Kurz gesagt
Wenn jede KI-Aufgabe günstiger wird, heißt das nicht, dass KI insgesamt weniger Energie verbraucht, denn günstigere Aufgaben führen meist dazu, dass mehr davon ausgeführt werden. Das ist der Rebound- oder Jevons-Effekt. Grüne KI braucht Effizienz (jede Aufgabe mit weniger erledigen) und Suffizienz (nur die Aufgaben erledigen, die es wert sind), wobei die Einsparungen auf der Ebene des gesamten Systems gemessen werden.
Das Wichtigste
- Effizienz senkt die Energie pro Aufgabe; die Gesamtenergie hängt davon ab, wie viele Aufgaben ausgeführt werden.
- Wenn Effizienz etwas günstiger macht, wächst oft die Nachfrage, manchmal so stark, dass die Einsparung aufgehoben wird. Das ist der Rebound- oder Jevons-Effekt.
- Rechentechnik ist über Jahrzehnte enorm viel effizienter geworden, und doch ist ihr gesamter Stromverbrauch immer weiter gestiegen.
- Suffizienz fragt, ob eine Aufgabe überhaupt KI braucht, oder ein so großes Modell.
- Effizienzgewinne zählen nur dann als Einsparungen, wenn die Gesamtnutzung begrenzt, gemessen oder mit einem Preis versehen wird.
Grüne KI wird oft als Effizienzproblem dargestellt: Man mache Modelle kleiner, Chips besser und Rechenzentren sauberer, und der Fußabdruck sinkt. Effizienz ist wichtig, garantiert aber für sich genommen nicht, dass KI weniger Energie verbraucht. Dieser Artikel erklärt, warum, und was dazukommen muss.
Was ist der Unterschied zwischen Effizienz und Suffizienz?
Effizienz heißt, eine Aufgabe mit weniger zu erledigen; Suffizienz heißt, nur die Aufgaben zu erledigen, die es wert sind. Beide verringern die Umweltwirkung, beantworten aber unterschiedliche Fragen.
| Effizienz | Suffizienz | |
|---|---|---|
| Frage | Wie erledigen wir das mit weniger Energie? | Müssen wir das tun, und in diesem Umfang? |
| Beispiele | Pruning, Quantisierung, bessere Chips, Kühlung | Keine KI verwenden, wo eine Suche oder eine Formel genügt; ein kleines Modell statt eines Frontier-Modells verwenden |
| Gemessen als | Energie pro Aufgabe | Gesamtenergie und Nutzen pro Energieeinheit |
| Wer handelt | Ingenieure, Hardwarehersteller, Rechenzentrumsbetreiber | Nutzer, Produktverantwortliche, Einkäufer, politische Entscheidungsträger |
Die beiden sind keine Rivalen. Ein britisches Sandpit zu grüner KI im Jahr 2026 mit Mathematikerinnen und Mathematikern, Informatikerinnen und Informatikern sowie Vertretern der Industrie führte eine Umfrage dazu durch, ob sich grüne KI auf Effizienz konzentrieren sollte oder darauf, KI nur dort einzusetzen, wo sie nötig ist; die beliebteste Antwort war „beides gleichermaßen“. Siehe Was ist grüne KI? für die weiter gefassten Definitionen.
Was ist der Rebound-Effekt?
Der Rebound-Effekt ist die zusätzliche Nutzung, die folgt, wenn etwas günstiger oder einfacher wird. Ist die zusätzliche Nutzung groß genug, um die Einsparung zu übertreffen, steigt der Gesamtverbrauch. Dieser Extremfall heißt Jevons-Paradoxon (in seinen milderen Formen auch als Rebound-Effekt bekannt).
Der Ökonom William Stanley Jevons beschrieb ihn 1865 in The Coal Question. Er argumentierte, dass effizientere Dampfmaschinen den Kohleverbrauch Großbritanniens nicht senken würden, weil günstigere Dampfkraft für viel mehr Zwecke eingesetzt würde. Er hatte recht: Der Kohleverbrauch stieg weiter.
Rebound gibt es in Abstufungen:
- Direkter Rebound: Eine günstigere Aufgabe wird häufiger erledigt. Einem schnelleren, günstigeren Chatbot werden mehr Fragen gestellt.
- Indirekter Rebound: Eingespartes Geld oder eingesparte Zeit wird für etwas anderes ausgegeben, das ebenfalls Energie verbraucht.
- Gesamtwirtschaftlicher Rebound: Günstigere Fähigkeiten ermöglichen ganz neue Produkte und Branchen.
Ist das in der Rechentechnik schon geschehen?
Ja. Koomey und Kollegen stellten 2011 fest, dass sich die Zahl der Rechenoperationen pro Energieeinheit seit den ersten elektronischen Computern der 1940er-Jahre etwa alle 1,57 Jahre verdoppelt hatte. In denselben Jahrzehnten wuchs der gesamte Stromverbrauch der Rechentechnik, weil die günstigere Rechenleistung für weit mehr Zwecke eingesetzt wurde.
Die Übersichtsarbeit von Freitag und Kollegen aus dem Jahr 2021 zur Klimawirkung der IKT bezifferte den Anteil des Sektors auf 1,8–2,8 % der weltweiten Treibhausgasemissionen, oder 2,1–3,9 %, wenn Lieferketten vollständig eingerechnet werden. Sie argumentierten, dass der Fußabdruck der IKT trotz großer Effizienzgewinne gewachsen ist und dass Rebound-Effekte berücksichtigt werden müssen, bevor Effizienz als Klimaeinsparung gezählt wird.
Folgt KI demselben Muster?
Die ersten Anzeichen sprechen dafür. Die Energie pro KI-Aufgabe sinkt schnell, während die Gesamtnachfrage steigt.
- Google berichtete 2025, dass die Energie seines mittleren (Median-)Gemini-Text-Prompts innerhalb von zwölf Monaten um das 33-Fache gesunken sei, dank besserer Modelle, Software und Hardware.
- Für einen ähnlichen Zeitraum prognostizierte die Internationale Energieagentur, dass sich der Stromverbrauch von Rechenzentren bis 2030 mehr als verdoppeln werde, von rund 415 TWh im Jahr 2024 auf rund 945 TWh, wobei KI der wichtigste Treiber des Wachstums sei.
Beides kann zugleich wahr sein. Günstigere Prompts machen es wirtschaftlich, KI standardmäßig in Suchergebnisse, Dokumente, Smartphones und Software-Werkzeuge einzubauen und Agenten zu betreiben, die pro Aufgabe viele Aufrufe machen (siehe agentische KI und Token-Verschwendung).
Luccioni, Strubell und Crawford untersuchten dies 2025 in einem Artikel über die polarisierte Umweltdebatte um KI. Sie argumentierten, dass effizientere KI für sich genommen keinen geringeren Umweltschaden garantiert, weil Effizienzgewinne die Gesamtnutzung erhöhen können, und dass die Debatte diese indirekten Effekte vernachlässigt. Sie fordern Lebenszyklusanalysen, kombiniert mit der Analyse von Geschäftsanreizen, Märkten, Governance und sozialen Normen.
Warum wird Effizienz nicht automatisch zur Einsparung?
Weil derjenige, der von Effizienz profitiert, den Gewinn meist wieder ausgibt. Bei KI sind drei Mechanismen verbreitet:
- Preis. Anbieter geben geringere Kosten weiter, und die Nutzung wächst.
- Leistungsfähigkeit. Eine Einsparung bei einer bestimmten Größe wird für ein größeres Modell oder einen längeren Kontext ausgegeben, weil sich Qualität verkauft.
- Voreinstellungen. Wenn KI günstig genug ist, um sie für alle einzuschalten, wird sie für alle eingeschaltet, auch für Menschen, die nicht danach gefragt haben.
Nichts davon ist ein Grund, die Effizienz nicht weiter zu verbessern. Ohne sie wäre die Gesamtnachfrage noch höher. Es ist ein Grund, Effizienzgewinne erst dann als Klimaeinsparungen zu zählen, wenn die Gesamtnutzung gemessen wurde.
Wie sieht Suffizienz in der Praxis aus?
Sie bedeutet, das Werkzeug an die Aufgabe anzupassen und manchmal ganz auf KI zu verzichten. Praktische Formen sind:
- Eine deterministische Methode verwenden, wenn es eine gibt. Ein Taschenrechner, eine Datenbankabfrage oder ein klassisches numerisches Verfahren ist meist günstiger und zuverlässiger als ein Sprachmodell.
- Das Modell passend dimensionieren. Leiten Sie einfache Anfragen an kleine Modelle weiter. Siehe das richtige Modell wählen.
- Aufwendige KI per Opt-in statt standardmäßig anbieten. Funktionen, die bei jedem Seitenaufruf Inhalte generieren, vervielfachen den Energieverbrauch.
- Weniger iterieren. Ein Bild oder Video immer wieder neu generieren zu lassen, bis es passt, vervielfacht die Kosten jedes Versuchs. Besseres Prompting und bessere Bearbeitungswerkzeuge verringern die Zahl der Versuche.
- Wiederverwenden statt neu generieren. Siehe Orchestrierung statt Generierung.
Im Sandpit war ein Thema, dass das System, nicht jeder einzelne Nutzer, diese Entscheidungen treffen sollte, wo es möglich ist, etwa durch automatisches Routing zum kleinsten geeigneten Modell, denn es skaliert nicht, jeden Nutzer die Energiekosten jeder Anfrage beurteilen zu lassen.
Wie lässt sich der Rebound in Schach halten?
Indem man die Gesamtnutzung misst, begrenzt oder mit einem Preis versieht, nicht nur die Nutzung pro Aufgabe. Möglichkeiten sind:
- Budgets. Legen Sie für ein Projekt oder Produkt ein Energie-, Token- oder CO2-Budget fest, damit Effizienzgewinne Spielraum schaffen, statt die Nutzung automatisch auszuweiten.
- Messung des Gesamtsystems. Berichten Sie die Gesamtenergie im Zeitverlauf, zusätzlich zur Energie pro Aufgabe. Siehe Messung ist der Engpass.
- Ehrliche Aussagen. Die Aussage, ein Produkt sei „X-mal effizienter“, sagt nichts über die Gesamtwirkung aus. Siehe ehrliche Umweltaussagen machen.
- Politik. CO2-Bepreisung und Netzengpässe wirken auf die Gesamtnachfrage, wie es Effizienzstandards allein nicht tun. Siehe Politik für grüne KI.
Was Sie als Nächstes tun können
- Verfolgen Sie den gesamten KI-Energieverbrauch oder die gesamten KI-Ausgaben im Zeitverlauf, nicht nur Werte pro Anfrage.
- Fragen Sie sich, bevor Sie eine KI-Funktion hinzufügen, ob eine Methode ohne KI genügen würde und ob die Funktion standardmäßig eingeschaltet sein sollte.
- Leiten Sie Anfragen an das kleinste Modell weiter, das die Aufgabe erledigt: siehe KI effizient nutzen.
- Wenn Sie einen Effizienzgewinn erzielen, entscheiden Sie im Voraus, ob er die Gesamtnutzung senken oder neue Nutzung finanzieren soll.
- Lesen Sie den Leitfaden für Unternehmen, um zu erfahren, wie Sie diese Entscheidungen in Beschaffung und Produktdesign verankern.
Häufige Fragen
Was ist das Jevons-Paradoxon?
Die Beobachtung, die William Stanley Jevons 1865 erstmals zur Kohle machte, dass eine effizientere Nutzung einer Ressource ihren Gesamtverbrauch erhöhen kann, weil Effizienz sie günstiger und damit breiter genutzt macht.
Bedeutet der Rebound-Effekt, dass Effizienz sinnlos ist?
Nein. Effizienz ist weiterhin nötig, und ohne sie wäre die Gesamtnutzung höher. Es geht darum, dass Effizienz allein keine geringere Gesamtnutzung garantiert und daher mit Suffizienz und Messung kombiniert werden muss.
Was ist Suffizienz bei grüner KI?
KI nur dort einzusetzen, wo sie genug Nutzen bringt, und das kleinste Modell und den geringsten Rechenaufwand zu verwenden, die die Aufgabe gut erledigen. Sie fragt nicht nur „Wie machen wir das günstiger?“, sondern auch „Sollten wir das überhaupt tun?“
Quellen
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- The real climate and transformative impact of ICT: a critique of estimates, trends, and regulations, Freitag, Berners-Lee, Widdicks, Knowles, Blair and Friday, Patterns (2021)
- Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
Verwandte Themen
Was ist grüne KI?
Eine verständliche Definition grüner KI: KI für die Umwelt und grünere KI, Effizienz und Suffizienz sowie ihr Fußabdruck bei Energie, CO2, Wasser und Material.
KI effizient nutzen: Gewohnheiten für den Alltag
Alltagsgewohnheiten, die den Energieverbrauch bei der KI-Nutzung senken: klare Prompts, weniger Neugenerieren, Maß bei Bildern und Videos, Caching, Abschalten.
Das richtige Modell für die Aufgabe wählen
KI richtig dimensionieren: wann kleine oder spezialisierte Modelle reichen, wann sich ein Frontier-Modell lohnt, wie Routing funktioniert und wann man auf KI verzichtet.
Messung ist der Engpass für grüne KI
Warum KI-Energiewerte schwer zu prüfen und zu vergleichen sind: Selbstauskünfte, Schätzungen statt Messungen, unterschiedliche Grenzen, und wie es besser geht.