# Wie kann ich …? Antworten, um die Umweltwirkung von KI zu senken

> Kurze Antworten mit Quellen auf die Fragen, die Menschen zur Verringerung der Umweltwirkung von KI-Nutzung und -Entwicklung stellen.

Source: https://greenai.guide/de/wie/

97 klare Antworten auf die Fragen, die Menschen dazu stellen, wie sie KI mit weniger Energie, Wasser und Abfall nutzen: für Alltagsnutzer, Entwickler, Organisationen und Schulen. Zuerst kommt jeweils die Antwort, dann die Schritte und die Quellen.

## KI im Alltag

- [Brauche ich für diese Aufgabe überhaupt KI?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): Fragen Sie, ob ein einfacheres Werkzeug die Aufgabe bereits zuverlässig erledigt: eine Suchmaschine, ein Taschenrechner, eine Karte, ein Wörterbuch, eine Vorlage oder eine Tabellenformel. Nutzen Sie generative KI dort, wo sie wirklich Zeit spart oder das Ergebnis verbessert, etwa beim Entwerfen, Erklären oder Überarbeiten von Text, und verzichten Sie darauf bei Nachschlagen und Rechnen, was andere Werkzeuge gut können.
- [Wann sollte ich den „Denk“- oder Reasoning-Modus einer KI nutzen?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): Nutzen Sie einen Reasoning- oder „Denk“-Modus für wirklich schwierige Probleme, etwa mehrstufige Mathematik, kniffligen Code oder sorgfältige Analysen, und ein Standard- oder schnelles Modell für alltägliche Fragen, Entwürfe und Zusammenfassungen. Reasoning-Modi schreiben vor der Antwort lange verborgene Gedankenketten, und ein Benchmark fand, dass sie im Schnitt 30-mal mehr Energie verbrauchten.
- [Wie helfe ich meiner Familie, KI nachhaltiger zu nutzen?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): Vereinbaren Sie im Haushalt ein paar einfache Gewohnheiten statt Regeln: das einfachste Werkzeug nutzen, das funktioniert, klare Fragen stellen, nachbessern statt neu generieren und KI-Bilder und -Videos als gelegentliches statt endloses Vergnügen behandeln. Auch Smartphones, Tablets und Laptops länger zu nutzen, zählt, denn die Herstellung von Geräten hat ebenfalls einen Fußabdruck.
- [Wie höre ich auf, KI-Antworten immer wieder neu generieren zu lassen?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): Finden Sie heraus, warum die erste Antwort danebenlag, und sagen Sie der KI dann in einer kurzen Nachfrage, was sie ändern soll, statt auf „Neu generieren“ zu drücken. Jede Neugenerierung ist eine vollständig neue Antwort; wer gewohnheitsmäßig fünf- oder zehnmal würfelt, vervielfacht also die Energie einer Aufgabe, besonders bei Bildern und Videos.
- [Wie kompensiere ich die CO2-Emissionen meiner KI-Nutzung?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): Reduzieren Sie zuerst und betrachten Sie Kompensationen als freiwillige Zugabe, nicht als Weg, KI-Nutzung „klimaneutral“ zu machen. Für die meisten Menschen ist der Fußabdruck alltäglicher Text-KI gering, und die aufwendigen Nutzungen zu senken, etwa Bild- und Videogenerierung und endloses Neugenerieren, bewirkt mehr als der Kauf von Zertifikaten. Standards für den CO2-Fußabdruck von Software lassen nicht zu, dass Kompensationen den gemessenen Fußabdruck senken.
- [Wie nutze ich KI auf meinem Handy, ohne Energie zu verschwenden?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): Schalten Sie KI-Funktionen ab, die Sie nicht nutzen, bevorzugen Sie für einfache Aufgaben schnelle Funktionen auf dem Gerät, und heben Sie aufwendige Aufgaben wie Bild- oder Videoerzeugung für den echten Bedarf auf. Kleine Modelle auf dem Gerät können vermeiden, dass Daten an ein Rechenzentrum gehen, verbrauchen aber trotzdem Ihren Akku; die größte Einsparung ist also, keine KI laufen zu lassen, die nichts bringt.
- [Wie nutze ich KI-Agenten und Deep-Research-Tools ohne Verschwendung?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): Heben Sie Agenten und Deep-Research-Modi für Aufgaben auf, die wirklich viele Schritte brauchen, etwa die Recherche eines breiten Themas über viele Quellen, und nutzen Sie für schnelle Fragen einen gewöhnlichen Chat. Agenten rufen pro Aufgabe viele Male ein Modell auf: Anthropic berichtete, dass Agenten etwa viermal so viele Tokens wie ein Chat verbrauchten und Multi-Agenten-Systeme etwa fünfzehnmal so viele.
- [Wie ordne ich meinen KI-Energieverbrauch richtig ein?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): Eine gewöhnliche Textfrage an einen Chatbot verbraucht laut veröffentlichten Werten einen Bruchteil einer Wattstunde, ungefähr so viel wie ein Backofen in etwa einer Sekunde. Bilder, Videos, lange Dokumente und Reasoning-Modi können ein Vielfaches davon verbrauchen, und die weltweite Summe wächst schnell. Sowohl „das ist nichts“ als auch „das ist eine Katastrophe“ gehen daher am Kern vorbei.
- [Wie schalte ich KI-Funktionen aus, die ich nicht brauche?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): Öffnen Sie die Einstellungen jeder App, jedes Handys, Browsers oder jeder Office-Suite, die Sie nutzen, suchen Sie nach Bereichen, die nach dem jeweiligen KI-Assistenten oder nach „intelligenten Funktionen“ benannt sind, und schalten Sie ab, was Sie nicht nutzen. Funktionen, die automatisch bei jeder E-Mail, Seite oder jedem Dokument laufen, verbrauchen Energie, ob Sie das Ergebnis lesen oder nicht; Standardeinstellungen zählen also.
- [Wie schreibe ich Prompts, die weniger Energie verbrauchen?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): Schreiben Sie kurze, konkrete Prompts, die genau sagen, was Sie wollen, geben Sie nur den Kontext, den das Modell braucht, und legen Sie eine Länge für die Antwort fest. Der Energieverbrauch steigt mit der Textmenge, die ein Modell liest und schreibt. Am meisten sparen Sie daher, wenn Sie beides kürzen und gleich beim ersten Mal eine brauchbare Antwort erhalten.
- [Wie senke ich den Energieverbrauch meiner ChatGPT-Nutzung?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): Bitten Sie in einer klaren Anfrage um das, was Sie brauchen, halten Sie Antworten kurz, beginnen Sie für ein neues Thema einen neuen Chat und gehen Sie sparsam mit Bild- und Videogenerierung um. Eine typische Textfrage verbraucht laut veröffentlichten Schätzungen etwa eine Drittel Wattstunde, aber lange Eingaben, wiederholtes Neugenerieren und die Erzeugung von Medien können das um ein Vielfaches erhöhen.
- [Wie spreche ich mit meinen Kindern über KI und die Umwelt?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): Erklären Sie, dass KI auf leistungsstarken Computern in großen Gebäuden läuft, die Rechenzentren heißen und Strom und oft Wasser zur Kühlung verbrauchen, und dass manche Anwendungen, etwa das Erzeugen von Bildern und Videos, weit mehr brauchen als andere. Bleiben Sie ruhig und praktisch: Ziel ist, KI überlegt zu nutzen, nicht, sich deswegen schuldig zu fühlen.
- [Wie suche ich im Web ohne KI-Antworten, die ich nicht brauche?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): Suchen Sie nach einer Option oder einem Filter, der nur normale Weblinks zeigt, wählen Sie eine Suchmaschine oder Einstellung ohne automatische KI-Antworten oder rufen Sie vertrauenswürdige Seiten direkt über Lesezeichen auf. Eine KI-Antwort bei jeder Suche bedeutet zusätzliche Modellarbeit, die Sie womöglich nicht brauchen, besonders bei einfachen Abfragen wie Öffnungszeiten oder einer bekannten Website.
- [Wie verhindere ich, dass lange KI-Chats Energie verschwenden?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): Beginnen Sie einen neuen Chat, wenn Sie das Thema wechseln. Ist ein langes Gespräch noch nützlich, lassen Sie sich eine kurze Zusammenfassung geben und machen Sie damit in einem neuen Chat weiter. Chatbots lesen in der Regel das bisherige Gespräch erneut, um jede neue Nachricht zu beantworten, deshalb machen sehr lange Verläufe jede Antwort teurer als nötig.
- [Wie vermeide ich es, meine Geräte nur für KI zu ersetzen?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): Die meisten KI-Tools laufen in der Cloud und funktionieren über einen Browser oder eine App auf den Geräten, die Sie bereits haben. Neue Hardware brauchen Sie dafür also selten. Wer Geräte länger nutzt, vermeidet den Fußabdruck der Herstellung neuer Geräte, darunter Elektroschrott, der nach Erwartung von Forschenden durch generative KI zunehmen wird.
- [Wie verringere ich die Umweltwirkung von KI-generierten Bildern und Videos?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): Erzeugen Sie weniger Bilder und Videos, planen Sie den Prompt, bevor Sie loslegen, halten Sie Videos kurz und in der Auflösung, die Sie brauchen, und verwenden Sie gute Ergebnisse wieder. In einer Studie verbrauchte die Bildgenerierung pro Anfrage über tausendmal mehr Energie als Textklassifikation, und ein kurzes KI-Video kann noch weit mehr kosten.

