# Unterrichts- und Aktivitätsideen zu grüner KI

> Neun günstige Aktivitäten zu grüner KI für 9- bis 18-Jährige: Energieschätzungen, Papier-Token, Standorte von Rechenzentren, Debatten und ein Rebound-Spiel.

Source: https://greenai.guide/de/schulen/unterrichts-und-aktivitaetsideen-zu-gruener-ki/  
Updated: 2026-11-19

## Kurz gesagt

Diese neun Aktivitäten vermitteln die Energie- und Umweltseite von KI mit Papier, veröffentlichten Zahlen und Diskussion, für Schülerinnen und Schüler von etwa 9 bis 18 Jahren. Jede hat eine Altersstufe, eine Zeitangabe, Lernziele und Materialien, und keine braucht kostenpflichtige Software oder Konten der Lernenden bei KI-Werkzeugen.

## Das Wichtigste

- Jede Aktivität funktioniert, ohne dass die Lernenden selbst KI-Werkzeuge nutzen. Das respektiert die Altersgrenzen, die viele Werkzeuge festlegen.
- Die Schätzaktivitäten nutzen veröffentlichte Werte pro Prompt von Google und OpenAI, jeweils mit Quellenangabe.
- Die Aktivitäten passen zu bestehenden Inhalten in Informatik, Naturwissenschaften, Erdkunde, Mathematik und politischer Bildung, statt neue Unterrichtszeit zu brauchen.
- Die Lehrplanbezüge sind Richtwerte: Prüfen Sie sie anhand Ihres eigenen nationalen oder regionalen Lehrplans.

## Wie sollte ich diese Ideen nutzen? {#how-should-i-use-these-ideas}

Wählen Sie eine aus, passen Sie die Zeit an Ihre Klasse an und nennen Sie jede Zahl mit Quelle und Jahr. Hintergrund
zu jeder Aktivität finden Sie im [Leitfaden für Lehrkräfte](/de/schulen/gruene-ki-ein-leitfaden-fuer-lehrkraefte/), Begriffe werden im
[Glossar](/de/glossar/) erklärt. Keine Aktivität setzt voraus, dass die Lernenden Konten bei KI-Werkzeugen haben.

Die Lehrplanbezüge nehmen England als Beispiel (KS2 umfasst 7 bis 11 Jahre, KS3 11 bis 14, KS4 14 bis 16). Sie sind
Richtwerte, keine offiziellen Zuordnungen; die meisten Länder haben vergleichbare Bereiche zu Computersystemen,
Energie, natürlichen Ressourcen und verantwortungsvollem Umgang mit Technik.

## Aktivitätsideen {#activity-ideas}

### 1. Wie viel Energie verbraucht unsere Klasse für KI? {#1-how-much-energy-does-our-class-use-on-ai}

**Alter:** 11–16 · **Zeit:** 50 Minuten · **Bezüge:** KS3 Naturwissenschaften (Energie, Leistung, kWh,
Energiekosten im Haushalt); Mathematik (Schätzen, Einheiten); Informatik (Auswirkungen von Technik)

**Lernziele:** zwischen Wh und kWh umrechnen; eine Fermi-Abschätzung aufstellen und begründen; erklären, warum sich
kleine Mengen summieren.

**Materialien:** Papier, Taschenrechner, die unten genannten veröffentlichten Werte.

**Ablauf:** Die Lernenden schätzen, wie viele KI-Text-Prompts die Klasse in einer Woche abschickt (anonymes
Handzeichen funktioniert). Mit Googles 0,24 Wh für einen mittleren (Median-)Text-Prompt bei Gemini und OpenAIs
0,34 Wh für eine durchschnittliche ChatGPT-Anfrage berechnen sie eine Spanne. Zum Beispiel ergeben 30 Lernende × 10
Prompts × 0,24–0,34 Wh etwa 72–102 Wh pro Woche. Dann wird auf die ganze Schule, das Land und die Welt hochgerechnet
und mit Geräten verglichen, deren Leistungsangabe auf dem Typenschild steht. Zum Schluss wird besprochen, was die
Zahlen nicht enthalten: Bilder, Video, Training und die Geräte selbst.

