01.07.2026

Der Energiehunger der KI: Eine Bestandsaufnahme zwischen technologischem Fortschritt und Klimaschutz.

Künstliche Intelligenz (KI) ist längst im Alltag angekommen, sei es durch die Integration von KI-Zusammenfassungen in Suchmaschinen wie Google oder die massenhafte Nutzung von Werkzeugen wie ChatGPT. Doch dieser technologische Sprung hat einen massiven Preis: einen rasant steigenden Energiebedarf, der die globale Energiewirtschaft und den Klimaschutz vor enorme Herausforderungen stellt.

1. Marktdynamik und Investitionen: Die IT-Branche als neuer Energiegigant.

Die Verschiebung der globalen Investitionsschwerpunkte verdeutlicht die Tragweite der Entwicklung. Im Jahr 2025 haben die fünf grössten Tech-Konzerne (darunter Meta, Alphabet/Google und Open AI) über 400 Milliarden Dollar an Kapitalausgaben getätigt. Dies ist das erste Mal, dass die Investitionen der IT-Branche die globalen Investitionen in die gesamte Öl- und Gasförderung übersteigen.

Der Ausbau der Rechenzentren ist der zentrale Treiber:

• Der allgemeine Betrieb von Rechenzentren wuchs 2025 um 17 %.
• Der spezifische KI-Anteil wuchs im gleichen Zeitraum um 50 %.
• Hochleistungsrechenzentren, die speziell für KI ausgelegt sind, haben sich in den letzten 18 Monaten verdreifacht.

2. Der Stromverbrauch: Dimensionen und Prognosen.

Um die schieren Mengen an benötigtem Strom einzuordnen, hilft ein Vergleich mit dem Verbrauch ganzer Nationen:

• 2023: 360 Terawattstunden (TWh) – entspricht etwa dem Stromverbrauch von Grossbritannien oder Italien.
• 2024: 416 TWh – entspricht dem Verbrauch der vier skandinavischen Länder (Finnland, Schweden, Norwegen, Dänemark).
• 2025: 485 TWh – entspricht dem Jahresverbrauch von Deutschland oder Frankreich.
• Prognose 2030: Die International Energy Agency (IEA) rechnet mit einer Verdopplung auf bis zu 1.000 TWh, was dem kombinierten Verbrauch von Deutschland und Frankreich entspricht.
• Prognose 2035: Eine Verdreifachung auf über 1.500 TWh wird für möglich gehalten.

Aktuell machen Rechenzentren etwa 1,5 % des weltweiten Stromverbrauchs aus, mit steigender Tendenz. In Regionen mit hoher Dichte, wie dem US-Bundesstaat Virginia, beanspruchen sie bereits 26 % des lokalen Strombedarfs.

3. Infrastrukturelle Flaschenhälse.

Der schnelle Ausbau der KI stösst auf drei zentrale physische Hindernisse:

1. Netzanschlüsse: In den USA und Europa warten Unternehmen oft 5 bis 10 Jahre auf einen stabilen Hochspannungsanschluss.
2. Transformatoren: Die Lieferzeit für benötigte Hochspannungstransformatoren beträgt aktuell zwei bis drei Jahre.
3. Rohstoffe (Helium): Die Chipproduktion benötigt Helium zur Kühlung. Da Katar ein Hauptlieferant ist, führen dortige Konflikte und Produktionsausfälle zu Engpässen in der globalen Hardware-Versorgung.

4. Warum KI so viel Energie benötigt.

Der Energiebedarf der KI lässt sich in zwei Phasen unterteilen:

Trainingsphase vs. Inferenz.

Das Training eines Modells (wie GPT-4) ist einmalig extrem energieintensiv und verbraucht mehrere tausend Megawattstunden, da riesige Datenmengen verarbeitet werden. Die Inferenz – also die eigentliche Nutzung der KI durch Anfragen der User – macht jedoch rund 75 % des gesamten Rechenbedarfs aus. Da diese Modelle rund um die Uhr global genutzt werden, muss die Energie permanent bereitgestellt werden.

Vergleich der Anfrage-Typen.

