Kurz gesagt
Grüne KI (Green AI) bedeutet im engeren Sinn, den ökologischen Fußabdruck der KI selbst zu verringern: ihre Energie, ihr CO2, ihr Wasser und ihre Hardware. KI für die Umwelt (AI for green) bedeutet, KI zur Unterstützung von Klima- und Umweltschutz einzusetzen, von der Prognose erneuerbaren Stroms und dem Aufspüren von Methanlecks bis zu Hochwasserwarnungen und Wettervorhersagen. Beides gehört zusammen, denn ein KI-Projekt für das Klima hilft nur, wenn es mehr einspart, als es kostet.
Das Wichtigste
- Grüne KI verringert den Fußabdruck der KI selbst; KI für die Umwelt nutzt KI, um anderswo Emissionen zu senken oder Menschen bei der Anpassung an den Klimawandel zu helfen.
- KI für die Umwelt umfasst Klimaschutz (Mitigation, Emissionen senken) sowie Anpassung und Resilienz (mit den Folgen eines sich wandelnden Klimas umgehen).
- Die Internationale Energieagentur schätzt, dass eine breite Nutzung bestehender KI-gestützter Lösungen die Emissionen 2035 um das Äquivalent von rund 5 % der energiebedingten Emissionen senken könnte, betont aber, dass dies nicht garantiert ist.
- Ein Projekt für KI für die Umwelt sollte seinen eigenen Fußabdruck erfassen und ihn den vermiedenen Emissionen oder Schäden gegenüberstellen, mit einer ehrlichen Unsicherheitsspanne.
- Gute Projekte für KI für die Umwelt praktizieren grüne KI: das kleinste Modell, das funktioniert, gemessener Energieverbrauch und Aufmerksamkeit für Rebound-Effekte.
Zwei Begriffe, die fast gleich klingen, beschreiben recht unterschiedliche Arbeit. Bei „grüner KI“ (Green AI) geht es um die Kosten der KI für den Planeten. Bei „KI für die Umwelt“ (AI for green) geht es darum, was KI für den Planeten tun kann. Dieser Artikel erklärt den Unterschied, nennt echte Beispiele für beides und zeigt, warum die besten Projekte beides brauchen.
Was ist der Unterschied zwischen grüner KI und KI für die Umwelt?
Grüne KI verringert den ökologischen Fußabdruck der KI selbst; KI für die Umwelt nutzt KI zur Unterstützung von Klima- und Umweltschutz. Das eine blickt nach innen auf das KI-System, das andere nach außen auf das Problem, auf das es angewendet wird.
- Grüne KI im engeren Sinn, den die meisten meinen, betrifft die Energie, das CO2, das Wasser und die Hardware, die KI verbraucht. Dazu gehören effizientere Modelle und effizienterer Code, die Messung des Energieverbrauchs, der Betrieb mit saubererem Strom, eine längere Nutzung der Hardware und Suffizienz: KI oder ein großes Modell nur dort einzusetzen, wo es sich lohnt.
- KI für die Umwelt wendet KI auf Umweltprobleme an. Sie umfasst sowohl das Senken von Emissionen als auch die Hilfe für Menschen und Natur, mit einem sich wandelnden Klima umzugehen.
Auf dieser Website verwendet Was ist grüne KI? „grüne KI“ als Oberbegriff für beide Ideen und nennt den engeren Sinn „grünere KI“. Die Unterscheidung ist dieselbe: Welche Wörter Sie auch verwenden, es hilft, zu sagen, welche Bedeutung Sie meinen.
Was umfasst KI für die Umwelt?
Zwei große Arten von Klimaarbeit: Klimaschutz (Mitigation), der Emissionen senkt, sowie Anpassung und Resilienz, die die Schäden eines sich wandelnden Klimas verringern. Der Aufsatz Tackling climate change with machine learning von Rolnick und Kollegen aus dem Jahr 2019 kartierte beides, von intelligenten Stromnetzen bis zum Katastrophenmanagement. Er wird von Climate Change AI herausgegeben, einer ehrenamtlich geführten gemeinnützigen Organisation, die 2019 gegründet wurde und heute Workshops, eine Sommerschule und Innovationsförderungen in diesem Bereich anbietet.
Klimaschutz: Emissionen senken
- Stromnetze: Prognosen von Wind- und Solarerzeugung sowie der Nachfrage, damit Netze Angebot und Nachfrage mit weniger fossiler Reserve ausgleichen können.
- Erkennung von Methan und Emissionen: Das 2023 eingeführte Methane Alert and Response System (MARS) des UN-Umweltprogramms nutzt Satellitendaten in Verbindung mit wissenschaftlicher Expertise und KI, um kostenlose Warnungen über große Methanfreisetzungen zu versenden. Die IEA berichtet, dass 2025 nur auf rund 12 % der Meldungen reagiert wurde, eine Erinnerung daran, dass Erkennung nur hilft, wenn jemand darauf handelt.
