Lange galt eine einfache Gleichung: mehr KI gleich mehr GPUs. Wer rechnen wollte, kaufte Grafikkarten. Diese Gleichung stimmt nicht mehr. Die eigentliche Knappheit liegt nicht im Silizium, sie liegt im Stromnetz. Meine Einschätzung nach Jahren Praxisarbeit mit KI-Infrastruktur für EPU und KMU: Wir reden über Modelle, über Tokens, über Kontextfenster, und vergessen dabei, dass jeder Gedanke einer Maschine irgendwo in der Welt einen physischen Preis hat. Dieser Artikel macht sich Gedanken darüber, wie die Zukunft aussehen muss, wenn wir KI wollen, aber der Strom dafür endlich ist. Du bekommst keine Beruhigung. Du bekommst eine ehrliche Bestandsaufnahme und eine unbequeme Frage am Ende.
Die neue Knappheit heißt Megawatt
Ich habe lange gedacht, das Nadelöhr seien die Chips. Bis ich verstanden habe, was hinter den Kulissen wirklich passiert. Die Zahlen, die seit Anfang 2026 durch die Branche gehen, lesen sich wie ein Weckruf.
Der Stromhunger der amerikanischen Rechenzentren soll sich innerhalb von zwei Jahren mehr als verdoppeln. Von rund 31 Gigawatt im Jahr 2025 auf etwa 41 Gigawatt 2026 und 66 Gigawatt im Jahr darauf. Das ist nicht irgendeine Prognose aus einem Blog, das kommt von Goldman Sachs Research. Zum Vergleich: Ein einzelnes Gigawatt entspricht ungefähr der Leistung eines großen Kernkraftwerks. Wir reden also davon, dass die KI-Industrie in den USA innerhalb weniger Jahre den Strombedarf von Dutzenden Kraftwerken zusätzlich beansprucht.
Global wird es noch deutlicher. Die Internationale Energieagentur hat festgestellt, dass der weltweite Stromverbrauch von Rechenzentren 2025 um 17 Prozent gewachsen ist. Der Verbrauch der KI-fokussierten Rechenzentren allein ist um 50 Prozent gestiegen. Das ist kein lineares Wachstum mehr, das ist eine Beschleunigung.
Hier ist der Satz, der hängenbleiben sollte: Die Zukunft der KI wird nicht in der Chipfabrik entschieden, sondern an der Steckdose. Wer in den nächsten Jahren KI in großem Stil betreiben will, braucht nicht primär mehr Rechenkarten. Er braucht garantierten Zugang zu billiger, verlässlicher Energie. Und genau die ist plötzlich knapp.
Ein Beispiel, das mir nicht aus dem Kopf geht: Microsoft hat einen Vertrag unterschrieben, um einen Block des stillgelegten Kernkraftwerks Three Mile Island wieder hochzufahren. 835 Megawatt, ausschließlich für die eigenen Rechenzentren, über 20 Jahre. Ein Reaktor, der 2019 aus wirtschaftlichen Gründen abgeschaltet wurde, geht wieder ans Netz, weil eine KI gefüttert werden muss. Wenn das kein Symbol für die neue Realität ist, dann weiß ich auch nicht.
Warum frisst KI eigentlich so viel Strom?
Die meisten denken beim Stromverbrauch ans Training. An diese riesigen Modelle, die wochenlang auf tausenden Chips gerechnet werden. Das ist nicht falsch, aber es ist die kleinere Hälfte der Geschichte.
Zur Klarheit, weil die beiden Begriffe oft durcheinandergeraten: Training ist der einmalige, energieintensive Prozess, in dem ein Modell überhaupt erst lernt. Inferenz ist alles, was danach passiert: jede Anfrage, jede Antwort, jedes generierte Bild im laufenden Betrieb. Das hängt zusammen, ist aber nicht dasselbe. Und der eigentliche Stromfresser ist die Inferenz.
Schätzungen gehen davon aus, dass 80 bis 90 Prozent der gesamten KI-Rechenleistung auf die Inferenz entfallen, nicht auf das Training. Das macht Sinn, wenn man kurz nachrechnet. Ein Modell wird einmal trainiert. Aber es beantwortet danach Millionen, manchmal Milliarden Anfragen. Jeder einzelne Prompt, den du oder ich in ein Chatfenster tippen, zieht Energie. Nicht viel pro Anfrage, aber multipliziert mit der Zahl der Nutzer wird daraus eine Lawine.
Eine einzelne Anfrage an ein fortgeschrittenes Sprachmodell brauchte 2024 schätzungsweise rund 2,9 Wattstunden. Eine klassische Google-Suche kommt mit etwa 0,3 Wattstunden aus. Das ist fast das Zehnfache. Neuere Messungen zeigen zwar, dass der Wert pro Textanfrage inzwischen auf 0,24 bis 0,3 Wattstunden gefallen ist. Das klingt nach Entwarnung. Ist es aber nicht, und warum, dazu komme ich gleich.
Innerhalb eines modernen Rechenzentrums verteilt sich der Strom übrigens ungefähr so: Etwa 60 Prozent gehen in die Server selbst, also in die Chips, die rechnen. Bei den großen, auf KI optimierten Rechenzentren steigt dieser Anteil auf rund 75 Prozent, weil dort Chips stecken, die das Zwei- bis Vierfache eines normalen Prozessors verbrauchen. Der Rest verteilt sich auf Kühlung, Speicher und Netzwerktechnik. Und die Kühlung ist ein eigenes Kapitel: Manche Rechenzentren verbrauchen für die Kühlung allein so viel Frischwasser, dass es den Jahresbedarf einer Kleinstadt deckt.
Gibt es Entwicklungen, die den Stromverbrauch senken?
Ja. Und sie sind beeindruckend. Das ist die gute Nachricht, und ich will sie nicht kleinreden, bevor ich gleich die schlechte danebenstelle.
An mehreren Stellen passiert gerade echte Ingenieursarbeit, kein Marketing. Ich gliedere das in drei Ebenen, weil die Hebel an unterschiedlichen Stellen ansetzen.
1. Effizientere Hardware. Die alten GPUs waren nie für reine Inferenz gebaut. Inzwischen kommen spezialisierte Chips auf den Markt. Der RNGD-Inferenzchip von FuriosaAI etwa wird seit Januar 2026 in Stückzahlen ausgeliefert und kommt mit 180 Watt aus, während typische High-End-GPUs jenseits der 600 Watt liegen. Parallel dazu experimentieren Firmen wie Lightmatter mit Photonik, also damit, Daten mit Licht statt mit Strom zu verarbeiten. Das ist kein Science-Fiction mehr, das ist Hardware, die gebaut wird.
2. Schlankere Modelle. Hier liegt aus meiner Sicht der unterschätzteste Hebel. Nicht jede Aufgabe braucht das größte, teuerste Modell. Google hat im August 2025 mit Gemma 3 270M ein kompaktes Modell vorgestellt, das mit sogenannter quantisierungsbewusster Anpassung arbeitet. Quantisierung senkt die Rechenpräzision dort, wo hohe Präzision keinen Mehrwert bringt, und spart so bis zu 45 Prozent Energie. Sparse Attention, also das gezielte Überspringen unnötiger Rechenschritte, kann bis zu 81 Prozent der Verarbeitung einsparen. Das sind keine Rundungsfehler, das sind Größenordnungen.
3. Bessere Software und Modellauswahl. Google berichtet, dass der mittlere Energieverbrauch pro Gemini-Anfrage zwischen Mai 2024 und Mai 2025 um den Faktor 33 gesunken ist, der zugehörige CO2-Fußabdruck sogar um den Faktor 44. Innerhalb eines Jahres. Solche Sprünge entstehen nicht durch ein einziges Wundermittel, sondern durch viele kleine Optimierungen, die sich aufaddieren.
An dieser Stelle wird es persönlich, und das ist der Punkt, an dem ich aus eigener Praxis sprechen kann. In meinem eigenen KI-Assistenzprojekt, ich nenne es VINCI, habe ich genau dieses Prinzip von Anfang an verbaut: Kritische Aufgaben gehen an ein leistungsfähiges Modell in der Cloud, unkritische laufen lokal auf einem kleinen, sparsamen Modell auf eigener Hardware. Ich habe das nicht aus Energiebewusstsein gemacht, sondern aus Pragmatismus. Aber es ist im Kern genau die Energie-Triage, über die die Branche jetzt redet. Nicht jede Frage verdient das große Modell. Die meisten nicht. Auf digitalhandwerk.rocks dokumentiere ich seit Jahren, was in der KI-Praxis wirklich funktioniert, und diese eine Erkenntnis hat sich bei jedem Projekt bestätigt: Die billigste Anfrage ist die, die du nie an das teure Modell schickst.
Das Problem, über das kaum jemand redet
Und jetzt kommt der Teil, der die ganze schöne Effizienzgeschichte auf den Kopf stellt.
Du erinnerst dich an die gesunkenen 0,3 Wattstunden pro Anfrage? An den Faktor 33 bei Gemini? Logisch müsste der Gesamtverbrauch dann sinken. Tut er aber nicht. Er explodiert. Wie passt das zusammen?
Die Antwort hat ein britischer Ökonom schon 1865 gegeben, lange vor dem ersten Computer. William Stanley Jevons beobachtete damals etwas Verblüffendes: Als die Dampfmaschinen effizienter wurden und weniger Kohle pro Arbeitseinheit brauchten, sank der Kohleverbrauch nicht. Er stieg. Drastisch. Weil die effizientere, billigere Kohlekraft plötzlich für alles Mögliche attraktiv wurde, was sich vorher nicht gelohnt hatte.
Das nennt man heute das Jevons-Paradox, und es trifft die KI mit voller Wucht. Wenn eine KI-Anfrage billiger und sparsamer wird, fragen wir nicht weniger an. Wir fragen mehr. Viel mehr. Was vorher zu teuer war, wird jetzt gemacht. Der Arzt, der mit KI-Unterstützung schneller eine Röntgenaufnahme befundet, befundet nicht weniger. Er ordnet mehr Aufnahmen an, weil es jetzt einfach und günstig ist. Das Bild hinkt leicht, aber es trifft den Kern: Effizienz schafft sich ihre eigene Nachfrage.
Genau deshalb wuchs der Stromverbrauch der KI-Rechenzentren 2025 um 50 Prozent, obwohl die einzelne Anfrage gleichzeitig effizienter wurde. Die großen Modellanbieter berichteten im selben Zeitraum von einer Verdreifachung der aktiven Nutzer und einer Verfünffachung der Einnahmen. Jede Effizienzverbesserung wird sofort wieder aufgefressen, weil sie noch mehr Nutzung auslöst.
Ich sage das nicht, um Effizienz schlechtzureden. Ich sage es, weil die Hoffnung, allein bessere Technik werde das Energieproblem lösen, in die Irre führt. Diese Hoffnung ist bequem, und sie ist falsch. Effizienz ist notwendig. Aber sie ist nicht hinreichend. Wer glaubt, wir könnten uns aus dem Problem heraus-optimieren, hat das Jevons-Paradox nicht verstanden.
Wie muss die Zukunft also aussehen?
Hier verlasse ich die reine Berichterstattung und denke laut. Das ist meine Einschätzung, sie kann sich ändern, aber im Moment sehe ich drei Richtungen, die zusammenkommen müssen.
Die Energiefrage wird zur strategischen Frage. Wer KI im großen Stil betreibt, muss zum Energieunternehmen werden, ob er will oder nicht. Das sehen wir bereits: Microsoft mit dem Kernkraftwerk, andere mit langfristigen Verträgen für Solar- und Windkapazität. Die Standortwahl für Rechenzentren richtet sich nicht mehr nach der Nähe zum Nutzer, sondern nach der Nähe zu billigem Strom. Island, mit seiner Geothermie, wurde nicht zufällig zum Hotspot. Aber Vorsicht: In Irland gehen Prognosen davon aus, dass Rechenzentren bis 2026 bis zu 32 Prozent des nationalen Stromverbrauchs ausmachen könnten. Das ist nicht mehr ein Faktor im Netz, das ist eine Belastung, die normale Haushalte zu spüren bekommen. In manchen Regionen der USA haben Rechenzentren die Strompreise für Haushalte messbar nach oben getrieben.
Effizienz muss mit Bewusstsein kombiniert werden, nicht ersetzt durch es. Die spannendste Frage ist nicht, wie wir jede Anfrage sparsamer machen. Sondern welche Anfragen wir überhaupt stellen sollten. Das klingt fast altmodisch, beinahe nach Verzicht, und ich bin mir nicht ganz sicher, ob die Branche dafür bereit ist. Aber die Idee der Energie-Sobrietät, also bewusst das kleinste ausreichende Modell für eine Aufgabe zu wählen, ist in der Forschung längst angekommen. Für mich als Praktiker ist das keine Theorie. Es ist gelebter Alltag. Ich schicke keine simple Textumformulierung an ein Spitzenmodell, wenn ein kleines lokales Modell die Arbeit genauso erledigt. Das ist kein Verzicht, das ist Handwerk.
Die Politik muss die Lücke schließen, die Effizienz allein lässt. Ökonomen, die das Jevons-Paradox ernst nehmen, schlagen seit Langem vor, Effizienzgewinne mit Maßnahmen zu koppeln, die den Preis der Nutzung stabil halten. Sonst frisst der Rebound jeden Gewinn auf. Übertragen auf KI heißt das: Es reicht nicht, grünere Rechenzentren zu bauen. Es braucht Regeln, Transparenz über den tatsächlichen Verbrauch, vielleicht eine echte Bepreisung des Energieabdrucks. Sonst optimieren wir uns in immer höhere Gesamtverbräuche hinein und nennen das Fortschritt.
Der philosophische Kern: Was ist uns ein Gedanke wert?
Ich will am Ende eine Ebene tiefer gehen, weil mich das wirklich beschäftigt.
Wir haben uns daran gewöhnt, dass Denken nichts kostet. Ein menschlicher Gedanke verbraucht ein paar Kalorien, mehr nicht. Jetzt haben wir Maschinen gebaut, die denken, oder etwas tun, das verblüffend nach Denken aussieht. Und plötzlich hat jeder Gedanke einen Preis in Wattstunden. Zum ersten Mal in der Geschichte ist Kognition eine messbare, abrechenbare, knappe Ressource geworden.
Das verändert etwas Grundlegendes. Wenn jede Frage Energie kostet, wird die Frage selbst zu einer wirtschaftlichen und ökologischen Entscheidung. Lohnt sich dieser Gedanke? Diese Frage haben wir uns bei unserem eigenen Denken nie gestellt. Bei der Maschine müssen wir es.
Und hier wird es paradox, im besten Sinne. Dieselbe Technologie, die so viel Strom frisst, ist gleichzeitig eines der mächtigsten Werkzeuge, um Energie zu sparen: KI optimiert Stromnetze, beschleunigt die Materialforschung für bessere Batterien, verbessert die Vorhersage von Wind- und Solarstrom. KI ist Teil des Problems und potenziell Teil der Lösung, im selben Atemzug. Ob die Rechnung am Ende aufgeht, ist offen. Niemand weiß es sicher, und wer behauptet, es zu wissen, verkauft dir etwas.
Was ich aber sicher weiß: Die Zukunft der KI hängt nicht davon ab, ob wir genug Chips bauen. Sie hängt davon ab, ob wir genug saubere Energie erzeugen, und ob wir lernen, mit ihr klug umzugehen. Mehr KI bedeutet eben nicht nur mehr GPUs. Mehr KI bedeutet mehr verfügbare Megawatt, und die Frage, woher die kommen und wer dafür bezahlt, ist die eigentliche Zukunftsfrage.
Wir alle wollen KI. Die Begeisterung verstehe ich, ich teile sie. Aber Begeisterung entbindet uns nicht von der Rechnung. Jeder Prompt ist ein kleiner Verbrauch. Eine Milliarde Prompts sind ein Kraftwerk. Die Frage ist nicht, ob wir KI nutzen. Die Frage ist, ob wir bereit sind, ehrlich zu sein über das, was sie kostet. Und ob wir den Mut haben, manchmal die Maschine einfach nicht zu fragen.
Weiterführende Quellen
Internationale Energieagentur: Energy and AI Die belastbarste Datengrundlage zum globalen Stromverbrauch von Rechenzentren. Hier stehen die Zahlen, auf die sich fast jeder seriöse Artikel beruft, inklusive der Aufschlüsselung, wie viel Strom in Server, Kühlung und Netzwerktechnik fließt. https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai
Goldman Sachs Research: US Data Center Power Demand Projected to Double by 2027 Die Quelle für das Kernargument dieses Artikels: Der Strombedarf amerikanischer Rechenzentren verdoppelt sich in zwei Jahren. Wer verstehen will, warum plötzlich von Megawatt statt von Chips die Rede ist, fängt hier an. https://www.goldmansachs.com/insights/articles/us-data-center-power-demand-projected-to-double-by-2027
Sasha Luccioni und Kolleginnen: From Efficiency Gains to Rebound Effects Die wissenschaftliche Arbeit zum Jevons-Paradox in der KI. Sie erklärt, warum Effizienzgewinne den Gesamtverbrauch nicht senken, sondern oft sogar antreiben. Der theoretische Unterbau für den unbequemsten Teil meiner These. https://arxiv.org/abs/2501.16548
Small is Sufficient: Reducing the World AI Energy Consumption Through Model Selection Die Studie hinter dem Prinzip, das ich in meinem eigenen Projekt verbaut habe: Nicht jede Aufgabe braucht das größte Modell. Wer bewusst das kleinste ausreichende Modell wählt, spart Energie, ohne auf Qualität zu verzichten. https://arxiv.org/html/2510.01889v1
