Kurz gesagt
Ein typischer kurzer Text-Prompt an einen Chatbot wie ChatGPT oder Gemini verbraucht nach Angaben der Anbieter und nach unabhängigen Schätzungen etwa 0,2 bis 0,4 Wattstunden Strom: ungefähr so viel wie ein Fernseher in wenigen Sekunden. Der Energieverbrauch der KI steigt steil bei langen Eingaben, Reasoning-Modellen, Bildern, Videos und Coding-Agenten, die pro Aufgabe das Zehn- bis Tausendfache verbrauchen können. Insgesamt verbrauchten Rechenzentren 2025 laut IEA rund 485 TWh Strom, und KI ist der Hauptgrund dafür, dass dieser Wert wächst.
Das Wichtigste
- Google meldet 0,24 Wh für einen Median-Text-Prompt an Gemini im Mai 2025; der Chef von OpenAI nannte rund 0,34 Wh für eine durchschnittliche ChatGPT-Anfrage. Beide Werte sind Eigenangaben.
- Epoch AI schätzt eine typische GPT-4o-Anfrage auf rund 0,3 Wh, bei einer Eingabe von 10.000 Token auf rund 2,5 Wh und bei einer Eingabe von 100.000 Token auf fast 40 Wh.
- In den Tests des AI Energy Score von Hugging Face verbrauchten Reasoning-Modelle im Durchschnitt 30-mal so viel Energie wie Standardmodelle.
- In Tests offener Modelle verbrauchte die Erzeugung eines Bildes im Durchschnitt rund 2,9 Wh und die eines kurzen KI-Videos rund 90 Wh.
- Eine Analyse intensiver Nutzung eines KI-Coding-Agenten schätzte rund 150 Wh pro eingetipptem Prompt, etwa das 600-Fache eines Median-Chat-Prompts.
- Die IEA schätzt, dass Rechenzentren 2025 rund 485 TWh verbrauchten, 17 % mehr als im Vorjahr, und erwartet bis 2030 rund 950 TWh.
Wie viel Energie verbraucht KI? Für eine kurze Frage an einen Chatbot sehr wenig: einen Bruchteil einer Wattstunde. Für lange Dokumente, Reasoning-Modi, Bilder, Videos und Coding-Agenten weit mehr. Und über Milliarden täglicher Anfragen hinweg ist der Energieverbrauch der KI inzwischen groß genug, um die Planung der Stromversorgung zu prägen. Diese Seite stellt die besten öffentlich verfügbaren Werte zusammen, nennt ihre Herkunft und erklärt, warum sie sich unterscheiden.
Wie viel Energie verbraucht ein Prompt an ChatGPT oder Gemini?
Ein kurzer Text-Prompt an einen großen Chatbot verbraucht nach den besten aktuellen Werten etwa 0,2 bis 0,4 Wattstunden (Wh). Eine Wattstunde ist die Energie, die ein Gerät mit 1 Watt in einer Stunde verbraucht.
Die meistzitierten Zahlen stammen von den Anbietern selbst:
- Google berichtete 2025, dass ein Median-Text-Prompt in den Gemini-Apps 0,24 Wh verbrauchte. Das Paper vergleicht das mit weniger als neun Sekunden Fernsehen.
- Der Chef von OpenAI schrieb 2025, eine durchschnittliche ChatGPT-Anfrage verbrauche rund 0,34 Wh. Eine Methode wurde nicht veröffentlicht.
- Epoch AI, eine unabhängige Forschungsgruppe, schätzte auf Grundlage öffentlicher Informationen über Hardware und Modellgröße rund 0,3 Wh für eine typische GPT-4o-Anfrage.
Diese Werte liegen nah beieinander, sind aber nicht direkt vergleichbar: Ein Median ist kein Durchschnitt, und jede Angabe zieht die Grenze dessen, was mitgezählt wird, an einer anderen Stelle. Zudem gelten sie nur für kurze Text-Prompts.