- Materialentdeckung: Das Projekt GNoME von Google DeepMind berichtete 2023 in Nature, dass Graph-Netze 2,2 Millionen Kristallstrukturen identifizierten, darunter 381.000 neu entdeckte stabile Materialien, ein Ausgangspunkt für bessere Batterien und Solarzellen. Jeder Kandidat muss trotzdem noch hergestellt und getestet werden.
- Gebäude und Industrie: DeepMind berichtete 2016, dass maschinelles Lernen die Energie für die Kühlung der Rechenzentren von Google dauerhaft um 40 % senken konnte.
- Landwirtschaft und Landnutzung: Überwachung von Nutzpflanzen, Böden und Entwaldung anhand von Satellitenbildern.
Anpassung und Resilienz: mit dem Klimawandel umgehen
- Wetter- und Klimavorhersage: GraphCast, ein Wettermodell auf Basis von maschinellem Lernen, übertraf die genauesten operativen deterministischen Systeme bei 90 % von 1.380 Prüfzielen und erstellte eine globale 10-Tage-Vorhersage in weniger als einer Minute. Am 25. Februar 2025 nahm das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) sein auf maschinellem Lernen beruhendes Artificial Intelligence Forecasting System (AIFS) in den operativen Betrieb. Laut ECMWF übertrifft es physikbasierte Modelle bei vielen Kennzahlen und verbraucht für eine Vorhersage etwa 1.000-mal weniger Energie.
- Hochwasserwarnungen: Nearing und Kollegen zeigten 2024 in Nature, dass KI-Hochwasservorhersagen in Flusseinzugsgebieten ohne Pegelmessstellen fünf Tage im Voraus genauso zuverlässig oder zuverlässiger waren als die Vorhersagen eines führenden globalen Systems für denselben Tag. Ihr Modell speist ein Frühwarnsystem mit kostenlosen, öffentlichen Vorhersagen in über 80 Ländern.
- Frühwarnung vor Waldbränden und Hitzewellen, Katastrophenhilfe, Wassermanagement und Biodiversitätsmonitoring, etwa die Bestimmung von Arten anhand von Kamerafallen und Tonaufnahmen.
Wie lassen sie sich vergleichen?
Sie unterscheiden sich in Ziel, Beteiligten und Erfolgsmaßstäben, teilen aber ein Risiko: Nutzen, der behauptet, aber nie gemessen wird.
| Grüne KI | KI für die Umwelt | |
|---|---|---|
| Ziel | Energie, CO2, Wasser und Material senken, die KI verbraucht | KI nutzen, um anderswo Emissionen zu senken oder Klimaschäden zu verringern |
| Wer handelt | KI-Entwickler, Entwickler von Rechenzentren und Chips, IT- und Beschaffungsteams, alltägliche Nutzerinnen und Nutzer | Klima- und Geowissenschaftler, Energieunternehmen, Prognostiker, Naturschutzgruppen, Regierungen, gemeinsam mit KI-Fachleuten |
| Woran sich Erfolg zeigt | Weniger Energie und CO2 pro nützlichem Ergebnis und geringere Gesamtnutzung | Gemessene vermiedene Emissionen, frühere Warnungen, gerettete Leben und eingespartes Geld |
| Beispielmethoden | Kleinere oder destillierte Modelle, Quantisierung, Energiemessung, CO2-bewusste Zeitplanung, längere Hardware-Lebensdauer | Prognosen, Satellitenbildanalyse, Optimierung von Netzen und Gebäuden, Materialscreening |
| Hauptrisiken | Einsparungen fließen in mehr Nutzung (der Rebound-Effekt); Effizienzaussagen ohne Gesamtzahlen | Fußabdruck größer als der Nutzen; Nutzen angenommen statt gemessen; Erkennungen, auf die niemand reagiert |
Ist KI gut oder schlecht für das Klima?
Beides, und die Bilanz hängt davon ab, wie sie genutzt wird. Der Bericht Energy and AI der Internationalen Energieagentur aus dem Jahr 2025 erwartet in seinem Basisszenario, dass die Emissionen aus dem Stromverbrauch von Rechenzentren von heute 180 Millionen Tonnen bis 2035 auf 300 Millionen Tonnen wachsen. Er schätzt außerdem, dass eine breite Nutzung bestehender KI-gestützter Lösungen die Emissionen 2035 um das Äquivalent von rund 5 % der energiebedingten Emissionen senken könnte: weit mehr als die Emissionen der Rechenzentren, aber weit weniger als das, was nötig ist, um den Klimawandel zu bewältigen.