## KI-Tools und -Modelle auswählen

- [Soll ich KI auf meinem Gerät oder in der Cloud laufen lassen?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): Lassen Sie kleine, häufige, private oder latenzkritische Aufgaben auf dem Gerät laufen und schicken Sie große oder gelegentliche Aufgaben, die große Modelle brauchen, an einen effizienten Cloud-Dienst. Einige Studien finden bei geeigneten Modellen große Energieeinsparungen auf dem Gerät, aber gut betriebene Rechenzentren sind ein harter Vergleichsmaßstab. Messen Sie deshalb für Ihren eigenen Fall, wo Sie können.
- [Wann reicht klassisches maschinelles Lernen statt eines LLM?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): Wenn Ihre Eingaben strukturierte Daten oder kurze, gelabelte Texte sind und die Ausgabe eine Zahl, eine Kategorie oder eine Rangfolge ist, probieren Sie zuerst ein klassisches Modell: ein lineares Modell, Gradient-Boosted Trees oder einen kleinen Klassifikator. Sie sind im Betrieb viel günstiger, schneller, leichter zu erklären und oft genauso genau. Greifen Sie zu einem großen Sprachmodell, wenn die Aufgabe wirklich offene Sprache verlangt.
- [Welcher KI-Chatbot ist der umweltfreundlichste?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): Bisher kann niemand die großen Chatbots verlässlich nach Energieverbrauch einstufen, weil die Anbieter unterschiedliche Zahlen veröffentlichen, auf unterschiedliche Weise gemessen, und manche gar keine. Wählen Sie einen Dienst, der offen über seinen Energie- und Wasserverbrauch informiert, leichtere Modelle für einfache Fragen anbietet und Ihnen die Kontrolle über Funktionen lässt, und nutzen Sie ihn dann gut: Wie Sie einen Chatbot nutzen, ist wichtiger als welchen Sie wählen.
- [Wie betreibe ich ein KI-Modell lokal?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Installieren Sie eine lokale Laufzeitumgebung wie Ollama oder llama.cpp, laden Sie ein kleines Modell mit offenen Gewichten in einem quantisierten Format wie GGUF herunter und führen Sie es auf Ihrem eigenen Computer aus. Wählen Sie das kleinste Modell, das Ihre Aufgabe erledigt: Quantisierte Versionen brauchen weit weniger Speicher, sodass ein Modell mit 8 Milliarden Parametern, das in 16-Bit-Form rund 16 GB braucht, mit 4 Bit in etwa 4–5 GB passt.
- [Wie erkenne ich Greenwashing im KI-Marketing?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): Seien Sie vorsichtig bei Wörtern wie „grün“, „nachhaltig“ oder „klimaneutrale KI“ ohne Zahlen, Methoden und Systemgrenzen dahinter, und bei Aussagen, die auf Kompensationen oder jährlichen Herkunftszertifikaten beruhen. Ehrliche Aussagen sagen, was gemessen wurde, gegenüber welchem Ausgangswert und was weggelassen wurde; in der EU sind allgemeine Umweltaussagen, die sich nicht belegen lassen, verboten.
- [Wie finde ich ein aufgabenspezifisches Modell statt eines allgemeinen Chatbots?](https://greenai.guide/how-do-i/find-a-task-specific-model/): Benennen Sie die Aufgabe genau, durchsuchen Sie dann einen Modell-Hub wie Hugging Face nach Aufgabentyp und testen Sie zwei oder drei kleine Kandidaten an Ihren eigenen Beispielen. Ein Modell, das für eine Aufgabe gebaut ist, kann im Betrieb um Größenordnungen günstiger sein als ein allgemeines generatives Modell für dieselbe Aufgabe; ein Nachmittag Testen lohnt sich also, bevor Sie sich auf einen Chatbot festlegen.
- [Wie frage ich ein KI-Unternehmen nach seinen Energiezahlen?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): Fragen Sie nach Energie, CO₂ und Wasser pro typischer Anfrage für das Modell, das Sie nutzen, dazu nach der Methode, der Systemgrenze und dem Ort, an dem es läuft. Fragen Sie nach standortbasierten und marktbasierten CO₂-Zahlen. Viele Anbieter können noch nicht vollständig antworten, aber eine konkrete Frage bekommt eine bessere Antwort als eine allgemeine, und wiederholtes Nachfragen schafft Nachfrage.
- [Wie lese ich eine AI-Energy-Score-Bewertung?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): Eine AI-Energy-Score-Bewertung vergibt an ein Modell einen bis fünf Sterne für Energieeffizienz im Vergleich mit anderen Modellen, die für dieselbe Aufgabe getestet wurden, basierend auf der gemessenen GPU-Energie pro 1.000 Anfragen. Mehr Sterne bedeuten weniger Energie für diese Aufgabe, doch die Sterne sind relativ innerhalb einer Aufgabe. Vergleichen Sie Modelle daher nur mit anderen, die für dieselbe Aufgabe bewertet wurden.
- [Wie nutze ich einen KI-Coding-Assistenten ohne großen Fußabdruck?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): Nutzen Sie den Assistenten dort, wo er sich eindeutig lohnt, geben Sie ihm fokussierten Kontext statt ganzer Repositorys, wählen Sie für Routineänderungen ein kleineres oder schnelleres Modell und teilen Sie schwierige Aufgaben in einfache Schritte, die Sie prüfen. Eine Studie ergab, dass KI-gestütztes Programmieren bei den getesteten Aufgaben etwa den 33-fachen CO₂-Fußabdruck des manuellen Vorgehens hatte. Gewohnheiten zählen also.
- [Wie vergleiche ich den Energieverbrauch verschiedener KI-Modelle?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): Nutzen Sie einen Standard-Benchmark, wenn es einen für Ihre Aufgabe gibt, etwa den AI Energy Score von Hugging Face, und messen Sie die Kandidaten andernfalls selbst mit derselben Aufgabe, Hardware und denselben Einstellungen. Vergleichen Sie die Energie pro erfolgreich erledigter Aufgabe zusammen mit der Qualität, denn ein günstiges Modell, das scheitert, kostet am Ende mehr.
- [Wie wähle ich ein kleineres KI-Modell aus?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): Legen Sie anhand echter Beispiele fest, was „gut genug“ bedeutet, testen Sie dann Modelle vom kleinsten zum größten und hören Sie beim ersten auf, das besteht. Kleine, aufgabenspezifische Modelle können nur einen Bruchteil der Energie großer Allzweckmodelle verbrauchen: UNESCO und University College London berichten bei geeigneten Aufgaben von Einsparungen bis zu 90 %.
- [Woran erkenne ich, ob ein KI-Tool umweltfreundlich ist?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): Achten Sie auf Belege statt auf Etiketten: veröffentlichte Energie- oder Emissionswerte pro Anfrage mit angegebener Methode, eine Auswahl kleinerer Modelle, Angaben dazu, wo das Tool läuft, und unabhängige Bewertungen wie den AI Energy Score. Bisher veröffentlichen nur wenige Tools all das. Behandeln Sie „grün“ oder „nachhaltig“ ohne Zahlen deshalb als Behauptung, nicht als Tatsache.

