MIT warnt: Der versteckte ökologische Fussabdruck von KI – Strom, Wasser und Hardware

Hinter dem Bildschirm läuft etwas deutlich weniger Glamouröses ab.

Künstliche Intelligenz wirkt beinahe schwerelos: ein Chatbot im Browser, eine Funktion auf dem Smartphone, ein Button in der E‑Mail‑App. Tatsächlich stützt sich jede KI‑Eingabeaufforderung auf riesige Rechenzentren, spezialisierte Chips sowie gewaltige Mengen an Strom und Wasser. Forschende am MIT warnen inzwischen, dass diese unsichtbare Infrastruktur den weltweiten Energie- und Ressourcenverbrauch viel schneller verändern könnte, als Regulierungsbehörden und Planerinnen und Planer bislang einkalkulieren.

Der versteckte Fussabdruck von KI beginnt beim Strom

Als erstes verschlingt KI Elektrizität – und zwar nicht in kleinen Dosen, sondern in Grössenordnungen, die Stromnetze beschäftigen: gemessen in Megawatt und Terawattstunden.

Wer ein modernes generatives Modell trainiert, lässt Milliarden Rechenschritte immer wieder auf Hochleistungschips laufen. Und sobald ein Modell verfügbar ist, sorgt die „Inferenz“-Phase – also die alltäglichen Nutzerfragen – dafür, dass diese Chips dauerhaft unter Last bleiben.

Rechenzentren weltweit verbrauchten 2022 rund 460 Terawattstunden Strom, in etwa so viel wie Frankreich in einem ganzen Jahr, und dieser Wert dürfte sich bis 2026 mehr als verdoppeln.

Allein in Nordamerika stieg die Leistungsnachfrage von Rechenzentren von 2,688 Megawatt Ende 2022 auf 5,341 Megawatt ein Jahr später. KI ist nicht der einzige Auslöser, aber inzwischen der wichtigste Grund, warum neue Rechenzentrumsparks in den USA, Irland, den Niederlanden und darüber hinaus geplant werden.

Dabei ist die Belastung nicht gleichmässig. Trainingsläufe verursachen harte Verbrauchsspitzen, auf die Netzbetreiber vorbereitet sein müssen. Wenn gleichzeitig wenig erneuerbarer Strom verfügbar ist, können solche Spitzen Energieversorger dazu bringen, Gaskraftwerke hochzufahren oder sogar Dieselaggregate einzusetzen – was die Emissionen genau in dem Moment erhöht, in dem die Tech‑Branche betont, „grüner“ zu werden.

Eine KI‑Frage vs. eine Websuche

Aus Nutzersicht fühlt sich eine Frage an einen Chatbot kaum anders an als eine Google‑Suche. Beim Energiebedarf zeigt sich jedoch eine andere Realität.

Eine durchschnittliche Anfrage im Stil von ChatGPT soll etwa fünfmal so viel Strom verbrauchen wie eine herkömmliche Websuche.

Mit wachsender Modellgrösse und steigenden Fähigkeiten nimmt der Rechenaufwand pro Antwort tendenziell zu. Damit hängt die Klimawirkung stark davon ab, wie schnell das Energiesystem dekarbonisiert – und ob die KI‑Nachfrage schneller wächst als das Angebot an sauberem Strom.

Wasser: die zweite Ressource, die KI anzapft

Strom ist nur die halbe Geschichte. Zehntausende Chips auf Betriebstemperatur zu halten, erzeugt einen erheblichen Wasserbedarf.

Viele grosse Rechenzentren setzen auf wasserbasierte Kühlsysteme. Das Wasser kann aus kommunalen Netzen, Flüssen, Seen oder dem Grundwasser stammen. Pro verbrauchter Kilowattstunde ist ein typisches Rechenzentrum mit einem spürbaren Wasserverbrauch verknüpft – von Kühltürmen vor Ort bis hin zum vorgelagerten Wasserbedarf in Kraftwerken.

Forschende schätzen, dass der Betrieb eines Rechenzentrums etwa zwei Liter Wasser pro verbrauchter Kilowattstunde Strom benötigen kann.

In Gegenden mit Wasserknappheit oder belasteten Ökosystemen entstehen dadurch schwierige Abwägungen zwischen digitalem Wachstum und lokalen Bedürfnissen. Ein einzelner neuer, KI‑intensiver Standort in einer trockenen Region kann in direkte Konkurrenz zu Landwirtschaft oder Haushalten um dieselbe begrenzte Ressource treten.