• Eine klassische Google-Suche verbraucht ca. 0,3 Wattstunden.
• Ein Prompt bei einer generativen KI (z. B. ChatGPT) benötigt mit ca. 3 Wattstunden das Zehnfache.
• Moderne „Reasoning“-Modelle, die vor der Antwort komplexe Abläufe planen, liegen bei 4 bis 5 Wattstunden.

Hardware und Kühlung.

KI-Berechnungen nutzen primär GPUs (Graphic Processing Units), da diese im Gegensatz zu herkömmlichen CPUs massiv parallele mathematische Operationen (Matrixmultiplikationen) durchführen können. Während eine CPU ca. 60–350 Watt zieht, benötigt eine einzelne GPU bis zu 1.000 Watt. Aufgrund der hohen Leistungsdichte reicht Luftkühlung oft nicht mehr aus; moderne Rechenzentren nutzen Wasserkühlung mit dünnen Kapillaren, um die Hitze effizient abzuführen.

5. Strategien der Energieversorgung.

Da die Stromnetze oft nicht schnell genug ausgebaut werden können, greifen Tech-Konzerne zur Eigenversorgung:

• Fossile Brückentechnologien: Viele Unternehmen in den USA setzen auf Gasturbinen, da diese schnell einsatzbereit sind. Elon Musks Firma XAI nutzt sogar ineffiziente, auf Lastwagen montierte Flugzeugturbinen zur Stromerzeugung, was eine erhebliche Umweltbelastung darstellt.
• Kernkraft: Microsoft plant die Reaktivierung eines Reaktors bei Three Mile Island. Google und andere zeigen Interesse an Small Modular Reactors (SMR), agieren hierbei jedoch eher als Stromabnehmer durch Abnahmeverträge statt als direkte Investoren.
• Erneuerbare Energien & Batterien: In sonnenreichen Regionen wie Texas oder Kalifornien ist die Kombination aus Photovoltaik und grossen Batteriespeichern oft schneller und günstiger als Kernkraft oder Gas.
• „Follow the Sun“: Ein zukunftsweisender Ansatz ist die globale Vernetzung von Rechenzentren. Die Rechenlast (insbesondere beim Training oder bei globalen Anfragen) wandert dabei mit dem Sonnenstand um die Erde, um immer dort zu rechnen, wo gerade Solarstrom im Überfluss vorhanden ist.

6. Effizienzsteigerung und das Rebound-Paradoxon.

Ein Weg zur Energieeinsparung ist die Modularisierung: Anstatt eines riesigen Modells, das alles weiss, werden kleinere, spezialisierte Modelle (z. B. nur für Mathematik) genutzt, was bis zu 80 % Energie sparen kann.

Allerdings warnt die Wissenschaft vor dem Jeffinson Paradoxon (Rebound-Effekt): Effizienzsteigerungen führen oft nicht zu einem sinkenden Gesamtverbrauch, sondern dazu, dass die Technologie noch intensiver und häufiger genutzt wird, weil sie billiger geworden ist.

7. Fazit.

Der Energiehunger der KI wird in den nächsten Jahren weiter massiv ansteigen. Während technologische Lösungen wie effizientere Prozessoren und Abwärmenutzung (z. B. für städtische Wärmenetze) bereits existieren, bleibt die Bereitstellung der benötigten Leistung von bis zu 400 Gigawatt bis zum Jahr 2035 eine gewaltige Aufgabe. Die Herausforderung besteht darin, diesen Hunger mit nachhaltigen Quellen zu stillen, anstatt kurzfristig auf klimaschädliche Lösungen wie Gasturbinen oder alte Flugzeugtriebwerke zurückzugreifen.

Stromverbrauch von einfachen bis hin zu komplexen KI-Abfragen.

Hier ist eine Übersicht über den Stromverbrauch verschiedener Abfragetypen, basierend auf den Informationen aus den Quellen. Die Tabelle verdeutlicht, wie der Energiebedarf mit der zunehmenden Komplexität der KI-Modelle und deren Denkprozessen ansteigt.

Illustration © stromzeit.ch*

Stromverbrauch nach Komplexität der Abfrage.

Erläuterung des schrittweisen Aufbaus und Energiebedarfs.

