Kurz gesagt
Dieses Glossar erklärt in verständlicher Sprache und in alphabetischer Reihenfolge die Begriffe, auf die man stößt, wenn man sich mit den Umweltkosten von KI beschäftigt. Jeder Begriff hat einen eigenen Link, sodass andere Seiten der Website direkt darauf verweisen können.
Das Wichtigste
- Training baut ein Modell einmal auf; Inferenz ist jede spätere Nutzung.
- Effizienz heißt, dasselbe mit weniger zu erreichen; Suffizienz heißt, zu fragen, ob die Aufgabe überhaupt mit KI erledigt werden muss.
- PUE vergleicht den gesamten Energieverbrauch eines Rechenzentrums mit dem Energieverbrauch seiner Computer; 1,0 wäre perfekt.
- Der Rebound-Effekt tritt ein, wenn Effizienz etwas billiger macht und dadurch die Gesamtnutzung steigt.
Grüne KI verbindet Informatik, Mathematik, Ingenieurwesen, Energie und Politik, und jedes dieser Felder hat sein eigenes Vokabular. Wörter wie „Modell“, „Effizienz“ und sogar „KI“ bedeuten für verschiedene Menschen Unterschiedliches. Ein britisches Green-AI-Sandpit im Jahr 2026, an dem Mathematikerinnen und Mathematiker, Informatikerinnen und Informatiker sowie Fachleute aus der Industrie teilnahmen, stellte fest: Am dringendsten wollten die Beteiligten die grundlegenden Begriffe geklärt haben. Deshalb beginnt dieses Glossar ganz von vorn. Die Begriffe sind alphabetisch nach ihrer englischen Bezeichnung geordnet. Wenn Ihnen ein Begriff fehlt, schreiben Sie uns.
Agentische KI (Agentic AI)
KI, die eine Aufgabe selbstständig in mehreren Schritten erledigt, etwa suchen, Code schreiben, ihn ausführen und Fehler beheben, statt nur eine einzelne Antwort zu geben. Da jeder Schritt das Modell erneut nutzt, kann agentische KI viel mehr Token verbrauchen als ein Chat, und Agenten, die in Schleifen hängen bleiben, können viel verschwenden. Siehe agentische KI und Token-Verschwendung.
KI
Kurz für künstliche Intelligenz: Computersysteme, die Aufgaben erledigen, die wir mit menschlicher Intelligenz verbinden, etwa Bilder erkennen, Sprache verstehen oder Vorhersagen treffen. Im Alltag meint „KI“ im Jahr 2026 meist große generative Modelle wie Chatbots. Der Begriff umfasst aber auch weit kleinere Systeme wie Spamfilter und Wettermodelle. Es lohnt sich also zu sagen, was man meint.
KI-Kompetenz (AI literacy)
Das Wissen und die Fähigkeiten, KI zu verstehen, sinnvoll zu nutzen und kritisch zu beurteilen: was sie kann und was nicht, wie man ihre Ergebnisse überprüft und welche Kosten sie verursacht, auch ökologische.
Automatische Differenzierung
Ein Verfahren, mit dem ein Computer genau berechnen kann, wie sich das Ergebnis einer Rechnung ändert, wenn sich jede einzelne Eingabe ändert. So lernen neuronale Netze (dort heißt es Backpropagation), und es wird auch genutzt, um wissenschaftliche Simulationen zu optimieren.
Benchmark
Ein Standardtest, mit dem sich Systeme fair vergleichen lassen, zum Beispiel wie genau Modelle bei denselben Fragen sind oder wie viel Energie sie für dieselbe Aufgabe verbrauchen. Benchmarks sind nur so nützlich wie die Aufgaben und Messungen, die sie enthalten.
CO2-bewusstes Rechnen (Carbon-aware computing)
Rechenaufgaben zu Zeiten oder an Orten ausführen, an denen der Strom sauberer ist, etwa einen großen Trainingslauf verschieben, bis der Wind weht. Das eignet sich für Arbeiten, die keine sofortige Antwort brauchen.
CO2-Intensität
Wie viel Kohlendioxid (oder gleichwertiges Treibhausgas) pro Einheit Strom ausgestoßen wird, meist in Gramm CO₂e pro Kilowattstunde. Sie schwankt je nach Land und Stunde, abhängig davon, wie viel Strom aus fossilen Brennstoffen oder erneuerbaren Quellen stammt.
Rechenzentrum
Ein Gebäude voller Computer, Speicher- und Netzwerktechnik, mit der Stromversorgung und Kühlung, die sie am Laufen halten. Die meisten KI-Chatbots laufen in Rechenzentren, nicht auf dem Gerät der Nutzerin oder des Nutzers.
