# Wie groß ist der CO2-Fußabdruck von KI?

> CO2-Fußabdruck von KI erklärt: Emissionen pro Prompt, Trainingsemissionen laut Modellkarten, grauer CO2, Einfluss des Stromnetzes und Trends bei Big Tech.

Source: https://greenai.guide/de/artikel/wie-gross-ist-der-co2-fussabdruck-von-ki/  
Updated: 2026-11-20

## Kurz gesagt

Der CO₂-Fußabdruck der KI umfasst die Treibhausgase, die bei der Herstellung der Hardware und Gebäude entstehen, auf denen KI läuft (graue Emissionen), und bei der Erzeugung des Stroms, mit dem ihre Modelle trainiert und betrieben werden (betriebliche Emissionen). Pro Text-Prompt ist er gering: Google meldet 0,03 g CO₂-Äquivalent für einen Median-Prompt an Gemini. Doch die Emissionen der KI summieren sich: Das Training von GPT-3 wurde auf 552 Tonnen geschätzt, und die Gesamtemissionen von Microsoft stiegen zwischen 2020 und 2025 mit dem Ausbau der KI von rund 12,9 auf 20,3 Millionen Tonnen. Woher der Strom kommt, ist ebenso wichtig wie die verbrauchte Menge.

## Das Wichtigste

- Google meldet 0,03 g CO₂e für einen Median-Text-Prompt an Gemini im Mai 2025, marktbasiert, ein Rückgang um das 44-Fache binnen eines Jahres; etwa ein Drittel davon stammt aus Hardware und anderen Emissionen, die nicht auf Strom zurückgehen.
- Die Lebenszyklusanalyse von Mistral AI bezifferte eine Antwort von Le Chat mit 400 Token auf 1,14 g CO₂e und das Training plus 18 Monate Nutzung von Mistral Large 2 auf 20.400 Tonnen.
- Das Training von GPT-3 wurde auf 552 Tonnen CO₂e geschätzt; Meta meldet für die Llama-3.1-Familie standortbasiert 11.390 Tonnen und marktbasiert null.
- Die Emissionen von Microsoft stiegen von rund 12,9 Millionen Tonnen im Geschäftsjahr 2020 auf rund 20,3 Millionen im Jahr 2025.
- Die Wahl von Modell, Rechenzentrum und Prozessor kann die CO₂-Emissionen des Trainings laut Patterson und Kollegen um etwa das 100- bis 1.000-Fache senken.
- Der Stromverbrauch von US-Rechenzentren im Jahr 2023 war laut Lawrence Berkeley National Laboratory mit rund 74 Millionen Tonnen CO₂e verbunden, im Durchschnitt 0,34 kg pro kWh.

Wie groß ist der CO₂-Fußabdruck von KI? Er umfasst die Treibhausgase, die beim Bau der Hardware und Gebäude
freigesetzt werden, auf denen KI läuft, und bei der Erzeugung des Stroms, mit dem ihre Modelle trainiert und betrieben
werden. Pro Prompt ist der CO₂-Fußabdruck der KI gering; insgesamt wachsen die Emissionen der KI schnell, weil
Stromverbrauch und Bau von Rechenzentren schnell wachsen. Diese Seite stellt die veröffentlichten Werte dar, erklärt,
warum sie sich unterscheiden, und zeigt, wie Sie Ihren eigenen Fußabdruck schätzen.

## Wie groß ist der CO₂-Fußabdruck von KI pro Prompt? {#how-big-is-ai-s-carbon-footprint-per-prompt}

**Für einen kurzen Text-Prompt nach Angaben der Anbieter selbst ein Bruchteil eines Gramms CO₂-Äquivalent; mehr, wenn
der gesamte Lebenszyklus gezählt wird.** Das CO₂-Äquivalent (CO₂e) rechnet andere Treibhausgase, gewichtet nach ihrer
Erwärmungswirkung, zum Kohlendioxid hinzu.

| Wert | Was er umfasst | Quelle |
|---|---|---|
| 0,03 g CO₂e pro Median-Text-Prompt an Gemini | Strom (marktbasiert) plus Hardware und andere Emissionen; Mai 2025 | Google, 2025 |
| 1,14 g CO₂e pro Antwort von Le Chat mit 400 Token | Lebenszyklusanalyse der Inferenz, ohne das Gerät der Nutzenden | Mistral AI, 2025 |
| rund 0,34 Wh pro durchschnittlicher ChatGPT-Anfrage | Nur Energie; kein CO₂-Wert veröffentlicht | Chef von OpenAI, 2025 |

Es gibt keinen offiziellen CO₂-Fußabdruck von ChatGPT pro Anfrage: OpenAI hat einen Energiewert genannt, aber keinen
CO₂-Wert, und die Emissionen hängen von den Stromnetzen ab, aus denen seine Rechenzentren Strom beziehen.

Googles Wert setzt sich aus 0,023 g aus Strom und 0,010 g aus seinen Scope-1- und Scope-3-Emissionen zusammen, zu denen
die Herstellung der Hardware gehört. Google meldet zudem binnen eines Jahres einen Rückgang der Emissionen pro
Median-Prompt um das 44-Fache. Der Wert von Mistral ist unter anderem deshalb höher, weil er mehr vom Lebenszyklus
zählt und eine andere Methode verwendet; die beiden sind nicht direkt vergleichbar.

Intensive Nutzung verändert das Bild. Zeke Hausfather schätzte, dass seine eigene intensive Nutzung eines
KI-Coding-Agenten, rund 1,1 MWh Strom pro Jahr, etwa 370 kg CO₂e pro Jahr verursachen würde. Siehe
[Wie viel Energie verbraucht KI?](/de/artikel/wie-viel-energie-verbraucht-ki/)

## Was ist der Unterschied zwischen betrieblichen und grauen Emissionen? {#what-is-the-difference-between-operational-and-embodied-carbon}

**Betriebliche Emissionen stammen aus dem Strom für den Betrieb der KI; graue Emissionen stammen aus Herstellung,
Transport und Entsorgung der Hardware und Gebäude.** Beide gehören in einen ehrlichen Fußabdruck.

- **Betriebliche Emissionen** hängen davon ab, wie viel Energie die Arbeit verbraucht und wie sauber der Strom ist.
- **[Graue Emissionen](/de/glossar/#embodied-carbon)** stammen aus der Chipfertigung, der Serverherstellung, dem Bau
  von Rechenzentren und der Entsorgung am Lebensende. Sie verteilen sich auf alle Aufgaben, die die Hardware während
  ihrer Lebensdauer erledigt.

Graue Emissionen machen einen großen Anteil aus. Wu und Kollegen bei Meta berichteten 2022, dass sie rund 30 % des
Fußabdrucks von Metas großskaligem maschinellem Lernen ausmachten. Luccioni, Viguier und Ligozat schätzten das
Training von BLOOM auf rund 24,7 Tonnen CO₂e, wenn nur die während des Trainings verbrauchte dynamische Leistung
gezählt wird, und auf rund 50,5 Tonnen, wenn alles von der Herstellung der Geräte bis zur Betriebsenergie einbezogen
wird. Je sauberer der Strom wird, desto größer wird der Anteil der grauen Emissionen, und desto wichtiger ist es,
Hardware länger im Einsatz zu halten und gut auszulasten. Siehe
[graue Emissionen von KI-Hardware berücksichtigen](/de/wie/wie-beruecksichtige-ich-die-grauen-emissionen-von-ki-hardware/).

## Wie viel CO₂ verursacht das Training eines KI-Modells? {#how-much-carbon-does-training-an-ai-model-emit}

**Die bisher veröffentlichten Trainingsemissionen großer Modelle reichen von einigen Dutzend bis zu Zehntausenden
Tonnen CO₂e.** Modellkarten (die Dokumentation, die mit einem Modell veröffentlicht wird) sind die wichtigste Quelle
dafür, auch wenn viele Spitzenmodelle nichts veröffentlichen.

| Modell | Trainingsemissionen | Grundlage | Quelle |
|---|---|---|---|
| BLOOM (176 Milliarden Parameter, 2022) | rund 24,7 t CO₂e; 50,5 t einschließlich Herstellung und gesamter Betriebsenergie | Unabhängige Lebenszyklusschätzung | Luccioni, Viguier und Ligozat, 2022 |
| GPT-3 (175 Milliarden Parameter, 2020) | 552 t CO₂e; 1.287 MWh | Schätzung von Google-Forschenden | Patterson et al., 2021 |
| Llama-3.1-Familie (8B, 70B, 405B, 2024) | 11.390 t CO₂e standortbasiert; 0 t marktbasiert | Modellkarte, 39,3 Millionen GPU-Stunden | Meta, 2024 |
| Llama 3.1 405B allein | 8.930 t CO₂e standortbasiert | Modellkarte | Meta, 2024 |
| Mistral Large 2 (Training plus 18 Monate Nutzung) | 20.400 t CO₂e; 281.000 m³ Wasser | Lebenszyklusanalyse | Mistral AI, 2025 |

Das sind einmalige Kosten, aber nicht die ganze Geschichte. Patterson und Kollegen zitieren Branchenschätzungen,
wonach 80–90 % der Arbeitslast des maschinellen Lernens auf die Inferenz entfallen; bei einem beliebten Modell kann der
Betrieb über die gesamte Lebensdauer daher das Training übersteigen. Der AI Act der EU verpflichtet Anbieter von
KI-Modellen mit allgemeinem Verwendungszweck inzwischen, den bekannten oder geschätzten Energieverbrauch für die
Aufsichtsbehörden zu dokumentieren. Siehe
[den CO₂-Fußabdruck des Trainings eines Modells messen](/de/wie/wie-messe-ich-den-co2-fussabdruck-beim-training-eines-modells/).

## Wie verändert das Stromnetz die Emissionen der KI? {#how-does-the-electricity-grid-change-ai-s-emissions}

**Dieselbe Kilowattstunde kann je nach Ort und Zeitpunkt ihrer Nutzung sehr unterschiedliche Emissionen mit sich
bringen.** Die [CO₂-Intensität](/de/glossar/#carbon-intensity) ist die Menge CO₂e, die pro erzeugter Kilowattstunde
Strom ausgestoßen wird. Ein Netz, das überwiegend mit Wasserkraft, Kernkraft, Wind oder Sonne läuft, hat eine niedrige
Intensität; eines mit Kohle oder Gas eine hohe.

- Das Lawrence Berkeley National Laboratory schätzte, dass der Stromverbrauch von US-Rechenzentren im Jahr 2023 mit
  rund 74 Millionen Tonnen CO₂e verbunden war, im Durchschnitt 0,34 kg CO₂e pro kWh, gemessen an den Netzen an ihren
  Standorten.
- Patterson und Kollegen fanden, dass die Wahl von Modell, Rechenzentrum und Prozessor den CO₂-Fußabdruck des
  Trainings um etwa das 100- bis 1.000-Fache senken kann. Der Standort ist einer der größten dieser Hebel.

Deshalb ist es wichtig, wo und wann Sie KI betreiben. Ein Trainingsjob, der warten kann, lässt sich auf Stunden legen,
in denen das Netz sauberer ist. Siehe [eine CO₂-arme Cloud-Region wählen](/de/wie/wie-waehle-ich-eine-cloud-region-mit-wenig-co2/),
[Training planen, wenn das Netz grüner ist](/de/wie/wie-plane-ich-ki-training-fuer-zeiten-in-denen-der-strom-sauberer-ist/) und
[Daten zur CO₂-Intensität des Stromnetzes finden](/de/wie/wo-finde-ich-die-co2-intensitaet-meines-stromnetzes/).

### Standortbasiert oder marktbasiert: Welche Zahl stimmt? {#location-based-or-market-based-which-number-is-right}

**Beide sind legitim, aber sie beantworten unterschiedliche Fragen, und der Abstand kann riesig sein.** Nach dem
Greenhouse Gas Protocol weist ein Unternehmen seine [Scope-2-Emissionen](/de/glossar/#scope-1-2-and-3-emissions) aus
Strom auf zwei Arten aus:

- **Standortbasiert** verwendet die durchschnittliche CO₂-Intensität der Netze, aus denen es tatsächlich Strom
  bezieht.
- **Marktbasiert** spiegelt die Verträge über saubere Energie und die Herkunftsnachweise wider, die das Unternehmen
  kauft.

Meta weist das Training von Llama 3.1 standortbasiert mit 11.390 Tonnen und marktbasiert mit null aus. Im Geschäftsjahr
2025 von Microsoft stehen Scope-2-Emissionen von rund 12,0 Millionen Tonnen standortbasiert 2,7 Millionen marktbasiert
gegenüber. Alphabet meldete für 2025 standortbasiert 15,1 Millionen Tonnen gegenüber 2,8 Millionen marktbasiert. Wenn
ein Unternehmen seine KI als „klimaneutral“ oder „zu 100 % erneuerbar“ bezeichnet, prüfen Sie, welche Methode es
verwendet. Siehe [prüfen, ob meine KI mit erneuerbarer Energie läuft](/de/wie/wie-pruefe-ich-ob-meine-ki-mit-erneuerbarer-energie-laeuft/)
und [ehrliche Umweltaussagen](/de/gute-praxis/ehrliche-umweltaussagen-ueber-ki/).

## Steigen die Emissionen der Technologiekonzerne wegen KI? {#are-tech-companies-emissions-rising-because-of-ai}

**Ja: Die größten KI-Anbieter melden steigende Gesamtemissionen, vor allem durch Bau und Stromversorgung von
Rechenzentren.** Ihre jährlichen Nachhaltigkeitsberichte zeigen den Trend.

- **Microsoft** meldet Gesamtemissionen von rund 12,9 Millionen Tonnen CO₂e im Geschäftsjahr 2020, dem Basisjahr für
  sein Ziel, bis 2030 CO₂-negativ zu sein, und rund 20,3 Millionen Tonnen im Jahr 2025 (nach seinen eigenen
  Management-Kriterien). Sein Stromverbrauch hat sich im selben Zeitraum mehr als verdreifacht, von rund 10,8 TWh auf
  37,0 TWh.
- **Google** meldete, dass seine betrieblichen Emissionen (Scope 1 und marktbasiertes Scope 2) 2025 um 2 % sanken,
  während sein Strombedarf um 37 % und seine Emissionen in der Lieferkette um 25 % stiegen. Die geprüften Werte von
  Alphabet für 2025 zeigen rund 15,9 Millionen Tonnen Scope-3-Emissionen (Lieferkette), mehr als das Fünffache seiner
  2,9 Millionen Tonnen betrieblicher Emissionen.

Das Muster ist bei beiden gleich: Der Kauf von sauberem Strom hält die betrieblichen Emissionen niedrig, aber Herstellung
und Bau hinter neuer KI-Kapazität treiben die Emissionen in der Lieferkette nach oben.

Auf nationaler Ebene schätzte der Evidenzanhang zur UK Compute Roadmap, dass die Emissionen aus KI-Rechenleistung
zwischen 2025 und 2035 bei 34–123 Millionen Tonnen CO₂ liegen könnten, etwa 0,9–3,4 % der für diesen Zeitraum
prognostizierten britischen Emissionen. Die große Spanne spiegelt die Unsicherheit darüber wider, wie viel
Rechenleistung aufgebaut wird und wie sauber das Netz sein wird.

## Warum gehen die Schätzungen zu den CO₂-Emissionen von KI auseinander? {#why-do-ai-carbon-estimates-disagree}

**Weil sie Unterschiedliches zählen, unterschiedliche Netzwerte verwenden und schnell veralten.** Die wichtigsten
Ursachen für Unterschiede:

1. **Grenze.** Nur die Chips oder der ganze Server, Kühlung und ungenutzte Kapazität? Die Herstellung der Hardware?
   Das Training, verteilt auf die Nutzungen?
2. **Bilanzierungsmethode.** Standortbasierter oder marktbasierter Strom, wie oben beschrieben.
3. **Netz und Zeitpunkt.** Dasselbe Modell kann in einer anderen Region oder ein Jahr später einen ganz anderen
   Fußabdruck haben.
4. **Arbeitslast.** Ein kurzer Prompt, eine lange Reasoning-Antwort und eine Agenten-Sitzung unterscheiden sich im
   Energieverbrauch um das Tausendfache.

Ein Wert ist nur mit seiner Grenze, Methode, seinem Ort und Datum aussagekräftig. Siehe
[Messung ist der Engpass](/de/artikel/messung-ist-der-engpass-fuer-gruene-ki/).

## Wie kann ich den CO₂-Fußabdruck meiner eigenen KI-Nutzung schätzen? {#how-can-i-estimate-the-carbon-footprint-of-my-own-ai-use}

**Multiplizieren Sie die Energie mit der CO₂-Intensität des Netzes und addieren Sie dann einen Anteil der grauen
Emissionen.** Das ist der Aufbau des Standards Software Carbon Intensity (SCI), ISO/IEC 21031:2024, der das Ergebnis
pro Einheit nützlicher Arbeit ausdrückt, etwa pro Anfrage oder pro Nutzerin oder Nutzer.

1. **Schätzen Sie die Energie** der KI-Arbeit in Kilowattstunden: mit einem Messgerät oder Werkzeug, wenn Sie sie
   selbst betreiben, oder anhand von Werten pro Aufgabe bei einem gehosteten Dienst.
2. **Ermitteln Sie die CO₂-Intensität des Netzes** dort, wo die Arbeit läuft, in kg CO₂e pro kWh, idealerweise für
   die Stunde, in der sie lief.
3. **Multiplizieren Sie beides**, um die betrieblichen Emissionen zu erhalten.
4. **Addieren Sie die grauen Emissionen**: den Herstellungsfußabdruck der Hardware, verteilt auf ihre Nutzungsdauer.
5. **Geben Sie die Grenze**, die Methode (standort- oder marktbasiert) und eine Spanne statt einer einzelnen Zahl an.

Werkzeuge helfen. CodeCarbon und Green Algorithms schätzen die Emissionen von Code, den Sie selbst ausführen;
EcoLogits schätzt die Auswirkungen von Aufrufen gehosteter KI-Modelle. Es sind Schätzwerkzeuge, keine Messgeräte.
Schritt-für-Schritt-Anleitungen:
[meinen persönlichen KI-CO₂-Fußabdruck ermitteln](/de/wie/wie-berechne-ich-meinen-persoenlichen-ki-co2-fussabdruck/),
[einen SCI-Wert für eine KI-Funktion berechnen](/de/wie/wie-berechne-ich-einen-software-carbon-intensity-wert-fuer-eine-ki/) und
[die CO₂-Daten meines Cloud-Anbieters finden](/de/wie/wo-finde-ich-die-co2-daten-meines-cloud-anbieters/).

## Die nächsten Schritte {#what-to-do-next}

- Senken Sie zuerst die Energie: siehe [KI effizient nutzen](/de/gute-praxis/ki-effizient-nutzen-gewohnheiten-fuer-den-alltag/) und
  [das richtige Modell wählen](/de/gute-praxis/das-richtige-modell-fuer-die-aufgabe-waehlen/).
- Betreiben Sie KI dort, wo das Netz sauber ist: siehe [Hosting und Rechenzentren](/de/gute-praxis/hosting-und-rechenzentren-fuer-gruene-ki/).
- Fragen Sie Lieferanten nach Energie- und CO₂-Werten pro Aufgabe, mit Methode: siehe
  [nachhaltige KI-Beschaffung](/de/gute-praxis/nachhaltige-ki-beschaffung/).
- Berichten Sie ehrlich und nennen Sie Grenze und Methode: siehe [ehrliche Umweltaussagen](/de/gute-praxis/ehrliche-umweltaussagen-ueber-ki/).
- Denken Sie nach, bevor Sie kompensieren: siehe [die CO₂-Emissionen meiner KI-Nutzung kompensieren](/de/wie/wie-kompensiere-ich-die-co2-emissionen-meiner-ki-nutzung/).
- Lesen Sie [Wie viel Wasser verbraucht KI?](/de/artikel/wie-viel-wasser-verbraucht-ki/) für die andere Hälfte des Fußabdrucks.

## Häufige Fragen

### Wie groß ist der CO2-Fußabdruck von ChatGPT?

OpenAI hat keinen CO₂-Wert pro Anfrage veröffentlicht. Der Chef des Unternehmens nannte rund 0,34 Wh Energie für eine durchschnittliche Anfrage; die Emissionen hängen vom Stromnetz ab, das das Rechenzentrum versorgt. Google meldet nach eigener marktbasierter Bilanzierung 0,03 g CO₂e für einen Median-Text-Prompt an Gemini.

### Wie viel CO2 verursacht das Training eines KI-Modells?

Die Spanne reicht von einigen Dutzend bis zu Tausenden Tonnen. Das Training von BLOOM wurde auf rund 24,7 Tonnen CO₂e geschätzt (50,5 einschließlich Herstellung und gesamter Betriebsenergie), das von GPT-3 auf 552 Tonnen, und Meta meldet standortbasiert 11.390 Tonnen für die drei Llama-3.1-Modelle.

### Steigen die Emissionen durch KI?

Bei den größten Anbietern ja. Die Gesamtemissionen von Microsoft stiegen von rund 12,9 Millionen Tonnen im Geschäftsjahr 2020 auf 20,3 Millionen im Jahr 2025. Google meldete, dass seine betrieblichen Emissionen 2025 um 2 % sanken, seine Emissionen in der Lieferkette durch den Bau von Rechenzentren aber um 25 % stiegen.

### Was sind graue Emissionen bei KI?

Die Emissionen aus Herstellung, Transport und Entsorgung von Chips, Servern und Rechenzentrumsgebäuden. Wu und Kollegen bei Meta schätzten sie auf rund 30 % des Fußabdrucks von Metas großskaligem maschinellem Lernen, und ihr Anteil wächst, wenn der Strom sauber ist.

