Klimareporter°: Herr Maaß, welchen Chatbot nutzen Sie, wenn Sie schnell etwas recherchieren wollen – Chat-GPT, Claude, Gemini oder Deepseek? Und spielt bei Ihrer Wahl eine Rolle, wie viel Strom die jeweilige KI verbraucht?
Wolfgang Maaß: Für schnelle Faktenfragen nutze ich meistens Claude von Anthropic. Den Stromverbrauch kann ich bei der Auswahl allerdings nicht berücksichtigen, weil wir ihn bei keinem der führenden KI-Modelle verlässlich kennen. Wenn ich vermute, dass ich die Antwort schnell über eine Suchmaschine oder in der Wikipedia finde, nutze ich auch diese direkt.
Gerade das chinesische Deepseek hat Anfang 2025 mit dem Versprechen Aufsehen erregt, mit deutlich weniger Rechenaufwand auszukommen als die großen US‑Konkurrenten. Der Beweis dafür, dass KI nicht zwangsläufig immer mehr Energie verschlingen muss?
Bei Deepseek muss man genauer hinschauen. Die viel zitierten Entwicklungskosten von nur 5,6 Millionen Dollar und der entsprechend niedrige Energiebedarf bezogen sich nur auf den letzten Trainingslauf. Die Kosten für das Training früherer Modelle, auf denen Deepseek R1 aufbaut, sind darin nicht enthalten. Deshalb lässt sich auch über den gesamten Energieverbrauch keine verlässliche Aussage machen.
Technisch hat Deepseek aber durchaus gezeigt, wie sich KI effizienter machen lässt. Ein wichtiger Ansatz ist die sogenannte Mixture-of-Experts-Architektur. Dabei wird bei einer Anfrage nicht das komplette Modell aktiviert, sondern nur der Teil, der für die jeweilige Aufgabe gebraucht wird. Das spart Rechenleistung und damit Energie.
Der Stromhunger der Rechenzentren wächst rasant. Ein UN-Bericht erwartet, dass sich deren weltweiter Stromverbrauch bis 2030 auf rund 950 Milliarden Kilowattstunden im Jahr nahezu verdoppeln wird. KI ist dabei ein wichtiger Treiber. Ist diese Entwicklung unabwendbar – oder kann eine konsequent auf Effizienz getrimmte KI den Trend brechen?
Beides stimmt gleichzeitig: Wir erzielen reale und erhebliche Effizienzgewinne bei einzelnen Aufgaben, die die KI übernimmt, trotzdem wird der gesamte Stromverbrauch in den nächsten Jahren voraussichtlich weiter steigen. Der Grund: Die Nutzung von KI wächst noch schneller als ihre Effizienz. Effizienz kann diesen Anstieg deutlich verlangsamen, aber sie wird ihn nicht von allein stoppen.
Ihr gerade abgeschlossenes Forschungsprojekt "Escade" hat gezeigt, dass sich der Energieverbrauch von KI-Anwendungen drastisch reduzieren lässt. Wo genau liegt das Einsparpotenzial?
Wir haben auf drei Ebenen angesetzt. Erstens kann man für bestimmte Aufgaben kleinere, spezialisierte Modelle einsetzen, statt immer große Allzweckmodelle zu verwenden.
Zweitens lässt sich die Auslastung der Grafikprozessoren, also der Hochleistungschips für KI, besser steuern. Dadurch werden Leerlaufzeiten vermieden, in denen die Hardware Strom verbraucht, ohne produktiv zu arbeiten.
Drittens haben wir sogenannte neuromorphe Hardware untersucht. Diese Chips orientieren sich in ihrer Funktionsweise am menschlichen Gehirn und rechnen nur dann, wenn tatsächlich neue Informationen verarbeitet werden müssen. Die großen Einsparungen entstehen durch das Zusammenspiel solcher Maßnahmen.
Wolfgang Maaß
ist wissenschaftlicher Direktor am Deutschen Forschungszentrum für Künstliche Intelligenz (DFKI) in Saarbrücken, zudem Professor für Betriebswirtschaftslehre mit Schwerpunkt Wirtschaftsinformatik an der Universität des Saarlandes. Zu seinen Forschungsschwerpunkten gehören ressourceneffiziente künstliche Intelligenz und nachhaltige KI-Infrastrukturen.
