greenai.guide

Startseite › Artikel › KI-Energieverbrauch: Zahlen und Statistiken (Stand November 2026)

Artikel

KI-Energieverbrauch: Zahlen und Statistiken (Stand November 2026)

Aktualisiert · 8 Min. Lesezeit

Kurz gesagt

Diese Statistiken zum Energieverbrauch von KI sind 40 der nützlichsten Zahlen zu Strom, Wasser und CO2 der KI, jede an ihrer Primärquelle geprüft und mit Jahresangabe. Kurz gesagt: Rechenzentren verbrauchten 2024 rund 415 TWh Strom (etwa 1,5 % des weltweiten Verbrauchs), die IEA erwartet bis 2030 rund 950 TWh, und ein typischer Text-Prompt verbraucht nach Angaben der Anbieter selbst etwa 0,24–0,34 Wh, während Bilder, Video, lange Eingaben und Reasoning (schrittweises Schlussfolgern) weit mehr verbrauchen.

Das Wichtigste

  • Rechenzentren verbrauchten laut IEA 2024 rund 415 TWh Strom, etwa 1,5 % des weltweiten Verbrauchs, und 2025 485 TWh.
  • Die IEA prognostiziert bis 2030 rund 950 TWh, etwa 3 % der weltweiten Stromnachfrage; der Stromverbrauch KI-orientierter Rechenzentren wuchs 2025 um 50 %.
  • Anbieter geben pro Text-Prompt etwa 0,24 Wh (Google, mittlerer Gemini-Text-Prompt) und 0,34 Wh (OpenAI, durchschnittliche ChatGPT-Anfrage) an.
  • Reasoning-Modelle verbrauchten in den Tests von Hugging Face 2025 im Durchschnitt 30-mal mehr Energie als Standardmodelle.
  • Das Training von GPT-3 verbrauchte schätzungsweise 1.287 MWh und verursachte rund 552 Tonnen CO₂e.
  • Rechenzentren verbrauchten 2025 23 % des gemessenen Stroms in Irland.

Diese Seite sammelt die Zahlen zum Energieverbrauch von KI, nach denen am häufigsten gesucht wird, jede an ihrer Primärquelle geprüft und mit dem Jahr, auf das sie sich bezieht. Nutzen Sie sie, um eine Zahl schnell zu finden, und prüfen Sie die Quelle, bevor Sie sie in etwas Wichtigem zitieren.

Was sind die wichtigsten Zahlen zum Energieverbrauch von KI?

Rechenzentren verbrauchen etwa 1,5 % des weltweiten Stroms, dieser Anteil dürfte sich bis 2030 ungefähr verdoppeln, und KI ist der wichtigste Treiber. Ein typischer Text-Prompt verbraucht einen Bruchteil einer Wattstunde, während Bilder, Video, sehr lange Eingaben und Reasoning weit mehr verbrauchen. Die Tabellen unten enthalten 40 Zahlen in zehn Gruppen. Wo Quellen voneinander abweichen oder eine Zahl eine Spanne ist, wird die Spanne angegeben.

Strom für Rechenzentren

Rechenzentren verbrauchten laut IEA 2024 rund 415 TWh und 2025 485 TWh. Eine Terawattstunde (TWh) sind eine Milliarde Kilowattstunden.

# Statistik Quelle Jahr
1 Rechenzentren verbrauchten 2024 rund 415 TWh Strom, etwa 1,5 % des weltweiten Verbrauchs. Internationale Energieagentur (IEA) 2025
2 Der Stromverbrauch von Rechenzentren wuchs 2025 um 17 % auf 485 TWh. IEA 2026
3 Die IEA prognostiziert bis 2030 rund 950 TWh, etwa 3 % der weltweiten Stromnachfrage. IEA 2026
4 Die Prognosen für 2035 reichen in den Szenarien der IEA von 700 bis 1.700 TWh. IEA 2025
5 Der Stromverbrauch von Rechenzentren ist seit 2017 um rund 12 % pro Jahr gewachsen. IEA 2025
6 Rechenzentren werden bis 2030 für rund ein Zehntel des Wachstums der weltweiten Stromnachfrage verantwortlich sein. IEA 2025

Wo sich die Nachfrage konzentriert

Wenige Länder und Regionen tragen den Großteil der Last. Siehe KI und der Strombedarf von Rechenzentren für die Folgen für die Stromnetze.