Diffusionsmodell
Eine Art generativer KI, die vor allem für Bilder und Videos verwendet wird und lernt, zufälliges Rauschen Schritt für Schritt in ein Bild zu verwandeln. Die vielen Schritte erklären mit, warum das Erzeugen von Bildern viel mehr Energie verbraucht als kurzer Text.
Destillation
Ein kleines „Schüler“-Modell wird darauf trainiert, ein großes „Lehrer“-Modell nachzuahmen, sodass das kleine eine Aufgabe fast genauso gut erledigen kann, zu einem Bruchteil der Rechenkosten.
Edge-KI
KI, die auf oder in der Nähe des Geräts läuft, auf dem die Daten liegen, etwa einem Telefon, einer Kamera oder einem Fabriksensor, statt in einem entfernten Rechenzentrum. Sie kann Netzwerkenergie sparen und die Privatsphäre schützen, doch auch kleine Geräte summieren sich, wenn es Millionen davon gibt. Siehe Edge oder Cloud.
Effizienz
Dasselbe nützliche Ergebnis mit weniger Aufwand erreichen: weniger Energie, Zeit, Wasser oder Hardware pro Aufgabe. Effizienz ist für grüne KI unverzichtbar, reicht aber wegen des Rebound-Effekts allein nicht aus.
Graue Emissionen (Embodied carbon)
Die Emissionen aus Herstellung, Transport und späterer Entsorgung von Geräten, im Unterschied zu ihrem Betrieb. Bei KI gehört dazu die Herstellung von Chips, Servern und Rechenzentrumsgebäuden.
Energielabel
Eine einfache Bewertung, die zeigt, wie viel Energie ein Produkt verbraucht, wie die Labels von A bis G auf Kühlschränken in Europa. Mehrere Gruppen entwickeln Entsprechungen für KI-Modelle, etwa den AI Energy Score von Hugging Face, und der EU AI Act (KI-Verordnung) verpflichtet Anbieter von KI-Modellen mit allgemeinem Verwendungszweck, ihren bekannten oder geschätzten Energieverbrauch zu dokumentieren. Siehe Energielabels für KI.
Fine-Tuning
Ein bereits trainiertes Modell wird mit Fachdaten noch etwas weiter trainiert, damit es eine bestimmte Aufgabe besser erledigt. Das kostet weit weniger als ein Training von Grund auf.
FLOPs
Gleitkommaoperationen (floating-point operations): die grundlegenden Rechenschritte (Additionen und Multiplikationen von Dezimalzahlen), die ein Computer ausführt. Sie zu zählen ist ein gängiger Weg, um abzuschätzen, wie viel Rechenleistung ein Modell braucht. FLOPS mit großem S bedeutet meist Operationen pro Sekunde.
FPGA
Ein Field-Programmable Gate Array: ein Chip, dessen Schaltungen sich nach der Herstellung neu konfigurieren lassen. FPGAs können für eine bestimmte Aufgabe sehr effizient sein und lassen sich umprogrammieren, wenn sich Modelle ändern, sind aber schwerer zu programmieren als GPUs.
Generative KI
KI, die auf eine Anfrage hin neue Inhalte erzeugt, etwa Text, Bilder, Audio, Video oder Code. Chatbots und Bildgeneratoren sind generative KI.
GPU
Ein Grafikprozessor (graphics processing unit): ein Chip, der ursprünglich für Computergrafik entwickelt wurde und viele Berechnungen gleichzeitig ausführen kann. GPUs sind die wichtigste Hardware für Training und Betrieb moderner KI.
Grüne KI
KI, die so entwickelt und eingesetzt wird, dass ihr Energie-, CO2-, Wasser- und Materialfußabdruck so gering wie möglich bleibt, und die dort genutzt wird, wo sie echten Mehrwert bringt. Das umfasst beides: KI effizienter zu machen und sie nur dort einzusetzen, wo sie das richtige Werkzeug ist. Siehe Was ist grüne KI?.
Greenwashing
Irreführende Behauptungen, ein Produkt oder eine Organisation sei umweltfreundlicher, als es tatsächlich der Fall ist. In der EU verbietet die Richtlinie (EU) 2024/825 allgemeine Umweltaussagen gegenüber Verbraucherinnen und Verbrauchern, die sich nicht belegen lassen. Siehe ehrliche Umweltaussagen.