Energie pro Aufgabe: die Werte im Vergleich
Die Energie pro KI-Aufgabe reicht über mehr als das Tausendfache, von unter einer Wattstunde für einen kurzen Prompt bis zu Hunderten Wattstunden für eine Agenten-Sitzung. Die Tabelle zeigt die wichtigsten veröffentlichten Werte. Eigenangaben stammen von dem Unternehmen, das den Dienst betreibt; Schätzungen und Messungen stammen von unabhängigen Forschenden.
| Aufgabe | Energie | Quelle und Jahr | Art |
|---|---|---|---|
| Median-Text-Prompt an Gemini | 0,24 Wh | Google, 2025 | Eigenangabe, veröffentlichte Methode |
| Durchschnittliche ChatGPT-Anfrage | rund 0,34 Wh | Chef von OpenAI, 2025 | Eigenangabe, keine Methode |
| Typische GPT-4o-Anfrage | rund 0,3 Wh | Epoch AI, 2025 | Unabhängige Schätzung |
| GPT-4o, kurzer Prompt (100 Token Eingabe, 300 Ausgabe) | 0,42 Wh | Jegham et al., 2025 | Unabhängige Schätzung |
| Anfrage der GPT-4o-Klasse mit 10.000 Token Eingabe | rund 2,5 Wh | Epoch AI, 2025 | Unabhängige Schätzung |
| Anfrage der GPT-4o-Klasse mit 100.000 Token Eingabe | fast 40 Wh | Epoch AI, 2025 | Unabhängige Schätzung |
| Langer Prompt (10.000 Eingabe, 1.500 Ausgabe): Llama 3.1 8B vs. DeepSeek-R1 | rund 0,44 Wh vs. rund 29 Wh | Jegham et al., 2025 | Unabhängige Schätzung |
| Reasoning- vs. Standardmodelle | im Durchschnitt 30-mal so viel | Hugging Face AI Energy Score, 2025 | Gemessen, offene Modelle |
| Ein erzeugtes Bild | rund 2,9 Wh (2,9 kWh pro 1.000) | Luccioni, Jernite und Strubell, 2024 | Gemessen, offene Modelle |
| Ein kurzes erzeugtes Video | rund 90 Wh bei einem Modell; 0,14 Wh bis über 415 Wh je nach Modell | Delavande, Pierrard und Luccioni, 2025 | Gemessen, offene Modelle |
| Median-Sitzung eines Coding-Agenten | rund 41 Wh | Couch, 2026 | Unabhängige Schätzung |
| Coding-Agent, pro eingetipptem Prompt (intensive Nutzung) | rund 150 Wh (Spanne 60–290 Wh) | Hausfather, 2026 | Unabhängige Schätzung |
Ein Token ist ein Textstück, etwa drei Viertel eines englischen Wortes. Die Werte für Bilder und Videos stammen von offenen Modellen auf Forschungshardware; kommerzielle Dienste können effizienter oder weniger effizient sein, und die meisten veröffentlichen keine Werte.
Warum verbrauchen Reasoning-Modelle, Bilder und Agenten mehr?
Weil sie pro Anfrage viel mehr rechnen. Die Energie steigt mit der Zahl der Token, die ein Modell liest und schreibt, und mit der Größe des Modells.
- Reasoning-Modelle schreiben lange verborgene Gedankenketten, bevor sie antworten. Das Team des AI Energy Score bei Hugging Face stellte fest, dass dasselbe Modell mit eingeschaltetem Reasoning 150- bis 700-mal so viel Energie verbrauchte wie ohne und 300- bis 800-mal so viele Token schrieb.
- Lange Eingaben müssen vollständig verarbeitet werden. Die Schätzungen von Epoch AI steigen von rund 0,3 Wh auf fast 40 Wh, wenn die Eingabe auf 100.000 Token wächst, die Größe eines sehr langen eingefügten Dokuments.
- Bilder und Videos werden in vielen Schritten über viele Pixel erzeugt. Delavande, Pierrard und Luccioni fanden, dass die Energie für Videos quadratisch mit Auflösung und Länge wuchs, und bezifferten einen kurzen Clip auf etwa das 2.000-Fache einer Textantwort.