# Statistik Quelle Jahr
7 Auf die USA und China entfallen bis 2030 fast 80 % des weltweiten Wachstums beim Stromverbrauch von Rechenzentren. IEA 2025
8 Rechenzentren in den USA verbrauchten 2023 176 TWh, etwa 4,4 % des US-Stroms. Lawrence Berkeley National Laboratory (LBNL) 2024
9 Für Rechenzentren in den USA werden bis 2028 325–580 TWh prognostiziert, 6,7–12 % des US-Stroms. LBNL 2024
10 Rechenzentren sind bis 2030 für fast die Hälfte des Wachstums der Stromnachfrage in den USA verantwortlich. IEA 2025
11 Rechenzentren verbrauchten 2025 23 % des gemessenen Stroms in Irland, gegenüber 5 % im Jahr 2015. Central Statistics Office, Irland 2026
12 Rechenzentren verbrauchten 2023 fast ein Viertel des Stroms in Virginia. Electric Power Research Institute 2024

Der Anteil der KI

Es gibt keine genaue öffentliche Zahl für den Anteil der KI am Stromverbrauch von Rechenzentren, aber KI ist der am schnellsten wachsende Teil.

# Statistik Quelle Jahr
13 Der Stromverbrauch KI-orientierter Rechenzentren wuchs 2025 um 50 %. IEA 2026
14 Für den Stromverbrauch beschleunigter Server, die vor allem für KI genutzt werden, prognostiziert die IEA im Basisszenario ein Wachstum von 30 % pro Jahr. IEA 2025
15 Ein typisches KI-orientiertes Rechenzentrum verbraucht so viel Strom wie 100.000 Haushalte. IEA 2025

Energie pro Prompt

Nach Angaben der Anbieter selbst liegt ein typischer Text-Prompt bei etwa 0,24–0,34 Wh. Diese Zahlen sind Selbstauskünfte, beruhen auf unterschiedlichen Methoden und gelten nur für Text. Siehe Messung ist der Engpass.

# Statistik Quelle Jahr
16 Ein mittlerer (Median-)Text-Prompt in den Gemini-Apps verbrauchte 0,24 Wh, verursachte 0,03 g CO₂e und verbrauchte 0,26 ml Wasser. Google (Elsworth et al.) 2025
17 Zählt man nur aktive KI-Chips in den effizientesten Rechenzentren, ergeben sich für denselben Prompt 0,10 Wh. Google (Elsworth et al.) 2025
18 Eine durchschnittliche ChatGPT-Anfrage verbraucht etwa 0,34 Wh und etwa 0,000085 Gallonen Wasser. Sam Altman, OpenAI 2025
19 Eine typische GPT-4o-Anfrage verbraucht ungefähr 0,3 Wh, bei einer Eingabe von 10.000 Token etwa 2,5 Wh und bei einer Eingabe von 100.000 Token fast 40 Wh. Epoch AI 2025
20 Eine Antwort von 400 Token aus Mistral Large 2 verursacht 1,14 g CO₂e und verbraucht 45 ml Wasser. Mistral AI 2025
21 Reasoning-Modelle verbrauchten im Durchschnitt 30-mal mehr Energie als Standardmodelle; ein Modell verbrauchte mit eingeschaltetem Reasoning 150- bis 700-mal mehr. Hugging Face AI Energy Score 2025

Bilder und Video

Bilder und Videos zu generieren verbraucht weit mehr Energie als Textaufgaben.

# Statistik Quelle Jahr
22 Die Bildgenerierung verbrauchte im Mittel etwa 2,9 kWh pro 1.000 Bilder, gegenüber 0,002 kWh pro 1.000 Textklassifikationen. Luccioni, Jernite und Strubell 2024
23 Das am wenigsten effiziente getestete Bildmodell verbrauchte pro Bild etwa eine halbe Smartphone-Akkuladung. Luccioni, Jernite und Strubell 2024
24 Offene Text-zu-Video-Modelle verbrauchten pro kurzem Clip zwischen 0,14 Wh und über 415 Wh, wobei die Energie quadratisch mit Auflösung und Länge wuchs. Delavande, Pierrard und Luccioni 2025

Trainingsläufe

Das Training eines großen Modells kann Gigawattstunden verbrauchen, aber die meisten Entwickler der neuesten Modelle legen das nicht offen.