Inferenz
Die Nutzung eines trainierten Modells, um ein Ergebnis zu erzeugen, etwa eine Frage zu beantworten oder ein Bild zu generieren. Jeder Prompt ist eine Inferenz. Bei beliebten Werkzeugen summiert sich der Energieverbrauch der Inferenz deshalb so lange, wie das Modell in Gebrauch ist.
Jevons-Paradoxon
Die Beobachtung des Ökonomen William Stanley Jevons in seinem Buch The Coal Question von 1865, dass effizientere Dampfmaschinen dazu führten, dass Großbritannien mehr Kohle verbrannte, nicht weniger. Es ist der Extremfall des Rebound-Effekts, bei dem Effizienz die Gesamtnutzung erhöht.
KV-Cache
Kurz für Key-Value-Cache (Schlüssel-Wert-Zwischenspeicher). Wenn ein Sprachmodell eine Antwort Token für Token schreibt, speichert es Zwischenergebnisse (die „Keys“ und „Values“ seiner Attention-Berechnung), damit es sie nicht bei jedem Schritt neu berechnen muss. Das spart viel Rechenleistung, belegt aber Speicher.
Großes Sprachmodell (LLM)
Ein generatives KI-Modell, das mit riesigen Textmengen trainiert wurde, um Sprache vorherzusagen und zu erzeugen, oft als LLM (large language model) abgekürzt. Die meisten Chatbots beruhen auf einem solchen Modell.
Latenz
Die Verzögerung zwischen einer Anfrage und der Antwort. Manche Techniken der grünen KI tauschen etwas mehr Latenz gegen geringeren Energieverbrauch, etwa indem sie Anfragen bündeln oder auf saubereren Strom warten.
McNamara-Fehlschluss
Der Fehler, das leicht Messbare für das einzig Wichtige zu halten und das nicht Messbare zu ignorieren. Bei grüner KI ist er eine Warnung davor, Systeme nur nach bequemen Zahlen zu beurteilen und dabei Schäden zu übersehen, die sich schwerer erfassen lassen, etwa Wasserverbrauch oder soziale Auswirkungen.
Gemischte Genauigkeit (Mixed precision)
Manche Berechnungen werden mit weniger Stellen Genauigkeit ausgeführt als andere, wo das Ergebnis nicht darunter leidet. Geringere Genauigkeit braucht weniger Speicher und Energie.
Mixture of Experts
Eine Modellarchitektur aus vielen spezialisierten Teilnetzen („Experten“), bei der ein Router jede Eingabe nur an einige wenige davon weiterleitet. Für jede Antwort wird nur ein Teil des Modells genutzt, was Rechenleistung spart, obwohl das ganze Modell im Speicher und beim Training gebraucht wird.
Modell
In der KI ist ein Modell das trainierte System, das Eingaben in Ausgaben umwandelt: die gelernte Menge an Zahlen (Parameter) und die Struktur, die sie nutzt. In Wissenschaft und Technik kann „Modell“ auch eine mathematische Beschreibung eines Systems bedeuten, etwa ein Klimamodell. Es hilft also zu sagen, was man meint.
Model Merging (Souping)
Zwei oder mehr Modelle werden kombiniert, oft durch Mitteln ihrer Parameter, um ein Modell mit den Stärken jedes einzelnen zu erhalten, ohne ein neues von Grund auf zu trainieren. „Model Soups“ war der Name, den Wortsman und Kollegen 2022 verwendeten.
Multi-Agenten-System
Eine Gruppe von KI-Agenten, die zusammenarbeiten oder einander Aufgaben übergeben. Sie können leistungsfähig sein, doch wenn sie sich im Gespräch miteinander festfahren, können sie große Mengen an Token verbrauchen, ohne ein nützliches Ergebnis zu liefern.
Open-Weight-Modell
Ein Modell, dessen trainierte Parameter (Gewichte) veröffentlicht sind, sodass jede und jeder es herunterladen und ausführen kann, auch wenn Trainingsdaten und Code nicht offenliegen. Open-Weight-Modelle lassen sich lokal betreiben und anpassen, und ihr Energieverbrauch lässt sich unabhängig messen.
Orchestrierung
Mehrere Modelle, Werkzeuge oder vorgefertigte Komponenten werden koordiniert, um eine Aufgabe zu erledigen, statt alles von einem großen Modell erzeugen zu lassen. Siehe Orchestrierung statt Generierung.
Parameter
Die Zahlen in einem Modell, die beim Training angepasst werden und gemeinsam speichern, was es gelernt hat. Große Sprachmodelle haben Milliarden davon; Metas Llama-3.1-Familie zum Beispiel gibt es in Größen mit 8, 70 und 405 Milliarden Parametern. Mehr Parameter bedeuten meist mehr Rechenaufwand pro Antwort.
