# Wie verhindere ich, dass GPUs und Notebooks ungenutzt laufen?

> Verhindern Sie, dass ungenutzte KI-Hardware Energie verschwendet: Ressourcen bei Bedarf starten, Notebooks automatisch stoppen, nachts auf null skalieren.

Source: https://greenai.guide/de/wie/wie-verhindere-ich-dass-gpus-und-notebooks-ungenutzt-laufen/  
Updated: 2026-11-19

## Kurz gesagt

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.

## Steps

1. Lassen Sie Pipelines und Trainingsjobs Ressourcen beim Auslösen starten und nach Abschluss freigeben.
2. Stellen Sie Notebooks und Entwicklungs-GPUs so ein, dass sie nach einer Zeit der Inaktivität automatisch herunterfahren.
3. Skalieren Sie Nicht-Produktionsumgebungen außerhalb der Arbeitszeit auf null.
4. Geben Sie temporären Umgebungen ein automatisches Löschdatum.
5. Berichten Sie ungenutzte GPU-Stunden pro Team neben den Kosten.

**Eine ungenutzte GPU zieht trotzdem Strom und bindet Hardware, deren Herstellung Energie gekostet hat.** Notebooks,
Cluster und Testumgebungen, die für ein Experiment eingerichtet wurden, laufen zwischen Experimenten leicht weiter
oder werden vergessen.

## Was sollte nach Bedarf laufen? {#what-should-be-on-demand}

Die Patterns der Green Software Foundation für KI- und Agenten-Workloads empfehlen, Infrastruktur nur laufen zu
lassen, während sie arbeitet: serverlose oder bedarfsgesteuerte Ausführung für Modellentwicklung, Pipelines und
Agenten, sodass Ressourcen beim Auslösen starten und nach Abschluss stoppen.

## Was ist mit Entwicklung und Test? {#what-about-development-and-test}

Die Azure-Well-Architected-Leitlinien von Microsoft empfehlen, „Nicht-Produktionsumgebungen herunterzufahren, wenn
sie nicht genutzt werden“. Unter Kubernetes kann der Cron-Scaler von KEDA Workloads innerhalb eines Zeitfensters
hochskalieren und außerhalb davon auf null. Nehmen Sie nur die gemeinsam genutzten Dienste aus, die wirklich laufen
müssen, und schreiben Sie auf, warum.

## Was den größten Unterschied macht {#what-makes-the-biggest-difference}

- **Automatisches Herunterfahren von Notebooks**, die am häufigsten vergessenen GPU-Nutzer.
- **Sichtbarkeit.** Stellen Sie ungenutzte GPU-Stunden in denselben Bericht wie die Ausgaben; Teams handeln bei dem,
  was sie sehen.
- **Teilen.** Ein gemeinsamer Pool oder eine Warteschlange hält GPUs meist besser ausgelastet als eine Maschine pro
  Person.

## Häufige Fehler {#common-mistakes}

- **Große GPUs „für alle Fälle“ reservieren** für Arbeit, die einmal pro Woche läuft.
- **Modelle dauerhaft im Speicher halten** für ein internes Werkzeug, das ein paar Mal am Tag genutzt wird.

Siehe [Hosting und Rechenzentren](/de/gute-praxis/hosting-und-rechenzentren-fuer-gruene-ki/) und
[effizientes Training und effiziente Inferenz](/de/gute-praxis/effizientes-ki-training-und-effiziente-inferenz/).

## Quellen

- [Serverless architecture for AI/ML workload processes](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/serverless-model-development.md), Green Software Foundation, Green Software Patterns (2025)
- [Use on-demand execution for AI and agent workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/on-demand-execution-ai-agent-workloads.md), Green Software Foundation, Green Software Patterns (2025)
- [Reliability recommendations for sustainable workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/sustainability/sustainability-reliability-recommendations), Microsoft Azure Well-Architected Framework (2026)
- [Cron scaler](https://keda.sh/docs/2.17/scalers/cron/), KEDA (CNCF) (2025)
