Kurz gesagt
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.
Schritte
- Legen Sie für jede Funktion die längste sinnvolle Antwort fest und stellen Sie die maximalen Ausgabe-Tokens der API entsprechend ein.
- Nennen Sie Format und Länge im Prompt, etwa „drei Stichpunkte“.
- Nutzen Sie strukturierte Ausgabe, etwa ein JSON-Schema, wenn Ihr Code nur Felder braucht.
- Fügen Sie Stoppsequenzen hinzu, wo die Antwort eine natürliche Endmarkierung hat.
- Erkennen Sie Antworten, die am Limit abgeschnitten wurden, und behandeln Sie sie, statt stillschweigend neu zu versuchen.
Sagen Sie dem Modell und der API, wie viel Sie wollen. Modelle erzeugen einen Token nach dem anderen, und jeder kostet Rechenaufwand.
Warum ist das wichtig?
Delavande, Pierrard und Luccioni stellten fest, dass der Energieverbrauch linear mit der Länge der Ausgabe wächst und dass größere Modelle nicht nur mehr Energie pro Token verbrauchen, sondern auch zu längeren Antworten neigen. UNESCO und University College London fanden heraus, dass kürzere Prompts und Antworten den Energieverbrauch um mehr als die Hälfte senken können.
Welche Stellschrauben sollte ich nutzen?
- Maximale Ausgabe-Tokens. Jede große API hat dafür einen Parameter. Setzen Sie ihn pro Funktion, nicht einen großzügigen globalen Wert.
- Anweisungen. „Antworte in einem Satz“ oder „gib nur den Namen der Kategorie zurück“ funktionieren besser als ein hartes Limit allein, weil das Modell eine kurze Antwort plant, statt abgeschnitten zu werden.
- Strukturierte Ausgabe. Wenn Ihr Code Felder ausliest, verlangen Sie JSON nach einem Schema und verzichten Sie auf Fließtext.
- Stoppsequenzen. Beenden Sie die Erzeugung an einer Markierung wie einem schließenden Tag.
- Reasoning-Aufwand. Wo ein Modell eine Einstellung für Denken oder Reasoning anbietet, nutzen Sie die niedrigste Stufe, die Ihre Tests besteht: siehe wann Sie Reasoning-Modi nutzen sollten.
Häufige Fehler
- Limits so knapp, dass Antworten abgeschnitten werden, gefolgt von einem automatischen neuen Versuch mit höherem Limit. Das kostet mehr, als die Länge gleich richtig zu wählen.
- Erklärungen anfordern, die niemand liest, etwa „erkläre deine Begründung“ in einer Klassifizierungspipeline.
- Ausgabe-Tokens nicht pro Funktion protokollieren, sodass die wortreichsten Funktionen verborgen bleiben.
Gewohnheiten für Nutzerinnen und Nutzer finden Sie unter KI effizient nutzen.
Quellen
- Small talk, big impact: the energy cost of thanking AI, Delavande, Pierrard and Luccioni (arXiv 2601.22357) (2026)
- Smarter, smaller, stronger: resource-efficient generative AI and the future of digital transformation, UNESCO and University College London (2025)
- What are tokens and how to count them?, OpenAI Help Center (2025)
Verwandte Themen
Wie schreibe ich Prompts, die weniger Energie verbrauchen?
Wie Sie KI-Prompts schreiben, die weniger Rechenleistung brauchen: konkret sein, eine Länge vorgeben, nur Relevantes einfügen und es gleich richtig machen.
Wie verhindere ich, dass mein Chatbot das ganze Gespräch erneut sendet?
So halten Sie den Chatbot-Kontext klein: frühere Runden begrenzen, ältere zusammenfassen, Relevantes abrufen und feste Prompts cachen, damit die Eingabe nicht wächst.
Wann sollte ich den „Denk“- oder Reasoning-Modus einer KI nutzen?
Wann sich ein Reasoning- oder „Denk“-Modus lohnt, wann ein Standardmodell reicht und warum Reasoning pro Antwort ein Vielfaches an Energie verbrauchen kann.
KI effizient nutzen: Gewohnheiten für den Alltag
Alltagsgewohnheiten, die den Energieverbrauch bei der KI-Nutzung senken: klare Prompts, weniger Neugenerieren, Maß bei Bildern und Videos, Caching, Abschalten.