# Statistik Quelle Jahr
25 Das Training von GPT-3 verbrauchte schätzungsweise 1.287 MWh und verursachte rund 552 Tonnen CO₂e. Patterson et al., Google 2021
26 Das Training von BLOOM verursachte durch Strom rund 24,7 Tonnen CO₂e, einschließlich Herstellung und ungenutzter Hardware 50,5 Tonnen. Luccioni, Viguier und Ligozat 2022
27 Das Training der Llama-3.1-Modelle erforderte 39,3 Millionen GPU-Stunden und verursachte 11.390 Tonnen CO₂e (standortbasiert). Meta 2024
28 Das Training von Mistral Large 2 und 18 Monate seiner Nutzung verursachten 20,4 Kilotonnen CO₂e und verbrauchten 281.000 m³ Wasser. Mistral AI 2025

Wasser

KI verbraucht Wasser vor allem zur Kühlung von Rechenzentren und indirekt zur Stromerzeugung. Siehe wie Sie den Wasser-Fußabdruck von KI abschätzen.

# Statistik Quelle Jahr
29 Das Training von GPT-3 in den US-Rechenzentren von Microsoft könnte direkt 700.000 Liter Süßwasser verdunstet haben. Li, Yang, Islam und Ren 2023 (überarbeitet 2025)
30 Die weltweite KI-Nachfrage könnte 2027 für eine Wasserentnahme von 4,2–6,6 Milliarden m³ verantwortlich sein. Li, Yang, Islam und Ren 2023 (überarbeitet 2025)
31 Google verbrauchte 2025 in seinen Rechenzentren und Büros 41 Milliarden Liter (10,9 Milliarden Gallonen) Wasser und füllte etwa 78 % seines Süßwasserverbrauchs wieder auf. Google 2026

CO2 und Unternehmensemissionen

Die Emissionen der größten KI-Anbieter steigen, trotz großer Zukäufe sauberer Energie.

# Statistik Quelle Jahr
32 Die zielbezogenen (ambition-based) Emissionen von Google lagen 2025 bei rund 14,5 Millionen Tonnen CO₂e, 18 % mehr als 2024 und 81 % mehr als 2019. Google 2026
33 Die Gesamtemissionen von Microsoft lagen im Geschäftsjahr 2025 bei rund 20,3 Millionen Tonnen CO₂e, gegenüber rund 12,9 Millionen im Jahr 2020. Microsoft 2026
34 Die absoluten Emissionen von Amazon stiegen von 2024 bis 2025 um 16 % auf 80,85 Millionen Tonnen CO₂e. Amazon 2026
35 Generative KI könnte im Zeitraum 2020–2030 insgesamt 1,2–5,0 Millionen Tonnen zusätzlichen Elektroschrott verursachen. Wang et al., Nature Computational Science 2024

Hardware und Software werden deutlich effizienter, aber die Nachfrage wächst schneller.

# Statistik Quelle Jahr
36 Führende Hardware für maschinelles Lernen wird jedes Jahr etwa 40 % energieeffizienter. Epoch AI 2024
37 Der energieeffizienteste Supercomputer auf der Green500-Liste vom November 2026, KAIROS in Frankreich, liefert 73,28 Gigaflops pro Watt. TOP500 2026
38 Die Zahl der Rechenoperationen pro Kilowattstunde verdoppelte sich von 1946 bis 2009 etwa alle 1,57 Jahre („Koomeys Gesetz“). Koomey et al. 2011

Von Anbietern und Forschenden berichtete Effizienzgewinne

Die berichteten Gewinne sind groß, aber die meisten sind Selbstauskünfte oder an einer selbst gewählten Vergleichsbasis gemessen.

# Statistik Quelle Jahr
39 Google berichtet innerhalb von 12 Monaten einen Rückgang der Energie um das 33-Fache und der CO2-Emissionen um das 44-Fache pro mittlerem Gemini-Text-Prompt. Google (Elsworth et al.) 2025
40 Kleine aufgabenspezifische Modelle können den Energieverbrauch um bis zu 90 % senken, kürzere Prompts und Antworten um über 50 %. UNESCO und University College London 2025

Zwei weitere Zahlen werden oft zitiert. NVIDIA erklärte 2024, seine Blackwell-Plattform senke Kosten und Energieverbrauch bei der Inferenz großer Sprachmodelle gegenüber der Vorgängergeneration um bis zum 25-Fachen; dies ist eine Herstellerangabe für eine bestimmte Arbeitslast. Und Forschende von Google schätzten 2021, dass die Wahl von Modell, Rechenzentrum und Prozessor den CO2-Fußabdruck des Trainings um bis etwa das 100- bis 1.000-Fache verringern kann. Wie sich solche Gewinne in der Praxis erzielen lassen, lesen Sie unter energieeffiziente KI.