## Energie und Emissionen messen

- [Wie berechne ich einen Software-Carbon-Intensity-Wert für eine KI-Funktion?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): Der Software-Carbon-Intensity-Wert (SCI), veröffentlicht als ISO/IEC 21031:2024, lautet ((E × I) + M) pro R: verbrauchte Energie mal standortbezogene CO₂-Intensität des Stromnetzes, plus ein Anteil der grauen Emissionen der Hardware, geteilt durch eine funktionale Einheit wie eine Anfrage oder ein Dokument. Wählen Sie die Einheit, legen Sie die Systemgrenze fest, erheben oder schätzen Sie jeden Term und rechnen Sie nach jeder Änderung neu.
- [Wie berechne ich meinen persönlichen KI-CO₂-Fußabdruck?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): Zählen Sie grob, wie viele Textfragen, lange Dokumente und Bilder Sie pro Woche nutzen, multiplizieren Sie mit veröffentlichten Werten pro Anfrage, und Sie haben eine grobe Spanne. Ein typischer Text-Prompt liegt nach den eigenen Angaben der Unternehmen bei einem Bruchteil einer Wattstunde, während lange Eingaben und Bilder weit mehr kosten, daher bestimmen Ihre aufwendigsten Gewohnheiten meist die Summe. Betrachten Sie das Ergebnis als Schätzung, nicht als genaue Zahl.
- [Wie berichte ich den Energieverbrauch meiner KI-Forschung?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): Berichten Sie Hardware, GPU-Stunden aller Läufe einschließlich Tuning und Fehlschlägen, Energie in kWh mit dem verwendeten Werkzeug, Standort und CO2-Intensität des Stromnetzes, Emissionen in kg CO₂e sowie den Energieverbrauch der Inferenz bei angegebener Batchgröße. Sagen Sie, was die Systemgrenze einschließt und wie unsicher die Werte sind. Wenn Sie laufend messen, mit einem Werkzeug wie CodeCarbon, wird daraus eine Tabelle statt einer nachträglichen Rekonstruktion.
- [Wie berücksichtige ich die grauen Emissionen von KI-Hardware?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Graue Emissionen (Embodied Carbon) sind die Emissionen aus Herstellung, Transport und Entsorgung von Hardware. Um sie zu berücksichtigen, nehmen Sie die gesamten grauen Emissionen der Hardware, verteilen sie danach, wie lange und wie viel Ihrer KI-Arbeit die Geräte nutzt, und addieren diesen Anteil zum Betriebswert, so wie es der M-Term der SCI-Spezifikation tut. Weil die Datenlage oft dünn ist, legen Sie Ihre Annahmen offen. Und denken Sie daran: Wer Hardware länger nutzt, verteilt dieselben Emissionen auf mehr Arbeit.
- [Wie erfasse ich den Energieverbrauch von KI pro Aufgabe statt nur insgesamt?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): Wählen Sie eine funktionale Einheit, die dem Nutzen der KI entspricht, etwa pro zusammengefasstem Dokument oder pro erfolgreicher Aufgabe, und teilen Sie die Energie dadurch. Erfassen Sie Energie pro Einheit, Qualität pro Einheit und die Summe nebeneinander. Werte pro Einheit zeigen, ob das System effizienter wird; die Summe zeigt, ob das Wachstum schneller ist.
- [Wie lege ich ein Rechenbudget für ein Forschungsprojekt fest?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): Schätzen Sie die GPU-Stunden, die Ihre Hauptexperimente brauchen, rechnen Sie einen Puffer für Exploration hinzu, und verfolgen Sie den Verbrauch gegen dieses Budget wie bei Geld. Erproben Sie Ideen in kleinem Maßstab, stoppen Sie schwache Läufe früh, verwenden Sie vortrainierte Modelle und Checkpoints wieder, und geben Sie Ergebnisse im Verhältnis zum dafür nötigen Rechenaufwand an. Ein Budget macht Abwägungen sichtbar und beendet endloses Abstimmen.
- [Wie lege ich einen Ausgangswert fest, um KI-Energieeinsparungen nachzuweisen?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): Messen Sie das aktuelle System, bevor Sie etwas ändern, auf derselben Hardware, mit derselben Last und denselben Eingaben, die Sie danach verwenden, und wiederholen Sie die Läufe, um die normale Streuung zu sehen. Berichten Sie den Energieverbrauch pro Einheit nützlicher Arbeit ebenso wie insgesamt, und beanspruchen Sie nur Einsparungen, die größer sind als das Rauschen und ohne Qualitätsverlust erreicht wurden.
- [Wie messe ich den CO₂-Fußabdruck beim Training eines Modells?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): Lassen Sie Ihr Trainingsskript mit einem Emissions-Tracker wie CodeCarbon laufen, der die Energie von CPU, GPU und Arbeitsspeicher schätzt und sie anhand des lokalen Stromnetzes in CO₂ umrechnet. Zählen Sie jeden Lauf mit, einschließlich Abstimmung und Fehlschlägen, erfassen Sie Hardware, Standort und Dauer, und veröffentlichen Sie das Ergebnis zusammen mit dem Modell. Wenn Sie keine Protokolle haben, kann ein Rechner wie Green Algorithms den Wert nachträglich schätzen.
- [Wie messe ich den Energieverbrauch von KI auf meinem eigenen Computer oder meiner GPU?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): Auf Ihrem eigenen Rechner können Sie direkt messen: Nutzen Sie CodeCarbon oder ein Tool, das die Leistungszähler von Prozessor und GPU ausliest, oder stecken Sie eine smarte Steckdose mit Messfunktion zwischen Computer und Wand. Erfassen Sie zuerst den Leerlaufwert, messen Sie über den gesamten Job statt in Momentaufnahmen und wiederholen Sie den Durchlauf einige Male, bevor Sie der Zahl trauen.
- [Wie schätze ich den Energieverbrauch meiner KI-API-Aufrufe?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): Hardware, die Sie nicht kontrollieren, können Sie nicht messen, also schätzen Sie stattdessen: Protokollieren Sie Eingabe- und Ausgabe-Tokens pro Aufruf und nutzen Sie ein Tool wie EcoLogits, das Ihren KI-Client umschließt und geschätzte Energie und Emissionen pro Anfrage meldet. Kennzeichnen Sie die Zahlen als Schätzungen, nennen Sie die Methode und ersetzen Sie sie durch Angaben des Anbieters, sobald Sie welche bekommen.
- [Wie schätze ich den Wasser-Fußabdruck von KI ab?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): Der Wasserverbrauch folgt dem Energieverbrauch: Multiplizieren Sie die Energie Ihrer KI-Arbeit mit der Water Usage Effectiveness (WUE) des Rechenzentrums für die Kühlung vor Ort, und addieren Sie das Wasser für die Stromerzeugung, wenn es innerhalb Ihrer Systemgrenze liegt. Veröffentlichte Werte pro Prompt reichen von einem Bruchteil eines Milliliters bis zu Dutzenden Millilitern, vor allem weil sie Unterschiedliches zählen. Wo das Wasser verbraucht wird, ist genauso wichtig wie wie viel.
- [Wie überprüfe ich eine Behauptung über den Energieverbrauch von KI?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): Stellen Sie sechs Fragen: pro was (Prompt, Bild, Jahr?), wer hat gemessen, was ist enthalten, wie alt ist die Zahl, womit wird sie verglichen und geht es um Effizienz oder um die Gesamtnutzung. Die meisten irreführenden Aussagen, ob alarmierend oder beruhigend, scheitern an einer dieser Fragen. Veröffentlichte Werte pro Prompt unterscheiden sich vor allem, weil sie Unterschiedliches zählen.
- [Wo finde ich die CO₂-Intensität meines Stromnetzes?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): Nutzen Sie regionale, zeitlich passende Netzdaten für den Ort und die Zeit, an dem bzw. zu der Ihre KI-Arbeit lief. In Großbritannien liefert die Carbon Intensity API des National Energy System Operator regionale Schätzungen und Prognosen; Electricity Maps deckt weltweit mehr als 350 Zonen ab. Greifen Sie nur dann auf nationale Jahresdurchschnitte zurück, wenn es nichts Feineres gibt, und geben Sie an, was Sie verwendet haben.

