Kurz gesagt
Ein offizielles Energielabel für KI-Modelle gibt es noch nicht, aber die Bausteine sind vorhanden. Der AI Energy Score bewertet offene Modelle mit einem bis fünf Sternen, MLPerf Power vergleicht Hardwaresysteme, und die EU verlangt eine Energiedokumentation für KI-Modelle mit allgemeinem Verwendungszweck und baut ein Bewertungssystem für Rechenzentren auf. Außerdem hat die EU Arbeiten zur Messung energieeffizienter KI ausgeschrieben, und ein Label wird diskutiert.
Das Wichtigste
- Der AI Energy Score, im Februar 2025 gestartet, vergibt innerhalb jeder Aufgabe ein bis fünf Sterne an Modelle, auf Grundlage der gemessenen GPU-Energie.
- MLPerf Power misst die Energieeffizienz ganzer Systeme für maschinelles Lernen, von winzigen Geräten bis zu Racks in Rechenzentren.
- Nach dem EU AI Act müssen Anbieter von KI mit allgemeinem Verwendungszweck den bekannten oder geschätzten Energieverbrauch dokumentieren, doch diese Angaben gehen an Behörden, nicht an Verbraucher.
- Die EU baut eine Bewertung im Stil der Klassen A bis G für Rechenzentren auf und hat Arbeiten ausgeschrieben, die zu einem Energie- und Emissionslabel für KI führen könnten.
- Ein Label kann vergleichbare Optionen in eine Rangfolge bringen, aber nicht alles erfassen: Hardware, Einstellungen und der Einsatz in der Praxis verändern das Ergebnis.
Kühlschränke, Waschmaschinen und Glühbirnen tragen Energielabels, mit denen Käufer sie auf einen Blick vergleichen können. Immer mehr Menschen fragen, warum es das für KI-Modelle nicht gibt. Die kurze Antwort: KI zu kennzeichnen ist schwieriger, als einen Kühlschrank zu kennzeichnen, aber die Arbeit daran ist weit fortgeschritten. Dieser Artikel zeigt, was Ende 2026 existiert und was ein Label aussagen kann und was nicht.
Gibt es ein offizielles Energielabel für KI?
Nein, noch nicht. Es gibt freiwillige Bewertungen und Benchmarks, gesetzliche Pflichten zur Dokumentation des Energieverbrauchs in der EU und Arbeiten der Europäischen Kommission, die zu einem Label führen könnten. Keines davon ist bisher ein Verbraucherlabel nach Art des Kühlschranklabels.
Was ist der AI Energy Score?
Eine freiwillige Sternebewertung für KI-Modelle, die auf dem gemessenen Energieverbrauch bei Standardaufgaben beruht. Sie wurde im Februar 2025 von Hugging Face mit Partnern wie Salesforce, Cohere und der Carnegie Mellon University gestartet.
So funktioniert sie:
- Die Modelle laufen auf einem festen Satz gängiger Aufgaben, und für jedes Modell wird derselbe GPU-Typ verwendet.
- Gemessen wird die GPU-Energie für eine feste Anzahl von Anfragen.
- Jedes Modell erhält einen bis fünf Sterne, im Vergleich zu anderen Modellen derselben Aufgabe und Größenklasse. Die Bewertungen werden neu kalibriert, wenn neue Modelle hinzukommen.
Die erste Ausgabe bewertete 166 Modelle in 10 Aufgaben. Eine zweite Version, Ende 2025 veröffentlicht, nahm Reasoning (schrittweises Schlussfolgern) als bewertete Aufgabe auf. Hugging Face berichtete, dass Reasoning-Modelle im Durchschnitt rund 30-mal mehr Energie verbrauchten als Modelle ohne Reasoning oder mit abgeschaltetem Reasoning, vor allem weil sie weit mehr Ausgabe-Token erzeugen.
Die Stärke des Scores liegt darin, dass er gemessen und nicht geschätzt wird und für jedes Modell dieselben Bedingungen gelten. Seine Grenze ist die Abdeckung: Geschlossene kommerzielle Modelle können nur aufgenommen werden, wenn ihre Anbieter sich zur Teilnahme entschließen.
Was sind MLPerf Power und das ML.ENERGY Leaderboard?
Benchmarks, die den Energieverbrauch unter kontrollierten Bedingungen messen, einer für Hardwaresysteme, einer für offene Modelle.
- MLPerf Power, vom Industriekonsortium MLCommons, misst die Energieeffizienz vollständiger Systeme für maschinelles Lernen, die standardisierte MLPerf-Workloads ausführen. Die Veröffentlichung von 2025 berichtet über 1.841 Messungen an 60 Systemen, eingereicht von mehr als 20 Organisationen, von Geräten im Mikrowattbereich bis zu Rechenzentrumssystemen im Megawattbereich. Sie hilft Käufern, Hardware zu vergleichen, nicht Modelle.
- Das ML.ENERGY Leaderboard der University of Michigan misst den Inferenz-Energieverbrauch weit verbreiteter offener Modelle auf bekannter Hardware und veröffentlicht seine Werkzeuge, damit andere die Messungen wiederholen können.
Im Hochleistungsrechnen gibt es ein Vorbild. Die Green500-Liste ordnet Supercomputer nach Rechenleistung pro Watt bei einem Standard-Benchmark. Das ist ein grobes Maß, aber weil alle denselben Test durchführen, ist es vergleichbar, und es treibt die Effizienz seit Jahren voran. KI-Benchmarks könnten sich ähnlich entwickeln: unvollkommen, aber nützlich, weil sie gemeinsam genutzt werden.
Was verlangt das EU-Recht?
Dokumentation für KI-Modelle mit allgemeinem Verwendungszweck, Berichtspflichten für Rechenzentren und einen Rahmen für künftige Normen.
- AI Act (KI-Verordnung), Anhang XI. Anbieter von KI-Modellen mit allgemeinem Verwendungszweck müssen den „bekannten oder geschätzten Energieverbrauch des Modells“ dokumentieren. Ist er nicht bekannt, kann die Angabe auf Informationen über die eingesetzten Rechenressourcen beruhen. Diese Dokumentation geht an das EU AI Office und an nationale Behörden, nicht an die Öffentlichkeit.
- AI Act, Artikel 40. Der Normungsauftrag der Kommission umfasst Berichts- und Dokumentationsverfahren, die die Ressourceneffizienz von KI-Systemen verbessern sollen, einschließlich der energieeffizienten Entwicklung von Modellen mit allgemeinem Verwendungszweck. Diese Normen werden noch erarbeitet.
- Rechenzentren. Nach der Delegierten Verordnung (EU) 2024/1364 müssen Rechenzentren mit mindestens 500 kW IT-Leistung jedes Jahr Energie- und Nachhaltigkeitskennzahlen melden. 2026 schlug die Kommission den nächsten Schritt vor: ein Bewertungssystem mit Klassen für Kennzahlen wie die Power Usage Effectiveness (PUE) und die Water Usage Effectiveness (WUE). Der Vorschlag wird derzeit geprüft und ist noch nicht in Kraft.
Entwickelt die EU ein Energielabel für KI?
Sie prüft eines. Die Kommission hat im Rahmen des AI Act eine Ausschreibung zur Messung und Förderung energieeffizienter und emissionsarmer KI durchgeführt, die auch die Möglichkeit eines Energie- und Emissionslabels für KI einschließt, und 2026 eine gezielte Konsultation abgehalten. Ob ein Label folgt und ob der AI Act dafür eine Rechtsgrundlage bietet, ist nicht geklärt. Ein erster Rahmen wird wahrscheinlich eher eine Orientierungshilfe mit großen Unsicherheitsspannen sein als ein präziser Wert.
Außerhalb der EU ist das Bild überwiegend freiwillig. Im Vereinigten Königreich und in den USA gibt es keine Pflicht zu einem KI-Energielabel. Organisationen stützen sich auf freiwillige Systeme wie den AI Energy Score und auf Normen wie ISO/IEC 21031:2024, die Software Carbon Intensity Specification. Sie definiert eine CO2-Rate pro Arbeitseinheit, ist selbst aber kein vergleichendes Label.
Warum ist ein Label für KI schwieriger als für einen Kühlschrank?
Weil sich der Energieverbrauch desselben Modells mit der Hardware, den Einstellungen und der Aufgabe ändert. Ein Kühlschrank tut jeden Tag dasselbe. Der Energieverbrauch eines KI-Modells pro Aufgabe hängt ab von:
- Hardware: Chipgeneration, Anzahl der Chips, Leistungs- und Boost-Einstellungen.
- Software: Inferenz-Engine, Batching, Quantisierung, Caching.
- Aufgabe: Länge des Prompts, Länge der Antwort, ob der Reasoning-Modus eingeschaltet ist.
- Umgebung: ein Labor-Benchmark im Gegensatz zu einem ausgelasteten Produktionsrechenzentrum, das Reservekapazität für Lastspitzen vorhält.
- Qualität: Ein Modell, das weniger Energie verbraucht, aber mehr Antworten falsch gibt, kann insgesamt mehr kosten.
Ein Label muss die Bedingungen daher festlegen. Das macht es vergleichbar, aber weniger realistisch. Vor demselben Zielkonflikt stehen die Verbrauchstests für Autos.
Was sollten Käufer in der Zwischenzeit verlangen?
Gemessene Energie pro Aufgabe, unter angegebenen Bedingungen, zusammen mit der Qualität. In der Praxis:
- Fragen Sie, ob das Modell einen AI Energy Score oder eine andere unabhängige Messung hat.
- Fragen Sie, von welcher Hardware, Region und welchen Einstellungen die Zahlen des Anbieters ausgehen.
- Verlangen Sie Energie- und Qualitätswerte für Ihre Aufgabe, nicht für einen allgemeinen Benchmark.
- Gehen Sie vorsichtig mit Verhältnisangaben wie „35-mal effizienter“ um: Sie sagen ebenso viel über die Vergleichsbasis aus wie über das Produkt.
Siehe nachhaltige KI-Beschaffung und Messung ist der Engpass.
Was Sie als Nächstes tun können
- Prüfen Sie den AI Energy Score der offenen Modelle, die Sie in Betracht ziehen, und bevorzugen Sie das effizienteste, das Ihre Anforderungen erfüllt.
- Verankern Sie Energieberichte in KI-Verträgen: siehe nachhaltige KI-Beschaffung.
- Messen Sie Ihre eigenen Workloads: siehe KI-Energie messen.
- Vermeiden Sie unbelegte Effizienzaussagen in Ihrem eigenen Marketing: siehe ehrliche Umweltaussagen machen.
- Finden Sie bewertete Werkzeuge und Dienste im Produktverzeichnis.
Häufige Fragen
Gibt es ein Energielabel für KI-Modelle?
Kein offizielles. Der AI Energy Score ist eine freiwillige Sternebewertung für Modelle bei Standardaufgaben. Die Europäische Kommission hat Arbeiten zur Messung energieeffizienter KI in Auftrag gegeben, die zu einem Label führen könnten, beschlossen wurde aber noch keines.
Was ist der AI Energy Score?
Ein Projekt, das Hugging Face im Februar 2025 mit Partnern wie Salesforce, Cohere und der Carnegie Mellon University gestartet hat. Es misst die GPU-Energie, die Modelle bei Standardaufgaben verbrauchen, und vergibt jedem Modell eine Bewertung von einem bis fünf Sternen, im Vergleich zu anderen Modellen derselben Aufgabe.
Was ist MLPerf Power?
Ein Benchmark des Konsortiums MLCommons, der die Energieeffizienz von Hardware- und Softwaresystemen für maschinelles Lernen misst, während sie standardisierte MLPerf-Workloads ausführen, von Geräten im Mikrowattbereich bis zu Rechenzentrumssystemen im Megawattbereich.
Quellen
- Announcing AI Energy Score ratings, Hugging Face (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (2025)
- AI Energy Score, OECD.AI catalogue of tools (2025)
- MLPerf Power: benchmarking the energy efficiency of machine learning systems from µWatts to MWatts for sustainable AI, Tschand et al., MLCommons, HPCA 2025 (2025)
- The ML.ENERGY benchmark: toward automated inference energy measurement and optimization, Chung et al., NeurIPS Datasets and Benchmarks (2025)
- Regulation (EU) 2024/1689 (AI Act), Annex XI, European Union (2024)
- Regulation (EU) 2024/1689 (AI Act), Article 40, European Union (2024)
- Artificial Intelligence Act: call for tenders to measure and foster energy-efficient and low-emission AI, European Commission (2025)
- Commission Delegated Regulation (EU) 2024/1364 on the first phase of the establishment of a common Union rating scheme for data centres, European Commission (2024)
- European Commission proposes mandatory sustainability label for data centres, Latham & Watkins (2026)
- Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
- TOP500 and Green500 lists, TOP500 (2026)
Verwandte Themen
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.
Nachhaltige KI-Beschaffung
Was Sie KI-Anbieter zu Energie, CO2 und Wasser fragen, welche Nachweise Sie anfordern und welche Vertragsklauseln Nachhaltigkeitszusagen durchsetzbar machen.
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.
Ehrliche Umweltaussagen über KI
Greenwashing bei KI vermeiden: was Sie behaupten dürfen, Rebound-Effekte, ehrliche Berichte und die Regeln in Großbritannien, der EU und den USA.