- Agenten rufen das Modell immer wieder auf und lesen dabei jedes Mal ihren wachsenden Kontext neu. Anthropic berichtete, dass seine Agenten typischerweise etwa viermal so viele Token wie ein Chat verbrauchten und Multi-Agenten-Systeme etwa fünfzehnmal so viele.
Wie viel Energie verbraucht ein KI-Coding-Agent?
Die Schätzungen reichen von einigen Dutzend Wattstunden für eine typische Sitzung bis zu über einer Kilowattstunde für einen intensiven Tag. Kein KI-Unternehmen veröffentlicht Energiewerte für seine Coding-Agenten, daher sind die besten verfügbaren Zahlen sorgfältige unabhängige Schätzungen auf Grundlage von Token-Zählungen.
Simon Couch schätzte eine Median-Sitzung mit Claude Code, mit 24 Modellaufrufen und rund 590.000 Token, auf rund 41 Wh. Der Klimawissenschaftler Zeke Hausfather protokollierte acht Wochen seiner eigenen intensiven Nutzung: 1.138 eingetippte Prompts lösten mehr als 14.000 Modellaufrufe und 3,2 Milliarden Token aus, 96 % davon erneutes Lesen von zwischengespeichertem Kontext. Er schätzte insgesamt rund 170 kWh (Spanne 70–330 kWh), rund 150 Wh pro Prompt und eine Median-Sitzung von rund 0,6 kWh, was er mit etwa 50 Handy-Ladungen vergleicht. Siehe agentische KI und Token-Verschwendung.
Ist das Training oder die Inferenz der größere Kostenfaktor?
Bei einem weit verbreiteten Modell übersteigt der Betrieb (die Inferenz) meist das Training. Das Training ist ein großer einmaliger Aufwand; die Inferenz ist pro Anfrage gering, wiederholt sich aber milliardenfach.
Veröffentlichte Trainingswerte zeigen die Größenordnung:
- GPT-3 (2020): Patterson und Kollegen bei Google schätzten, dass das Training 1.287 MWh Strom verbrauchte.
- Llama 3.1 (2024): Die Modellkarte von Meta nennt 39,3 Millionen GPU-Stunden auf H100-Chips für die drei Modellgrößen, davon 30,84 Millionen für das größte Modell mit 405 Milliarden Parametern.
Auf der anderen Seite zitieren Patterson und Kollegen Schätzungen von NVIDIA, wonach 80–90 % der Arbeitslast des maschinellen Lernens auf die Inferenz entfallen, und die Angabe von Amazon Web Services, dass 90 % der Nachfrage nach maschinellem Lernen in seiner Cloud Inferenz sind. Dieses Verhältnis ist der Grund, warum sinkende Energie pro Prompt so wichtig ist, und auch, warum sie allein nicht ausreicht: Die Nutzung wächst schneller. Siehe Effizienz ist nicht Suffizienz.
Wie viel Strom verbrauchen Rechenzentren und KI insgesamt?
Die Internationale Energieagentur (IEA) schätzt, dass Rechenzentren 2025 rund 485 TWh verbrauchten, und erwartet bis 2030 rund 950 TWh, etwa 3 % des weltweiten Stroms. Eine Terawattstunde (TWh) sind eine Milliarde Kilowattstunden.
- Die IEA bezifferte den Verbrauch der Rechenzentren 2024 auf rund 415 TWh, etwa 1,5 % des weltweiten Stroms. Ihre Aktualisierung vom April 2026 meldete 485 TWh für 2025, 17 % mehr als im Vorjahr, wobei der Stromverbrauch von auf KI ausgerichteten Rechenzentren um 50 % stieg.
- Sie erwartet, dass die Vereinigten Staaten und China bis 2030 fast 80 % des Wachstums ausmachen und dass beschleunigte Server, vor allem für KI, fast die Hälfte des Anstiegs verursachen.
