Kurz gesagt
Grüne KI bedeutet, künstliche Intelligenz so zu nutzen, dass ihre Umweltkosten in einem angemessenen Verhältnis zu ihrem Nutzen stehen. Sie umfasst zwei Ideen, nämlich KI zur Unterstützung der Umwelt einzusetzen („KI für die Umwelt“, englisch „AI for green“) und den Fußabdruck der KI selbst zu verringern („grünere KI“), und zwei Wege dorthin: Effizienz (jede Aufgabe mit weniger erledigen) und Suffizienz (nur die Aufgaben erledigen, die sich lohnen).
Das Wichtigste
- „KI für die Umwelt“ setzt KI für Umweltziele ein; „grünere KI“ verringert den Fußabdruck der KI selbst. Grüne KI braucht beides.
- Der Fußabdruck der KI besteht nicht nur aus Strom. Er umfasst CO2-Emissionen, Wasser für Kühlung und Stromerzeugung sowie die Materialien und den Abfall der Hardware.
- Effizienz senkt die Kosten jeder einzelnen Aufgabe; Suffizienz fragt, ob die Aufgabe überhaupt KI braucht oder ein so großes Modell.
- Grüne KI heißt nicht „keine KI“. Es geht darum, KI gut zu nutzen, ihre Kosten zu messen und das richtige Werkzeug für die Aufgabe zu wählen.
- Da „KI“ alles umfasst, von kleinen Klassifikatoren bis zu Chatbots an der technologischen Spitze, sollte jede Aussage über grüne KI angeben, welche Art von KI gemeint ist.
„Grüne KI“ wird für mehrere verschiedene Dinge verwendet, was Gespräche darüber verwirrend macht. Dieser Artikel stellt die wichtigsten Ideen und die auf dieser Website verwendeten Begriffe vor, damit spätere Seiten darauf aufbauen können.
Was bedeutet grüne KI?
Grüne KI bedeutet, künstliche Intelligenz so zu nutzen, dass ihre Umweltkosten in einem angemessenen Verhältnis zu ihrem Nutzen stehen. Es geht darum, KI gut zu nutzen, nicht darum, sie abzulehnen.
Bekannt gemacht wurde der Begriff von Schwartz, Dodge, Smith und Etzioni in einem Aufsatz in Communications of the ACM aus dem Jahr 2020. Sie stellten „Red AI“, Forschung, die kleine Genauigkeitsgewinne mit immer größeren Mengen an Rechenleistung erkauft, der „Green AI“ gegenüber, die Effizienz neben der Genauigkeit ausweist und belohnt. Ihr Aufsatz folgte auf die Studie von Strubell, Ganesh und McCallum aus dem Jahr 2019, die zeigte, wie viel Energie und CO2 die Entwicklung eines großen Sprachmodells mit sich bringen kann.
Seitdem hat sich die Bedeutung erweitert. Heute umfasst grüne KI meist den gesamten Lebenszyklus eines KI-Systems: die Hardware, auf der es läuft, das Rechenzentrum, das Modell, die Software drumherum und die Art, wie Menschen es nutzen.
Was ist der Unterschied zwischen „KI für die Umwelt“ und „grünerer KI“?
„KI für die Umwelt“ (AI for green) setzt KI für Umweltziele ein; „grünere KI“ (greener AI) verringert den Fußabdruck der KI selbst. Grüne KI braucht beides, und beides kann in entgegengesetzte Richtungen ziehen.
| KI für die Umwelt | Grünere KI | |
|---|---|---|
| Ziel | KI nutzen, um anderswo Emissionen zu senken oder die Natur zu schützen | Energie, CO2, Wasser und Material senken, die KI verbraucht |
| Beispiele | Prognose der Erzeugung erneuerbarer Energie, Netzsteuerung, Erkennung von Lecks, Klimamodellierung | Kleinere Modelle, effizienter Code, saubererer Strom, längere Lebensdauer der Hardware |
| Risiko | Behauptete Vorteile, die nie gemessen werden | Einsparungen, die für mehr Nutzung ausgegeben werden (der Rebound-Effekt) |
Der Bericht Energy and AI der Internationalen Energieagentur aus dem Jahr 2025 behandelt beide Seiten: Er kommt zu dem Ergebnis, dass eine breitere Nutzung vorhandener KI-Anwendungen die Emissionen in Energiewirtschaft und Industrie senken könnte, warnt aber zugleich, dass der eigene Strombedarf der KI schnell steigt und der Nettoeffekt davon abhängt, wie KI eingesetzt wird.