Sie haben bei bestimmten Anwendungen immerhin Energieeinsparungen von bis zu 89 Prozent erreicht. Für welche genau funktioniert das?
Vor allem für klar abgegrenzte, spezialisierte Aufgaben. Wir haben zum Beispiel ein allgemeines medizinisches KI-Modell mit rund 100 Millionen Parametern von Grund auf mit großen medizinischen Datensätzen trainiert. Dieses relativ kleine Modell kann bei medizinischen Tests mit deutlich größeren Allzweckmodellen mithalten.
Wenn man genau weiß, wofür eine KI gebraucht wird, muss man also nicht immer ein riesiges Modell einsetzen, das alles Mögliche können soll. Training und Nutzung eines solchen spezialisierten Modells lassen sich mit den in "Escade" entwickelten Verfahren sehr stark optimieren.
Die 89 Prozent sind aber keine allgemeine Aussage, die sich auf jedes KI-Modell übertragen lässt.
Und wie sieht es bei großen Sprachmodellen wie Chat-GPT oder Claude aus, bei Bild- und Videogeneratoren oder künftig bei KI-Agenten?
Dort liegt das Einsparpotenzial an anderer Stelle. Ein großes Sprachmodell soll ja gerade sehr viele unterschiedliche Aufgaben erledigen können. Man kann es deshalb nicht ohne Weiteres auf ein enges Spezialgebiet beschränken. Allerdings enthalten solche großen Modelle erhebliche Redundanzen.
Es gibt verschiedene technische Möglichkeiten, diese zu reduzieren. Dazu gehört die bereits erwähnte Mixture-of-Experts-Technik, bei der nur ein Teil des Modells für eine Anfrage aktiviert wird. Außerdem kann man die Rechengenauigkeit dort reduzieren, wo sie nicht benötigt wird, und Anfragen gezielt an das jeweils passende Modell schicken, statt grundsätzlich das größte Modell zu nutzen.
Moderne Modelle aktivieren teilweise nur wenige Prozent ihrer gesamten Parameter für eine einzelne Anfrage. Das zeigt, dass auch bei sehr großen KI-Modellen erhebliche Effizienzgewinne möglich sind.
Bei Bild- und Videogeneratoren ist die Ausgangslage rechenintensiver, und die Forschung zu Effizienzverfahren steht dort noch am Anfang.
Bei KI-Agenten liegt das eigentliche Problem ohnehin nicht im einzelnen Modellaufruf, sondern in der Ressourcenökonomie über die Zeit: viele kleine, wiederholte Anfragen und ungenutzt reservierte Rechenkapazität während Wartezuständen. Das ist weitgehend ungelöst.
Droht nicht trotzdem der klassische Rebound-Effekt: Die einzelne KI-Anfrage wird immer sparsamer, aber weil KI dadurch billiger wird und überall eingesetzt werden kann, steigt der Stromverbrauch am Ende trotzdem?
Das ist der wichtigste Einwand gegen eine zu optimistische Effizienz-Hoffnung. Der Energieverbrauch pro Aufgabe sinkt, aber die Nutzung wächst schneller.
Ob Effizienz am Ende tatsächlich zu einem niedrigeren Energieverbrauch führt oder vor allem eine noch stärkere und billigere Nutzung von KI ermöglicht, entscheidet nicht die Technik allein. Das entscheidet letztlich der Markt.
Welche Resonanz bekommen Sie aus der Wirtschaft auf die Escade-Ergebnisse? Und wie schnell könnten die Verfahren in den breiten Einsatz kommen?
Das Interesse ist durchaus vorhanden, schon weil Energieeffizienz die Betriebskosten senkt – unabhängig vom Klimaargument. Unser Verfahren für ein effizienteres Management der Grafikprozessoren haben wir bereits im großen KI-Rechenzentrum der Deutschen Telekom eingesetzt und evaluiert.
