Kurz gesagt
KI auf Smartphones, Sensoren und lokalen Servern statt in fernen Rechenzentren auszuführen, kann die Energie für den Datentransport senken und die Privatsphäre schützen. Doch es verteilt die Rechenlast auf Milliarden von Geräten, deren Energieverbrauch und Herstellungs-Fußabdruck selten gemessen werden. Ob Edge-KI grüner ist, hängt vom Modell, vom Gerät, davon, wie oft es läuft, und davon ab, was es ersetzt, und die Beweislage ist noch dünn.
Das Wichtigste
- Edge-KI führt Modelle auf oder in der Nähe des Geräts aus, das die Daten erfasst, statt in einem zentralen Rechenzentrum.
- Sie vermeidet es, Daten über Netze zu senden, die Energie verbrauchen, und hält Daten privat, verzichtet aber auf die Effizienz gemeinsam genutzter, voll ausgelasteter Server.
- Studien, die Inferenz am Edge und in der Cloud vergleichen, kommen zu unterschiedlichen Ergebnissen; diese hängen stark von Modell, Hardware und Vergleichsbasis ab.
- Die Herstellung von Geräten verursacht hohe CO2-Kosten, daher können KI-Funktionen, die die Lebensdauer von Geräten verkürzen oder neue Hardware erfordern, die Energieeinsparungen übersteigen.
- Edge-KI ist schwer zu messen und zu regulieren, weil es keinen Rechenzentrumszähler, keine PUE und keine Berichtspflicht gibt.
Die meisten Debatten über den Energieverbrauch von KI drehen sich um Rechenzentren, denn dort stehen die großen Zähler. Doch ein wachsender Teil der KI läuft anderswo: auf Smartphones, Laptops, Autos, Kameras, Türklingeln und Fabriksensoren. Das ist „Edge-KI“. Sie könnte Teil der Antwort auf den Fußabdruck der KI sein, oder eine Möglichkeit, den Fußabdruck dorthin zu verlagern, wo niemand mitzählt.
Was ist Edge-KI?
Edge-KI führt ein Modell auf oder in der Nähe des Geräts aus, das die Daten erfasst, statt die Daten an ein entferntes Rechenzentrum zu senden. KI „auf dem Gerät“ (on-device) ist der Extremfall, bei dem das Modell auf dem Smartphone oder Sensor selbst läuft.
Edge-KI ist bereits verbreitet:
- Apples technischer Bericht von 2025 beschreibt ein Sprachmodell auf dem Gerät mit etwa drei Milliarden Parametern, das mit quantisierungsbewusstem Training auf 2 Bit komprimiert wurde, damit es auf Smartphones und Laptops passt und läuft.
- Googles Android-Dienst AICore ermöglicht es Apps, auf unterstützten Pixel- und Samsung-Smartphones Gemini Nano zu nutzen, ein Modell, das auf dem Gerät läuft.
- Industriekameras, Drohnen, Autos und medizinische Geräte führen Bildverarbeitungs- und Steuerungsmodelle lokal aus, weil sie nicht auf eine Netzverbindung warten oder sich darauf verlassen können.
Die Zahl der Geräte ist groß und wächst. IoT Analytics zählte Ende 2024 etwa 18,5 Milliarden vernetzte Geräte im Internet der Dinge (IoT), ohne Smartphones, PCs und Tablets, und prognostizierte bis 2030 etwa 39 Milliarden.
Warum könnte Edge-KI Energie sparen?
Weil der Transport von Daten Energie kostet und lokale Verarbeitung ihn vermeiden kann. Außerdem bleiben sensible Daten dort, wo sie sind.
Die Internationale Energieagentur schätzt, dass Datenübertragungsnetze rund 1–1,5 % des weltweiten Stroms verbrauchen, ein ähnlicher Anteil wie Rechenzentren. Daten dort zu verarbeiten, wo sie erfasst werden, und nur Ergebnisse zu senden, kann diese Last verringern.
Es gibt einen Vorbehalt. Mytton, Lundén und Malmodin zeigten 2024, dass der Energieverbrauch von Netzen nicht direkt proportional zur Datenmenge ist: Ein Großteil der Leistung eines Netzes wird bezogen, ob Daten fließen oder nicht. Weniger Daten zu senden, spart also nicht eins zu eins Energie, und einfache Schätzungen in „kWh pro Gigabyte“ überzeichnen die Einsparung.