Wo KI und Dürre aufeinandertreffen

Länder wie Spanien, die Vereinigten Staaten und Teile Indiens kämpfen bereits mit Hitzewellen und sinkenden Stauseen. Grosse KI‑Rechenzentren in solchen Regionen können den Druck weiter erhöhen – besonders im Sommer, wenn sowohl Klimaanlagen als auch Serverkühlung Spitzenwerte erreichen.

• Hohe Temperaturen erhöhen den Kühlbedarf und damit den Wasserverbrauch.
• Dürren verringern verfügbares Oberflächenwasser und drängen Betreiber eher zur Grundwasserförderung.
• Lokale Ökosysteme leiden, wenn Flüsse und Aquifere schneller abgesenkt werden, als sie sich erneuern.

Die Hardware hinter den KI‑Emissionen

Neben dem laufenden Betrieb haben auch die Maschinen, die KI möglich machen, eine eigene Umweltlast. Die Herstellung von Servern und insbesondere von High‑End‑Chips ist ressourcenintensiv – und in wenigen Ländern stark konzentriert.

Grafikprozessoren (GPUs) sind die Arbeitstiere moderner KI. Sie sind auf parallele Berechnungen ausgelegt und lassen klassische CPUs beim Training neuronaler Netze deutlich hinter sich.

Nvidia, AMD und Intel sollen 2023 schätzungsweise rund 3.85 million GPUs an Rechenzentren verkauft haben – ein starker Anstieg gegenüber 2.67 million im Jahr 2022; 2024 dürfte der Wert erneut höher liegen.

In jeder GPU stecken Bergbau und Metallverarbeitung, komplexe Halbleiterfertigung und weltweite Transporte. Im Vergleich zu Standardprozessoren sind Spitzen‑KI‑Chips grösser, komplizierter und in der Produktion energieintensiver. Dadurch steigt ihr „eingebetteter“ CO₂‑Fussabdruck, noch bevor sie überhaupt im Rack landen.

Von Minen über Fabs bis zur Deponie

Die Geschichte der KI‑Hardware reicht von Kupfer und seltenen Metallen aus dem Boden über chemikalienintensive Chipfabriken bis hin zu Elektroschrott.

Verschmutzungsrisiken entstehen in jeder Phase:

Stufe	Zentrale Auswirkungen
Bergbau	Zerstörung von Lebensräumen, Abraumrückstände, Wasserverschmutzung, hoher Energiebedarf
Chipfertigung	Giftige Chemikalien, Treibhausgase beim Ätzen, hoher Wasser- und Strombedarf
Montage & Transport	Emissionen durch Logistik, Verpackungsabfälle
Lebensende	Elektroschrott, begrenztes Recycling fortschrittlicher Komponenten, mögliches Auslaugen gefährlicher Stoffe

Da die KI‑Nachfrage stark anzieht, erneuern Rechenzentrumsbetreiber ihre Hardware häufiger, um wettbewerbsfähig zu bleiben. Das verkürzt die effektive Nutzungsdauer dieser komplexen Geräte und erhöht den Materialumschlag.

Warum das MIT meint, dass wir noch im Blindflug sind

Forschende am Massachusetts Institute of Technology argumentieren, dass die Gesellschaft die gesamten Umweltkosten von KI unterschätzt – vor allem, weil sich die Technologie schneller entwickelt als die Mess- und Berichtssysteme.

Sie benennen mehrere blinde Flecken:

• Trainingsdaten und Vorgehensweisen werden selten detailliert veröffentlicht, wodurch sich der gesamte Energiebedarf des Trainings schwer abschätzen lässt.
• Unternehmen berichten Emissionen häufig nur global zusammengefasst, ohne auszuweisen, welcher Anteil auf KI zurückgeht.
• Lieferketten für Chips und Server bleiben intransparent; öffentliche Daten zu eingebettetem CO₂ und Wasserverbrauch sind begrenzt.

MIT‑Wissenschaftlerinnen und ‑Wissenschaftler sagen, es fehle an „systematischen und umfassenden“ Methoden, um die Zielkonflikte der schnellen KI‑Entwicklung in Echtzeit zu verfolgen.

Ohne bessere Daten fällt es Politik sowie Energie‑ und Netzplanung schwer vorherzusagen, wie viele neue Kraftwerke, Netzverstärkungen oder Wasserinfrastruktur‑Projekte nötig werden, um den KI‑Boom zu versorgen.