## Für Entwickler und Data Scientists

- [Soll ich Retrieval oder Fine-Tuning nutzen, um Energie zu sparen?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): Nutzen Sie Retrieval, wenn das Modell Fakten braucht, die sich ändern oder speziell Ihre sind: Legen Sie sie in einem durchsuchbaren Index ab und rufen Sie nur die relevanten Passagen ab. Nutzen Sie Fine-Tuning, wenn dem Modell eine Fähigkeit, ein Format oder ein Stil fehlt. Neu zu trainieren, um Fakten aktuell zu halten, wiederholt die Trainingskosten, während ganze Dokumente in jedem Prompt Inferenz verschwenden; jeder Ansatz hat also seinen Platz.
- [Spart ein Mixture-of-Experts-Modell wirklich Energie?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): Ein Mixture-of-Experts-Modell leitet jeden Token an einige wenige spezialisierte Teilnetze weiter, sodass pro Token nur ein Teil des Modells arbeitet. Mixtral zum Beispiel hat 47 Milliarden Parameter, nutzt aber 13 Milliarden pro Token. Das kann den Rechenaufwand pro Antwort gegenüber einem dichten Modell ähnlicher Qualität senken, doch jeder Experte muss trotzdem im Speicher liegen. Vergleichen Sie daher Qualität, Latenz und Energie pro Anfrage auf Ihrer eigenen Hardware.
- [Wie begrenze ich, wie viel ein LLM schreibt?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): Legen Sie im API-Aufruf eine maximale Ausgabelänge fest, nennen Sie dem Modell im Prompt das gewünschte Format und die Länge und nutzen Sie Stoppsequenzen oder strukturierte Ausgabe, damit es aufhört, wenn die Aufgabe erledigt ist. Der Energieverbrauch wächst mit der Zahl der Tokens, die ein Modell erzeugt, daher ist eine begrenzte Ausgabe eine der einfachsten Einsparungen in jeder Anwendung.
- [Wie beschleunige ich ein großes Modell mit spekulativem Decoding?](https://greenai.guide/how-do-i/use-speculative-decoding/): Kombinieren Sie Ihr großes Modell mit einem kleinen Entwurfsmodell aus derselben Modellfamilie: Der Entwurf schlägt mehrere Tokens vor, und das große Modell prüft sie in einem Durchgang und behält nur die, denen es zustimmt. Die Ausgabe ist dieselbe wie beim großen Modell allein, und die ursprüngliche Studie berichtete von 2- bis 3-mal schnellerer Inferenz. Prüfen Sie, ob Ihr Serving-Stack es unterstützt, und messen Sie dann die Energie pro Anfrage, nicht nur die Geschwindigkeit.
- [Wie beschneide ich ein neuronales Netz (Pruning)?](https://greenai.guide/how-do-i/prune-a-neural-network/): Beschneiden Sie ein trainiertes Netz, indem Sie die Gewichte, Neuronen oder Schichten entfernen, die am wenigsten beitragen, feinjustieren Sie es dann kurz, damit es sich erholt, und testen Sie es an Ihrem Qualitätsmaßstab. Pruning reduzierte die Parameter von AlexNet um den Faktor neun ohne Genauigkeitsverlust, und sehr große Sprachmodelle wurden in einem Durchgang auf mindestens 50 % Sparsity beschnitten. Bevorzugen Sie strukturiertes Pruning, wenn normale Hardware schneller laufen soll.
- [Wie bringe ich KI dazu, energieeffizienten Code zu schreiben?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): Fragen Sie ausdrücklich nach effizientem Code und nennen Sie die Einschränkung, etwa Speicher, Allokationen oder algorithmische Komplexität, führen Sie dann die Tests aus und messen Sie die Energie des Codes, bevor Sie ihn übernehmen. Forschung ergab, dass Änderungen am Prompt generierten Code um bis zu 91,9 % energieeffizienter machen konnten, oft aber auf Kosten der Korrektheit. Geben Sie dem Assistenten Energieprinzipien vor, und lassen Sie einen Menschen das Ergebnis prüfen.
- [Wie bündle ich KI-Anfragen, um Energie zu sparen?](https://greenai.guide/how-do-i/batch-ai-requests/): Bedienen Sie Live-Anfragen mit einer Inferenz-Engine, die Continuous Batching nutzt, sodass gleichzeitige Anfragen sich den Beschleuniger teilen. Stellen Sie Arbeit, die keine sofortige Antwort braucht, etwa die nächtliche Verarbeitung von Dokumenten, in eine Warteschlange und führen Sie sie in großen Batches aus, idealerweise wenn das Stromnetz sauberer ist. Ein Beschleuniger, der jeweils nur eine Anfrage bedient, ist zu wenig ausgelastet, zieht aber trotzdem erheblich Strom.
- [Wie destilliere ich ein großes Modell in ein kleineres?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): Prüfen Sie zuerst, ob es bereits eine destillierte Version Ihres Modells gibt. Falls nicht, nutzen Sie das große „Lehrer“-Modell, um Beispiele für Ihre Aufgabe zu labeln oder zu erzeugen, trainieren Sie damit ein kleines „Schüler“-Modell und testen Sie den Schüler an Ihren eigenen realen Fällen. DistilBERT, ein frühes Beispiel, war 40 % kleiner und 60 % schneller als BERT und behielt dabei 97 % seines Sprachverständnisses.
- [Wie gestalte ich KI-Funktionen so, dass sie nicht laufen, wenn sie niemand braucht?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): Lassen Sie KI-Funktionen laufen, wenn jemand danach fragt, nicht automatisch bei jedem Seitenaufruf, jeder Nachricht oder jeder Datei. Erzeugen Sie gemeinsame Ergebnisse einmal und verwenden Sie sie wieder, nutzen Sie einfachen Code für Entscheidungen, die eine Regel treffen kann, und entfernen Sie KI-Funktionen, die nur wenige nutzen. Die Web Sustainability Guidelines des W3C verlangen, den Bedarf an KI vor der Umsetzung zu prüfen, und das gilt für jeden Auslöser ebenso wie für jede Funktion.
- [Wie leite ich Anfragen an kleinere Modelle weiter?](https://greenai.guide/how-do-i/set-up-model-routing/): Schalten Sie Ihren Modellen einen Router vor: eine Regel, einen kleinen Klassifikator oder eine Kaskade, die zuerst ein kleines Modell versucht und eskaliert, wenn die Konfidenz niedrig ist oder eine Prüfung fehlschlägt. Veröffentlichte Router haben in einigen Tests die Kosten um mehr als die Hälfte gesenkt, ohne die Qualität zu mindern. Stimmen Sie den Schwellenwert auf Ihre eigenen Daten ab und messen Sie die Kosten pro erfolgreich erledigter Aufgabe, nicht pro Aufruf.
- [Wie mache ich ein Fine-Tuning ohne riesige Rechenleistung?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): Gehen Sie von einem vortrainierten Modell aus und trainieren Sie statt aller Gewichte einen kleinen Adapter, mit LoRA oder mit QLoRA bei 4-Bit-Gewichten. LoRA reduzierte die trainierbaren Parameter um das 10.000-Fache und den GPU-Speicher um das Dreifache gegenüber einem vollständigen Fine-Tuning von GPT-3, und mit QLoRA wurde ein Modell mit 65 Milliarden Parametern auf einer einzigen GPU mit 48 GB feinabgestimmt. Vergleichen Sie das Ergebnis mit Ihren Qualitätsanforderungen, bevor Sie etwas Größeres in Betracht ziehen.