Einstellungen der Öffentlichkeit

Die Sorge um die Umweltwirkung von KI wächst, zumindest in den USA. Anderswo ist die Umfragelage dünner.

  • 2026 waren 53 % der Amerikanerinnen und Amerikaner äußerst oder sehr besorgt über die Umweltwirkung von KI, gegenüber 41 % im Jahr 2025 (AP-NORC und das Energy Policy Institute at the University of Chicago).
  • 2025 waren 72 % der Amerikanerinnen und Amerikaner zumindest etwas besorgt (dieselben Meinungsforschungsinstitute).
  • Im Vereinigten Königreich ergab die Erhebung der Regierung zu Einstellungen der Öffentlichkeit (Public Attitudes Tracker) 2024, dass 54 % erwarteten, KI werde bei der Überwachung des Klimawandels helfen, und stellte fest, dass diesem Optimismus kein entsprechendes Bewusstsein für die negativen Umweltwirkungen von KI gegenüberstand.

Wie wir Zahlen auswählen

Wir nutzen Primärquellen, nennen das Jahr und geben bei umstrittenen Zahlen lieber Spannen an.

  • Nur Primärquellen. Jede Zahl wird am eigenen Bericht, Fachartikel oder an der eigenen Seite des Herausgebers geprüft, nicht an der Berichterstattung in den Medien. Wo wir keine Primärquelle finden konnten, wird die Zahl weggelassen.
  • Wie veröffentlicht angegeben. Wir runden Zahlen nicht zu etwas, das die Quelle nicht sagt. Wo wir selbst etwas berechnen, sagen wir das.
  • Systemgrenzen zählen. Zahlen pro Prompt ändern sich je nachdem, was mitgezählt wird: Googles eigene Zahl sinkt von 0,24 Wh auf 0,10 Wh, wenn nur aktive Chips gezählt werden. Unternehmenszahlen sind Selbstauskünfte und nicht unabhängig geprüft.
  • Spannen bei umstrittenen Zahlen. Prognosen unterscheiden sich je nach Szenario, und wir zeigen die Spanne, statt eine einzelne Zahl auszuwählen.
  • Ältere Zahlen gekennzeichnet. Bei einer viel zitierten Schätzung aus dem Jahr 2019 für einen einzelnen Trainingslauf mit Neural Architecture Search (rund 626.000 lb CO₂e) argumentierten Forschende von Google später, dass sie die tatsächlichen Kosten überschätzt; wir haben sie nicht in die Tabellen aufgenommen.

Um eine Zahl zu prüfen, die Sie anderswo gesehen haben, lesen Sie wie Sie eine Aussage zum Energieverbrauch von KI prüfen.

Zuletzt geprüft

Alle Zahlen auf dieser Seite wurden zuletzt am 20. November 2026 an ihren Quellen geprüft. Wir aktualisieren die Seite, wenn die IEA, nationale Statistikämter oder große Anbieter neue Daten veröffentlichen. Wenn Ihnen eine neuere Zahl oder ein Fehler auffällt, kontaktieren Sie uns bitte.

Was Sie als Nächstes tun können

Häufige Fragen

Wie viel Energie verbraucht KI?

Für KI gibt es keine einzelne Zahl. Die IEA schätzt, dass alle Rechenzentren 2024 rund 415 TWh verbrauchten, etwa 1,5 % des weltweiten Stroms, wobei KI-orientierte Rechenzentren der am schnellsten wachsende Teil sind: Ihr Stromverbrauch stieg 2025 um 50 %.

Wie viel Energie verbraucht eine ChatGPT-Anfrage?

Der Vorstandschef von OpenAI nannte 2025 etwa 0,34 Wh für eine durchschnittliche Anfrage, und Epoch AI schätzte unabhängig davon etwa 0,3 Wh für eine typische GPT-4o-Anfrage. Sehr lange Eingaben erhöhen das stark: Epoch AI schätzt fast 40 Wh bei einer Eingabe von 100.000 Token.

Wie viel Energie braucht es, ein KI-Bild zu generieren?

In einer Studie von Luccioni, Jernite und Strubell aus dem Jahr 2024 verbrauchte die Bildgenerierung im Durchschnitt etwa 2,9 kWh pro 1.000 Bilder, also etwa 2,9 Wh pro Bild. Das am wenigsten effiziente Modell verbrauchte pro Bild ungefähr eine halbe Smartphone-Akkuladung.