- In den Vereinigten Staaten schätzte das Lawrence Berkeley National Laboratory, dass Rechenzentren 2023 rund 178 TWh verbrauchten, 4,4 % des landesweiten Stroms, und bis 2028 6,7–12 % erreichen könnten.
Für KI allein gibt es keinen verlässlichen weltweiten Wert, weil Rechenzentren KI-Arbeit nicht gesondert messen. Unternehmensberichte zeigen den Trend: Der Stromverbrauch von Microsoft stieg von rund 10,8 TWh im Geschäftsjahr 2020 auf rund 37,0 TWh im Jahr 2025, und Google meldete für 2025 einen Anstieg des Strombedarfs um 37 %, den größten seiner Geschichte. Siehe Warum grüne KI jetzt wichtig ist.
Warum gehen die Werte zum Energieverbrauch von KI so weit auseinander?
Weil Studien Unterschiedliches zählen, auf unterschiedlicher Hardware, für unterschiedliche Modelle und Aufgaben. Vier Faktoren erklären den Großteil der Streuung.
- Systemgrenze. Googles eigenes Paper zeigt, dass die Zählung nur der aktiven KI-Chips 0,10 Wh pro Median-Prompt ergibt; nimmt man Host-Prozessoren und Arbeitsspeicher, für Nachfragespitzen bereitgehaltene ungenutzte Kapazität und die Kühlung des Rechenzentrums hinzu, ergeben sich 0,24 Wh, mehr als doppelt so viel. Siehe Messung ist der Engpass.
- Hardware und Auslastung. Neuere Chips leisten mehr Arbeit pro Watt, und ein ausgelasteter Server verteilt seine Gemeinkosten auf mehr Anfragen als ein wenig genutzter.
- Modellgröße. In den Schätzungen von Jegham und Kollegen kostete ein langer Prompt auf dem kleinen Modell Llama 3.1 8B rund 0,44 Wh und auf DeepSeek-R1, einem großen Reasoning-Modell, rund 29 Wh.
- Token. Längere Eingaben, längere Antworten, verborgenes Reasoning und wiederholte Agentenschritte erhöhen alle die Zahl der Token, und die Energie steigt mit ihnen.
Zwei weitere Vorbehalte. Werte veralten schnell: Google meldete binnen eines Jahres einen Rückgang der Energie pro Median-Prompt um das 33-Fache. Und Eigenangaben lassen sich nicht unabhängig überprüfen. Wenn Sie eine Zahl sehen, fragen Sie, was gemessen wurde, innerhalb welcher Grenze und wann. Siehe eine Aussage zum Energieverbrauch von KI prüfen.
Wie verhält sich der Energieverbrauch von KI zu alltäglichen Dingen?
Ein kurzer Text-Prompt ist klein im Vergleich zu den meisten Stromanwendungen im Haushalt; intensive Nutzung von Agenten oder Videos ist es nicht. Diese Vergleiche stammen von den Quellen selbst:
- Google vergleicht seinen Median-Prompt an Gemini mit 0,24 Wh mit weniger als neun Sekunden Fernsehen.
- Hausfather vergleicht eine Median-Sitzung mit einem Coding-Agenten bei seiner intensiven Nutzung (rund 0,6 kWh) mit etwa 50 Handy-Ladungen und einen durchschnittlichen Tag dieser Nutzung (rund 3 kWh) mit dem Betrieb von mehr als zwei Kühlschränken.
- Couch vergleicht einen Median-Tag seiner Nutzung eines Coding-Agenten (rund 1.300 Wh) mit einem zusätzlichen Spülmaschinendurchlauf pro Tag.
- Google gab 2009 an, eine durchschnittliche Websuche verbrauche rund 0,3 Wh, eine ähnliche Größenordnung wie heutige kurze Text-Prompts. Zeitlich und methodisch liegen die Werte weit auseinander.