Die IEA geht mit der zweiten Zahl vorsichtig um. Sie sagt, dass Hindernisse für die Einführung überwunden werden müssen, dass Rebound-Effekte, etwa wenn Menschen vom öffentlichen Nahverkehr auf autonome Autos umsteigen, den Nutzen schmälern könnten und dass KI „kein Allheilmittel“ ist. Kaack und Kollegen bieten in einem Beitrag in Nature Climate Change aus dem Jahr 2022 eine nützliche Denkweise dafür. Sie teilen die Wirkungen der KI auf Emissionen in drei Gruppen ein:
- Rechenbezogene Wirkungen: die Energie und die Hardware, die die KI verbraucht.
- Unmittelbare Anwendungswirkungen: die direkte Wirkung der Nutzung, zum Beispiel weniger verbrannter Kraftstoff.
- Wirkungen auf Systemebene: breitere Veränderungen von Verhalten und Nachfrage, einschließlich Rebound.
Grüne KI arbeitet an der ersten Gruppe, KI für die Umwelt an der zweiten. Die dritte kann beiden helfen oder schaden.
Warum gehören grüne KI und KI für die Umwelt zusammen?
Weil ein Projekt für KI für die Umwelt nur hilft, wenn es mehr einspart, als es kostet, und grüne KI der Weg ist, die Kosten niedrig zu halten. Ein Klimazweck lässt einen Fußabdruck nicht verschwinden.
Viele Aufgaben von KI für die Umwelt eignen sich gut für grüne KI. Wetter-, Hochwasser- und Netzprognosen sind spezialisierte Systeme, die für eine einzige Aufgabe gebaut sind, und das ECMWF berichtet, dass sein AIFS für eine Vorhersage etwa 1.000-mal weniger Energie verbraucht. Diese Zahl gilt für die Erstellung einer Vorhersage; eine vollständige Bilanz würde auch das Training des Modells einrechnen. Das Risiko entsteht, wenn ein Projekt zu einem großen allgemeinen Modell greift, häufiger neu trainiert als nötig oder in einem Umfang läuft, den sein Nutzen nicht rechtfertigt. Luccioni, Strubell und Crawford argumentieren, dass Effizienzgewinne zu mehr Nutzung führen können, weshalb ein Projekt seinen gesamten Fußabdruck betrachten sollte, nicht nur seine Effizienz pro Aufgabe (siehe Effizienz ist nicht Suffizienz).
Gute Projekte für KI für die Umwelt praktizieren deshalb grüne KI:
- Sie wählen die einfachste Methode, die funktioniert, manchmal klassische Statistik oder ein physikalisches Modell;
- sie messen die Energie für Training und Betrieb des Systems;
- sie laufen dort und dann, wo und wann der Strom sauberer ist;
- sie verwenden bestehende Modelle und Daten wieder, statt von Grund auf neu zu trainieren.
Wie bewertet man den Nettonutzen eines Projekts für KI für die Umwelt?
Stellen Sie den eigenen Fußabdruck der KI den Emissionen oder Schäden gegenüber, die sie im Vergleich zu einer Situation ohne sie vermeidet, und geben Sie eine Unsicherheitsspanne an. Kaack und Kollegen fordern eine solche Wirkungsabschätzung als Priorität.
- Erfassen Sie den Fußabdruck der KI. Berücksichtigen Sie Training, erneutes Training, den Alltagsbetrieb, die Datenspeicherung und, wo möglich, den grauen (eingebetteten) CO2-Fußabdruck der Hardware. Messen Sie, wo Sie können, statt zu schätzen.
- Legen Sie das Kontrafaktum fest. Was würde ohne die KI geschehen: die bestehende Vorhersage, die manuelle Inspektion, gar nichts? Der Nutzen ist nur die Differenz.
- Schätzen Sie die vermiedenen Emissionen oder Schäden. Nutzen Sie gemessene Ergebnisse, wo es sie gibt, etwa tatsächlich reparierte Lecks oder tatsächlich eingesparte Energie, nicht nur Erkennungen oder Vorhersagen.
- Berücksichtigen Sie Rebound- und Systemeffekte. Fragen Sie, ob eine günstigere oder einfachere Tätigkeit dazu führt, dass mehr davon ausgeübt wird.
- Zeigen Sie die Unsicherheit. Geben Sie eine Spanne an, nennen Sie Ihre Annahmen und überprüfen Sie die Schätzung, sobald das System im Einsatz ist.
Ist der Nutzen selbst am pessimistischen Ende der Spanne ein Vielfaches des Fußabdrucks, ist die Begründung stark. Liegen beide nah beieinander oder ist der Nutzen nicht gemessen, sollten Sie die Aussage mit Vorsicht behandeln. Siehe Messung ist der Engpass und ehrliche Umweltaussagen.
Was Sie als Nächstes tun können
- Lesen Sie Was ist grüne KI? für die grundlegenden Definitionen.
