anbieter bemühen, dass Künstliche Intelligenz, „grün“ wird, lässt sich KI andererseits bereits sehr gut für Nachhaltigkeitsziele und ökologische Effizienz einsetzen. Wirklich grün kann der KI-Einsatz aber erst dann sein, wenn beide Seiten ihre Potenziale ausschöpfen: Wenn also der Einsatz und Betrieb von KI ökologisch nachhaltig ist und KI gleichzeitig auch in Anwendungen mündet, die der Nachhaltigkeit zugutekommen. Insgesamt ist der Weg zu einer solchen, durchgängigen, grünen KI noch lang, könnte aber bis 2030 erreicht werden. Die Technologie hat in jedem Fall das Potenzial, bei verantwortungsvollem Einsatz einen großen Beitrag zum Umweltschutz zu leisten.