Es geht nicht darum, dass eine einzelne Anfrage groß wäre. Es geht darum, dass Gewohnheiten zählen: Ein Reasoning-Modell zu wählen, lange Dokumente einzufügen, Bilder in Serie zu erzeugen oder einen Agenten laufen zu lassen, kann jeweils den Energieverbrauch einer Aufgabe vervielfachen. Siehe meinen KI-Energieverbrauch einordnen.
Was können Sie tun, um den Energieverbrauch von KI zu senken?
Nutzen Sie das kleinste Werkzeug, das die Aufgabe erledigt, und verlangen Sie ihm weniger ab. Die größten Einsparungen entstehen durch das Vermeiden unnötiger Arbeit, nicht durch einen Anbieterwechsel.
- Entscheiden Sie, ob Sie für die Aufgabe KI brauchen: siehe entscheiden, ob ich für eine Aufgabe KI brauche.
- Wählen Sie ein kleineres oder schnelleres Modell für alltägliche Fragen: siehe ein kleineres KI-Modell wählen und das richtige Modell wählen.
- Schalten Sie Reasoning aus, wenn Sie es nicht brauchen: siehe Reasoning-Modi nur bei Bedarf nutzen.
- Halten Sie Unterhaltungen kurz und beginnen Sie für ein neues Thema einen neuen Chat: siehe lange KI-Chats effizient halten.
- Erzeugen Sie weniger Bilder und Videos: siehe die Auswirkungen der Bild- und Videoerzeugung mit KI verringern.
- Setzen Sie Agenten Grenzen: siehe verhindern, dass KI-Agenten Token verschwenden und einen KI-Coding-Assistenten mit kleinerem Fußabdruck nutzen.
Für Organisationen ist der Ausgangspunkt die Messung: siehe den Energieverbrauch von KI messen, den Energieverbrauch von KI-API-Aufrufen schätzen und KI effizient nutzen.
Die nächsten Schritte
- Lesen Sie Wie groß ist der CO2-Fußabdruck von KI?, um Energie in Emissionen umzurechnen.
- Lesen Sie Wie viel Wasser verbraucht KI? für die Wasserseite.
- Probieren Sie den Energieverbrauch meiner ChatGPT-Nutzung senken für alltägliche Gewohnheiten.
- Fragen Sie Ihren KI-Anbieter nach Energiewerten pro Aufgabe: siehe ein KI-Unternehmen nach Energiewerten fragen.
- Vergleichen Sie offene Modelle anhand gemessener Energie mit dem AI Energy Score.
Häufige Fragen
Wie viel Energie verbraucht ein ChatGPT-Prompt?
Der Chef von OpenAI sagte 2025, eine durchschnittliche ChatGPT-Anfrage verbrauche rund 0,34 Wattstunden, und Epoch AI schätzte unabhängig davon rund 0,3 Wh für eine typische GPT-4o-Anfrage. Lange Eingaben, Reasoning-Modi und Bilderzeugung verbrauchen deutlich mehr.
Wie viel Energie verbraucht KI pro Prompt?
Für einen kurzen Text-Prompt liegen veröffentlichte Werte bei etwa 0,2 bis 0,4 Wh: Google meldet 0,24 Wh für einen Median-Prompt an Gemini. Unabhängige Schätzungen für große Modelle mit langen Prompts erreichen rund 29 Wh, und agentische Coding-Sitzungen können Hunderte Wattstunden verbrauchen.
Verbraucht KI mehr Energie als eine Google-Suche?
Nach den veröffentlichten Werten nicht bei einem kurzen Text-Prompt. Google gab 2009 an, eine durchschnittliche Suche verbrauche rund 0,3 Wh; heute meldet das Unternehmen 0,24 Wh für einen Median-Text-Prompt an Gemini. Zwischen den Werten liegen 16 Jahre, und sie wurden unterschiedlich gemessen, daher taugen sie nur als grobe Orientierung. Lange Aufgaben, Reasoning, Bilder und Agenten verbrauchen weit mehr.
Wie viel Strom verbraucht KI insgesamt?
