Kurz gesagt
Das Jevons-Paradoxon ist die Erkenntnis, die William Stanley Jevons 1865 erstmals darlegte, dass eine effizientere Nutzung von Kohle Großbritannien dazu brachte, mehr davon zu verbrennen, nicht weniger. Bei KI wird jede Anfrage weit günstiger und effizienter, und doch steigt der gesamte Stromverbrauch der Rechenzentren schnell. Forschende, die die Klimawirkung digitaler Technik untersuchen, argumentieren, dass Effizienz nur dann echte Emissionssenkungen bringt, wenn die Gesamtemissionen begrenzt werden.
Das Wichtigste
- Das Jevons-Paradoxon: Wird die Nutzung einer Ressource günstiger, kann ihr Gesamtverbrauch steigen. Jevons zeigte das 1865 für Kohle.
- Rebound kann direkt (mehr von derselben Aufgabe), indirekt (Einsparungen werden anderswo ausgegeben) oder gesamtwirtschaftlich sein; übersteigt er die Einsparung, spricht man von Backfire.
- Google berichtete, dass die Energie seines mittleren Gemini-Text-Prompts innerhalb eines Jahres um das 33-Fache gesunken ist, während die IEA prognostiziert, dass sich der Stromverbrauch von Rechenzentren bis 2030 mehr als verdoppelt.
- Freitag, Berners-Lee und Kollegen kamen zu dem Ergebnis, dass der Klima-Fußabdruck der IKT unterschätzt wird, und argumentieren, dass Behauptungen über durch IKT ermöglichte Einsparungen auf schwachen Belegen beruhen.
- Widdicks und Kollegen folgern, dass Effizienz unter Emissionsobergrenzen der einzige Weg ist, Effizienz in echte Emissionssenkungen zu verwandeln.
- In der Praxis: Gesamtwerte messen, Budgets oder Obergrenzen festlegen, frei gewordene Kapazität stilllegen und KI nur dort einsetzen, wo sie Nutzen bringt.
KI wird sehr schnell effizienter, und ihr gesamter Energieverbrauch wächst sehr schnell. Diese beiden Tatsachen sind kein Widerspruch. Sie sind ein 160 Jahre altes Muster, das als Jevons-Paradoxon bekannt ist. Dieser Artikel erklärt das Paradoxon, die Belege dafür, dass es für KI gilt, die Bedenken, die Forschende dagegen erhoben haben, digitale Technik als Klimalösung zu behandeln, und was Effizienz tatsächlich in geringere Emissionen verwandelt. Für die Grundlagen von Effizienz und Suffizienz beginnen Sie mit Effizienz ist nicht Suffizienz.
Was ist das Jevons-Paradoxon?
Das Jevons-Paradoxon liegt vor, wenn eine effizientere Nutzung einer Ressource dazu führt, dass mehr davon verbraucht wird, nicht weniger. Der Ökonom William Stanley Jevons legte es 1865 in The Coal Question dar, einem Buch über die Frage, ob Großbritanniens Kohlebergwerke erschöpft sein würden.
Jevons widersprach der verbreiteten Annahme. Er schrieb, es sei „eine völlige Verwirrung der Begriffe, anzunehmen, dass der sparsame Gebrauch von Brennstoff gleichbedeutend mit einem verringerten Verbrauch sei. Das genaue Gegenteil ist wahr.“ Seine Begründung war, dass günstigere Dampfkraft den Einsatz von Kohle für viel mehr Arbeiten lohnend machte, sodass die Gesamtnachfrage schneller stieg, als der Verbrauch jeder einzelnen Maschine sank.
Die Erkenntnis lautet nicht, dass Effizienz schlecht ist. Sie lautet, dass Effizienz den Preis einer Tätigkeit verändert und dass Menschen, Unternehmen und ganze Volkswirtschaften auf Preise reagieren.
Was ist der Rebound-Effekt?