Physikinformiertes neuronales Netz
Ein neuronales Netz, das so trainiert wird, dass es bekannte physikalische Gesetze wie die Energieerhaltung einhält und zugleich zu den Daten passt. Wenn dieses Wissen eingebaut ist, kann das weniger Daten, weniger Parameter und weniger Training bedeuten.
Prompt
Die Anweisung oder Frage, die eine Person einem generativen KI-Modell gibt. Klare, konkrete Prompts liefern meist schon beim ersten Mal eine gute Antwort, was Zeit und Energie spart.
Pruning
Teile eines trainierten Modells, etwa einzelne Gewichte oder ganze Verbindungen, die wenig zum Ergebnis beitragen, werden entfernt („beschnitten“). Ein so verkleinertes Modell ist kleiner und günstiger im Betrieb, oft mit nur geringem Genauigkeitsverlust.
PUE
Power Usage Effectiveness: der gesamte Energieverbrauch eines Rechenzentrums geteilt durch den Energieverbrauch seiner IT-Geräte. Eine PUE von 1,0 würde bedeuten, dass keine Energie für Kühlung oder Stromverluste anfällt; je niedriger, desto besser. Typische Werte und ihre Quellen finden Sie unter Hosting und Rechenzentren.
Quantisierung
Die Zahlen eines Modells werden mit weniger Stellen gespeichert, zum Beispiel als 8-Bit- oder 4-Bit-Zahlen statt als 16- oder 32-Bit-Zahlen. Das verkleinert das Modell und senkt den Energieverbrauch beim Betrieb, meist mit nur geringem Qualitätsverlust.
Rebound-Effekt
Wenn ein Effizienzgewinn etwas billiger oder einfacher macht, sodass Menschen mehr davon nutzen und die Einsparung teilweise oder ganz verloren geht. Wächst die Nutzung so stark, dass der Gesamtverbrauch steigt, spricht man vom Jevons-Paradoxon. Siehe Effizienz ist nicht Suffizienz.
Routing
Jede Anfrage wird an das am besten geeignete Modell geschickt, zum Beispiel ein kleines, günstiges Modell für einfache Fragen und ein großes nur für schwierige. Die richtige Schwelle ist wichtig: Ein zu kleines Modell kann scheitern und einen zweiten, größeren Versuch erzwingen.
Scope-1-, Scope-2- und Scope-3-Emissionen
Die drei Kategorien des Greenhouse Gas Protocol. Scope 1 sind direkte Emissionen aus Quellen, die eine Organisation besitzt oder kontrolliert; Scope 2 sind Emissionen aus dem Strom, der Wärme oder der Kühlung, die sie einkauft; Scope 3 sind alle anderen indirekten Emissionen in ihrer Wertschöpfungskette, etwa aus der Herstellung der Hardware, die sie kauft.
Kleines Sprachmodell
Ein Sprachmodell mit relativ wenigen Parametern, das günstig laufen soll, manchmal auf einem Laptop oder Telefon. Für eng umrissene Aufgaben kann ein gut gewähltes kleines Modell mit einem viel größeren mithalten. Siehe das richtige Modell wählen.
Software Carbon Intensity
Eine Methode der Green Software Foundation, auch als ISO-Norm veröffentlicht, um die CO2-Emissionen pro Arbeitseinheit einer Software zu berechnen, etwa pro Nutzer oder pro Anfrage.
Souveräne KI
KI-Fähigkeiten wie Modelle, Daten und Recheninfrastruktur, die ein Land oder eine Region selbst kontrolliert, statt sich auf ausländische Anbieter zu verlassen. Sie wirft eigene Fragen der Nachhaltigkeit auf; siehe souveräne KI und Nachhaltigkeit.
Sparsität (Sparsity)
Wenn viele der Zahlen in einem Modell oder viele seiner Aktivierungen für eine bestimmte Eingabe null sind. Die Berechnung kann die Nullen überspringen, sodass ein dünn besetztes Modell viel günstiger laufen kann, sofern Hardware und Software das unterstützen.
Gepulstes neuronales Netz (Spiking neural network)
Ein neuronales Netz, das wie das Gehirn Informationen als kurze Impulse (Spikes) weitergibt und zwischen ihnen überwiegend ruht. Auf geeigneter Hardware versprechen solche Netze einen sehr geringen Energieverbrauch, besonders am Edge.
Suffizienz
Nur so viel einer Ressource zu nutzen, wie ein Bedarf wirklich erfordert, einschließlich der Frage, ob KI überhaupt nötig ist. Sie ist das Gegenstück zur Effizienz: Effizienz fragt „Wie können wir das mit weniger tun?“, Suffizienz fragt „Müssen wir das überhaupt tun?“.
Surrogatmodell
Ein schnelles, näherungsweises Modell, das darauf trainiert ist, eine langsame, aufwendige Berechnung zu ersetzen, etwa einen Teil einer Klima- oder Ingenieursimulation. Ein gutes Surrogatmodell kann viel Energie sparen, sofern seine Genauigkeit überprüft wird.
Nachhaltige KI
Ein weit gefasster Begriff für KI, die entwickelt und genutzt werden kann, ohne die Ressourcen zu erschöpfen, von denen sie abhängt; oft schließt er neben ökologischen auch soziale und wirtschaftliche Auswirkungen ein. Er überschneidet sich mit grüner KI, und beide Begriffe werden oft gleichbedeutend verwendet.
Token
Das Textstück, das ein Sprachmodell liest und schreibt, oft ein Teil eines Wortes. Die Faustregel von OpenAI für Englisch lautet, dass ein Token etwa vier Zeichen oder etwa drei Viertel eines Wortes entspricht; andere Sprachen brauchen für dieselbe Bedeutung oft mehr Token. Mehr Token bedeuten mehr Rechenaufwand.
TPU
Eine Tensor Processing Unit: ein von Google entwickelter Chip speziell für die Berechnungen des maschinellen Lernens.
Training
Der Aufbau eines Modells, indem man ihm große Datenmengen zeigt und seine Parameter immer wieder anpasst, um seine Fehler zu verringern. Das Training eines großen Modells kann Monate auf Tausenden von Chips dauern; Meta gibt 39,3 Millionen GPU-Stunden für das Training seiner Llama-3.1-Familie an.
Unsicherheitsquantifizierung
Zu ermitteln, wie sicher wir uns beim Ergebnis eines Modells sein können, zum Beispiel indem man eine Spanne statt einer einzelnen Zahl angibt. Das hilft bei der Entscheidung, wann ein günstigeres Modell gut genug ist und wann ein Ergebnis überprüft werden muss.
WUE
Water Usage Effectiveness: das Wasser, das ein Rechenzentrum vor Ort verbraucht, in Litern, geteilt durch den Energieverbrauch seiner IT-Geräte in Kilowattstunden. Niedriger ist besser, wobei eine Kühlung, die Wasser spart, mehr Strom verbrauchen kann, und umgekehrt.
Häufige Fragen
Was ist der Unterschied zwischen grüner KI und nachhaltiger KI?
Die Begriffe werden mit überlappender Bedeutung verwendet. Grüne KI konzentriert sich meist darauf, den Verbrauch von Energie, CO2, Wasser und Material durch KI zu senken; nachhaltige KI ist oft weiter gefasst und umfasst auch soziale und wirtschaftliche Auswirkungen sowie die Frage, ob sich Ressourcen so schnell erneuern, wie sie verbraucht werden.
Was ist ein Token bei KI?
Ein Token ist das Textstück, das ein Sprachmodell liest oder schreibt, oft ein Teil eines Wortes. Die Faustregel von OpenAI für Englisch lautet: etwa vier Zeichen oder drei Viertel eines Wortes pro Token.
Was ist der Unterschied zwischen Training und Inferenz?
Training ist der Aufbau eines Modells, indem es aus Daten lernt, meist einmalig und mit großem Aufwand. Inferenz ist die Nutzung des fertigen Modells, um eine Frage zu beantworten oder ein Bild zu erzeugen, und sie geschieht jedes Mal, wenn jemand es verwendet.
Quellen
- What are tokens and how to count them?, OpenAI Help Center (2025)
- Uptime Institute global data center survey 2025, Uptime Institute (2025)
- Data center metering and resource guide, Lawrence Berkeley National Laboratory (2017)
- GHG Protocol corporate standard, Greenhouse Gas Protocol (2004)
- W. Stanley Jevons, The Coal Question, 1865, Yale University, Energy History (1865)
- Model soups: averaging weights of multiple fine-tuned models improves accuracy without increasing inference time, Wortsman et al. (arXiv:2203.05482) (2022)
- Annex XI: technical documentation for providers of general-purpose AI models, European Commission, AI Act Service Desk (2024)
- Directive (EU) 2024/825 on empowering consumers for the green transition, European Union (2024)
- Software Carbon Intensity specification, Green Software Foundation (2024)
- ISO/IEC 21031:2024 Software carbon intensity (SCI) specification, International Organization for Standardization (2024)
- Llama 3.1 8B model card, Meta (Hugging Face) (2024)