Eine britische Green-AI-Sandpit-Veranstaltung im Jahr 2026 mit Mathematikerinnen und Mathematikern, Informatikerinnen und Informatikern sowie Vertretern der Industrie fasste grüne KI auf dieselbe zweiseitige Weise, wobei die Mathematik zu beidem beitragen kann: bessere Methoden für Umweltprobleme und schlankere Methoden für KI.
Was sind Effizienz und Suffizienz?
Effizienz heißt, jede Aufgabe mit weniger zu erledigen; Suffizienz heißt, nur die Aufgaben zu erledigen, die sich lohnen.
- Effizienz fragt: Wie kann dieses Modell, dieser Prompt oder dieses Rechenzentrum für dasselbe Ergebnis weniger Energie verbrauchen? Beispiele sind das Beschneiden (Pruning) und Quantisieren von Modellen, bessere Chips und effizientere Kühlung.
- Suffizienz fragt: Braucht diese Aufgabe überhaupt KI oder ein so großes Modell? Ein Taschenrechner, eine Datenbankabfrage oder ein klassisches numerisches Verfahren ist oft günstiger und zuverlässiger als ein großes Sprachmodell.
Effizienz allein kann nach hinten losgehen, weil günstigere KI tendenziell mehr genutzt wird. Das ist der Rebound-Effekt, erklärt in Effizienz ist nicht Suffizienz.
Was umfasst der ökologische Fußabdruck der KI?
Vier Dinge: Energie, CO2, Wasser und Material. Die meisten öffentlichen Debatten behandeln nur die ersten beiden.
Energie
KI läuft mit Strom, überwiegend in Rechenzentren. Die Internationale Energieagentur schätzt, dass Rechenzentren 2024 rund 415 TWh verbrauchten, etwa 1,5 % des weltweiten Stroms, und erwartet, dass sich dieser Wert bis 2030 auf rund 945 TWh mehr als verdoppelt, wobei KI der wichtigste Treiber ist. Siehe Warum grüne KI jetzt wichtig ist.
Energie wird in zwei Phasen verbraucht:
- Training, ein großer einmaliger Aufwand, um ein Modell zu erstellen.
- Inferenz, der Aufwand bei jeder Nutzung des Modells. Bei weit verbreiteten Modellen summiert sich das: Google berichtete 2022, dass die Inferenz etwa drei Fünftel seines Energieverbrauchs für maschinelles Lernen ausmachte und das Training zwei Fünftel.
CO2
Der CO2-Fußabdruck hängt davon ab, wie viel Energie verbraucht wird, und wie sauber der Strom ist. Dieselbe Aufgabe kann in einem kohlelastigen Stromnetz ein Vielfaches an CO2 ausstoßen als in einem Netz, das von Wind-, Wasser- oder Kernkraft dominiert wird. Er umfasst auch den grauen CO2-Fußabdruck: die Emissionen aus der Herstellung von Chips, Servern und Gebäuden. Wu und Kollegen bei Meta berichteten 2022, dass die grauen Emissionen etwa 30 % des Fußabdrucks von Metas großskaligem maschinellem Lernen ausmachten, und argumentierten, dass sie zur dominierenden Quelle werden, je sauberer die Betriebsenergie wird.
Wasser
Rechenzentren verbrauchen Wasser für die Kühlung, und Kraftwerke verbrauchen Wasser, um den Strom zu erzeugen. Li, Yang, Islam und Ren zeigten 2023, dass dieser „geheime Wasser-Fußabdruck“ der KI erheblich ist und stark von Standort und Tageszeit abhängt. Googles Messung seines Assistenten Gemini aus dem Jahr 2025 bezifferte den Median-Text-Prompt auf etwa 0,26 Milliliter Wasser, neben 0,24 Wattstunden Energie.
Material
KI-Hardware braucht Metalle und Mineralien und wird schnell ersetzt. Wang und Kollegen schätzten 2024, dass große Sprachmodelle zwischen 2020 und 2030 insgesamt zwischen 1,2 und 5,0 Millionen Tonnen Elektroschrott erzeugen könnten, je nachdem, wie schnell ihre Nutzung wächst, und dass Wiederverwendung und Recycling diese Menge erheblich verringern könnten. Hardware länger im Einsatz zu halten und Software zu entwickeln, die auch auf älteren Geräten gut läuft, verringert das.
Warum ist es wichtig, welche „KI“ gemeint ist?
Weil „KI“ Systeme umfasst, deren Fußabdrücke sich um viele Größenordnungen unterscheiden. Ein kleines Modell, das E-Mails sortiert, ein Wettervorhersagesystem und ein Chatbot an der technologischen Spitze sind alle „KI“.