Der Anstieg des Energieverbrauchs lässt sich durch die unterschiedlichen Funktionsweisen der Systeme erklären:

• Inferenz als Haupttreiber: Während das einmalige Training eines Modells (wie GPT-4) extrem energieintensiv ist und mehrere tausend Megawattstunden verbraucht, entfallen rund 75 % des gesamten Rechenbedarfs in KI-Rechenzentren auf die Inferenz, also die tatsächliche Nutzung durch Kundenanfragen.
• Parallele Verarbeitung: KI-Modelle nutzen GPUs (Grafikprozessoren), die für komplexe Matrixmultiplikationen optimiert sind. Ein einzelner dieser Prozessoren benötigt eine Leistung von bis zu 1.000 Watt, was etwa der Leistung eines Wasserkochers entspricht.
• Wachsende Modellgrössen: Der Trend geht zu immer grösseren Modellen mit mehr Parametern (von 8 Milliarden bis zu 400 Milliarden Parametern), was den Speicherbedarf und die Anzahl der benötigten GPUs massiv erhöht.
• Reasoning-Prozesse: Bei modernen „Agentic AI“-Systemen werden im Hintergrund oft mehrere kleinere Prompts nacheinander ausgeführt, bevor die endgültige Antwort ausgegeben wird, was den Stromverbrauch pro Nutzeranfrage weiter in die Höhe treibt.

Jede Stufe der Intelligenz (vom Suchen zum Generieren und schliesslich zum logischen Planen) bringt eine signifikante Steigerung der benötigten elektrischen Energie mit sich.

Unterschied im Stromverbrauch zwischen Training und täglicher KI-Nutzung.

Der Unterschied im Stromverbrauch zwischen dem Training eines KI-Modells und dessen täglicher Nutzung (Inferenz) liegt vor allem in der Häufigkeit und der kumulierten Energiemenge. Während das Training ein einmaliger, extrem intensiver Kraftakt ist, verursacht die dauerhafte Nutzung durch Millionen von Menschen den weitaus grösseren Teil des Gesamtverbrauchs.

Hier sind die Details zu den beiden Phasen:

1. Die Trainingsphase: Einmalig und massiv.

In dieser Phase lernt die KI (z. B. ein Large Language Model) auf Basis riesiger Datenmengen Wahrscheinlichkeiten für Wort- oder Bildfolgen.

• Energieaufwand: Dieser Prozess ist extrem energieintensiv, da tausende von Hochleistungsprozessoren (GPUs) gleichzeitig über Wochen oder Monate rechnen.
• Beispiel: Das Training von Modellen wie GPT-4 verbraucht geschätzt mehrere tausend Megawattstunden Strom.
• Häufigkeit: Das Training findet in dieser Form in der Regel nur einmal pro Modellversion statt.

2. Die Inferenz (Tägliche Nutzung): Dauerhaft und kleinteilig.

Sobald das Modell fertig trainiert ist, geht es in die Inferenzphase über. Das ist der Moment, in dem Nutzer Anfragen (Prompts) stellen.

• Gesamtanteil: Entgegen der landläufigen Meinung entfallen rund 75 % des gesamten Rechenbedarfs in KI-Rechenzentren auf die Inferenz, nicht auf das Training.
• Dauerbetrieb: Da Anfragen global und rund um die Uhr gestellt werden, müssen die Rechenzentren diese Energie permanent bereitstellen.
• Der „KI-Eisberg“: Das Training ist nur die sichtbare Spitze des Eisbergs; der massive Energieverbrauch findet „unter Wasser“ durch die Milliarden täglichen Anfragen statt.

3. Vergleich konkreter Abfragen.

Um die Dimensionen der täglichen Nutzung zu verstehen, hilft ein Vergleich der Energiemengen pro Anfrage:

• Klassische Google-Suche: Benötigt etwa 0,3 Wattstunden.
• Generative KI-Anfrage (z. B. ChatGPT): Verbraucht ca. 3 Wattstunden, also das Zehnfache einer normalen Suche.
• Komplexe Reasoning-Modelle: Diese „überlegenden“ KIs erstellen interne Ablaufpläne und benötigen pro Anfrage etwa 4 bis 5 Wattstunden.