- [Wie mache ich ein KI-Modell klein genug für ein Edge-Gerät?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): Starten Sie mit dem kleinsten Modell, das Ihre Qualitätsanforderung erfüllen könnte, und verkleinern Sie es weiter durch Destillation, Quantisierung und Pruning, wobei Sie jeden Schritt auf dem Zielgerät testen. Messen Sie Energie pro Inferenz, Latenz und Genauigkeit gemeinsam auf der echten Hardware, und lassen Sie das Modell eine Stufe herunterschalten, wenn der Akku schwach oder das Gerät heiß ist.
- [Wie mache ich Vektorsuche und RAG effizienter?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): Nutzen Sie einen Index für die approximative Nächste-Nachbarn-Suche, statt jede Anfrage mit jedem gespeicherten Vektor zu vergleichen, rufen Sie wenige kurze, relevante Passagen ab statt vieler langer, und erzeugen Sie Embeddings nur für geänderte Inhalte neu. Verwenden Sie dann das kleinste Generierungsmodell, das mit gutem Kontext gut antwortet. Die meiste Verschwendung in Retrieval-Systemen entsteht durch Brute-Force-Suche und übergroße Prompts.
- [Wie quantisiere ich ein Modell?](https://greenai.guide/how-do-i/quantise-a-model/): Beim Quantisieren werden die Gewichte eines Modells mit weniger Bits gespeichert, typischerweise 8 oder 4 statt 16 oder 32, sodass es weniger Speicher und oft weniger Energie pro Antwort braucht. Laden Sie eine bereits quantisierte Version oder quantisieren Sie mit den eingebauten Methoden Ihrer Bibliothek, und testen Sie es dann an Ihren eigenen Beispielen gegen das Modell in voller Genauigkeit. Behalten Sie es, wenn die Qualität hält und die Energie pro Anfrage sinkt.
- [Wie senke ich den Energieverbrauch beim Betrieb eines Modells in der Produktion?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): Betreiben Sie das kleinste Modell, das Ihre Anforderungen erfüllt, auf einer für Inferenz gebauten Runtime, mit eingeschaltetem Batching, Gewichten in halber Präzision oder quantisiert und mit den optimierten Attention- und Cache-Pfaden der Bibliothek. Benchmarken Sie dann zwei oder drei Runtimes und Hardware-Optionen mit Ihrem realen Datenverkehr und wählen Sie nach Energie pro Anfrage ebenso wie nach Latenz.
- [Wie senke ich den Energieverbrauch beim Training eines Modells?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): Beginnen Sie, wo möglich, mit einem vortrainierten Modell, wählen Sie die kleinste Architektur, die Ihre Anforderung erfüllen könnte, trainieren Sie mit gemischter Genauigkeit (Mixed Precision), hören Sie auf, wenn sich die Validierung nicht mehr verbessert, und nutzen Sie effiziente Hardware in einer CO₂-armen Region zu einer CO₂-armen Zeit. Patterson und Kollegen stellten fest, dass die Wahl von Modell, Rechenzentrum und Prozessor den CO₂-Fußabdruck des Trainings um bis zu etwa das 100- bis 1.000-Fache senken kann. Messen Sie jeden Lauf, damit die Abwägungen sichtbar werden.
- [Wie senke ich den Energieverbrauch von Hyperparameter-Suchen?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): Ersetzen Sie große Rastersuchen durch zufällige oder adaptive Suche, brechen Sie schwache Versuche früh ab, machen Sie zuerst Pilotläufe mit wenigen Daten oder kleinen Modellen und starten Sie mit veröffentlichten Standardwerten für Ihre Architektur. Erfassen Sie die Energie jedes Versuchs, nicht nur des besten, und legen Sie vor dem Start ein Rechenbudget fest. Tuning-Läufe kosten oft mehr als der finale Trainingslauf und werden selten berichtet.
- [Wie senke ich mit Caching den Energieverbrauch von LLM-Aufrufen?](https://greenai.guide/how-do-i/cache-llm-calls/): Nutzen Sie zwei Ebenen. Prompt-Caching beim Anbieter verwendet die Verarbeitung eines festen Anfangsteils (Präfix) wieder, etwa eines langen System-Prompts oder eines gemeinsamen Dokuments, also stellen Sie stabile Inhalte an den Anfang. Ihr eigener Antwort-Cache speichert Antworten auf identische Anfragen, sodass das Modell nicht erneut aufgerufen wird. Beides senkt Rechenaufwand, Kosten und Latenz, sofern Sie sinnvolle Ablaufzeiten festlegen.
- [Wie speichere ich KI-Trainingsdaten so, dass Pipelines weniger lesen müssen?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): Speichern Sie Trainings- und Feature-Daten in einem spaltenorientierten Format, damit Jobs nur die Spalten und Partitionen lesen, die sie nutzen, und wandeln Sie Rohtext einmal in ein Binärformat um, statt ihn bei jedem Lauf oder jeder Epoche neu zu parsen. Messen Sie einen typischen Job vorher und nachher, um zu prüfen, ob sich die Umwandlung lohnt. Der Umgang mit Daten wird neben dem Modell leicht übersehen, läuft aber bei jedem Experiment mit.
- [Wie verhindere ich, dass KI-Agenten Tokens verschwenden?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): Geben Sie jedem Agenten ein überprüfbares Ziel, das den Lauf beendet, harte Grenzen für Schritte, Tokens, Zeit und Ausgaben sowie eine Schleifenerkennung, die ihn stoppt, wenn er sich wiederholt. Kürzen Sie den Kontext, den jeder Schritt mitführt, nutzen Sie einfachen Code für Entscheidungen, die eine Regel treffen kann, und schicken Sie einfache Teilaufgaben an kleine Modelle. Agenten können ein Vielfaches der Tokens eines Chats verbrauchen, daher zahlen sich diese Grenzen schnell aus.
- [Wie verhindere ich, dass mein Chatbot das ganze Gespräch erneut sendet?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): Die meisten Chat-Funktionen senden bei jeder Runde das ganze Gespräch erneut an das Modell, sodass die Eingabe mit jeder Nachricht wächst. Begrenzen Sie, wie viele frühere Runden Sie senden, fassen Sie ältere zu einer kurzen Notiz zusammen, rufen Sie nur die früheren Nachrichten oder Dokumente ab, die wichtig sind, und cachen Sie feste System-Prompts. Lange Eingaben kosten weit mehr Energie als kurze.
- [Wie vermeide ich es, ein KI-Modell von Grund auf zu trainieren?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): Suchen Sie ein vortrainiertes Modell, das Ihrer Aufgabe nahekommt, und passen Sie es an: per Fine-Tuning, mit einem kleinen Adapter wie LoRA oder indem Sie Wissen über Retrieval ergänzen, statt neu zu trainieren. Haben Sie bereits mehrere Modelle, die von derselben Basis aus feinjustiert wurden, kann das Mitteln ihrer Gewichte die Genauigkeit verbessern, ohne zusätzliche Inferenzkosten. Außerhalb der Forschung an Foundation-Modellen ist Training von Grund auf selten nötig.

## Rechenzentren, Cloud und Hosting

- [Wie kann ich bei einem geplanten Rechenzentrum in meiner Nähe mitreden?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): Suchen Sie den Bauantrag, lesen Sie die Angaben des Bauträgers zu Energie, Wasser, Lärm und Wärme, und reichen Sie innerhalb der Beteiligungsfrist konkrete, belegbare Fragen ein. Fragen Sie, wie viel Netzkapazität und Wasser der Standort brauchen wird, ob die Abwärme genutzt wird und welche Energie- und Wasserwerte im Betrieb veröffentlicht werden. Konkrete Fragen haben mehr Gewicht als allgemeine Einwände.
- [Wie nutze ich freie Cloud-Kapazitäten für KI-Jobs?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): Cloud-Anbieter verkaufen freie Kapazität günstig unter der Bedingung, dass sie sie kurzfristig zurückholen können, als Spot- oder Preemptible-Instanzen. Training, Evaluation, Batch-Inferenz und Datenverarbeitung können sie nutzen, wenn sie Checkpoints speichern und sauber neu starten. Microsoft rät, sie nur für unterbrechungstolerante Arbeit zu verwenden, weil die Unterbrechungen zusätzliche Instabilität verursachen können.
- [Wie plane ich KI-Training für Zeiten, in denen der Strom sauberer ist?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): Finden Sie die Jobs, die warten können, etwa Training, Fine-Tuning, Evaluierung und Batch-Inferenz, und starten Sie sie, wenn eine Prognose der CO₂-Intensität ein saubereres Stromnetz anzeigt. Speichern Sie regelmäßig Checkpoints, damit lange Jobs pausieren können, wenn die Intensität steigt, und weiterlaufen, wenn sie sinkt, innerhalb einer festen Frist. CO₂-bewusste Planung senkt den CO₂-Ausstoß, nicht die Energie. Setzen Sie sie daher zusätzlich zur Effizienzarbeit ein.
- [Wie prüfe ich, ob meine KI mit erneuerbarer Energie läuft?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): Fragen Sie, wo Ihre KI tatsächlich läuft, und schauen Sie sich dann für diese Region zwei Dinge an: die CO₂-Intensität des Stromnetzes und den Anteil des Stroms, der Stunde für Stunde mit sauberem Strom gedeckt ist. „100 % erneuerbar“ bedeutet meist Jahreszertifikate oder Verträge, die Jahressummen abgleichen, was nichts daran ändert, was das lokale Netz zu einer bestimmten Stunde liefert. Fragen Sie nach standortbasierten und marktbasierten Zahlen.
- [Wie senke ich den Fußabdruck von KI-Experimenten auf einem Forschungscluster?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): Beginnen Sie mit Messen: Viele Cluster erfassen im Slurm-Scheduler den Energieverbrauch pro Job, und CodeCarbon oder der Green-Algorithms-Rechner können Lücken füllen. Fordern Sie dann nur die GPUs, den Speicher und die Zeit an, die Sie brauchen, testen Sie Ideen zunächst in kleinem Maßstab, setzen Sie bei langen Jobs Checkpoints und planen Sie flexible Jobs für Zeiten, in denen das Stromnetz sauberer ist. Berichten Sie den Energieverbrauch ganzer Projekte, nicht nur der finalen Läufe.
- [Wie verhindere ich, dass GPUs und Notebooks ungenutzt laufen?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): Machen Sie den Betrieb nach Bedarf zum Standard: Pipelines und Trainingsjobs sollten Ressourcen starten, wenn sie ausgelöst werden, und sie freigeben, wenn sie fertig sind. Fahren Sie ungenutzte Notebooks und Entwicklungs-GPUs nach einer festgelegten Zeit automatisch herunter, skalieren Sie Nicht-Produktionsumgebungen außerhalb der Arbeitszeit auf null und berichten Sie ungenutzte GPU-Stunden pro Team neben den Kosten, damit die Verschwendung sichtbar wird.
- [Wie verringere ich den Wasserfußabdruck von KI?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): Der Wasserverbrauch folgt dem Energieverbrauch, daher ist der erste Schritt derselbe: kleinere Modelle, kürzere Ausgaben und weniger Neugenerierungen. Darüber hinaus sollten Sie Anbieter wählen, die ihren Wasserverbrauch veröffentlichen, für aufwendige Arbeit Regionen mit Wasserknappheit meiden und Ihre Anbieter nach Wasserzahlen pro Standort fragen. Pro Text-Prompt ist die Wassermenge klein; entscheidend sind die Gesamtmengen und die lokalen Auswirkungen.
- [Wie verstehe ich PUE- und WUE-Werte?](https://greenai.guide/how-do-i/understand-pue-and-wue/): Die Power Usage Effectiveness (PUE) ist die Gesamtenergie eines Rechenzentrums geteilt durch die Energie seiner IT-Geräte: Je näher an 1,0, desto weniger geht durch Kühlung und Stromumwandlung verloren. Die Water Usage Effectiveness (WUE) gibt die vor Ort verbrauchten Liter Wasser pro Kilowattstunde Rechenleistung an: niedriger ist besser. Keine der beiden sagt, wie viel gerechnet wird, wie sauber der Strom ist oder ob die Arbeit nötig war.
- [Wie wähle ich ein nachhaltiges Rechenzentrum oder einen nachhaltigen Hoster für KI?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): Fordern Sie Belege statt Labels: die CO₂-Intensität des Stromnetzes und den stündlichen Anteil sauberen Stroms dort, wo Ihre Arbeit läuft, den PUE-Wert und Wasserverbrauch des Standorts, wie lange Hardware im Einsatz bleibt und ob Sie Energie- und Emissionsdaten für Ihr eigenes Konto erhalten. In der EU müssen größere Rechenzentren Energie- und Wasserverbrauch melden, die Daten gibt es also oft. Wählen Sie sauberes Hosting, aber reduzieren Sie weiter die Arbeit, die Sie dorthin schicken.
- [Wie wähle ich eine Cloud-Region mit wenig CO₂?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): Vergleichen Sie Regionen nach der CO₂-Intensität des Netzes und dem Anteil CO₂-freier Energie, anhand der veröffentlichten Regionsdaten Ihres Anbieters oder einer Quelle wie Electricity Maps, und wägen Sie dann Latenz, Vorgaben zum Datenstandort und Kosten ab. Stapelverarbeitung wie Training, Fine-Tuning und nächtliche Verarbeitung lässt sich am leichtesten verlagern; nutzernahe Inferenz muss meist in der Nähe der Nutzer bleiben.
- [Wie wähle ich energieeffiziente Hardware für KI aus?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): Testen Sie Ihr tatsächliches Modell auf zwei oder drei Hardware- und Runtime-Optionen und vergleichen Sie die Energie pro Anfrage oder pro Trainingslauf bei realistischen Batchgrößen, zusammen mit Latenz und Kosten. Patterson und Kollegen fanden heraus, dass die Wahl von Modell, Rechenzentrum und Prozessor zusammen den CO₂-Ausstoß des Trainings um bis zu etwa das 100- bis 1.000-Fache senken kann. Halten Sie gute Hardware ausgelastet und lange im Einsatz, denn die Herstellung neuer Geräte hat ihren eigenen Fußabdruck.
- [Wo finde ich die CO₂-Daten meines Cloud-Anbieters?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): Die großen Cloud-Anbieter veröffentlichen CO₂-Daten für Kunden in ihren Abrechnungs- oder Nachhaltigkeitskonsolen: die AWS Sustainability Console, die Emissionstools von Microsoft für Azure und das Carbon-Footprint-Dashboard von Google Cloud. Sie schlüsseln Emissionen nach Dienst, Region und Scope auf, sind aber monatlich und geschätzt. Betrachten Sie sie daher als Trend und ergänzen Sie sie um Ihre eigenen Messungen pro Workload.