### Hat KI, die mit erneuerbarer Energie läuft, null Emissionen?

In Wirklichkeit nicht. Die marktbasierte Bilanzierung erlaubt es einem Unternehmen, niedrige oder keine Stromemissionen auszuweisen, wenn es Herkunftsnachweise für erneuerbare Energie kauft, während das Netz, aus dem es Strom bezieht, womöglich weiterhin fossile Brennstoffe verbrennt. Meta weist das Training von Llama 3.1 standortbasiert mit 11.390 Tonnen aus, marktbasiert aber mit null.

### Wie berechne ich den CO2-Fußabdruck meiner KI-Nutzung?

Multiplizieren Sie die verbrauchte Energie in Kilowattstunden mit der CO₂-Intensität des versorgenden Stromnetzes in kg CO₂e pro kWh und addieren Sie dann einen Anteil der grauen Emissionen der Hardware. Werkzeuge wie CodeCarbon, Green Algorithms und EcoLogits helfen, jeden Teil zu schätzen.

### Ist KI schlecht für das Klima?

Sie erhöht die Emissionen, vor allem durch das schnelle Wachstum von Stromverbrauch und Bau der Rechenzentren. Wie stark, hängt davon ab, wie sie genutzt wird, wie effizient sie läuft und wie sauber das Stromnetz ist. KI kann auch helfen, Emissionen anderswo zu senken, aber diese Vorteile stellen sich nicht von selbst ein und sind schwerer zu messen.

## Quellen

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Elsworth et al., Google (2025)
- [Our contribution to a global environmental standard for AI](https://mistral.ai/news/our-contribution-to-a-global-environmental-standard-for-ai), Mistral AI (2025)
- [The gentle singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (arXiv 2104.10350) (2021)
- [Llama 3.1 8B model card](https://huggingface.co/meta-llama/Llama-3.1-8B), Meta (2024)
- [Estimating the carbon footprint of BLOOM, a 176B parameter language model](https://arxiv.org/abs/2211.02001), Luccioni, Viguier and Ligozat (arXiv 2211.02001) (2022)
- [Sustainable AI: environmental implications, challenges and opportunities](https://proceedings.mlsys.org/paper_files/paper/2022/hash/462211f67c7d858f663355eff93b745e-Abstract.html), Wu et al., MLSys (2022)
- [2026 environmental data fact sheet](https://cdn-dynmedia-1.microsoft.com/is/content/microsoftcorp/microsoft/msc/documents/presentations/CSR/2026-Microsoft-Environmental-Data-Fact-Sheet-PDF.pdf), Microsoft (2026)
- [Read our 11th annual Environmental Report](https://blog.google/company-news/outreach-and-initiatives/sustainability/2026-environmental-report/), Google (2026)
- [Alphabet FY2025 environmental indicators assurance letter (Schedule of select environmental metrics)](https://sustainability.google/files/6b09a7cbecbf228f4d30ad089301578eb599425e/alphabet-fy2025-environmental-indicators-assurance-letter.pdf), Alphabet (2026)
- [2024 United States Data Center Energy Usage Report](https://eta-publications.lbl.gov/publications/2024-lbnl-data-center-energy-usage-report), Lawrence Berkeley National Laboratory (2024)
- [Scope 2 guidance](https://ghgprotocol.org/scope-2-guidance), Greenhouse Gas Protocol (2015)
- [Regulation (EU) 2024/1689 (AI Act), Annex XI](https://ai-act-service-desk.ec.europa.eu/en/ai-act/annex-11), European Union (2024)
- [UK Compute Roadmap: evidence annex](https://assets.publishing.service.gov.uk/media/69d8dae9d3e08b8871b66599/compute-evidence-annex-final.pdf), Department for Science, Innovation and Technology (2025)
- [The real energy use of agentic AI](https://www.theclimatebrink.com/p/the-real-energy-use-of-agentic-ai), Zeke Hausfather, The Climate Brink (2026)
- [ISO/IEC 21031:2024 Software Carbon Intensity (SCI) specification](https://www.iso.org/standard/86612.html), ISO/IEC and Green Software Foundation (2024)
- [CodeCarbon](https://codecarbon.io/), CodeCarbon project (2020)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [EcoLogits](https://ecologits.ai/), GenAI Impact (2025)