Das Training ist zwar ein gigantisches Einzelereignis, doch die Inferenz dominiert mit 75 % den Energiebedarf, da die Modelle massenhaft und kontinuierlich genutzt werden.

Wie hoch ist der Gesamtstromverbrauch weltweit durch Rechenzentren bis 2035?

Basierend auf den vorliegenden Quellen lässt sich die Entwicklung des weltweiten Stromverbrauchs durch Rechenzentren (stark getrieben durch KI) wie folgt in einer Tabelle darstellen. Die Zahlen stammen primär aus Berichten der Internationalen Energieagentur (IEA), die im Podcast zitiert werden.

Illustration © stromzeit.ch*

Weltweiter Stromverbrauch durch Rechenzentren (2023–2035)

Wichtige ergänzende Erkenntnisse zur Entwicklung:

• Wachstumsraten: Während der allgemeine Betrieb von Rechenzentren im Jahr 2025 um etwa 17 % wuchs, verzeichnete der spezifische KI-Anteil ein Wachstum von 50 %.
• Anteil am Weltstromverbrauch: Aktuell machen Rechenzentren etwa 1,5 % des weltweiten Stromverbrauchs aus. Bis zum Zeitraum 2030/2035 wird erwartet, dass dieser Anteil auf 4 % bis 5 % ansteigt.
• Installierte Leistung: Neben der reinen Energiemenge (TWh) steigt auch die benötigte Anschlussleistung massiv an. Von 83 Gigawatt (GW) im Jahr 2023 wuchs sie auf 114 GW im Jahr 2025 und soll bis 2035 auf 300 bis 400 GW ansteigen. Um diesen Zuwachs von rund 100 GW bis 2030 zu decken, müssten theoretisch etwa 100 neue Kernkraftwerksblöcke gebaut werden.
• Regionale Unterschiede: In Gebieten mit extrem hoher Dichte an Rechenzentren, wie dem US-Bundesstaat Virginia, beanspruchen diese bereits heute 26 % des gesamten Strombedarfs des Staates.

Was sind die grössten Energie-Flaschenhälse beim Ausbau der Rechenzentren?

Beim Ausbau von Rechenzentren für künstliche Intelligenz gibt es laut den Quellen drei zentrale infrastrukturelle und physikalische Flaschenhälse, die ein schnelles Wachstum behindern:

• Netzanschlüsse: Dies ist eines der grössten Hindernisse. Aufgrund einer überlasteten Netzinfrastruktur müssen Unternehmen, die in den USA oder weiten Teilen Europas ein neues Rechenzentrum eröffnen wollen, oft 5 bis 10 Jahre auf einen stabilen Hochspannungsanschluss warten. Da Daten im Gegensatz zu Strom leicht transportiert werden können, siedeln sich Rechenzentren zunehmend dort an, wo Strom bereits verfügbar ist.
• Hochspannungstransformatoren: Selbst wenn ein geeigneter Netzanschlusspunkt gefunden ist, fehlt oft die Hardware, um die Spannung für das Rechenzentrum anzupassen. Die Lieferzeiten für diese Transformatoren liegen derzeit bei zwei bis drei Jahren, sodass heute geplante Projekte oft erst Ende des Jahrzehnts realisiert werden können.
• Rohstoffe für die Hardware (Helium): Ein spezifischer Engpass betrifft die Chipproduktion. Hochleistungschips benötigen zur Kühlung während der Herstellung Helium. Da Katar der Hauptlieferant für dieses Edelgas ist, führen dortige Konflikte und Produktionsausfälle zu einem Einbruch der Exporte, was die globale Verfügbarkeit der benötigten Hardware einschränkt.

Weitere technische Herausforderungen.

Zusätzlich zu diesen primären Flaschenhälsen erschweren folgende Faktoren den Ausbau:

• Enorme Leistungsdichte und Kühlung: Ein einzelner moderner Grafikprozessor (GPU) benötigt eine Leistung von bis zu 1.000 Watt. Da diese Prozessoren in Clustern von zehntausenden Einheiten betrieben werden, entstehen Megawatt-Anschlussleistungen auf engstem Raum. Die herkömmliche Luftkühlung reicht hierfür nicht mehr aus, weshalb aufwendige Wasserkühlsysteme mit dünnen Kapillaren direkt an den Prozessoren installiert werden müssen.
• Lieferketten für Energieerzeugung: Aufgrund der Netzprobleme setzen Tech-Konzerne verstärkt auf Eigenversorgung durch Gasturbinen. Dies führt dazu, dass Hersteller wie Siemens Energy auf Jahre hinaus ausgebucht sind, was wiederum die Wartezeiten für die nötige Energieinfrastruktur verlängert.

Der Ausbau wird weniger durch die Softwareentwicklung als vielmehr durch langsame Genehmigungsprozesse im Netzbau, mangelnde Hardware-Verfügbarkeit und physische Kühlgrenzen limitiert.

Wie hängen das Jeffinson-Paradoxon und KI-Effizienz zusammen?

Das Jeffinson-Paradoxon (wissenschaftlich meist als Jevons-Paradoxon bekannt) und die KI-Effizienz stehen in einem engen, aber widersprüchlichen Verhältnis zueinander. In den Quellen wird dieser Zusammenhang als ein zentrales Problem für den Klimaschutz beschrieben:

1. Effizienzsteigerung als Lösungsansatz.

Um den massiven Energiehunger der KI zu bändigen, setzen Entwickler auf Effizienzsteigerungen. Ein wichtiger Ansatz ist die Modularisierung: Anstatt ein riesiges Modell für alle Aufgaben zu nutzen, werden spezialisierte, kleinere Modelle (z. B. nur für Mathematik oder Bildgenerierung) eingesetzt. Dies kann bei einzelnen Anfragen bis zu 80 % Energie einsparen.

2. Die Wirkung des Paradoxons (Rebound-Effekt).

Das Paradoxon besagt, dass technologische Fortschritte, welche die Effizienz steigern, letztlich nicht zu einem sinkenden Gesamtverbrauch führen, sondern oft zu einem Anstieg. Der Grund dafür ist:

• Geringere Kosten: Wenn die Verarbeitung einer KI-Anfrage durch Effizienz günstiger und schneller wird, führt dies dazu, dass die Technologie noch intensiver und für noch mehr Aufgaben genutzt wird.
• Mehr Rechenlast statt Ersparnis: Anstatt die gewonnene Energie einzusparen, wird in der Folge einfach mehr gerechnet.

3. Veranschaulichung durch den „Bier-Kühlschrank“.

In den Quellen wird dieses Prinzip mit einem Alltagsbeispiel verdeutlicht: Wenn man sich einen neuen, effizienteren Kühlschrank kauft, um Strom zu sparen, entsorgt man den alten oft nicht, sondern stellt ihn in die Garage, um dort zusätzlich Bier zu kühlen. Am Ende verbraucht man durch den Betrieb beider Geräte mehr Strom als zuvor.

Während Effizienzmassnahmen wie modularisierte Modelle den Energiebedarf pro Anfrage senken, sorgt das Jeffinson-Paradoxon dafür, dass die KI-Nutzung so stark ausgeweitet wird, dass der globale Gesamtstromverbrauch dennoch weiter ansteigt.

Welche Rolle spielt Kernkraft für die Stromversorgung von KI?

Die Kernkraft wird in der Diskussion um den massiven Energiebedarf der KI oft als potenzielle Lösung für die benötigte Grundlast genannt, da Rechenzentren rund um die Uhr (24/7) betrieben werden. Dennoch zeichnen die Quellen ein differenziertes Bild ihrer tatsächlichen Rolle:

• Theoretischer Bedarf vs. Realität: Um den prognostizierten Zuwachs der KI-Anschlussleistung von etwa 100 Gigawatt bis zum Jahr 2030 zu decken, müssten theoretisch 100 neue Kernkraftwerksblöcke gebaut werden. Dies wird in den Quellen als „undenkbar“ und zeitlich nicht realisierbar eingestuft, da der Ausbau der KI wesentlich schneller voranschreitet als der Bau neuer Kraftwerke.
• Strategien der Tech-Giganten: Unternehmen wie Microsoft planen zwar konkrete Schritte, wie die Reaktivierung eines Reaktors bei Three Mile Island, der in den 1970er Jahren eine Kernschmelze hatte. Auch das Interesse an Small Modular Reactors (SMRs) – also kleinen, modular aufgebauten Kernkraftwerken – ist gross.
• Rolle als Stromabnehmer statt Investor: Die Quellen stellen klar, dass Konzerne wie Google oder Meta meist nicht selbst in die Entwicklung oder den Bau dieser Reaktoren investieren. Stattdessen schliessen sie Stromabnahmeverträge (Offtake Agreements) ab: Sie garantieren Startups die Abnahme des Stroms zu einem festen Preis, falls diese es schaffen, die Reaktoren erfolgreich zu betreiben. Die direkte Stromerzeugung gehört nicht zum Kerngeschäft dieser IT-Konzerne.
• Konkurrenz durch Erneuerbare Energien: Trotz der Grundlastfähigkeit der Kernkraft ist die Kombination aus Photovoltaik und Batteriespeichern derzeit oft die attraktivere Option. Solar- und Batterielösungen sind heute günstiger und schneller verfügbar als der Bau neuer Kernkraftwerke oder das Warten auf die Lieferung knapper Gasturbinen.

Kernkraft kann zwar für die langfristige Stabilisierung der Versorgung in Betracht gezogen wird, sie aber aufgrund der langen Bauzeiten und der enormen benötigten Menge den kurz- bis mittelfristigen Energiehunger der KI allein nicht stillen.

Wie viel Wasser wird zur Kühlung von KI-Modellen benötigt?

In den Quellen werden keine konkreten Mengenangaben (wie Liter oder Kubikmeter) für den Wasserverbrauch zur Kühlung von KI-Modellen genannt. Es wird jedoch detailliert beschrieben, warum und auf welche Weise Wasser als Kühlmittel unverzichtbar geworden ist:

• Grenzen der Luftkühlung: Bei modernen KI-Rechenzentren reicht die herkömmliche Luftkühlung über Ventilatoren, wie man sie von herkömmlichen Laptops kennt, nicht mehr aus. Dies liegt an der enormen Leistungsdichte: Ein einzelner Grafikprozessor (GPU) benötigt heute eine Leistung von bis zu 1.000 Watt, was der Hitzeentwicklung eines eingeschalteten Wasserkochers entspricht.
• Technische Umsetzung: Um diese Hitze abzuführen, wird Wasser durch ganz dünne Kapillaren direkt an den Prozessoren vorbeigeführt.
• Effizienz von Wasser: Wasser wird genutzt, weil es ein deutlich besserer Energieträger als Luft ist. Aufgrund seiner Wärmekapazität kann es ein Vielfaches mehr an Wärmeenergie aufnehmen und abtransportieren als Gase.
• Potenzial für Wärmenetze: Die durch das Wasser abgeführte Abwärme der Rechenzentren wird als Chance gesehen, um städtische Wärmenetze zu speisen, was insbesondere in der Europäischen Union politisch gefördert werden soll.

Die Kühlung ist aufgrund der massiven Hardware-Leistung eine der grössten Herausforderungen darstellt und der Übergang zur Wasserkühlung technisch notwendig, um ein Schmelzen der Prozessoren zu verhindern. Exakte Volumenzahlen für den Wasserbedarf sind im vorliegenden Material jedoch nicht enthalten.

Wie nutzt man die Abwärme von Rechenzentren für Wärmenetze?

Die Nutzung der Abwärme von Rechenzentren für Wärmenetze basiert auf dem technologischen Übergang von der Luftkühlung zur effizienteren Wasserkühlung. Da moderne KI-Prozessoren (GPUs) eine enorme Leistungsdichte von bis zu 1.000 Watt pro Einheit erreichen, reicht eine herkömmliche Kühlung durch Ventilatoren nicht mehr aus, um ein Schmelzen der Hardware zu verhindern.

Details zur Funktionsweise und Umsetzung:

• Abführung der Energie durch Wasser: In modernen Rechenzentren wird Wasser durch dünne Kapillaren direkt an den Prozessoren vorbeigeführt. Wasser ist aufgrund seiner hohen Wärmekapazität ein deutlich effektiverer Energieträger als Luft und kann ein Vielfaches an Wärmeenergie aufnehmen und abtransportieren.
• Einspeisung in Wärmenetze: Die so aufgenommene thermische Energie kann anschliessend in lokale oder städtische Wärmenetze eingespeist werden. Dies bietet die Möglichkeit, Rechenzentren als nachhaltige Wärmequelle zu nutzen, die beispielsweise alte Kohlekraftwerke in der Fernwärmeversorgung ersetzen kann.
• Politische Förderung und Standortwahl: Besonders in Deutschland und der Europäischen Union ist es ein erklärtes Ziel, die Ansiedlung von Rechenzentren dort zu fördern, wo bereits eine entsprechende Infrastruktur für Wärmenetze besteht. Im Gegensatz dazu spielt dieser Ansatz in den USA bisher kaum eine Rolle, da dort oft die räumliche Nähe zu bewohnten Gebieten fehlt und kaum Wärmenetze existieren.
• Zusätzliche Potenziale durch Eigenversorgung: Wenn Rechenzentren zur Stromversorgung eigene Gasturbinen einsetzen, entsteht zusätzliches heisses Abgas. Auch dieses bietet theoretisch Potenzial für eine weitere energetische Nutzung, wird jedoch im aktuellen Ausbaustadium oft noch ungenutzt gelassen.

Die Umstellung auf Flüssigkühlung befähigt die Rechenzentren technisch erst dazu, als grosse Heizkraftwerke zu fungieren und so einen Beitrag zur Dekarbonisierung der Wärmeversorgung zu leisten.

Wie funktioniert das „Follow the Sun“-Prinzip zur Energieeinsparung?

Das „Follow the Sun“-Prinzip ist eine zukunftsweisende Strategie, um den massiven Energiebedarf von KI-Rechenzentren nachhaltiger zu decken, indem die Rechenlast der Sonne um den Globus folgt,.

Genaue Funktionsweise:

• Globale Vernetzung von Rechenzentren: Die Idee sieht vor, Rechenzentren weltweit zu verteilen und miteinander zu vernetzen, insbesondere in Regionen entlang des „äquatorialen Gürtels“ (z. B. in Amerika, Afrika und Südostasien), wo die Sonneneinstrahlung sehr hoch ist.
• Rechenlast wandert mit der Sonne: Da Daten mit Lichtgeschwindigkeit über den gesamten Globus verteilt werden können, ist der physische Standort eines Rechenzentrums oft zweitrangig. Die Rechenoperationen der Prozessoren (GPUs) werden daher immer an die Standorte verlagert, an denen gerade die Sonne scheint und somit Solarstrom im Überfluss vorhanden ist.
• Anwendung bei Training und Inferenz: Dieses Prinzip lässt sich sowohl für das energieintensive Training neuer Modelle als auch für die Inferenz (die Bearbeitung täglicher Nutzeranfragen) nutzen. Wenn es beispielsweise in den USA Tag ist, bearbeiten die dortigen Rechenzentren die Anfragen; sobald sich die Erde weiterdreht, wandert diese Aufgabe zu Standorten in anderen Zeitzonen.
• Vorteil der Echtzeit-Nutzung: Der entscheidende Vorteil ist, dass die Energie direkt dort verbraucht wird, wo sie gerade regenerativ erzeugt wird. Dies reduziert die Abhängigkeit von Batterien oder fossilen Reservekraftwerken, die ansonsten nachts einspringen müssten.

Dieser Ansatz wird als eine besonders smarte Technologie bezeichnet, da er das Problem des immensen Stromverbrauchs durch globale Vernetzung und die Nutzung natürlicher Energiezyklen löst.

Wie beeinflusst der wachsende Energiebedarf der KI den globalen Klimaschutz?

Der wachsende Energiebedarf der künstlichen Intelligenz (KI) stellt den globalen Klimaschutz vor erhebliche Herausforderungen, da der rasant steigende Stromverbrauch oft schneller wächst als der Ausbau nachhaltiger Infrastrukturen.