- Bevor Sie ein Projekt für KI für die Umwelt beginnen, halten Sie sein Kontrafaktum fest und wie Sie seinen Energieverbrauch messen werden.
- Suchen Sie nach Förderung für Projekte zu grüner KI und KI für die Umwelt, einschließlich Klima- und Naturfonds.
- Finden Sie Gruppen, die in diesem Bereich arbeiten, im Forschungsverzeichnis.
- Lesen Sie Effizienz ist nicht Suffizienz, um zu sehen, warum die Gesamtnutzung zählt.
- Schlagen Sie unbekannte Begriffe im Glossar nach.
Häufige Fragen
Was ist KI für die Umwelt?
KI für die Umwelt (AI for green) ist der Einsatz künstlicher Intelligenz zur Unterstützung von Klima- und Umweltschutz: Emissionen senken, zum Beispiel durch die Prognose erneuerbaren Stroms oder das Aufspüren von Methanlecks, und Menschen bei der Anpassung helfen, zum Beispiel durch Hochwasserwarnungen und bessere Wettervorhersagen.
Was ist der Unterschied zwischen grüner KI und KI für die Umwelt?
Bei grüner KI geht es um den Fußabdruck der KI selbst: Modelle, Hardware und Rechenzentren sollen weniger Energie, CO2, Wasser und Material verbrauchen. Bei KI für die Umwelt geht es darum, wofür KI genutzt wird: für Umweltprobleme. Ein Projekt kann das eine, beides oder keines von beidem sein.
Ist KI gut oder schlecht für das Klima?
Beides, je nachdem, wie sie genutzt wird. Die Internationale Energieagentur kommt zu dem Ergebnis, dass eine breitere Nutzung bestehender KI-Anwendungen die Emissionen weit stärker senken könnte, als Rechenzentren hinzufügen, warnt aber, dass dies nicht garantiert ist und Rebound-Effekte die Gewinne schmälern könnten.
Was ist der Unterschied zwischen grüner KI und nachhaltiger KI?
Die Begriffe überschneiden sich und werden oft gleichbedeutend verwendet. Grüne KI konzentriert sich meist auf den ökologischen Fußabdruck der KI; nachhaltige KI wird oft weiter gefasst und schließt auch soziale und wirtschaftliche Auswirkungen ein.
Woran erkennt man, ob ein KI-Klimaprojekt seinen Fußabdruck wert ist?
Schätzen Sie Energie und CO2 für Aufbau und Betrieb der KI, schätzen Sie die Emissionen oder Schäden, die sie im Vergleich zu einer Situation ohne sie vermeidet, und vergleichen Sie beides mit einer Unsicherheitsspanne. Ist der Nutzen nicht gemessen, ist die Aussage nicht belegt.
Gibt es Beispiele dafür, dass KI beim Klimawandel hilft?
Ja. Wettermodelle auf Basis von maschinellem Lernen wie AIFS des ECMWF laufen inzwischen im operativen Betrieb, KI-gestützte Hochwasservorhersagen liefern in über 80 Ländern kostenlose öffentliche Warnungen, und das Methan-Warnsystem des UN-Umweltprogramms nutzt Satellitendaten und KI, um große Methanfreisetzungen zu melden.
Quellen
- Tackling climate change with machine learning, Rolnick et al., Climate Change AI (arXiv:1906.05433) (2019)
- About Climate Change AI, Climate Change AI (2026)
- Aligning artificial intelligence with climate change mitigation, Kaack et al., Nature Climate Change (2022)
- Energy and AI: executive summary, International Energy Agency (2025)
- ECMWF's AI forecasts become operational, European Centre for Medium-Range Weather Forecasts (2025)
- Learning skillful medium-range global weather forecasting (GraphCast), Lam et al., Science (arXiv:2212.12794) (2023)
- Global prediction of extreme floods in ungauged watersheds, Nearing et al., Nature (2024)
- Responding to satellite notifications from the Methane Alert and Response System, International Energy Agency (2026)
- Scaling deep learning for materials discovery, Merchant et al., Nature (2023)
- DeepMind AI reduces Google data centre cooling bill by 40%, Google DeepMind (2016)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (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.
Effizienz ist nicht Suffizienz: der Rebound-Effekt bei KI
Warum effizientere KI nicht garantiert, dass insgesamt weniger Energie verbraucht wird, was der Rebound- oder Jevons-Effekt ist und was Einsparungen sichert.
So messen Sie den Energieverbrauch und CO2-Fußabdruck von KI
Ein Praxisleitfaden zum Messen oder Schätzen von Energie und CO2 bei KI-Arbeit: Werkzeuge, Systemgrenzen, Kennzahlen pro Aufgabe und ehrliche Unsicherheit.
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.