### 2. Token mit Papier erklärt {#2-tokens-explained-with-paper}

**Alter:** 9–14 · **Zeit:** 30 Minuten · **Bezüge:** KS2 und KS3 Informatik (wie Daten dargestellt werden)

**Lernziele:** erklären, was ein [Token](/de/glossar/#token) ist; erklären, warum längerer Text mehr Rechenarbeit
bedeutet.

**Materialien:** ausgedruckte Sätze, Scheren, eine Stoppuhr.

**Ablauf:** Die Lernenden schneiden Sätze in Stücke, die etwa so groß wie Token sind. Die Faustregel von OpenAI
lautet, dass ein Token etwa vier Zeichen oder drei Viertel eines englischen Wortes lang ist, lange Wörter werden also
geteilt. Ein „Modell“ (eine Schülerin oder ein Schüler) muss jedes Stück lesen, bevor es ein neues Wort hinzufügt,
und die Zeit wird gestoppt. Verdoppelt man den Satz, verdoppelt sich die Arbeit. Ältere Lernende können am Beamer
eine kostenlose Online-Tokenizer-Demonstration ausprobieren und feststellen, dass ungewöhnliche Wörter und manche
Sprachen in mehr Teile zerfallen.

### 3. Ist KI das richtige Werkzeug? {#3-is-ai-the-right-tool}

**Alter:** 11–18 · **Zeit:** 40–60 Minuten · **Bezüge:** KS3 und KS4 Informatik (verantwortungsvolle Nutzung);
politische Bildung

**Lernziele:** Nutzen und Kosten einer Technik abwägen; mit Belegen argumentieren;
[Suffizienz](/de/glossar/#sufficiency) verstehen.

**Materialien:** Aufgabenkarten (zum Beispiel: eine Schreibweise prüfen, ein Geburtstagsgedicht schreiben, die
Hauptstadt von Peru herausfinden, einen 40-seitigen Bericht zusammenfassen, Hautkrebs auf Bildern erkennen, 25
Versionen eines Logos erstellen).

**Ablauf:** In Gruppen sortieren die Lernenden die Karten in „KI ist das beste Werkzeug“, „etwas Einfacheres reicht“
und „kommt darauf an“ und verteidigen dann eine Entscheidung vor der Klasse. Besprechen Sie, was „unnötig“
(frivolous) bedeutet und wer darüber entscheiden darf.

### 4. Wo sollte ein Rechenzentrum stehen? {#4-where-should-a-data-centre-go}

**Alter:** 11–16 · **Zeit:** 60 Minuten · **Bezüge:** KS3 Erdkunde (wirtschaftliche Tätigkeit und natürliche
Ressourcen; Zusammenwirken von Mensch und Natur; Karten und GIS)

**Lernziele:** Faktoren bei Standortentscheidungen erkennen; Zielkonflikte abwägen; Karten und Daten nutzen.

**Materialien:** gedruckte oder kostenlose Online-Karten mit erneuerbarer Stromerzeugung, Flüssen, Temperatur,
Netzanschlüssen und Städten.

**Ablauf:** Die Lernenden bilden einen Planungsausschuss und wählen zwischen drei erfundenen Standorten: kühl und
windig, aber abgelegen; nahe einer Stadt mit Wasserknappheit; neben einem Solarpark in einer heißen Region. Jeder
Standort wird nach Strom, Kühlung, Wasser, Fläche, Arbeitsplätzen und Auswirkungen vor Ort bewertet. Nutzen Sie
Irland als echtes Beispiel: Rechenzentren verbrauchten 2024 22 % des gemessenen Stroms des Landes, gegenüber 5 % im
Jahr 2015 (Central Statistics Office).

### 5. Das Effizienz- und Rebound-Spiel {#5-the-efficiency-and-rebound-game}

**Alter:** 11–18 · **Zeit:** 40 Minuten · **Bezüge:** KS4 Informatik (Auswirkungen von Technik); Wirtschaft;
Mathematik

**Lernziele:** den [Rebound-Effekt](/de/glossar/#rebound-effect) und das
[Jevons-Paradoxon](/de/glossar/#jevons-paradox) erklären.

**Materialien:** Spielsteine oder Chips, ein einfaches Regelblatt.

**Ablauf:** Jedes Team hat ein festes „Energiebudget“ aus Spielsteinen. In jeder Runde wird KI doppelt so effizient
(eine Aufgabe kostet halb so viele Steine), aber die Teams entscheiden dann, wie viele Aufgaben sie ausführen. Der
Gesamtenergieverbrauch jeder Runde wird notiert. Meist stellen die Lernenden fest, dass der Gesamtverbrauch steigt.
Stellen Sie den Bezug zum Ökonomen William Stanley Jevons her, der 1865 argumentierte, dass effizientere
Dampfmaschinen den Kohleverbrauch steigern statt senken würden. Fragen Sie: Welche Regeln würden den Gesamtverbrauch
niedrig halten?

### 6. Text, Bild oder Video? {#6-text-image-or-video}

**Alter:** 13–18 · **Zeit:** 40 Minuten · **Bezüge:** KS3 Naturwissenschaften (Energie); Informatik

**Lernziele:** den Energieverbrauch verschiedener KI-Aufgaben vergleichen; eine Forschungszahl kritisch lesen.

**Materialien:** die unten genannten Zahlen, ausgedruckt.

**Ablauf:** Stellen Sie ein Forschungsergebnis vor: In einer Studie von 2024 verbrauchte das Erzeugen von 1.000
Bildern mit dem am wenigsten effizienten getesteten Modell 11,49 kWh, so viel wie 522 Smartphone-Ladungen, während
das effizienteste Textmodell für 1.000 Durchläufe so viel verbrauchte wie 9 % einer Ladung (Luccioni, Jernite und
Strubell). Die Lernenden besprechen, warum Bilder mehr kosten, was „am effizientesten“ und „am wenigsten effizient“
bedeuten und wie sie einen fairen Test gestalten würden.

### 7. Ein Label für grüne KI entwerfen {#7-design-a-green-ai-label}

**Alter:** 9–16 · **Zeit:** 50 Minuten · **Bezüge:** Gestaltung und Technik; Informatik; politische Bildung

**Lernziele:** [Energielabels](/de/glossar/#energy-label) verstehen; entscheiden, welche Informationen nützlich und
ehrlich sind.

**Materialien:** Beispiele für Energielabels von Geräten und Lebensmittelkennzeichnungen, Papier, Stifte.

**Ablauf:** Die Lernenden entwerfen ein Label, das neben einer KI-Antwort oder einer App angezeigt wird. Was sollte es
zeigen: Energie, Wasser, CO2, wo gerechnet wurde? Wie würde man verhindern, dass Unternehmen irreführende Aussagen
machen ([Greenwashing](/de/glossar/#greenwashing))? Ältere Lernende können
[Energielabels für KI](/de/artikel/energielabels-und-benchmarks-fuer-ki/) lesen.

### 8. Prompt-Golf {#8-prompt-golf}

**Alter:** 13–18 · **Zeit:** 30 Minuten · **Bezüge:** Informatik; Deutsch (knappes Schreiben)

**Lernziele:** klare, genaue Anweisungen schreiben; Kürze mit Effizienz verbinden.

**Materialien:** Papier; optional eine von der Lehrkraft vorgeführte KI-Demonstration.

**Ablauf:** Die Lernenden schreiben lange, ungenaue Anfragen in den kürzesten Prompt um, der trotzdem genau das
liefert, was gebraucht wird (für wen, Länge, Format). Wörter zählen, dann Token schätzen. Die Lehrkraft kann die
besten zwei live testen. Besprechen Sie, warum ein klarer Prompt besser ist als fünf Versuche.

### 9. Debatte: Sollte ein Land seine eigene grüne KI bauen? {#9-debate-should-a-country-build-its-own-green-ai}

**Alter:** 15–18 · **Zeit:** 60 Minuten · **Bezüge:** politische Bildung; Politik; Informatik

**Lernziele:** Argumente zur Technologiepolitik aufbauen; Souveränität, Kosten, Energie und Fairness berücksichtigen.

**Materialien:** eine kurze Einführung, etwa der Artikel
[Souveräne KI und Nachhaltigkeit](/de/artikel/souveraene-ki-und-nachhaltigkeit/).

**Ablauf:** Die Streitfrage lautet: „Dieses Haus würde einen nationalen, öffentlichen KI-Dienst aufbauen, der mit
erneuerbarer Energie betrieben wird.“ Die Teams stellen gleichen Zugang und Kontrolle über Daten gegen Kosten,
Energie, Infrastruktur und politische Risiken. Diese Frage wurde 2026 bei einem britischen Green-AI-Sandpit mit
Mathematikerinnen und Mathematikern, Informatikerinnen und Informatikern sowie Vertretern der Industrie debattiert.
Die Meinungen gingen auseinander, und das macht sie zu einer guten offenen Frage.

## Wie kann ich den Lernerfolg überprüfen? {#how-can-i-assess-learning}

Kurze schriftliche Antworten eignen sich gut: „Erkläre, warum ein einzelner Prompt wenig Energie verbraucht, KI
insgesamt aber viel“ oder „Nenne einen Weg, KI-Nutzung effizienter zu machen, und einen, sie suffizienter zu machen“.
Achten Sie auf Überlegungen zu Größenordnungen und auf beide Hälften von grüner KI.

## Was Sie als Nächstes tun können {#what-to-do-next}

- Probieren Sie in diesem Halbjahr Aktivität 2 oder 3 aus; keine von beiden braucht Technik.
- Teilen Sie [Grüne KI für Schülerinnen und Schüler](/de/schulen/gruene-ki-fuer-schuelerinnen-und-schueler/) als vorbereitende Lektüre oder
  Hausaufgabe.
- Prüfen Sie vor der Stunde Fakten und Fehlvorstellungen im [Leitfaden für Lehrkräfte](/de/schulen/gruene-ki-ein-leitfaden-fuer-lehrkraefte/).
- Schreiben Sie das [Glossar](/de/glossar/) für Schlüsselbegriffe an die Tafel.
- Erzählen Sie uns über die [Kontaktseite](/de/kontakt/), wie eine Aktivität gelaufen ist, damit wir diese Ideen
  verbessern können.

## Häufige Fragen

### Brauchen diese Unterrichtsstunden Computer?

Die meisten brauchen keine. Einige nutzen optional eine kostenlose Webseite, etwa eine Tokenizer-Demonstration oder eine Online-Karte, die die Lehrkraft am Beamer zeigen kann.

### Mit welcher Aktivität sollte ich anfangen?

Papier-Token (Aktivität 2) geht am schnellsten: 30 Minuten, keine Technik, und sie erklärt, warum längere Prompts und Antworten mehr Rechenleistung brauchen. Ist KI das richtige Werkzeug? (Aktivität 3) eignet sich gut als Fortsetzung.

### Sind die Ideen mit dem nationalen Lehrplan verknüpft?

Sie unterstützen bestehende Inhalte der Lehrpläne Englands für Informatik, Naturwissenschaften und Erdkunde sowie ähnliche Bereiche anderswo, sind aber keine offiziellen Materialien und an keine Prüfungsordnung gebunden.

## Quellen

- [Measuring the environmental impact of delivering AI at Google scale](https://arxiv.org/abs/2508.15734), Google (arXiv:2508.15734) (2025)
- [The Gentle Singularity](https://blog.samaltman.com/the-gentle-singularity), Sam Altman (OpenAI) (2025)
- [What are tokens and how to count them?](https://help.openai.com/en/articles/4936856-what-are-tokens-and-how-to-count-them), OpenAI Help Center (2025)
- [Energy and AI](https://www.iea.org/reports/energy-and-ai), International Energy Agency (2025)
- [Data centres metered electricity consumption 2024](https://www.cso.ie/en/releasesandpublications/ep/p-dcmec/datacentresmeteredelectricityconsumption2024/keyfindings/), Central Statistics Office, Ireland (2025)
- [Power hungry processing: watts driving the cost of AI deployment?](https://arxiv.org/abs/2311.16863), Luccioni, Jernite and Strubell (arXiv:2311.16863) (2024)
- [The coal question (1865), summary and extracts](https://energyhistory.yale.edu/w-stanley-jevons-the-coal-question-1865/), Yale University, Energy History (1865)
- [National curriculum in England: computing programmes of study](https://www.gov.uk/government/publications/national-curriculum-in-england-computing-programmes-of-study), Department for Education (2013)
- [National curriculum in England: geography programmes of study](https://www.gov.uk/government/publications/national-curriculum-in-england-geography-programmes-of-study), Department for Education (2013)
- [National curriculum in England: science programmes of study](https://www.gov.uk/government/publications/national-curriculum-in-england-science-programmes-of-study), Department for Education (2013)