Der Rebound-Effekt ist die zusätzliche Nutzung, die ein Effizienzgewinn auslöst und die die Einsparung aufzehrt. Das Jevons-Paradoxon ist seine extremste Form. Widdicks und Kollegen beschreiben in einem Artikel von 2023 in der Fachzeitschrift Patterns die wichtigsten Arten:
| Art | Was geschieht | Beispiel aus der KI |
|---|---|---|
| Direkter Rebound | Dieselbe Leistung wird günstiger und deshalb mehr genutzt | Günstigere Prompts führen zu mehr Prompts, längeren Antworten und mehr Agentenaufrufen |
| Indirekter Rebound | Eingespartes Geld oder eingesparte Zeit wird für andere Dinge ausgegeben, die ebenfalls Energie verbrauchen (der „Einkommenseffekt“ und der „Zeit-Rebound“) | Mit einem KI-Assistenten eingesparte Zeit wird für energieintensivere Tätigkeiten genutzt |
| Gesamtwirtschaftlicher Rebound | Die Wirtschaft insgesamt passt sich an: Neue Produkte, Märkte und Branchen wachsen auf Basis des günstigeren Inputs | KI wird standardmäßig in Suche, Smartphones und Bürosoftware eingebaut |
Ist der Rebound größer als die Einsparung, sodass Gesamtnutzung oder Emissionen steigen, spricht man von Backfire. Dieselben Autoren merken an, dass in der Weltwirtschaft Energieeffizienzgewinne bei den meisten Produkten und Dienstleistungen seit 1850 mit einem durchschnittlichen Wachstum der weltweiten CO2-Emissionen von 1,8 % pro Jahr einhergingen. Sie betonen, dass dies nicht beweist, dass Effizienz höhere Emissionen verursacht, sondern nur, dass die Emissionen ohne Effizienz viel schneller hätten steigen müssen, wenn sie es nicht tut.
Siehe das Glossar zu Rebound-Effekt und Jevons-Paradoxon.
Tritt das Jevons-Paradoxon bei KI auf?
Die Belege deuten darauf hin: Die Energie pro Anfrage sinkt schnell, während der gesamte Stromverbrauch der Rechenzentren steigt. Zwei viel zitierte Zahlen aus verschiedenen Quellen zeigen das Muster:
- Pro Anfrage. Google berichtete 2025, dass sein mittlerer (Median-)Text-Prompt in den Gemini-Apps 0,24 Wh Energie verbraucht und dass die Energie pro mittlerem Prompt innerhalb von 12 Monaten um das 33-Fache und sein CO2-Fußabdruck um das 44-Fache gesunken ist.
- Insgesamt. Die Internationale Energieagentur (IEA) schätzt, dass Rechenzentren 2024 rund 415 TWh verbrauchten, etwa 1,5 % des weltweiten Stroms, und dass dieser Verbrauch seit 2017 um rund 12 % pro Jahr gewachsen ist. Sie prognostiziert, dass er sich bis 2030 auf rund 945 TWh mehr als verdoppelt, wobei KI „der wichtigste Treiber dieses Wachstums“ sei.
Diese Zahlen beweisen für sich genommen keinen Ursache-Wirkungs-Zusammenhang, denn die Nachfrage nach KI wächst auch aus anderen Gründen als dem Preis. Sie zeigen aber, dass große Gewinne pro Anfrage den Anstieg der Gesamtnutzung nicht aufgehalten haben. Die IEA selbst behandelt das Tempo der Effizienzverbesserungen als eine der wichtigsten Unsicherheiten ihres Ausblicks: Über ihre Szenarien hinweg reicht die Nachfrage der Rechenzentren 2035 von 700 bis 1.700 TWh.
KI hat Eigenschaften, die Rebound besonders wahrscheinlich machen. Günstigere Inferenz ermöglicht es Anbietern, KI zur Voreinstellung in Werkzeugen zu machen, die Menschen bereits nutzen, und lässt Agenten pro Aufgabe viele Modellaufrufe machen (siehe agentische KI und Token-Verschwendung). Einsparungen werden zudem oft für Leistungsfähigkeit ausgegeben, etwa größere Modelle oder längeren Kontext, statt sie zu behalten.
Welche Bedenken haben Mike Berners-Lee und Kollegen geäußert?
Sie argumentieren, dass die Klimawirkung digitaler Technik unterschätzt wird, dass ihre Effizienzgewinne regelmäßig durch Nachfrage aufgehoben werden und dass Behauptungen über einen Klimanutzen weit bessere Belege brauchen. Mike Berners-Lee, Gründer von Small World Consulting mit Sitz an der Lancaster University, ist Fachmann für CO2-Fußabdrücke und Mitautor zweier Artikel in Patterns zu dieser Frage.
Der Fußabdruck ist größer als berichtet
Freitag, Berners-Lee, Widdicks, Knowles, Blair und Friday werteten 2021 Schätzungen zur Klimawirkung der Informations- und Kommunikationstechnik (IKT) aus. Sie stellten fest, dass begutachtete Studien den Anteil der IKT auf 1,8–2,8 % der weltweiten Treibhausgasemissionen beziffern, dass der Anteil aber 2,1–3,9 % betragen könnte, wenn Lieferketten mitgezählt werden, die in üblichen Lebenszyklusstudien fehlen (der „Abschneidefehler“, truncation error).
Effizienz hat den Gesamtwert nicht gesenkt
Dieselbe Übersichtsarbeit stellte fest, dass die Nachfrage nach Rechenleistung und Geräten pro Kopf die Effizienzverbesserungen übertroffen hatte, sodass Energieverbrauch und Fußabdruck der IKT Jahr für Jahr weiter wuchsen. Alle darin ausgewerteten Analysten waren sich einig, dass die IKT-Emissionen „ohne große, abgestimmte Anstrengungen mit breitem politischem und industriellem Handeln nicht sinken werden“. Die Autoren nannten Gründe, ohne Eingreifen einen Anstieg der Emissionen zu erwarten, und hielten einen natürlichen Höhepunkt durch gesättigte Nachfrage für unwahrscheinlich. Der Fairness halber berichten sie auch die gegenteilige Auffassung des Forschers Jens Malmodin, die er ihnen persönlich mitteilte, dass sich die IKT-Emissionen vorerst stabilisiert hätten und sich bis 2030 halbieren könnten.
Behauptungen über „KI für das Klima“ fehlt der Beleg eines Nettonutzens
Branchenberichte haben behauptet, IKT könne in anderen Sektoren ein Mehrfaches ihrer eigenen Emissionen einsparen. Freitag und Kollegen argumentieren, dass diese Schätzungen Rebound nur sehr begrenzt berücksichtigen und dass IKT ebenso wahrscheinlich Wachstum ermöglicht, auch in CO2-intensiven Branchen, wie sie Emissionen senkt. Sie schreiben, dass „trotz fragwürdiger Belege dafür, dass die Wachstumstrends der IKT mehr CO2-Emissionen einsparen, als sie verursachen“, Blockchain, das Internet der Dinge und KI zunehmende Investitionen und Verbreitung erleben. IKT spart nach ihrer Argumentation nur dann anderswo Emissionen ein, wenn sie CO2-intensive Tätigkeiten ersetzt, statt zusätzlich zu ihnen hinzuzukommen.
Das heißt nicht, dass KI dem Klima nicht helfen kann. Es heißt, dass jede Behauptung einen Nettonutzen nachweisen muss, wobei der eigene Fußabdruck der KI und der Rebound mitgezählt werden. Siehe grüne KI vs. KI für die Umwelt.
Effizienz braucht eine Obergrenze
Der Artikel von Widdicks und Kollegen aus dem Jahr 2023, der auf einem Workshop mit 19 Fachleuten beruht, folgert, dass „Effizienz unter Obergrenzen für Treibhausgasemissionen der einzige Weg ist, auf dem Effizienz zu echten Emissionssenkungen führen kann“. Die Übersichtsarbeit von 2021 argumentiert, dass ohne eine globale CO2-Obergrenze neue Regulierung nötig ist, um den Fußabdruck der IKT mit dem Pariser Abkommen in Einklang zu halten. Beide Artikel stellen eine Obergrenze auch als gut für die Branche dar: Unter einer Begrenzung wird Effizienz wertvoller, nicht weniger wertvoll.
In seinen eigenen Worten
Vor digitalen Führungskräften der britischen Regierung in London fasste Berners-Lee im Februar 2026 das Rebound-Problem nach einem Bericht von THINK Digital Partners so zusammen: „Je effizienter es wird, desto mehr tun wir“, und warnte: „Viele Leute schlagen mit dem Vorschlaghammer aus KI und maschinellem Lernen auf jedes Problem ein.“
Was verwandelt Effizienz in echte Einsparungen?
Verbinden Sie jeden Effizienzgewinn mit einer Begrenzung des Gesamtwerts, und messen Sie den Gesamtwert. Die obige Forschung weist auf fünf praktische Hebel hin.
Arbeiten Sie mit einem Budget oder einer Obergrenze
Legen Sie für ein Produkt, ein Team oder ein Projekt ein absolutes Budget für Energie, Emissionen, Rechenleistung oder Token fest, und halten Sie es ein, wenn sich die Effizienz verbessert. Effizienz ermöglicht dann, innerhalb des Budgets mehr zu tun, statt den Gesamtwert nach oben zu treiben.
Messen Sie die absolute Wirkung, nicht nur Werte pro Einheit
Die Aussage, ein Modell sei „zehnmal effizienter“, sagt nichts darüber aus, ob die Gesamtemissionen gesunken sind. Berichten Sie Gesamtenergie und Gesamtemissionen im Zeitverlauf, zusätzlich zur Energie pro Aufgabe. Siehe wie Sie den Energieverbrauch von KI messen.
Praktizieren Sie Suffizienz
Setzen Sie KI dort ein, wo sie echten Nutzen bringt, und dann das kleinste geeignete Modell. Eine Formel, eine Suche oder eine Datenbankabfrage erledigt die Aufgabe oft mit einem Bruchteil der Energie. Siehe Suffizienz.
Sichern Sie die Einsparungen
Wenn ein Effizienzprojekt Kapazität freisetzt, entscheiden Sie im Voraus, was damit geschieht. Server, reservierte Cloud-Kapazität oder Lizenzen stillzulegen, sichert die Einsparung; sie weiterlaufen zu lassen, lädt dazu ein, sie mit neuer Nutzung zu füllen. Siehe wie Sie verhindern, dass Effizienzgewinne aufgehoben werden.
Nutzen Sie politische Hebel, die auf Gesamtwerte wirken
CO2-Bepreisung, Emissionsobergrenzen, Begrenzungen für Netzanschlüsse und die Berichterstattung über den absoluten Energieverbrauch wirken auf die Gesamtnachfrage, wie es Effizienzstandards allein nicht können. Siehe Politik für grüne KI.
Was Sie als Nächstes tun können
- Nehmen Sie den gesamten KI-Energieverbrauch oder die gesamten KI-Emissionen in Ihre regelmäßige Berichterstattung auf, neben den Werten pro Aufgabe.
- Legen Sie ein Budget oder eine Obergrenze für KI-Rechenleistung oder -Emissionen fest, und halten Sie daran fest, wenn sich die Effizienz verbessert.
- Entscheiden Sie vor jedem Effizienzprojekt, ob die frei gewordene Kapazität stillgelegt oder weiter genutzt wird.
- Fragen Sie, ob jede neue KI-Funktion nötig ist und ob sie standardmäßig eingeschaltet sein sollte.
- Behandeln Sie jede Behauptung, KI werde anderswo Emissionen senken, als zu prüfende Hypothese, mit eingerechnetem Rebound.
- Lesen Sie Effizienz ist nicht Suffizienz und grüne KI vs. KI für die Umwelt für das größere Bild.
Häufige Fragen
Was ist das Jevons-Paradoxon?
Die Beobachtung des Ökonomen William Stanley Jevons in seinem Buch The Coal Question von 1865, dass eine effizientere Nutzung von Kohle dazu führte, dass mehr Kohle verbraucht wurde, weil Effizienz kohlebetriebene Arbeit günstiger und damit verbreiteter machte.
Senkt effizientere KI die Emissionen?
Pro Anfrage ja. Insgesamt nicht unbedingt: Günstigere Anfragen fördern weit mehr Nutzung. Der gesamte Stromverbrauch der Rechenzentren steigt weiterhin schnell, obwohl die Energie pro Prompt sinkt. Effizienz senkt die Emissionen insgesamt also nur, wenn auch die Gesamtnutzung oder die Emissionen begrenzt werden.
Was ist der Rebound-Effekt bei KI?
Die zusätzliche KI-Nutzung, die folgt, wenn KI günstiger oder einfacher wird, und die die eingesparte Energie aufzehrt. Er kann direkt (mehr Prompts), indirekt (eingespartes Geld oder eingesparte Zeit wird für andere energieverbrauchende Dinge ausgegeben) oder gesamtwirtschaftlich sein (neue Produkte und Branchen, die auf günstiger KI aufbauen).
Was ist Backfire?
Backfire ist ein so großer Rebound-Effekt, dass Gesamtverbrauch oder Emissionen am Ende höher sind als vor dem Effizienzgewinn. Das Jevons-Paradoxon ist ein Beispiel für Backfire.
Was sagen Mike Berners-Lee und seine Mitautoren über KI und Klima?
In begutachteten Fachartikeln argumentieren sie, dass der Fußabdruck der IKT unterschätzt wird, dass Effizienzgewinne meist durch wachsende Nachfrage aufgehoben werden, dass die Belege für einen Netto-Klimanutzen der IKT, einschließlich KI, fragwürdig sind und dass eine Obergrenze für Emissionen nötig ist, damit Effizienz echte Senkungen bringt.
Wie verhindert man, dass Effizienzgewinne aufgehoben werden?
Messen Sie Gesamtenergie oder Gesamtemissionen zusätzlich zur Energie pro Aufgabe, legen Sie ein Budget oder eine Obergrenze fest, entscheiden Sie im Voraus, was mit frei gewordener Kapazität geschieht, und setzen Sie KI nur dort ein, wo sie genug Nutzen bringt.
Quellen
- The Coal Question, W. Stanley Jevons, Macmillan (digitised copy, Internet Archive) (1865)
- Systems thinking and efficiency under emissions constraints: Addressing rebound effects in digital innovation and policy, Widdicks, Lucivero, Samuel, Somavilla Croxatto, Smith, Ten Holter, Berners-Lee, Blair, Jirotka, Knowles, Sorrell, Börjesson Rivera, Cook, Coroamă, Foxon, Hardy, Hilty, Hinterholzer and Penzenstadler, Patterns (2023)
- 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)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- "We're heading for something pretty grim": Mike Berners-Lee warns digital leaders on climate, THINK Digital Partners (2026)
Verwandte Themen
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.
Grüne KI vs. KI für die Umwelt: der Unterschied
Grüne KI senkt den Fußabdruck der KI selbst; KI für die Umwelt nutzt KI für Klima und Natur. Wie beides sich unterscheidet, zusammengehört und sich bewerten lässt.
So schreiben Sie eine Richtlinie für grüne KI
Schritt für Schritt zur Richtlinie für grüne KI: mit Vorlage zu Nutzung, Modellen, Messung, Beschaffung, Umweltaussagen und Überprüfung.
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.