Kurz gesagt
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.
Schritte
- Berichten Sie in jeder Überprüfung den gesamten KI-Energieverbrauch oder die Gesamtemissionen neben der Energie pro Aufgabe.
- Entscheiden Sie vor einem Effizienzprojekt, was mit der Kapazität oder dem Budget geschieht, das es frei macht.
- Legen Sie für jedes Team oder jeden Dienst ein Budget oder eine Obergrenze für Rechenleistung, Tokens oder Ausgaben fest.
- Bauen Sie Server, Lizenzen oder reservierte Kapazität ab, die durch Effizienz überflüssig geworden sind.
- Fragen Sie vor der Freigabe jeder neuen KI-Nutzung, ob sie nötig ist.
Effizienz wird erst dann zur Einsparung, wenn jemand entscheidet, was mit der frei gewordenen Kapazität geschieht. Andernfalls wird günstigere KI für mehr Dinge und häufiger genutzt, und die Summe steigt weiter.
Warum passiert das?
Der Ökonom William Stanley Jevons beobachtete 1865, dass effizientere Dampfmaschinen dazu führten, dass mehr Kohle verbrannt wurde, nicht weniger. Luccioni, Strubell und Crawford argumentieren, dass dieselbe Rebound-Dynamik für KI gilt: Effizienzgewinne senken die Kosten, was mehr Nutzung antreiben kann. Die Internationale Energieagentur erwartet, dass sich der Stromverbrauch von Rechenzentren zwischen 2024 und 2030 mehr als verdoppelt, mit KI als wichtigstem Treiber, obwohl jede einzelne Anfrage günstiger wird.
Was kann eine Organisation tun?
- Summen sichtbar machen. Werte pro Aufgabe allein sehen nach stetigem Fortschritt aus.
- Budgetieren. Geben Sie Teams ein Budget für Rechenleistung, Tokens oder Ausgaben, wie für jede andere Ressource.
- Die Einsparung sichern. Wenn ein Modell oder ein Arbeitsablauf effizienter wird, schalten Sie die nicht mehr benötigte Kapazität ab oder geben Sie sie zurück.
- Gezielt reinvestieren. Einsparungen für neue Anwendungen auszugeben, kann die richtige Wahl sein, aber machen Sie es zu einer Entscheidung statt zu einem schleichenden Prozess.
- Suffizienz praktizieren. Fragen Sie, ob eine Aufgabe überhaupt KI braucht oder ein so großes Modell; siehe entscheiden, ob Sie KI brauchen.
Häufige Fehler
- Einen prozentualen Effizienzgewinn als Emissionssenkung verkünden.
- Frei gewordene Server „für alle Fälle“ weiterlaufen lassen.
- Jede neue KI-Funktion genehmigen, weil jede einzelne günstig ist.
Ein britisches Green-AI-Sandpit aus Mathematik, Informatik und Industrie im Jahr 2026 nannte die Vermeidung des Rebound-Effekts als eine der wichtigsten offenen Fragen für grüne KI. Mehr dazu in Effizienz ist nicht Suffizienz.
Quellen
- The Coal Question, W. Stanley Jevons, Macmillan (1865)
- From efficiency gains to rebound effects: the problem of Jevons' paradox in AI's polarized environmental debate, Luccioni, Strubell and Crawford, ACM FAccT (2025)
- Energy and AI, International Energy Agency (2025)
Verwandte Themen
Effizienz ist nicht Suffizienz: der Rebound-Effekt bei KI
Warum effizientere KI nicht garantiert, dass insgesamt weniger Energie verbraucht wird, was der Rebound- oder Jevons-Effekt ist und was Einsparungen sichert.
Wie lege ich Ziele für Energieverbrauch und Emissionen von KI fest?
Wie Sie aussagekräftige Ziele für Energie und Emissionen von KI setzen: eine gemessene Ausgangsbasis, Intensitäts- und absolute Ziele zusammen, regelmäßige Prüfung.
Wie prüfe ich, ob ein KI-Projekt seine Umweltkosten wert ist?
Ein einfacher Weg, Energie, CO2 und Hardware eines KI-Projekts gegen seinen Nutzen abzuwägen, vor dem Bau und sobald es läuft.
So schreiben Sie eine Richtlinie für grüne KI
Schritt für Schritt zur Richtlinie für grüne KI: mit Vorlage zu Nutzung, Modellen, Messung, Beschaffung, Umweltaussagen und Überprüfung.