Weitere mögliche Vorteile:
- Privatsphäre und Souveränität. Daten, die ein Gerät, ein Krankenhaus oder einen Netzbetreiber nie verlassen, können weder bei der Übertragung abfließen noch von Dritten genutzt werden.
- Ausfallsicherheit. Ein lokales Modell funktioniert weiter, wenn das Netz oder die Cloud ausfällt.
- Latenz. Antworten kommen ohne Hin- und Rückweg an, was für Fahrzeuge und Maschinen wichtig ist.
Warum könnte Edge-KI mehr kosten?
Weil kleine Geräte meist weniger effizient sind als große, gemeinsam genutzte, voll ausgelastete Server, und weil die Herstellung von Geräten hohe CO2-Kosten verursacht.
- Auslastung. Ein Beschleuniger im Rechenzentrum kann die Anfragen vieler Nutzer bündeln und ausgelastet bleiben. Ein Smartphone oder Sensor bearbeitet die Anfrage eines einzelnen Nutzers und steht dann ungenutzt da.
- Herstellung. Wu und Kollegen bei Meta berichteten 2022, dass graue Emissionen aus der Herstellung von Hardware zur dominierenden Quelle des gesamten Fußabdrucks der KI wurden, und merkten an, dass Rechenlast, die sich an den Edge verlagert, dort laufen könnte, wo der Zugang zu erneuerbarer Energie begrenzt ist. KI-Funktionen, die neue Smartphones erfordern oder ältere langsam wirken lassen, verursachen zusätzliche Herstellungsemissionen, die jede eingesparte Energie übersteigen können.
- Vervielfachung. Geringe Kosten pro Gerät, mal Milliarden von Geräten, ergeben hohe Kosten. Eine Türklingel oder Kamera, die ständig ein Modell ausführt, kann insgesamt mehr Energie verbrauchen, als gelegentliche Cloud-Aufrufe verbraucht hätten.
Was sagt die Beweislage?
Sie ist uneinheitlich und hängt stark vom Vergleich ab. Li, Islam und Ren (2025) verglichen die Inferenz generativer KI in der Cloud und auf Edge-Geräten und fanden für mehrere Modelle einen geringeren ökologischen Fußabdruck beim Einsatz am Edge, mit Energieeinsparungen von über 90 % in ihren Tests auf einem aktuellen Smartphone. Ihre Cloud-Vergleichsbasis war kein vollständig optimierter Produktivdienst, und das ist wichtig: Gut gebündelte Server in einem effizienten Rechenzentrum sind ein schwerer zu schlagender Maßstab.
End-to-End-Studien, die einen ganzen KI-Dienst vom Gerät über das Netz bis zum Rechenzentrum verfolgen, sind noch selten, besonders für große Sprachmodelle. Ein britisches Sandpit zu grüner KI im Jahr 2026 mit Mathematikerinnen und Mathematikern, Informatikerinnen und Informatikern sowie Vertretern der Industrie führte die Modellierung des Netto-Energieeffekts von Edge-KI über Millionen von Geräten als offene Frage auf.
Warum ist Edge-KI schwer zu messen und zu regulieren?
Weil es keinen einzelnen Zähler gibt. Rechenzentren melden ihren Energieverbrauch und ihre Power Usage Effectiveness (PUE), und in der EU müssen größere Rechenzentren an ein gemeinsames System berichten. Smartphones, Sensoren und KI-Workstations am Schreibtisch haben keine solche Pflicht.
Die Energie zeigt sich, wenn überhaupt, als Akkuverbrauch oder als etwas höhere Stromrechnung, verteilt auf Millionen von Haushalten und Unternehmen. Dadurch lässt sich leicht behaupten, durch die Verlagerung von Arbeit an den Edge werde Energie gespart, ohne dass jemand es überprüfen kann. Siehe Messung ist der Engpass.
Was macht Edge-KI grüner?
Kleine, effiziente Modelle, die nur bei Bedarf laufen, auf Hardware, die die Menschen bereits besitzen. Dieselben Methoden, die den Energieverbrauch im Rechenzentrum senken, sind bei Akkubetrieb noch wichtiger:
- Komprimierte Modelle: Pruning, Quantisierung und Destillation. Siehe die Mathematik, die KI effizienter macht.
- Ereignisgesteuerte Verarbeitung: Das Modell wird geweckt, wenn etwas passiert, statt ständig zu laufen.
- Zusammenfassungen statt Rohdaten senden, wenn die Cloud gebraucht wird.
- Ältere Geräte unterstützen, damit KI-Funktionen keinen Austausch erzwingen.
GreenCode, ein europäisches Forschungsprojekt zu energieeffizienter Software, betont denselben Punkt: Kleine, abgestimmte Modelle, Retrieval statt Kontext mit roher Gewalt, Routing zur günstigsten geeigneten Komponente und Zeitplanung machen KI im Akkubetrieb und auf eingeschränkter Hardware erst praktikabel, wo es keine Möglichkeit gibt, mehr Energie aufzuwenden.
Was Sie als Nächstes tun können
- Entscheiden Sie von Fall zu Fall zwischen Edge und Cloud, mithilfe der Fragen in Edge oder Cloud?.
- Berücksichtigen Sie neben der Betriebsenergie auch die Herstellung, und vermeiden Sie Funktionen, die neue Hardware erfordern.
- Messen Sie beim Testen den Energieverbrauch der Geräte, nicht nur Genauigkeit und Geschwindigkeit.
- Führen Sie Modelle ereignisgesteuert statt ständig aus, und senden Sie Ergebnisse statt Rohdaten.
- Wenn Sie Edge-KI-Produkte kaufen, fragen Sie die Anbieter nach der Energie pro Inferenz und der Dauer der Geräteunterstützung. Siehe nachhaltige KI-Beschaffung.
Häufige Fragen
Was ist Edge-KI?
KI, die auf oder in der Nähe des Geräts läuft, auf dem Daten erfasst werden, etwa einem Smartphone, einer Kamera, einem Auto oder einem Fabriksensor, statt in einem entfernten Rechenzentrum.
Ist KI auf dem Gerät besser für die Umwelt?
Manchmal. Sie kann die Energie sparen, die für das Senden von Daten in die Cloud nötig wäre, aber kleine Geräte sind weniger effizient als gemeinsam genutzte Server, und neue KI-Funktionen können Menschen dazu bringen, neue Hardware zu kaufen. Der Nettoeffekt hängt vom Einzelfall ab.
Leert KI auf dem Gerät den Akku meines Smartphones?
Ein Modell auf einem Smartphone auszuführen, verbraucht Akku wie jede andere anspruchsvolle App. Hersteller nutzen kleine, komprimierte Modelle und spezielle Chips, um das gering zu halten, aber die Energie wird trotzdem verbraucht, und sie taucht in keiner Rechenzentrumsstatistik auf.
Quellen
- Data centres and data transmission networks, International Energy Agency (2023)
- Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations, Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- Number of connected IoT devices (State of IoT 2025), IoT Analytics (2025)
- Apple Intelligence Foundation Language Models: Tech Report 2025, Apple (2025)
- Gemini Nano with Android AICore, Google, Android Developers (2024)
- A case study of environmental footprints for generative AI inference: cloud versus edge, Li, Islam and Ren, ACM SIGMETRICS Performance Evaluation Review (2025)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Green AI and energy-aware computing, GreenCode (2026)
Verwandte Themen
Edge oder Cloud: Wo sollte KI laufen?
On-Device- und Edge-KI gegen zentrale Rechenzentren abwägen: Energie, Netz, Hardware, Datenschutz und Resilienz, mit einer Schritt-für-Schritt-Entscheidungshilfe.
Hosting und Rechenzentren für grüne KI
Wo KI laufen sollte: CO2-Intensität des Stromnetzes, PUE und WUE, Ökostromaussagen, Wasserverbrauch und Standortwahl, mit Fragen an Hoster.
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.
Die Mathematik, die KI effizienter macht
Pruning, Sparsity, Sketching, Zufallsmatrixtheorie und physikinformierte Modelle: wie Mathematik Rechenaufwand, Speicher und Energie von KI senkt.