Im Alltag bedeutet „KI“ heute meist generative KI: Chatbots sowie Bild- und Videogeneratoren. Ein Großteil der Sorge um den Energieverbrauch der KI betrifft diese großen Modelle. Das meiste maschinelle Lernen in Industrie und Wissenschaft ist jedoch kleiner und spezialisierter. Eine gute Aussage über grüne KI sagt, um welche Art von KI es geht und innerhalb welcher Grenzen ihre Kosten erfasst werden. Siehe Messung ist der Engpass.
Ist grüne KI dasselbe wie „keine KI“?
Nein. Auf KI zu verzichten, ist manchmal die grünste Wahl, und grüne KI schließt diese Option ein. Grüne KI handelt aber vor allem davon, KI verantwortungsvoll zu nutzen: ihre Kosten zu messen, das richtige Modell für die Aufgabe zu wählen und sie effizienter zu machen.
Manche bevorzugen andere Begriffe. „Nachhaltige KI“ wird oft verwendet, um neben der ökologischen auch die soziale und wirtschaftliche Nachhaltigkeit einzuschließen. Andere plädieren dafür, das Ziel als Vermeidung verschwenderischer Rechenarbeit zu beschreiben, was sich schwerer als bloß gut gemeint abtun lässt. Diese Website verwendet „grüne KI“ für die ökologische Seite und gibt genau an, um welche Ressource (Energie, CO2, Wasser oder Material) es bei einer Aussage geht.
Die nächsten Schritte
- Lesen Sie Warum grüne KI jetzt wichtig ist, um das Ausmaß des Energiebedarfs der KI zu verstehen.
- Lernen Sie die wichtigsten Begriffe im Glossar.
- Finden Sie den passenden Leitfaden: Unternehmen, Forschende, gemeinnützige Organisationen oder die Öffentlichkeit.
- Beginnen Sie mit dem praktischen Leitfaden zur effizienten Nutzung von KI.
- Sie unterrichten? Siehe den Bereich Für Schulen.
Häufige Fragen
Was ist grüne KI, einfach erklärt?
Grüne KI ist künstliche Intelligenz, die so gestaltet, gebaut und genutzt wird, dass ihre Umweltkosten bei Energie, CO2, Wasser und Material so niedrig sind, wie es für ihren Nutzen vernünftigerweise möglich ist.
Wer hat den Begriff grüne KI geprägt?
Bekannt gemacht wurde der Begriff von Schwartz, Dodge, Smith und Etzioni in einem Aufsatz in Communications of the ACM aus dem Jahr 2020. Sie stellten „Red AI“, Forschung, die Genauigkeit mit immer mehr Rechenleistung erkauft, der „Green AI“ gegenüber, die Effizienz neben der Genauigkeit als Bewertungskriterium behandelt.
Ist grüne KI dasselbe wie nachhaltige KI?
Die Begriffe überschneiden sich und werden oft gleichbedeutend verwendet. „Nachhaltige KI“ wird manchmal weiter gefasst und schließt neben den Umweltauswirkungen auch soziale und wirtschaftliche Nachhaltigkeit ein.
Bedeutet grüne KI, weniger KI zu nutzen?
Manchmal. KI nur dort einzusetzen, wo sie einen Mehrwert bringt, gehört zu grüner KI. Dazu gehört aber auch, die genutzte KI effizienter zu machen und KI einzusetzen, um anderswo Emissionen zu senken.
Quellen
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Energy and AI, International Energy Agency (2025)
- Measuring the environmental impact of delivering AI at Google Scale, Elsworth et al., Google (2025)
- Making AI less thirsty: uncovering and addressing the secret water footprint of AI models, Li, Yang, Islam and Ren (2023)
- E-waste challenges of generative artificial intelligence, Wang et al., Nature Computational Science (2024)
- Sustainable AI: environmental implications, challenges and opportunities, Wu et al., MLSys (2022)
- Good news about the carbon footprint of machine learning training, Google Research (Patterson) (2022)
Verwandte Themen
Warum grüne KI jetzt wichtig ist
KI treibt den Strombedarf von Rechenzentren rasant in die Höhe, belastet Netze und erhöht Kosten. Die Fakten zu Ausmaß, Energie, Kosten und Politik 2026.
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.
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.
Grüne KI: ein verständlicher Leitfaden für alle
Was KI wirklich an Energie und Wasser kostet, welche Alltagsgewohnheiten zählen und welche nicht, wie Sie Aussagen prüfen und wie Sie mitreden können.