Für KI allein gibt es keinen verlässlichen Wert. Die Internationale Energieagentur schätzt, dass alle Rechenzentren 2025 rund 485 TWh verbrauchten, 17 % mehr als im Vorjahr, dass der Verbrauch von auf KI ausgerichteten Rechenzentren um 50 % wuchs und dass der Gesamtwert bis 2030 rund 950 TWh erreichen wird, etwa 3 % des weltweiten Stroms.
Verbraucht das Training oder die Nutzung von KI mehr Energie?
Das Training eines großen Modells ist ein großer einmaliger Aufwand, etwa geschätzte 1.287 MWh für GPT-3. Ein beliebtes Modell wird aber milliardenfach genutzt, und Branchenschätzungen, die Google-Forschende zitieren, beziffern den Anteil der Inferenz an den Arbeitslasten des maschinellen Lernens auf 80–90 %.
Warum gehen Schätzungen zum Energieverbrauch von KI so weit auseinander?
Weil sie Unterschiedliches zählen. Die Einbeziehung von Kühlung im Rechenzentrum, ungenutzten Servern und Host-Rechnern hat Googles eigenen Wert mehr als verdoppelt, von 0,10 Wh auf 0,24 Wh. Auch Modellgröße, Hardware, Prompt-Länge und die Zahl der erzeugten Token verändern das Ergebnis.
Wie viel Energie verbraucht die Bilderzeugung mit KI?
In Tests offener Modelle von Luccioni, Jernite und Strubell verbrauchte die Bilderzeugung im Durchschnitt rund 2,9 kWh pro 1.000 Bilder, also rund 2,9 Wh pro Bild, mehr als tausendmal so viel wie die Klassifizierung eines Textes.
Wie kann ich den Energieverbrauch meiner KI-Nutzung senken?
Nutzen Sie für einfache Aufgaben ein kleineres oder schnelleres Modell, halten Sie Prompts und Unterhaltungen kurz, schalten Sie Reasoning-Modi aus, wenn Sie sie nicht brauchen, und erzeugen Sie weniger Bilder und Videos. Am meisten spart die Frage, ob Sie für die Aufgabe überhaupt KI brauchen.
Quellen
- Measuring the environmental impact of delivering AI at Google scale, Elsworth et al., Google (2025)
- The gentle singularity, Sam Altman (OpenAI) (2025)
- How much energy does ChatGPT use?, Epoch AI (2025)
- How hungry is AI? Benchmarking energy, water and carbon footprint of LLM inference, Jegham et al. (arXiv 2505.09598, v6) (2025)
- AI Energy Score v2: refreshed leaderboard, now with reasoning, Luccioni and Gamazaychikov, Hugging Face (2025)
- Power hungry processing: watts driving the cost of AI deployment?, Luccioni, Jernite and Strubell, ACM FAccT 2024 (2024)
- Video killed the energy budget: characterizing the latency and power regimes of open text-to-video models, Delavande, Pierrard and Luccioni (arXiv 2509.19222) (2025)
- The real energy use of agentic AI, Zeke Hausfather, The Climate Brink (2026)
- Electricity use of AI coding agents, Simon P. Couch (2026)
- How we built our multi-agent research system, Anthropic (2025)
- Carbon emissions and large neural network training, Patterson et al. (arXiv 2104.10350) (2021)
- Powering a Google search (Italian edition: Dare energia alle ricerche su Google), Google (2009)
- Llama 3.1 8B model card, Meta (2024)
- Energy and AI, International Energy Agency (2025)
- Key questions on energy and AI, International Energy Agency (2026)
- 2024 United States Data Center Energy Usage Report, Lawrence Berkeley National Laboratory (2024)
- 2026 environmental data fact sheet, Microsoft (2026)
- Read our 11th annual Environmental Report, Google (2026)
Verwandte Themen
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.
Wie viel Wasser verbraucht KI?
Wasserverbrauch von KI: Wasser pro Prompt und pro Modell, Wasser in Rechenzentren, WUE, Angaben der Unternehmen, lokaler Wasserstress und offene Fragen.
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.
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.