Wie viel Wasser verbraucht KI?

Google gibt 0,26 ml Wasser für einen mittleren Gemini-Text-Prompt an, Mistral 45 ml für eine Antwort von 400 Token aus Mistral Large 2. Forschende schätzen, dass die weltweite KI-Nachfrage 2027 für eine Wasserentnahme von 4,2–6,6 Milliarden Kubikmetern verantwortlich sein könnte.

Wie viel Energie hat das Training von GPT-3 gekostet?

Forschende von Google schätzten in einer 2021 veröffentlichten Arbeit 1.287 MWh Strom und rund 552 Tonnen CO₂e für das Training von GPT-3. Die Trainingsenergie neuerer, größerer Modelle wird größtenteils nicht offengelegt.

Welchen Anteil am Strom verbrauchen Rechenzentren?

Weltweit etwa 1,5 % im Jahr 2024 (IEA), in den USA 4,4 % im Jahr 2023 (Lawrence Berkeley National Laboratory) und in Irland 23 % des gemessenen Stroms im Jahr 2025 (Central Statistics Office).

Wird KI energieeffizienter?

Ja, pro Aufgabe. Google berichtet, dass die Energie seines mittleren Gemini-Prompts innerhalb eines Jahres um das 33-Fache gesunken ist, und Epoch AI stellt fest, dass führende KI-Chips jedes Jahr etwa 40 % energieeffizienter werden. Der Gesamtverbrauch steigt trotzdem, weil die Nachfrage schneller wächst.

Machen sich Menschen Sorgen um die Umweltwirkung von KI?

Zunehmend, zumindest in den USA: Eine Umfrage von AP-NORC und der University of Chicago ergab, dass 2026 53 % der Amerikanerinnen und Amerikaner äußerst oder sehr besorgt über die Umweltwirkung von KI waren, gegenüber 41 % im Jahr 2025.

Quellen

  1. Energy and AI: executive summary, International Energy Agency (2025)
  2. Key questions on energy and AI, International Energy Agency (2026)
  3. DOE releases new report evaluating increase in electricity demand from data centers (2024 United States Data Center Energy Usage Report, LBNL), US Department of Energy and Lawrence Berkeley National Laboratory (2024)
  4. Data centres metered electricity consumption 2025: key findings, Central Statistics Office, Ireland (2026)
  5. Powering data centers: U.S. energy system and emissions impacts of growing loads, Electric Power Research Institute (2024)
  6. Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
  7. The gentle singularity, Sam Altman (OpenAI) (2025)
  8. How much energy does ChatGPT use?, Epoch AI (2025)
  9. Our contribution to a global environmental standard for AI, Mistral AI (2025)
  10. AI Energy Score v2: refreshed leaderboard, now with reasoning, Hugging Face (Luccioni and Gamazaychikov) (2025)
  11. Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell (FAccT 2024) (2024)
  12. Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (2025)
  13. Carbon emissions and large neural network training, Patterson et al., Google (2021)
  14. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum (2019)
  15. Estimating the carbon footprint of BLOOM, a 176B parameter language model, Luccioni, Viguier and Ligozat (2022)
  16. Llama 3.1 model card, Meta (2024)
  17. Making AI less 'thirsty': uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2025)
  18. Google 2026 environmental report, Google (2026)
  19. 2026 environmental data fact sheet, Microsoft (2026)
  20. 2025 Amazon sustainability report, Amazon (2026)
  21. E-waste challenges of generative artificial intelligence, Wang, Zhang, Tzachor and Chen, Nature Computational Science (2024)
  22. Leading ML hardware becomes 40% more energy-efficient each year, Epoch AI (2024)
  23. Implications of historical trends in the electrical efficiency of computing, Koomey, Berard, Sanchez and Wong, IEEE Annals of the History of Computing (2011)
  24. Green500, November 2026, TOP500 (2026)
  25. NVIDIA Blackwell platform arrives to power a new era of computing, NVIDIA (2024)
  26. AI large language models: new report shows small changes can reduce energy use by 90%, UNESCO and University College London (2025)
  27. 2026 poll: Americans' views on the impact of AI and data centers, Energy Policy Institute at the University of Chicago and AP-NORC (2026)
  28. 2025 poll: Americans' views on the environmental impact of AI, Energy Policy Institute at the University of Chicago and AP-NORC (2025)
  29. Public attitudes to data and AI: tracker survey (wave 4), Department for Science, Innovation and Technology (2024)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz