greenai.guide

Startseite › Wie kann ich …? › Wie erfasse ich den Energieverbrauch von KI pro Aufgabe statt nur insgesamt?

Wie kann ich …?

Wie erfasse ich den Energieverbrauch von KI pro Aufgabe statt nur insgesamt?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

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.

Schritte

  1. Wählen Sie eine funktionale Einheit und ziehen Sie pro erfolgreicher Aufgabe dem Wert pro Aufruf vor.
  2. Kennzeichnen Sie jeden Modellaufruf mit der Aufgabe, zu der er gehört, einschließlich Wiederholungen und Fehlversuchen.
  3. Teilen Sie die gemessene oder geschätzte Energie durch die Zahl der gelieferten Einheiten.
  4. Erfassen Sie Qualität oder Erfolgsquote für dieselben Einheiten.
  5. Berichten Sie jeden Monat Werte pro Einheit und Summen gemeinsam.

Summen steigen mit dem Wachstum und verdecken Effizienz; Werte pro Aufgabe machen sie sichtbar. Wenn Sie beides erfassen, wissen Sie, ob Sie besser werden und ob das reicht.

Welche Einheit sollte ich wählen?

Einheit Gut für Achtung
Pro Aufruf Einfache Protokollierung Verdeckt Wiederholungen und Agenten-Schleifen
Pro Anfrage oder Antwort Chat- und Suchfunktionen Zeigt nicht, ob die Antwort nützlich war
Pro Dokument, Ticket oder Bild Batch-Verarbeitung Dokumente sind unterschiedlich groß
Pro erfolgreicher Aufgabe Agenten und Workflows Braucht eine klare Erfolgsprüfung

Pro erfolgreicher Aufgabe ist meist am besten, weil eine einzige Nutzeranfrage viele Aufrufe umfassen kann. Anthropic berichtete, dass seine Agenten typischerweise etwa viermal so viele Tokens verbrauchten wie Chat-Interaktionen und Multi-Agenten-Systeme etwa fünfzehnmal so viele.

Warum auch die Summe behalten?

Luccioni, Strubell und Crawford warnen, dass Effizienzgewinne bei KI durch wachsende Nutzung zunichtegemacht werden können, der Rebound-Effekt. Halbiert sich die Energie pro Aufgabe, während sich die Zahl der Aufgaben verdreifacht, steigt die Summe trotzdem. Aus diesem Grund ist die SCI-Spezifikation der Green Software Foundation eine Rate pro funktionaler Einheit, aber Sie sollten den absoluten Wert trotzdem daneben berichten.

Häufige Fehler

  • Nur erfolgreiche Aufrufe zählen, sodass Fehlversuche aus den Zahlen verschwinden.
  • Die Einheit zwischen Berichten wechseln.
  • Effizienz ohne Qualität berichten. Eine günstigere Aufgabe, die häufiger scheitert, ist keine Verbesserung.

Siehe verhindern, dass Effizienzgewinne zunichtegemacht werden und den Energieverbrauch von KI messen.

Quellen

  1. Software Carbon Intensity (SCI) specification, Green Software Foundation (2024)
  2. How we built our multi-agent research system, Anthropic (2025)
  3. From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz