Rubrik: Technologie & KI Autor: V Leselänge: ~27 Min Quellen und weiterführende Literatur: 22 Einträge Themen: KI, Strom, Rechenzentren, Inferenz, Training, PUE, Wasser, ERÚ, IEA SEO / Arbeitstitel: Wie viel Strom verbraucht künstliche Intelligenz?
Wie viel Strom verbraucht künstliche Intelligenz? Die Frage klingt nur so lange einfach, bis wir merken, dass wir nicht eine Rechnung vergleichen. Ein Rechenzentrum ist nicht künstliche Intelligenz. Training ist nicht Inferenz. Eine Wattstunde eines Prompts ist keine Terawattstunde im Netz. Und das tschechische Netto von 58 TWh ist nicht die Rechnung von ChatGPT in Brünn. Der Artikel sucht deshalb nicht ein Prozent, das eine Schlagzeile tragen könnte. Er sucht Nenner: welches Jahr, welche Grenze, Messung oder Szenario, und was noch nicht dazugehört.
1. Vier Zahlen auf einem Tisch sind nicht ein Anteil „KI“
In der Redaktion liegen vier Zahlen auf einem Tisch. Ein Reporter will aus dem weltweiten Anteil der Rechenzentren einen Satz über künstliche Intelligenz machen. Ein Analyst hält ihn auf: Die IEA misst 2024 Rechenzentren, nicht den reinen KI-Anteil. Ein Aktivist zitiert den Median von 0,24 Wh je Textprompt in Gemini Apps und multipliziert ihn mit einer unbekannten Zahl von Anfragen. Ein Energiewirtschaftler zeigt das tschechische Netto von 58 TWh für 2024 und den weltweiten Zuwachs des Verbrauchs von Rechenzentren um etwa 70 TWh zwischen 2024 und 2025. Ein Cloud-Manager legt 37 026 353 MWh Strom von Microsoft für FY2025 auf den Tisch und fragt, wie viel davon gerade KI ist [3][9][14][16].
Auf den ersten Blick geht es um den Streit, ob künstliche Intelligenz energetisch klein oder groß ist. In Wirklichkeit hält jeder einen anderen Nenner. Der Reporter die weltweite Rechnung aller Rechenzentren. Der Analyst die Definition der IEA. Der Aktivist eine Inferenzeinheit einer Dienstleistung und einer Methodik. Der Energiewirtschaftler die Jahresbilanz eines Staates. Der Manager die Firmenrechnung einschließlich Cloud für Kunden, die keine generative KI nutzen müssen.
Deshalb können alle teilweise recht haben und die gemeinsame Schlagzeile trotzdem falsch sein. Eine Zahl ohne Jahr, Grenze und Scope ist keine Information. Sie ist Rohstoff für ein Missverständnis.
Ein Rechenzentrum ist nicht dasselbe wie „KI“ und eine Wattstunde eines Prompts ist nicht dasselbe wie eine Terawattstunde im Netz.
— Jiný Kontext
2. Der Strom der künstlichen Intelligenz hat mindestens sechs Schichten
Die erste Schicht ist Chip und Rechnung. Es kommt auf den Beschleuniger an, auf die Auslastung, das Batching, die Kontextlänge, die Zahl der Ausgabetokens und darauf, ob das System in einem einfachen oder einem anspruchsvolleren Modus läuft. Die IEA gibt an, dass eine Spitzen-GPU bis zu 1 000 W aufnehmen kann und dass der für GPT-4 genutzte Cluster auf etwa 10 MW nur für die GPUs geschätzt wurde, beziehungsweise auf etwa 22 MW mit dem Rest der IT und der Kühlung [2].
Die zweite Schicht ist das Training. Es ist einmalig, spitzenlastig und konzentriert. Die dritte ist die Inferenz, also das Serving: wiederholter Betrieb nach jeder Anfrage, jeder Zusammenfassung, jeder Übersetzung, jeder Bilderzeugung oder jedem Agentenlauf. Die vierte Schicht ist die Infrastruktur des Rechenzentrums. PUE sagt, wie viel Strom über der IT-Last Kühlung und weiterer Betrieb verbrauchen. Die fünfte ist Wasser, wo sich On-site-Wasser vom Wasser in der Energiewirtschaft unterscheidet. Die sechste ist das Stromsystem, einschließlich lokaler Netze und der Jahresbilanz.
Der Satz „KI hat Strom verbraucht“ ist also der Anfang einer Diagnose, nicht ihr Ende. Das Versagen kann im Modell liegen, in der Rechnung, in der Kühlung, im Netz, im Emissionsfaktor, im Wasser-Scope oder darin, dass ein Szenario für 2030 als Rechnung für 2024 gelesen wird.
Diese Schichtung ändert auch die politische Frage. Anders plant man den Anschluss eines großen Campus, anders bewertet man den Kohlenstoff einer Dienstleistung, und anders entscheidet man, ob eine Firma einen anspruchsvollen Agenten-Workflow für eine Aufgabe nutzen soll, die ein kleineres Modell schafft. Das Netz sieht „KI“ nicht als abstrakte Fähigkeit. Es sieht Leistung, Bezug, Zeit, Ort und Anforderungen an die Zuverlässigkeit. Der Nutzer wiederum sieht das Netz nicht. Er sieht eine Antwort auf dem Bildschirm. Zwischen diesen beiden Blicken liegen das Rechenzentrum, seine Kühlung, Stromverträge und Betriebsregeln.
Deshalb ist es so leicht, aneinander vorbeizureden. Der eine Mensch behandelt das Weltklima, der zweite einen lokalen Transformator, der dritte die API-Rechnung und der vierte das Wasser am Kühlort. Alle können das Wort Verbrauch verwenden. Sie sprechen jedoch nicht von derselben Grenze. Ein guter Satz über den Strom der KI muss sagen, auf welcher Schicht er steht. Tut er das nicht, beginnt er, wie eine allgemeine Erklärung auszusehen, und beschreibt doch nur ein Glied der Kette.
3. Die beste Zahl ist die, deren Nenner Sie tragen können
Die Energiedebatte braucht nicht den stärksten Satz. Sie braucht eine Zahl, die weiß, was sie misst. Der billige Fehler ist, den Anteil der Rechenzentren so zu runden, dass der lokale Druck auf das Netz verschwindet. Der teure Fehler ist, eine Projektion für 2030 als Buchhaltung für 2024 auszugeben. Noch teurer ist es, 0,24 Wh mit einer unbekannten Zahl von Aufgaben zu multiplizieren und so zu tun, als erkläre der Textmedian einer Dienstleistung die globale Infrastruktur.
| Art des Versagens | Wie es aussieht | Wie prüfen | Was den Schaden begrenzt |
|---|---|---|---|
| Rechenzentren als KI ausgegeben | Aus der Rechnung aller RZ wird ein Anteil künstlicher Intelligenz | Prüfen, ob die Quelle von RZ, AI-focused RZ oder Inferenz spricht | Die Grenze der Rechnung von der Grenze der Infrastruktur trennen [1][3] |
| Szenario als Rechnung | Das Jahr 2030 erscheint ohne das Wort Projektion | Nach Jahr und Methodik fragen | Die Messung 2024/2025 getrennt vom Szenario 2030 angeben |
| Wh mal unbekannte Zahl | Die Promptzahl dient zum Schluss über das Netz | Zahl, Aufgabenmix und Perzentil suchen | Den Gemini-Median nicht mit der weltweiten RZ-Rechnung addieren [9] |
| Wasser vermengen | 500 ml bei GPT-3 wird gegen 0,26 ml bei Gemini gestellt | Modell, Jahr, On-site und Total-Scope vergleichen | Zwei Rechnungen nebeneinander, kein Urteil [12][13] |
| Tschechien als Zahler der KI | 58 TWh wird als Rechnung einer Anwendung gelesen | Jährliches Netto des Landes und weltweiten RZ-Zuwachs trennen | Größenvergleiche mit Vorbehalt nutzen [16] |
Eine Zahl ist dann gut, wenn wir sie ohne versteckte Vertauschung in einen Satz setzen können. Jahr. Population. Einheit. Grenze. Messung oder Szenario. Was darin ist und was nicht.
Dieselbe Regel gilt für Vergleiche, die dem Leser helfen sollen. Haushalte, Staaten oder Firmen sind nützliche Orientierungshilfen, wenn sie Orientierung bleiben. Wenn die IEA ein großes Rechenzentrum mit Haushalten vergleicht, zeigt sie das Maß von Leistung und Bezug. Sie sagt nicht, dass ein Haushalt dasselbe Tagesprofil, denselben Ort, denselben Tarif oder dieselbe Bedeutung für das Netz hat [2]. Wenn wir den weltweiten Zuwachs der RZ neben den tschechischen Nettoverbrauch legen, zeigen wir die Größenordnung des Wachstums. Wir sagen nicht, dass es dasselbe Gebiet oder dieselbe Entscheidung ist.
Die beste Zahl ist also nicht notwendig die größte oder die kleinste. Es ist die Zahl, die sich prüfen lässt. Nennt eine Quelle 415 TWh, das Jahr 2024 und alle Rechenzentren, lässt sich damit arbeiten. Nennt eine Quelle 0,24 Wh, den Median eines Textprompts und die Methodik von Google, lässt sich damit ebenfalls arbeiten. Der Fehler entsteht in dem Augenblick, in dem eine Zahl die Arbeit der anderen zu tun beginnt.