Kann sauberer Strom das KI‑Gewissen retten?

Technologiekonzerne verweisen auf ambitionierte Käufe erneuerbarer Energien und Zusagen zur CO₂‑Neutralität, um zu zeigen, dass KI wachsen könne, ohne Klimaziele zu sprengen. In der Praxis ist das Bild gemischt.

Viele Unternehmen erwerben Zertifikate oder finanzieren Windparks weit entfernt, betreiben aber weiterhin stromhungrige Rechenzentren in Regionen, deren Strommix von fossilen Energien geprägt ist. Wenn KI‑Lasten nachts oder während windstiller, wolkenreicher Phasen steigen, greifen die Server auf das zurück, was das lokale Netz in diesem Moment liefert.

Gleichzeitig zeichnen sich einige Ansätze ab: Rechenzentren näher an Wasser-, Geothermie‑ oder anderen stabilen erneuerbaren Quellen zu platzieren, grosse Batteriespeicher zu koppeln oder Trainingsläufe gezielt in Zeiten mit Überschuss aus erneuerbarer Erzeugung zu verlegen. Doch diese Strategien sind längst nicht Standard – und sie lösen die Wasserfrage sowie die Auswirkungen der Hardwarefertigung meist nicht.

Was „Training“ und „Inferenz“ für Emissionen wirklich bedeuten

Zwei Begriffe aus der KI‑Welt verdienen eine Einordnung, weil sie direkt mit Umweltwirkungen verknüpft sind.

Training bezeichnet die einmalige (oder gelegentliche) Phase, in der ein Modell aus riesigen Datensätzen lernt. Das kann Wochen dauern, auf Tausenden GPUs laufen und grosse Energiesowie Wasser‑Spitzen verursachen. Bei Spitzenmodellen kann allein das Training so viel CO₂ ausstossen wie die Emissionen über die gesamte Lebensdauer von Hunderten Autos.

Inferenz ist das, was bei jeder Eingabe passiert – wenn Sie eine Frage tippen oder ein Unternehmen KI auf Kundendaten anwendet. Für sich genommen ist jede einzelne Interaktion klein. Werden jedoch täglich Millionen oder Milliarden Prompts über Chatbots, E‑Mail‑Werkzeuge, Suchmaschinen und Smartphones verarbeitet, kann der kumulierte Energiebedarf das Training erreichen oder übertreffen.

Wenn KI‑Assistenten zur Standardoberfläche für alles werden – von Büroarbeit bis zu Streaming‑Empfehlungen –, könnten Inferenz‑Emissionen zum dominierenden Teil des KI‑Fussabdrucks werden.

Was passiert, wenn sich KI‑Nutzung weiter verdoppelt?

Stellen wir uns ein Szenario vor, in dem sich die Zahl der KI‑Anfragen pro Person in den nächsten drei Jahren jährlich verdoppelt, weil immer mehr Dienste generative Funktionen standardmässig integrieren:

• Jahr eins: KI wird gelegentlich genutzt, vor allem von frühen Anwenderinnen und Anwendern.
• Jahr zwei: KI ist in Bürosoftware, Suche und Messaging eingebaut; tägliche Nutzung wird normal.
• Jahr drei: Viele Apps lassen KI im Hintergrund laufen und erzeugen Zusammenfassungen, Warnungen und Empfehlungen ohne direkten Prompt.

In einem solchen Verlauf kann die Gesamtnachfrage selbst dann stark steigen, wenn jede einzelne KI‑Antwort etwas effizienter wird. Stromnetze müssten ausgebaut werden, neue Rechenzentren würden schneller genehmigt, und lokale Gemeinden könnten neue Konkurrenz um Fläche und Wasser spüren.

Auf der positiven Seite könnten gezielte KI‑Anwendungen Versorgern helfen, Nachfrage besser vorherzusagen, erneuerbare Energien zu integrieren und Verschwendung in anderen Bereichen zu senken. So kann etwa eine intelligentere Steuerung von Heizung, Logistik oder Industrieprozessen Emissionen reduzieren und möglicherweise einen Teil des eigenen KI‑Fussabdrucks ausgleichen. Wie diese Bilanz ausfällt, hängt davon ab, wo KI eingesetzt wird – und wie transparent Tech‑Unternehmen ihre tatsächlichen Kosten offenlegen.

---