# Edge oder Cloud: Wo sollte KI laufen?

> On-Device- und Edge-KI gegen zentrale Rechenzentren abwägen: Energie, Netz, Hardware, Datenschutz und Resilienz, mit einer Schritt-für-Schritt-Entscheidungshilfe.

Source: https://greenai.guide/de/gute-praxis/edge-oder-cloud-wo-sollte-ki-laufen/  
Updated: 2026-11-19

## Kurz gesagt

Weder Edge noch Cloud ist von vornherein grüner. Zentrale Rechenzentren betreiben große Modelle meist effizienter, während KI auf dem Gerät und am Edge Netzwerkverkehr vermeiden, Daten lokal halten und offline funktionieren kann. Entscheiden Sie von Fall zu Fall, indem Sie die Energie pro nützlichem Ergebnis über das gesamte System vergleichen, einschließlich Geräten, Netz und Hardware.

## Das Wichtigste

- Führen Sie kleine, häufige oder latenzkritische Aufgaben lokal aus; schicken Sie große oder seltene Aufgaben an effiziente zentrale Hardware.
- Die IEA schätzt, dass Datenübertragungsnetze 2022 260–360 TWh verbrauchten, etwa 1–1,5 % des weltweiten Stroms, davon rund zwei Drittel Mobilfunknetze.
- Der Energieverbrauch von Netzen wächst nicht einfach proportional zur Datenmenge, daher werden Einsparungen pro Gigabyte oft überschätzt.
- Milliarden Geräte summieren sich: Berücksichtigen Sie die Geräte der Nutzer, ihre Akkus und die Hardware, die sie möglicherweise ersetzen müssen.
- Lokale KI hält Daten auf dem Gerät, was Datenschutz, Souveränität und Resilienz stärkt.

## Ist Edge-KI oder Cloud-KI grüner? {#is-edge-or-cloud-ai-greener}

**Das hängt von der Aufgabe, dem Modell und dem Gerät ab. Vergleichen Sie daher über das gesamte System, statt
Annahmen zu treffen.** Zentrale Rechenzentren betreiben Beschleuniger mit hoher Auslastung und spezialisierter
Kühlung und erledigen die Rechenarbeit eines großen Modells deshalb meist effizienter. Edge-KI, die auf dem Gerät oder
einem nahegelegenen Server läuft, muss keine Daten über das Netz schicken und kann sich im Leerlauf vollständig
abschalten.

Eine britische Sandpit-Veranstaltung zu grüner KI im Jahr 2026 mit Mathematikerinnen und Mathematikern, Informatikern
und Fachleuten aus der Industrie stellte genau diese Frage. KI verbreitet sich in Sensoren, Kameras, Türklingeln,
Autos und Sprachassistenten auf Smartphones. Verbraucht lokale KI, multipliziert mit Millionen von Geräten, mehr oder
weniger Energie, als die Daten an ein Rechenzentrum zu senden? Die Teilnehmenden stellten fest, dass es für einige
kleinere Bildverarbeitungsmodelle am Edge durchgängige Energiestudien gibt, für große Sprachmodelle aber kaum. Die
ehrliche Antwort lautet heute: Messen Sie Ihren Fall.

## Was sind die Zielkonflikte? {#what-are-the-trade-offs}

**Jede Option punktet bei anderen Dingen.**

| Faktor | Auf dem Gerät / Edge | Zentrales Rechenzentrum |
|---|---|---|
| Energie pro Rechenoperation | Auf Universalchips meist höher; besser auf dedizierten neuronalen Beschleunigern | Meist niedriger, besonders bei hoher Auslastung |
| Modellgröße | Kleine, oft quantisierte Modelle | Jede Größe |
| Netzenergie | Wenig oder keine | Jede Anfrage geht über das Netz |
| Energie im Leerlauf | Kann in den Ruhezustand gehen oder abschalten | Gemeinsame Kapazität wird bereitgehalten |
| Hardware | Verteilt auf Milliarden Geräte; kann Neuanschaffungen fördern | Konzentriert, alle paar Jahre erneuert |
| Latenz | Schnell, funktioniert offline | Hängt von der Verbindung ab |
| Datenschutz | Daten können auf dem Gerät bleiben | Daten verlassen die Kontrolle der Nutzer |
| Messung | Schwierig: verstreut, nicht gemeldet | Möglich, wenn Anbieter berichten |
| Kontrolle | Verteilt | Bei wenigen Anbietern konzentriert |

## Wie wichtig ist das Netz? {#how-much-does-the-network-matter}

**Netze verbrauchen insgesamt viel Energie, aber ein großer Teil davon ist eine nahezu konstante Grundlast. Die
Wirkung einer einzelnen Anfrage ist daher kleiner, als Rechner auf Byte-Basis vermuten lassen.**

- Die Internationale Energieagentur schätzt, dass Datenübertragungsnetze 2022 260 bis 360 TWh verbrauchten, etwa 1
  bis 1,5 % des weltweiten Stroms, davon rund zwei Drittel Mobilfunknetze.
- Mytton, Lundén und Malmodin zeigten 2024, dass der Energieverbrauch von Netzen nicht direkt proportional zur
  Datenmenge ist. Netzwerktechnik zieht Strom, ob sie ausgelastet ist oder nicht. Wer Gigabyte direkt in
  Kilowattstunden umrechnet, überschätzt daher die Einsparung durch weniger Datenverkehr.
- Reduzieren Sie die Datenmenge trotzdem: Das spart Energie auf Servern und Geräten, und vermiedener Verkehr kann
  künftigen Ausbau der Netzkapazität vermeiden. Nutzen Sie Einsparungen im Netz pro Gigabyte aber nicht als
  Hauptargument für Edge-KI.

Beachten Sie, dass viele veröffentlichte Werte pro Prompt das Netz und die Geräte der Nutzer nicht berücksichtigen.
Die Gemini-Werte von Google aus dem Jahr 2025 etwa schließen beides aus. Prüfen Sie die Systemgrenze, bevor Sie Zahlen
für Edge und Cloud vergleichen.

## Und die Geräte selbst? {#what-about-the-devices-themselves}

**Berücksichtigen Sie Energie, Akku und Hardware der Geräte, auf denen Ihre KI läuft, denn sie gehören zu Ihrem
Fußabdruck.**

- **Graue Emissionen:** Die Herstellung von Geräten verursacht CO2. Die SCI-Spezifikation rechnet einen Anteil der
  grauen Emissionen in den Fußabdruck eines Softwaresystems ein. Wenn KI auf dem Gerät Menschen dazu bringt,
  funktionierende Smartphones oder Laptops früher zu ersetzen, können diese Kosten jede Einsparung im Betrieb
  übersteigen.
- **Akkuverbrauch** ist versteckter Energieaufwand, den die Nutzer tragen. Die Sandpit-Veranstaltung nannte
  KI-Assistenten auf Smartphones als Beispiel.
- **Anpassung:** Die Green Software Foundation empfiehlt, auf kleinere Modelle oder eine geringere Frequenz
  umzuschalten, wenn der Akku schwach oder ein Gerät heiß ist.
- **Größenordnung:** Eine winzige Einsparung oder ein winziger Aufwand pro Gerät wird groß, wenn Millionen Geräte
  ständig laufen.

## Welche Rolle spielen Datenschutz und Resilienz? {#how-do-privacy-and-resilience-come-in}

**Lokale KI hält Daten auf dem Gerät und arbeitet weiter, wenn die Verbindung oder der zentrale Dienst ausfällt.**

- **Datenschutz:** Lokal verarbeitete Daten müssen nicht an einen Anbieter übertragen oder dort gespeichert werden.
  Das unterstützt den Grundsatz der Datenminimierung im britischen und europäischen Datenschutzrecht und eignet sich
  für sensible Daten wie Gesundheitsdaten oder Daten kritischer Infrastrukturen. Die Sandpit-Veranstaltung stellte
  fest, dass sensible Betriebsdaten in Sektoren der kritischen Infrastruktur oft innerhalb der Organisation bleiben
  müssen, was effiziente lokale Modelle erfordert.
- **Souveränität und Kontrolle:** Verteilte Inferenz verlagert Kontrolle weg von wenigen großen Anbietern.
- **Resilienz:** Die Sandpit-Veranstaltung sprach auch die Abhängigkeit an: Was passiert, wenn sich die Gesellschaft
  auf KI verlässt und Verbindung oder Strom ausfallen? Lokale Fähigkeiten können wesentliche Funktionen aufrechterhalten.
- **Rechenschaft:** Edge-KI ist schwerer zu überwachen. Wenn Sie sie einsetzen, planen Sie, wie Sie sie messen und
  darüber berichten.

## Wie entscheide ich Schritt für Schritt? {#how-do-i-decide-step-by-step}

**Ermitteln Sie die Energie pro nützlichem Ergebnis für jede Option und wägen Sie dann Datenschutz, Latenz und
Resilienz ab.**

1. **Legen Sie die Aufgabe und ihre Qualitätsanforderungen fest.** Was gilt als erfolgreiches Ergebnis?
2. **Finden Sie das kleinste Modell, das die Anforderungen erfüllt**
   ([das richtige Modell wählen](/de/gute-praxis/das-richtige-modell-fuer-die-aufgabe-waehlen/)). Quantisierte Modelle brauchen weniger
   Speicher: In der Studie zu LLM.int8() halbierte 8-Bit-Inferenz den Speicherbedarf.
3. **Schätzen Sie die Cloud-Energie pro Ergebnis**, einschließlich des Zusatzaufwands im Rechenzentrum und, wo
   möglich, des Netzes.
4. **Messen Sie die Geräteenergie pro Ergebnis** auf repräsentativen Geräten, auch auf älteren und stromsparenden.
5. **Berücksichtigen Sie Hardware-Effekte:** Werden dafür neue Geräte oder eigene Edge-Server nötig?
6. **Bedenken Sie die Häufigkeit:** Häufige, kleine Aufgaben eignen sich oft für das Gerät, seltene, aufwendige für
   die Cloud.
7. **Wägen Sie Datenschutz, Latenz, Offline-Nutzung und Resilienz ab.**
8. **Erwägen Sie eine Aufteilung:** Ein kleines lokales Modell bearbeitet die meisten Anfragen und eskaliert
   schwierige an die Cloud.
9. **Messen Sie nach dem Einsatz** und prüfen Sie erneut, wenn sich Modelle und Hardware ändern.

## Checkliste {#checklist}

- [ ] Energie pro nützlichem Ergebnis für Edge, Cloud und eine Aufteilung verglichen
- [ ] Systemgrenze umfasst Geräte und, wo möglich, das Netz
- [ ] Kleinstes geeignetes Modell gewählt, für Geräte quantisiert, wo die Qualität hält
- [ ] Keine Geräte-Upgrades durch die KI-Funktion erzwungen
- [ ] Akku und Wärme berücksichtigt, mit einem leichteren Modus bei niedrigem Akkustand
- [ ] Vorteile für Privatsphäre und Datenschutz dokumentiert
- [ ] Überwachung für Edge-Einsätze geplant

## Wie es weitergeht {#what-to-do-next}

1. Wählen Sie eine KI-Funktion aus und skizzieren Sie ihre Optionen für Edge, Cloud und eine Aufteilung.
2. Messen Sie die Energie pro Ergebnis auf einem typischen Gerät und schätzen Sie den Cloud-Gegenwert; siehe
   [KI-Energie messen](/de/gute-praxis/so-messen-sie-den-energieverbrauch-und-co2-fussabdruck-von-ki/).
3. Testen Sie ein quantisiertes kleines Modell auf Ihrem ältesten unterstützten Gerät.
4. Legen Sie fest, welche Daten aus Gründen des Datenschutzes oder der Souveränität lokal bleiben müssen.
5. Lesen Sie [KI am Edge](/de/artikel/ki-am-edge-gruener-oder-nur-weniger-sichtbar/) für das Gesamtbild und
   [Hosting und Rechenzentren](/de/gute-praxis/hosting-und-rechenzentren-fuer-gruene-ki/) für die Cloud-Seite.
6. Finden Sie Werkzeuge für Edge-KI im [Produktverzeichnis](/de/produkte/) und Forschungsgruppen unter
   [Forschung](/de/forschung/).

## Häufige Fragen

### Ist KI auf dem Gerät grüner als KI in der Cloud?

Manchmal. Ein kleines Modell auf einem Smartphone vermeidet den Energieverbrauch von Rechenzentrum und Netz, aber Geräte sind pro Rechenoperation weniger effizient als Beschleuniger im Rechenzentrum, und der Kauf neuer Hardware für KI hat einen eigenen Fußabdruck. Vergleichen Sie das gesamte System.

### Verbraucht das Senden von Daten in die Cloud viel Energie?

Netze verbrauchen erheblich Energie, aber ein großer Teil davon ist eine nahezu konstante Grundlast. Weniger Daten helfen Geräten und Servern trotzdem, doch Einsparungen im Netz pro Gigabyte werden meist überschätzt.

### Was ist Edge-Computing?

Rechnen nahe dem Ort, an dem Daten entstehen oder genutzt werden: auf dem Gerät selbst oder auf einem nahegelegenen Gateway oder kleinen lokalen Server statt in einem entfernten Rechenzentrum.

### Warum spielt der Datenschutz eine Rolle?

Daten, die auf dem Gerät verarbeitet werden, müssen es nicht verlassen. Das verringert das Risiko und kann die Einhaltung von Datenschutzregeln wie der Datenminimierung erleichtern.

## Quellen

- [Data centres and data transmission networks](https://www.iea.org/fuels-and-technologies/data-centres-networks), International Energy Agency (2023)
- [Network energy use not directly proportional to data volume: the power model approach for more reliable network energy consumption calculations](https://doi.org/10.1111/jiec.13512), Mytton, Lundén and Malmodin, Journal of Industrial Ecology (2024)
- [Green Software Patterns: run AI models at the edge](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/run-ai-models-edge.md), Green Software Foundation (2025)
- [Green Software Patterns: optimise power consumption for edge AI inference](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/operations/optimize-edge-ai-power-performance.md), Green Software Foundation (2025)
- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Google (arXiv 2508.15734) (2025)
- [Software Carbon Intensity (SCI) specification](https://sci.greensoftware.foundation/), Green Software Foundation (2024)
- [Principle (c): Data minimisation](https://ico.org.uk/for-organisations/uk-gdpr-guidance-and-resources/data-protection-principles/a-guide-to-the-data-protection-principles/data-minimisation/), Information Commissioner's Office (2023)
- [LLM.int8(): 8-bit Matrix Multiplication for Transformers at Scale](https://arxiv.org/abs/2208.07339), Dettmers et al. (arXiv 2208.07339) (2022)