4. Ein Rechenzentrum ist nicht künstliche Intelligenz
Die IEA gibt im Bericht Energy and AI an, dass Rechenzentren 2024 etwa 415 TWh Strom verbraucht haben, rund 1,5 Prozent des weltweiten Stromverbrauchs. Seit 2017 wuchs ihr Verbrauch laut Bericht um etwa 12 Prozent jährlich. Von diesen 415 TWh entfielen laut IEA 45 Prozent auf die USA, 25 Prozent auf China und 15 Prozent auf Europa [1][2].
Das ist ein fester Orientierungspunkt. Es ist jedoch nicht die Rechnung reiner KI. Rechenzentren bedienen Streaming, Unternehmenscloud, E-Commerce, Speicher, Datenbanken, herkömmliche Server und viele andere Dienste. AI-focused Zentren sind eine Teilmenge, die schneller wächst, weil sie eine große Zahl von Beschleunigern für Training und Betrieb von Modellen enthält. Wird aus 1,5 Prozent der Anteil der künstlichen Intelligenz am Weltstrom, ändert sich der Gegenstand der Messung.
Daraus folgt nicht, dass Rechenzentren vernachlässigbar sind. Der lokale Druck auf das Netz kann hoch sein, auch wenn der weltweite Anteil klein wirkt. Die IEA weist wiederholt auf die Konzentration der Nachfrage und auf Anschlussgrenzen hin. Gesagt werden muss nur: Rechenzentren im Jahr 2024, nicht künstliche Intelligenz als Ganzes.
Ein lokales Problem kann überdies das Gegenteil einer weltweiten Schlagzeile sein. Ein Weltanteil um 1,5 Prozent im Jahr 2024 wirkt in einem Satz klein. In einer konkreten Region können einige Projekte die Netzplanung, den Bedarf an Reservequellen und das Bautempo ändern. Die Energiewirtschaft entscheidet nicht nach dem Weltdurchschnitt. Sie entscheidet nach Knoten, Leitung, Kapazitätsreservierung und dem Zeitpunkt, zu dem der Bezug entsteht.
Deshalb ist es genauer zu sagen, dass KI einer der Motoren der neuen Nachfrage nach Rechenzentren ist. Es ist nicht genau zu sagen, dass jedes Rechenzentrum KI ist. Und es ist nicht genau, sich mit einem weltweiten Prozent zu beruhigen, wenn der lokale Anschluss an Kapazität stößt. Ein Satz muss beide Seiten tragen: Die weltweite Rechnung aller RZ und die lokale elektrische Grenze sind nicht dasselbe.
5. 485 TWh und +17 Prozent ist die Rechnung der Rechenzentren, nicht die Rechnung von ChatGPT
In der Aktualisierung Key Questions on Energy and AI gibt die IEA an, dass der Stromverbrauch der Rechenzentren 2025 etwa 485 TWh erreichte, also fast 500 TWh, und leicht über 1,5 Prozent des weltweiten Stromverbrauchs lag. Gegenüber dem Vorjahr stieg er laut IEA um 17 Prozent. Die Differenz zum Jahr 2024 ergibt etwa 70 TWh Zuwachs [3][4][5].
Das ist eine große Bewegung in der Energiewirtschaft. Es geht jedoch weiter um alle Rechenzentren. Legt man den tschechischen Nettoverbrauch von 58 TWh im Jahr 2024 daneben, erhält man einen Größenvergleich: Der weltweite Jahreszuwachs der RZ ist größer als der ganzjährige Nettoverbrauch der Tschechischen Republik. Es ist nicht die Behauptung, dass Tschechien die KI bezahlt, und auch nicht, dass jede neue TWh Chatbots gehört [16].
Für 2030 nennt die IEA eine Projektion von etwa 950 TWh, rund 3 Prozent der weltweiten Stromnachfrage. Der ältere Bericht Energy and AI arbeitete im Base Case mit etwa 945 TWh. Beide Werte gehören in ein künftiges Szenario, nicht in die Buchhaltung der Jahre 2024 oder 2025 [1][3].
6. AI-focused Zentren wachsen schneller als alle Rechenzentren
In einer Pressemitteilung zum Jahr 2025 gibt die IEA an, dass der Verbrauch AI-focused Rechenzentren gegenüber dem Vorjahr um etwa 50 Prozent stieg. Das ist schneller als der gesamte Verbrauch der Rechenzentren, bei dem sie 17 Prozent nennt, und schneller als der weltweite Stromverbrauch, bei dem die Pressemitteilung etwa 3 Prozent erwähnt [5].
Das ist ein Grund, KI ernst zu nehmen. Nicht weil jede Rechnung von Rechenzentren in KI umgeschrieben werden dürfte, sondern weil ihre Teilmenge schnell wächst. Im Base Case für 2030 gibt die IEA an, dass AI-focused Zentren das Dreifache des Ausgangsniveaus überschreiten und etwa 465 TWh erreichen können. Die Definition bezieht sich auf Zentren mit einer großen Zahl von Beschleunigern für Training und Betrieb von Modellen [4].
Auch hier gilt der Vorbehalt. 465 TWh im Jahr 2030 sind kein gemessener Anteil der künstlichen Intelligenz am gesamten Weltstrom. Es ist ein Szenario für eine abgegrenzte Kategorie von Rechenzentren. Es eignet sich für die Frage, wie sich das Netz vorbereiten soll. Es eignet sich nicht für einen Satz ohne Jahr und ohne Definition.
7. Training ist nicht Inferenz
Training ist die Herstellung eines Modells. Inferenz ist seine Nutzung. Training kann energetisch konzentriert und medial sichtbar sein, weil es als große Kampagne auf vielen Beschleunigern stattfindet. Inferenz ist weniger auffällig, weil sie sich auf Milliarden einzelner Anfragen verteilt, deren Preis von Eingabelänge, Ausgabe, Modell, Batching und Modus abhängt.
Luccioni, Jernite und Strubell nennen in ihrer Arbeit zur Energie der KI historische Firmenschätzungen: nach dem zitierten Patterson et al. entfielen bei Google 2022 etwa 60 Prozent der ML-Energie auf Inferenz und 40 Prozent auf Training; nach dem zitierten AWS-Material von 2019 entfielen 80 bis 90 Prozent der ML-Cloud auf Inferenz [7][8][21].
Diese Zahlen dürfen nicht als heutiges Weltverhältnis eingefroren werden. Der Mix ändert sich mit Reasoning-Modi, Agenten, Video, längerem Kontext und neuen Modellen. Sie zeigen jedoch ein wichtiges Prinzip: Ein großes Training ist nicht die ganze Rechnung. Der tägliche Betrieb der Modelle kann in der Summe entscheidend sein, auch wenn eine Antwort klein wirkt.
Bei der Inferenz ist noch ein weiterer Unterschied verborgen: die Zahl der Schritte. Eine einfache Anfrage kann einen Modellaufruf bedeuten. Agentenarbeit kann Plan, Suche, Lesen von Dokumenten, mehrere Entwürfe, Kontrolle, Korrektur und einen weiteren Durchgang bedeuten. Der Nutzer sieht weiter eine Aufgabe. Das Rechenzentrum sieht mehr Rechnung. Deshalb lässt sich der durchschnittliche Preis eines Prompts nicht ohne Weiteres auf Aufgaben übertragen, die innen viele Prompts enthalten.
Hier trifft Energiewirtschaft auf Produktdesign. Wenn eine Anwendung für jede Anfrage einen teuren Modus setzt, kann sie verschwenden. Wenn sie ihn nur dort einschaltet, wo ein einfaches Modell nicht reicht, kann sie ohne Qualitätsverlust sparen. Der Unterschied zwischen Training und Inferenz ist also nicht nur eine technische Definition. Es ist eine Regel, wo man Einsparungen sucht: einmal beim Bau des Modells, das zweite Mal bei jeder Nutzung.
8. 42,4 GWh eines Trainings von GPT-4 sind kein weltweiter Anteil
Die IEA nennt unter Verweis auf Epoch AI eine Energieschätzung von etwa 42,4 GWh für ein Training von GPT-4. In der Grundlage ist von einem Training von etwa 14 Wochen, 25 000 GPUs und einem Load Factor von 84 Prozent die Rede. Der Tagesverbrauch um 0,43 GWh wird im Bericht mit etwa 28 500 Haushalten in advanced economies an dem gegebenen Tag verglichen [2][20].
Das ist eine gute Zahl für eine Vorstellung der Größenordnung. Es ist kein weltweiter Anteil. Sie misst ein Training, nicht die folgende Inferenz, nicht das ganze Rechenzentrum, nicht alle Wiederholungen von Experimenten und nicht jede Dienstleistung auf dem Markt. Die IEA nutzt auch Größenanalogien: Ein großes Rechenzentrum kann einen Verbrauch haben, der mit etwa 100 000 Haushalten vergleichbar ist, und das größte im Bau mit bis zu etwa 2 Millionen Haushalten. Solche Analogien helfen der Größe. Sie sind keine buchhalterische Identität tschechischer Haushalte [2].
Trainingszahlen gehören deshalb in Sätze mit genauer Grenze. Ein Training. Eine Schätzung. Ein konkretes Modell. Konkrete Annahmen. Sobald wir daraus einen Satz über die ganze künstliche Intelligenz machen, verwandeln wir eine Spitze in ein Jahr und eine Kampagne in den Betrieb.
9. 0,24 Wh eines Prompts sind nicht 415 TWh im Netz
Google nennt in der Studie von Elsworth und Mitautoren für den Median eines text-generation Prompts in Gemini Apps den Wert 0,24 Wh, 0,03 g CO2e und 0,26 ml Wasser. Die Methodik umfasst Beschleuniger, Host-CPU und DRAM, Leerlaufkapazität und das PUE der Flotte. Google nennt ein fleet-wide PUE von 1,09 und einen Rückgang der Energie je Median-Prompt um das 33-Fache in 12 Monaten bis Mai 2025 [9][10][11].
Das ist eine wichtige Korrektur alter Eindrücke, jede Textantwort müsse notwendig eine große Größenordnung haben. Ebenso gefährlich ist es jedoch, sie umgekehrt als universelle Entschuldigung zu nutzen. Es geht um den Median von Textprompts einer Dienstleistung, einer Methodik und einer Flotte. Gemessen werden nicht Video, Agenten, langes Reasoning, andere Anbieter, anderes PUE und nicht der Schwanz sehr anspruchsvoller Aufgaben.
Wie man einen Prompt gegen das Netz prüft
Hat die Quelle die Zahl der Aufgaben und ihren Mix? Ist es Median, Mittelwert oder der Schwanz der Verteilung? Ist es Text, Bild, Video, ein Code-Agent oder eine lange Recherche? Gehört PUE in die Zahl? Ist es eine Flotte mit PUE 1,09 oder ein anderes Rechenzentrum? Ohne Zahl und Mix addieren sich Wh und TWh nicht.
10. Selbst wenn gewöhnliche Suchen einfacher KI-Text wären, ginge es weiter um weniger als 4 TWh
Die IEA nennt in Key Questions on Energy and AI eine Hypothese: Selbst wenn alle gewöhnlichen Suchen eine einfache KI-Textanfrage wären, läge der Verbrauch unter 4 TWh im Jahr, also unter 1 Prozent des heutigen Verbrauchs der Rechenzentren [3][4].
Dieser Satz ist gerade deshalb nützlich, weil er eng ist. Er spricht von einfachen Textanfragen. Er spricht nicht von Agenten, die Dutzende Aufrufe ausführen. Er spricht nicht von der Erzeugung von Video. Er spricht nicht von langem Kontext, von privater Suche in Dokumenten und nicht vom Training eines neuen Modells. Und vor allem spricht er nicht von der ganzen Rechnung der Rechenzentren.
Daraus folgt nicht, dass Inferenz immer klein ist. Daraus folgt, dass ein gewöhnlicher Textprompt und die weltweite Dateninfrastruktur andere Einheiten sind. Wer eine Zahl von Aufgaben, ihren Mix und eine Messung je Aufgabe hat, kann schätzen. Wer nur den Median einer Dienstleistung und ein Gefühl für das Volumen des Internets hat, hat keine Rechnung. Er hat eine Multiplikation ohne einen Faktor.
Die praktische Folge ist einfach. Eine Firma, die KI in der Dokumentsuche, im Kundendienst oder in einem Code-Agenten einsetzt, darf nicht einen universellen Prompt rechnen. Sie muss die eigene typische Aufgabe messen: wie viele Aufrufe entstehen, wie lang der Eingang ist, wie viel Ausgabe verworfen wird, wie oft die Arbeit wiederholt wird und wann ein teurerer Modus eingeschaltet wird. Erst dann lässt sich vom Verbrauch je angenommenes Ergebnis sprechen.
11. PUE ist nicht der Verbrauch eines Modells
PUE, power usage effectiveness, ist das Verhältnis des gesamten Stroms eines Rechenzentrums zum Strom der IT-Last. Wenn Google ein Flotten-PUE von 1,09 nennt, heißt das, dass auf 1 kWh IT-Last 0,09 kWh Infrastruktur zusätzlich entfallen. Diese Infrastruktur umfasst Kühlung, Stromversorgung und weitere Betriebsgemeinkosten [9][10].
PUE ist also keine Eigenschaft eines Modells. Es ist nicht die „Gefräßigkeit eines Transformers“. Es ist eine Eigenschaft des Rechenzentrums und seines Betriebs. Ein anderer Campus, ein anderes Klima, eine andere Kühlung und eine andere Kapazitätsnutzung können ein anderes Ergebnis geben. Strubell, Ganesh und McCallum nutzten in ihrer Arbeit von 2019 ein weltweites Durchschnitts-PUE von 1,58 aus dem Jahr 2018. Das gehört zu ihrer Schätzung und lässt sich ohne Anpassung weder auf Google 2025 noch auf den tschechischen Betrieb übertragen [6].
PUE zeigt zugleich, warum Training, Inferenz und Kühlung nicht vermengt werden dürfen. Fragt man nach der Rechnung des Modells, interessiert die IT-Last. Fragt man nach dem Netz, interessiert das ganze Rechenzentrum. Fragt man nach Kohlenstoff oder Wasser, kommen Energiemix, Ort und Zeit hinzu.
PUE ist auch keine Entschuldigung. Ein niedriges PUE sagt, dass ein Rechenzentrum wenig Gemeinkosten über der IT-Last hat. Es sagt nicht, dass die IT-Last selbst klein ist. Ein sehr effizientes Zentrum mit einer enormen Zahl von Beschleunigern kann viel Strom verbrauchen. Umgekehrt kann ein schlechteres PUE in einem kleineren Betrieb örtlich weniger bedeuten. Deshalb darf PUE nicht als eigenes Tugendlabel genutzt werden. Es gehört neben den absoluten Bezug, die Kapazitätsnutzung und die Stromquelle.
Eine gute Frage lautet: Wie viel Strom geht in die IT, wie viel fügt die Infrastruktur hinzu, und wie oft ist die Rechnung wirklich genutzt? Wenn Beschleuniger auf eine Spitze warten, kann Leerlaufkapazität in der Methodik als Teil des Servings erscheinen. Laufen sie auf hoher Auslastung, ändert sich der Preis von Latenz und Kühlung. PUE hilft, den Betrieb zu lesen. Es schließt die Energierechnung nicht ab.
12. Strom ist nicht Kohlenstoff und Kohlenstoff ist nicht Wasser
Eine TWh Strom hat nicht überall denselben Kohlenstoff. Es kommt auf den Erzeugungsmix an, auf die Zeit des Bezugs und auf den Ort. Das ERÚ nennt für die Tschechische Republik 2024 eine Nettoerzeugung von 69 TWh, gegenüber dem Vorjahr 3,9 Prozent weniger. Der Saldo Export minus Import sank von 9,2 auf 6,7 TWh. Die installierte Leistung der Photovoltaik stieg von 3,3 auf 4 GWe, und die Erzeugung aus Photovoltaik stieg gegenüber dem Vorjahr um 24,2 Prozent. Kernkraft und Dampf sanken gegenüber dem Vorjahr [16][17].
Diese Zahlen nennen nicht den Kohlenstoff-Fußabdruck eines tschechischen Prompts. Sie geben dem Nenner einen Kontext. Derselbe Bezug in einem Netz mit anderem Mix hat eine andere Emissionswirkung. Dieselbe Rechnung zu einer anderen Zeit kann eine andere Grenzkraftquelle haben. Und derselbe Datenbetrieb kann einen anderen Wasser-Fußabdruck haben, je nach Kühlung und nach Wasser, das bei der Stromerzeugung genutzt wird.
Deshalb ist es falsch, Strom, Kohlenstoff und Wasser ohne Scope in einen Satz zu überführen. Strom ist die physikalische Rechnung des Bezugs. Kohlenstoff hängt von der Erzeugung ab. Wasser hängt von Kühlung, Ort und Methodik ab. Werden diese Schichten unterschieden, ist die Debatte weniger wirkungsvoll, aber genauer.
Im tschechischen Zusammenhang ist dieser Vorbehalt besonders wichtig. Das ERÚ gibt Jahresangaben zu System, Erzeugung, Verbrauch und Saldo. Es sagt nicht, welchen Kohlenstoff-Fußabdruck eine konkrete KI-Dienstleistung hat, die ein tschechischer Nutzer über eine ausländische Cloud aufruft. Eine solche Antwort müsste wissen, wo die Rechnung lief, zu welcher Zeit, mit welcher Stromquelle und mit welchen vertraglichen Instrumenten der Anbieter arbeitet. Der jährliche tschechische Mix ist Kontext, nicht das GPS eines Prompts.
Ebenso ist Wasser kein universeller Schuldumrechner. Kühlung in einer trockenen Region hat eine andere Bedeutung als Bezug an einem Ort mit anderer Wasserbilanz. Wasser für die Stromerzeugung ist nicht dasselbe wie Wasser, das im Areal verdunstet. Beides kann relevant sein. Sie dürfen jedoch nicht ohne Bezeichnung addiert und mit einer Zahl verglichen werden, die nur eines von beiden misst.
13. On-site-Wasser ist nicht der totale Wasser-Fußabdruck, und Li ist keine Widerlegung von Google
Li, Yang, Islam und Ren schätzen, dass das Training von GPT-3 in den USA in Rechenzentren von Microsoft insgesamt 5,4 Millionen Liter Wasser verbraucht haben könnte, davon 0,7 Millionen Liter on-site. Bei der Inferenz von GPT-3 nennen sie etwa 500 ml Wasser auf 10 bis 50 mittellange Antworten, je nach Ort und Zeit. Es geht um On-site- plus Off-site-Wasser, also auch um Wasser, das mit der Stromerzeugung verbunden ist [12][13].
Google nennt dagegen beim Median eines Textprompts in Gemini Apps 0,26 ml Wasser nach seiner Methodik und seinem Betrieb im Jahr 2025 [9][11]. Diese zwei Zahlen sind kein unmittelbarer Streit über eine Sache. Li spricht von GPT-3, einem anderen Jahr, einem anderen Scope und der Einbeziehung von Wasser in der Energiewirtschaft. Google spricht vom Median-Prompt in Gemini Apps, einer anderen Infrastruktur und einer anderen Grenze.
Daraus folgt nicht, dass eine Zahl wahr und die andere Lüge ist. Daraus folgt, dass Wasser ohne Scope noch gefährlicher ist als Strom ohne Jahr. Die Spanne 500 ml darf nicht zur Konstante für jede heutige Anfrage werden. Und 0,26 ml darf nicht zur Decke für alle Aufgaben und Anbieter werden.
14. 626 155 Pfund CO2e aus dem Jahr 2019 sind nicht ChatGPT im Jahr 2026
Strubell, Ganesh und McCallum schätzten 2019, dass das Training eines großen Transformers mit Neural Architecture Search 626 155 Pfund CO2e erreichen konnte. Sie nutzten unter anderem einen US-Netzfaktor von 0,954 lb/kWh und ein PUE von 1,58. Es ging um eine Forschungspipeline, die mit der Architektursuche nach der Arbeit von So und Mitautoren verbunden war. BERT, auf einer GPU ohne solche Suche trainiert, lag in ihrer Tabelle um eine Größenordnung niedriger [6].
Diese Zahl hat eine wichtige Rolle gespielt. Sie erinnerte daran, dass die Forschungssuche nach Modellen eine physikalische Rechnung hat. Es ist jedoch nicht korrekt, daraus den Kohlenstoff-Fußabdruck von ChatGPT im Jahr 2026 zu machen. Hardware, Rechenzentren, PUE, Energiemix, Modelle, Serving und der Umfang der Nutzung haben sich geändert. Zudem ging es um Training und Architektursuche, nicht um gewöhnliche Inferenz.
Die alte Zahl gehört also in die Geschichte der Messung und in das Argument, dass die Energiewirtschaft der KI sichtbar sein soll. Sie gehört nicht in eine Schlagzeile über den heutigen weltweiten Anteil. Wird aus einer Größenillustration Buchhaltung, hört sie auf zu helfen.
15. 37 TWh von Microsoft ist die Rechnung einer Firma, nicht der Weltanteil der künstlichen Intelligenz
Microsoft nennt im Environmental Data Fact Sheet für FY2025 Strom von 37 026 353 MWh, also etwa 37,0 TWh. Es ist die Rechnung der ganzen Firma. Sie umfasst den weltweiten Betrieb und Cloud-Dienste für Kunden, die KI nutzen können, aber auch viele Dienste, die mit generativer KI nicht unmittelbar zusammenhängen [14].
Diese Zahl ist nützlich für die Frage, wie große Energiefirmen aus Cloud-Anbietern geworden sind. Sie ist nicht nützlich als unmittelbarer Anteil der künstlichen Intelligenz am Weltstrom. Wer sie zu den 415 TWh der Rechenzentren addiert, zählt leicht einen Teil derselben Welt zweimal oder vermengt eine Firmenrechnung mit einer Infrastrukturkategorie.
Der richtige Satz ist enger: Microsoft als Firma hat im betreffenden Geschäftsjahr einen Strombezug in Dutzenden TWh ausgewiesen. Davon wissen wir nicht, wie viel auf KI entfällt, wie viel auf andere Cloud-Dienste und wie viel auf den Rest des Betriebs. Ohne interne Allokation und Methodik bleibt die Zahl eine Firmenrechnung, keine Rechnung der Modelle.
Firmenrechnungen sind trotzdem wertvoll. Sie zeigen, dass digitale Infrastruktur in der Energiewirtschaft keine Randposition mehr ist. Wächst ein großer Anbieter, beeinflussen seine Entscheidungen über Standort, Stromeinkauf, Reservequellen und Kühlung öffentliche Netze und Investitionen. Man muss nur zwei Sätze getrennt halten. Erstens: Cloud-Firmen haben große und wachsende Energierechnungen. Zweitens: Aus einer Firmenrechnung lässt sich ohne Allokation der Anteil generativer KI nicht ablesen.