Im Nachfolgeprojekt Halo‑X weiten wir diesen Ansatz auf Edge Computing aus, also auf kleinere Rechner, die Daten direkt vor Ort verarbeiten. Kleine, auf bestimmte Aufgaben spezialisierte Modelle können ebenfalls schnell eingesetzt werden. Neuromorphe Hardware hat aus meiner Sicht großes Potenzial für die Zukunft, braucht aber noch weitere Entwicklung.
Wenn sich der Energieverbrauch technisch so stark reduzieren lässt – warum geschieht das nicht längst in der Breite?
Da kommen mehrere Faktoren zusammen. Zum einen fehlen teilweise noch die wirtschaftlichen Anreize, weil die Stromkosten im Vergleich zu den hohen Investitionskosten für Rechenzentren und zum Wettbewerbsdruck bisher eine eher untergeordnete Rolle spielen.
Zum anderen erleben wir ein Wettrennen um immer größere und leistungsfähigere KI‑Modelle. Die Frage, welches Modell am effizientesten arbeitet, steht dabei weniger im Vordergrund.
Und schließlich fehlt es an Transparenz: Wir wissen bei vielen Modellen schlicht nicht, wie viel Energie Training und Nutzung tatsächlich verbrauchen.
Braucht es deshalb politische Vorgaben? Sollte die EU KI-Anbieter beispielsweise verpflichten, den Energie- und Ressourcenverbrauch ihrer Modelle offenzulegen, oder Mindeststandards für Energieeffizienz festlegen?
Offenlegungspflichten für KI-Rechenzentren können sinnvoll und notwendig sein, wenn die Daten ausreichend detailliert sind. Nur dann lassen sich verschiedene Systeme überhaupt miteinander vergleichen.
Bei festen Mindeststandards für Energieeffizienz wäre ich vorsichtiger. Wie effizient ein KI-System ist, hängt stark von der jeweiligen Aufgabe ab. Starre Grenzwerte könnten deshalb falsche Anreize setzen und Innovationen möglicherweise sogar in die falsche Richtung lenken.
Weltweit werden enorme Summen in neue Rechenzentren investiert. Zugleich wächst vor allem in den USA, aber auch in Deutschland der Widerstand gegen ihren Strom- und Wasserverbrauch. Könnte energiesparsame KI dazu führen, dass ein Teil dieser Rechenzentren gar nicht gebaut werden muss? Und könnte Europa bei "grüner KI" eine Vorreiterrolle übernehmen?
Energiesparsame KI kann den Bedarf an zusätzlichen Rechenzentren dämpfen. Ich glaube aber nicht, dass sie den Ausbaubedarf vollständig kompensieren wird – wegen des Rebound-Effekts.
Für Europa sehe ich trotzdem eine strategische Chance. Wir könnten Effizienz und technologische Souveränität zu einem Differenzierungsmerkmal gegenüber dem Wettrennen der Anbieter aus den USA und China um immer größere KI-Systeme und mehr Rechenleistung machen.
Diese wählen beim Bau ihrer Rechenzentren gezielt Standorte mit günstigem Zugang zu Strom, Wasser und Flächen, während die Folgen für Stromversorgung, Wasserverbrauch und Flächenverbrauch kaum eingepreist oder gesellschaftlich diskutiert werden. Und das dürfte sich bald ändern, wie die zunehmenden Proteste etwa in den USA gegen Rechenzentren erwarten lassen.
Allerdings sollten auch bei uns die Kommunen bessere Verhandlungsinstrumente bekommen, um beim Land- und Wasserverbrauch den tatsächlichen Wert dieser Ressourcen gegenüber Rechenzentrums-Betreibern angemessen verhandeln zu können. Das muss politisch gestaltet werden.
Dass wir längst ökologisch im roten Bereich wirtschaften, blendet er wie alle Weitermacher einfach aus. Vage Vorstellungen von Technologie-Fixes, die die Probleme schon lösen werden, bevors zu spät ist, wabern vielleicht dann und wann durch sein Bewusstsein. Das Leben ist aufregend, Wissenschaft und Technik faszinierend, die eigene Karriere läuft rund und die Konkurrenz schläft nicht. Irgendwo tickt es.