## Für Organisationen

- [Wie erfasse ich, wo meine Organisation KI nutzt?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): Legen Sie ein einfaches Verzeichnis mit vier Arten von Einträgen an: KI-Tools, die Mitarbeitende direkt nutzen, KI-Funktionen, die in bereits vorhandene Software eingebaut sind, automatisierte Workflows und Agenten sowie Lieferanten, deren Dienste für Sie KI ausführen. Notieren Sie zu jedem Eintrag die verantwortliche Person, wie oft er läuft, das Modell oder den Anbieter, falls bekannt, und welche Daten hineingehen. Das Verzeichnis ist der Ausgangspunkt, um Verschwendung zu senken, Risiken zu steuern und zu berichten.
- [Wie erfülle ich die Dokumentationspflichten zum Energieverbrauch nach dem EU AI Act?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): Wenn Sie in der EU ein KI-Modell mit allgemeinem Verwendungszweck anbieten, verlangt Anhang XI des AI Act, dass Ihre technische Dokumentation den bekannten oder geschätzten Energieverbrauch des Modells enthält, zusammen mit den für das Training verwendeten Rechenressourcen. Erfassen Sie Rechenaufwand und Energie des Trainings von Anfang an, dokumentieren Sie die Methode und schätzen Sie, wo Sie nicht messen können. Wenn Sie KI nur nutzen, liegt die Pflicht bei Ihrem Anbieter, aber Sie können nach den Zahlen fragen.
- [Wie halte ich den KI-Fußabdruck meines kleinen Unternehmens gering?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): Nutzen Sie KI für Aufgaben, bei denen sie eindeutig Zeit spart, halten Sie Anfragen kurz und konkret, verfeinern Sie statt neu zu generieren und gehen Sie sparsam mit Bildern und Videos um. Schalten Sie KI-Funktionen ab, für die Sie zahlen, die Sie aber nicht nutzen, und führen Sie eine einfache Liste Ihrer Tools, damit Sie Kunden antworten können, die danach fragen. Für ein kleines Unternehmen senken dieselben Gewohnheiten die Kosten für Abonnements und Personal.
- [Wie kann ich in Politik und Verwaltung grünere KI fördern?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): Beginnen Sie mit Transparenz: Verlangen oder fördern Sie vergleichbare Berichte zu Energie, Wasser und Emissionen von KI-Anbietern und Rechenzentren. Nutzen Sie die öffentliche Beschaffung, um effiziente KI zu belohnen, planen Sie Netz- und Wasserkapazität für Rechenzentren, und fördern Sie Forschung und Kompetenzen in effizienten Methoden. Achten Sie neben der Effizienz auch auf die Gesamtnachfrage, denn günstigere KI wird tendenziell mehr genutzt.
- [Wie lege ich Ziele für Energieverbrauch und Emissionen von KI fest?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): Messen Sie zuerst eine Ausgangsbasis und legen Sie dann zwei Arten von Zielen zusammen fest: ein Intensitätsziel (Energie oder Emissionen pro nützlicher Aufgabe) und ein absolutes Ziel oder eine Obergrenze für die Summe. Die Intensität zeigt die Effizienz; der absolute Wert zeigt, ob wachsende Nutzung die Einsparungen aufzehrt. Prüfen Sie sie mindestens jährlich, wenn sich Modelle und Nutzung ändern.
- [Wie mache ich die KI-Nutzung in meinem Unternehmen nachhaltiger?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): Erfassen Sie zuerst, wo Ihr Unternehmen KI nutzt, und machen Sie dann die effiziente Wahl zum Standard: das kleinste Modell, das die Qualitätsanforderung erfüllt, kurze Ausgaben, KI-Funktionen aus, sofern nicht benötigt. Fragen Sie Anbieter nach der Energie pro Anfrage und wo sie ihre Systeme betreiben, messen Sie pro nützlich erledigter Aufgabe, und halten Sie das in einer kurzen Richtlinie mit einer verantwortlichen Person fest. Die meisten dieser Schritte senken neben der Energie auch Kosten und Wartezeiten.
- [Wie mache ich ehrliche Aussagen über unsere grüne KI?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): Behaupten Sie nur, was Sie gemessen haben, sagen Sie konkret, was sich gegenüber welchem Ausgangswert verbessert hat, und nennen Sie Methode, Systemgrenze und Einschränkungen. Trennen Sie die Effizienz pro Aufgabe von der Gesamtnutzung, und stützen Sie eine Aussage nicht auf Kompensationen oder jährliche Zertifikate. Vage Begriffe wie „grüne KI“ oder „klimaneutrale KI“ sind riskant und können im Vereinigten Königreich und in der EU gegen Verbraucherrecht verstoßen.
- [Wie prüfe ich, ob ein KI-Projekt seine Umweltkosten wert ist?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): Schätzen Sie den eigenen Fußabdruck der KI (Training oder Fine-Tuning plus Betrieb über die erwartete Lebensdauer) und stellen Sie ihn dem Nutzen gegenüber, gemessen über denselben Zeitraum. Vergleichen Sie mit der einfachsten Lösung ohne KI, nicht mit Nichtstun. Soll das Projekt Energie oder Emissionen einsparen, muss die Einsparung die eigenen Kosten der KI deutlich übersteigen, sonst ist es unterm Strich ein Verlust.
- [Wie schalte ich nicht benötigte KI-Funktionen in meiner ganzen Organisation ab?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): Nutzen Sie Ihr KI-Verzeichnis, um standardmäßig eingeschaltete KI-Funktionen zu finden, und entscheiden Sie dann Funktion für Funktion: Behalten Sie, was genutzt wird, schalten Sie ab oder beschränken Sie, was nicht genutzt wird, und geben Sie Zugang auf Anfrage. Nehmen Sie die Änderung in den Admin-Konsolen vor, statt die Nutzer zu bitten, sagen Sie den Mitarbeitenden, was sich geändert hat und warum, und prüfen Sie die Nutzungsdaten jedes Quartal. Weniger ungenutzte KI-Lizenzen sparen außerdem Geld.
- [Wie schreibe ich eine Richtlinie für grüne KI?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): Halten Sie sie kurz und praktisch: Sagen Sie, wann sich KI lohnt, legen Sie effiziente Voreinstellungen fest (kleinstes ausreichendes Modell, Längengrenzen für Ausgaben, Funktionen aus, solange sie nicht gebraucht werden), verlangen Sie Fragen zur Energie bei der Beschaffung und verpflichten Sie sich zur Messung pro Aufgabe. Geben Sie ihr eine verantwortliche Person, ein Prüfdatum und einige messbare Verpflichtungen und binden Sie sie an Prozesse, die Sie bereits haben.
- [Wie schule ich Mitarbeitende darin, KI effizient zu nutzen?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): Vermitteln Sie in einer kurzen Schulung eine Handvoll Gewohnheiten mit realen Beispielen aus Ihrer eigenen Arbeit: prüfen, ob KI das richtige Werkzeug ist, klare und konkrete Prompts schreiben, um kurze Antworten bitten, nachbessern statt neu generieren und sparsam mit Bildern und Videos umgehen. Stützen Sie die Schulung durch effiziente Standardeinstellungen in den Unternehmens-Tools, denn Standardeinstellungen erreichen auch die Leute, die den Kurs auslassen.
- [Wie setze ich KI in einer gemeinnützigen Organisation nachhaltig ein?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): Nutzen Sie KI dort, wo sie Zeit von Beschäftigten und Ehrenamtlichen für Ihre Mission freisetzt, wählen Sie das leichteste Tool, das die Aufgabe erledigt, und vermeiden Sie aufwendige Anwendungen wie massenhafte Bildgenerierung. Schreiben Sie eine kurze Richtlinie, die neben dem Datenschutz auch die Umweltwirkung abdeckt, stellen Sie Ihren Anbietern einfache Fragen zu Energie und Standort und sagen Sie Ihren Unterstützerinnen und Unterstützern ehrlich, wie Sie KI nutzen.
- [Wie verankere ich Nachhaltigkeit in der KI-Beschaffung?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): Fragen Sie Anbieter nach Energie und Emissionen pro Anfrage oder pro Aufgabe, mit Methode und Systemgrenze, danach, wo die Workload läuft, und nach standortbasierten wie marktbasierten CO2-Werten. Bewerten Sie in der Ausschreibung die Qualität dieser Belege, und schreiben Sie Berichterstattung, Modellwahl und die Ankündigung von Modellwechseln in den Vertrag. Viele Anbieter können noch nicht vollständig antworten, aber die Frage zeigt, wer das Thema ernst nimmt.
- [Wie verhindere ich, dass Effizienzgewinne bei KI durch mehr Nutzung zunichtegemacht werden?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): Erfassen Sie den gesamten KI-Energieverbrauch ebenso wie die Energie pro Aufgabe, damit Wachstum sichtbar wird, und entscheiden Sie vorab, was mit den Einsparungen geschieht: frei gewordene Kapazität abbauen, ein Budget oder eine Obergrenze beibehalten oder bewusst reinvestieren. Verbinden Sie Effizienz mit Suffizienz, indem Sie fragen, ob sich jede neue Nutzung lohnt. Ohne das wird günstigere KI meist einfach mehr genutzt.
- [Wie weisen wir KI-Emissionen in unserem Nachhaltigkeitsbericht aus?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): Weisen Sie KI innerhalb Ihrer bestehenden Treibhausgasbilanz aus, nicht als separate Zahl: Strom für Hardware, die Sie selbst betreiben, gehört in Scope 2, Cloud- und KI-Dienste gehören meist in Scope 3 unter eingekaufte Waren und Dienstleistungen. Nutzen Sie Lieferantendaten, wo Sie sie bekommen, schätzen Sie den Rest anhand der Nutzung mit einer angegebenen Methode und nennen Sie Systemgrenze und Unsicherheit. Zeigen Sie neben der Summe die Energie pro nützlicher Aufgabe.
- [Wie überzeuge ich mein Unternehmen von grüner KI?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): Argumentieren Sie mit Kosten, Tempo und Risiko, denn was den Energieverbrauch von KI senkt (kleinere Modelle, weniger Tokens, weniger verschwendete Aufrufe), senkt auch Rechnungen und Wartezeiten. Zeigen Sie ein gemessenes Beispiel aus Ihrer eigenen Arbeit, ergänzen Sie die Gründe aus Berichtspflichten und Regulierung und behandeln Sie den Umweltnutzen als echten, aber nachrangigen Punkt, wenn das zu Ihrem Publikum passt.

## Schulen, Hochschulen und Weiterbildung

- [Wie baue ich grüne KI in einen Hochschulkurs ein?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): Ergänzen Sie einen kurzen, praktischen Strang statt eines ganz neuen Kurses: Erklären Sie, wohin die Energie von KI geht, lassen Sie Studierende die Energie ihres eigenen Codes oder ihrer Modellläufe messen, und verlangen Sie, dass sie Rechenaufwand und Energie neben der Genauigkeit angeben. In technischen Kursen lehren Sie effiziente Methoden wie kleinere Modelle, Quantisierung und Wiederverwendung; in anderen liegt der Fokus auf sinnvoller Nutzung und dem Bewerten von Aussagen.
- [Wie finde ich eine Promotionsstelle im Bereich Green AI?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): Schauen Sie über Projekte mit dem Etikett „Green AI“ hinaus: Forschung zu effizienter KI findet in Informatik, Mathematik, Elektrotechnik und Fachwissenschaften statt, oft unter Namen wie effizientes maschinelles Lernen, nachhaltiges Rechnen oder Low-Power-Hardware. Durchsuchen Sie Graduiertenprogramme und Projektausschreibungen, lesen Sie aktuelle Veröffentlichungen, um aktive Betreuende zu finden, und fragen Sie, wie in der Arbeit der Energieverbrauch gemessen wird.
- [Wie lege ich Schulregeln für eine nachhaltige KI-Nutzung fest?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): Ergänzen Sie Ihre bestehende KI-Richtlinie der Schule um einen kurzen Umweltabschnitt, statt eine eigene zu schreiben. Legen Sie fest, wann KI das richtige Werkzeug ist, bevorzugen Sie kurze Texte gegenüber Bild- und Videogenerierung, stellen Sie in Schulkonten sparsame Voreinstellungen ein und erklären Sie den Schülerinnen und Schülern, warum. Stellen Sie das neben die Regeln zu Kinderschutz, Datenschutz und Leistungsbewertung, die weiterhin Vorrang haben.
- [Wie lerne ich etwas über grüne KI?](https://greenai.guide/how-do-i/learn-about-green-ai/): Beginnen Sie mit einer kurzen Erklärung, wohin die Energie von KI geht, und probieren Sie dann ein kostenloses Werkzeug an Ihrer eigenen Nutzung aus, etwa einen Energie-Tracker für Code oder einen Schätzer für KI-API-Aufrufe. Machen Sie danach einen Kurs auf Ihrem Niveau und folgen Sie einer Community oder Forschungsgruppe in Ihrem Bereich. Lernen durch Messen von etwas Echtem bleibt besser hängen als reines Lesen.
- [Wie nutze ich KI fürs Studium, ohne Energie zu verschwenden?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): Nutzen Sie KI dort, wo sie Ihnen beim Lernen hilft, etwa um eine schwierige Idee zu erklären, Sie abzufragen oder Rückmeldung zu einem Entwurf zu geben, und nutzen Sie für Fakten und Quellen Ihre Notizen, Lehrbücher und die Bibliothekssuche. Stellen Sie gezielte Fragen, fügen Sie nur die Passage ein, die Sie brauchen, und vermeiden Sie Neugenerieren oder Bildgenerierung zum Spaß: Diese Gewohnheiten sparen Energie und helfen meist auch beim Lernen.
- [Wie vermittle ich Schülerinnen und Schülern die Umweltwirkung von KI?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): Beginnen Sie mit der Idee, dass jede KI-Antwort auf echten Computern läuft, die Strom und Wasser verbrauchen, und nutzen Sie dann einige verlässliche Zahlen und eine praktische Aktivität, etwa den Vergleich von Text- und Bildgenerierung. Verknüpfen Sie das Thema mit Informatik, Naturwissenschaften und Geografie und bleiben Sie ausgewogen: Ziel ist, dass die Schülerinnen und Schüler KI überlegt nutzen, nicht, dass sie sich dafür schuldig fühlen.