Diese Unterscheidung schützt beide Seiten des Streits. Kritik muss nicht übertreiben, um ernst zu sein. Die Verteidigung kann sich nicht hinter dem Umstand verstecken, dass der genaue KI-Anteil nicht öffentlich ist. Eine fehlende Allokation ist kein Beweis der Null. Sie ist ein Grund, den Schluss vorsichtiger zu formulieren.
16. Tschechische 58 TWh sind das Maß eines Landes. Sie sind nicht die Rechnung von ChatGPT in Brünn
Das ERÚ gibt in einem Bericht vom 18. Februar 2025 an, dass der Nettostromverbrauch in der Tschechischen Republik im Jahr 2024 bei 58 TWh lag, gegenüber dem Vorjahr 0,6 Prozent weniger. Es erwähnt auch den Ausfall des lokalen Verbrauchs großer Unternehmen. Im selben Zusammenhang nennt das ERÚ eine Nettoerzeugung von 69 TWh, gegenüber dem Vorjahr 3,9 Prozent weniger [16][17][18].
Der Vergleich mit der IEA ist stark, wenn er genau bleibt. Der weltweite Zuwachs des Verbrauchs von Rechenzentren zwischen 2024 und 2025, etwa 70 TWh, ist größer als der ganzjährige tschechische Nettoverbrauch. Das zeigt die Größenordnung der Wachstumsgeschwindigkeit der globalen Infrastruktur. Es sagt nicht, dass die Tschechische Republik weniger verbraucht hat als KI, und auch nicht, dass ein tschechisches Rechenzentrum mit einem solchen Volumen läuft. Das Dossier hat keine ERÚ-Zahlen zum Verbrauch konkreter tschechischer Rechenzentren in TWh.
Vor dem Vergleich mit Tschechien
Vergleichen Sie den jährlichen Nettoverbrauch eines Landes mit dem jährlichen Zuwachs der weltweiten Rechenzentren oder mit der Inferenz einer Anwendung? Steht im Satz die Erzeugung von 69 TWh oder der Verbrauch von 58 TWh? Geht es um den tschechischen Mix, das Weltwachstum oder eine Firmenrechnung? Ohne diese drei Antworten dient die tschechische Zahl eher als Rhetorik denn als Messung.
17. Die Frage lautet nicht, wie viel „KI“ verbraucht. Sie lautet, welche Rechnung, welches Jahr und welche Grenze
Die Energierechnung der künstlichen Intelligenz lässt sich nicht damit aufheben, dass ein Prompt klein ausfällt. Sie lässt sich auch nicht damit aufblasen, dass alle Rechenzentren in KI umbenannt werden. Wir brauchen weniger Etiketten und mehr Nenner.
Wenn jemand ein Prozent nennt, muss er das Jahr nennen. Das Jahr 2024 mit 415 TWh Rechenzentren ist nicht das Jahr 2030 mit einem Szenario um 950 TWh. Er muss die Grenze nennen. Alle Rechenzentren sind nicht AI-focused Zentren, AI-focused Zentren sind nicht ein Prompt, und ein Prompt ist kein Videoagent. Er muss den Scope nennen. Ist darin IT-Last, PUE, Kohlenstoff, On-site-Wasser, Total-Wasser oder der Stromeinkauf einer Firma? Und er muss sagen, ob es eine Messung, eine Schätzung, eine Firmenmethodik oder ein Szenario ist.
Drei Tests des Nenners
Jahr: Messung 2024, Aktualisierung 2025 oder Szenario 2030? Grenze: alle Rechenzentren, AI-focused Zentren, Training, Inferenz oder eine Dienstleistung? Scope: Strom, Kühlung, Kohlenstoff, On-site-Wasser, Total-Wasser oder Firmenrechnung?
Ohne Jahr, Definition und Grenze zwischen Training, Inferenz und Kühlung darf aus einem Anteil keine Schlagzeile werden.
— Jiný Kontext
Die richtige Frage lautet also nicht, wie viel KI verbraucht. Sie lautet: Welche Rechnung lesen Sie gerade, Rechenzentren, AI-focused Zentren, ein Training, den Median-Prompt, Wasser oder eine Firma, in welchem Jahr, und was davon ist noch nicht der Anteil der künstlichen Intelligenz am Weltnetz?
Verwandte Texte dieser Reihe
- ChatGPT vs. Gemini vs. Claude vs. Grok… — ein Ranking misst keine Wattstunde.
- IEA Energy and AI: 415 TWh Rechenzentren im Jahr 2024 ist eine Infrastrukturrechnung, nicht die Rechnung eines Chats.