Hier sind die zentralen Aspekte, wie die KI-Entwicklung den Klimaschutz beeinflusst:

1. Massive Zunahme des Strombedarfs.

Der Energiehunger der Rechenzentren wächst in einem bisher ungekannten Tempo. Während die Rechenzentren weltweit im Jahr 2023 etwa so viel Strom verbrauchten wie Grossbritannien oder Italien (360 TWh), wird für das Jahr 2030 eine Verdopplung auf rund 1.000 TWh prognostiziert – was dem kombinierten Verbrauch von Deutschland und Frankreich entspricht. Bis 2035 könnte sich dieser Bedarf sogar verdreifachen. Aktuell machen Rechenzentren etwa 1,5 % des weltweiten Stromverbrauchs aus; dieser Anteil könnte bis 2035 auf 4 % bis 5 % ansteigen.

2. Priorisierung von Geschwindigkeit vor Emissionen.

Ein kritisches Problem für den Klimaschutz ist, dass die Tech-Unternehmen in einem Wettlauf um das beste Modell stehen. Da der Ausbau der Stromnetze oft 5 bis 10 Jahre dauert, greifen Unternehmen zur Eigenversorgung, die häufig fossil geprägt ist.

• Erdgas als Übergangslösung: Viele Konzerne setzen auf Gasturbinen, da diese schnell verfügbar sind. Dies führt dazu, dass Hersteller wie Siemens Energy auf Jahre ausgebucht sind.
• Ineffiziente Notlösungen: Ein extremes Beispiel ist die Firma xAI von Elon Musk, die zur Stromversorgung ausgediente Flugzeugturbinen auf LKWs montiert hat. Diese sind energetisch ineffizient und stellen laut den Quellen eine „absolute Katastrophe“ für die Umwelt dar.

3. Verschiebung globaler Investitionen.

Im Jahr 2025 haben die fünf grössten Tech-Konzerne über 400 Milliarden Dollar investiert – das ist erstmals mehr als die globalen Investitionen in die gesamte Öl- und Gasförderung. Obwohl dies zeigt, dass die IT-Branche zur weltweit dominierenden Branche wird, führt dies kurzfristig nicht zwangsläufig weg von fossilen Energieträgern, sondern belastet die Klimabilanz durch den immensen Hardware- und Strombedarf zusätzlich.

4. Das Rebound-Effekt (Jeffinson-Paradoxon).

Fortschritte in der Effizienz, wie die Modularisierung von Modellen (die bis zu 80 % Energie sparen kann), führen paradoxerweise oft nicht zu einem sinkenden Gesamtverbrauch. Das sogenannte Jeffinson-Paradoxon besagt, dass effizientere und damit günstigere Technologien dazu führen, dass sie noch intensiver genutzt werden, was den Gesamteffekt der Einsparung zunichtemachen kann.

5. Ansätze für einen klimafreundlicheren Betrieb.

Trotz der Risiken gibt es Strategien, wie die KI-Entwicklung mit dem Klimaschutz in Einklang gebracht werden könnte:

• „Follow the Sun“-Prinzip: Durch die globale Vernetzung von Rechenzentren kann die Rechenlast immer dorthin wandern, wo gerade die Sonne scheint und Solarstrom im Überfluss vorhanden ist.
• Abwärmenutzung: In Europa gibt es Bestrebungen, Rechenzentren so zu platzieren, dass ihre Abwärme (die durch die notwendige Wasserkühlung effizient abgeführt wird) in städtische Wärmenetze eingespeist werden kann, um beispielsweise Kohlekraftwerke zu ersetzen.
• Erneuerbare Energien und Speicher: In sonnenreichen Regionen wie Texas ist die Kombination aus Solar- und Batterietechnik bereits heute oft günstiger und schneller realisierbar als der Bau neuer Kern- oder Gaskraftwerke.

Der Energiehunger der KI setzt den Klimaschutz kurzfristig durch den verstärkten Rückgriff auf fossile Reserven und den massiven Infrastrukturbedarf unter Druck. Langfristig hängt der Erfolg davon ab, ob der Ausbau erneuerbarer Energien und smarte Konzepte wie die Abwärmenutzung mit der technologischen Entwicklung Schritt halten können.

Könnten regenerative Energien den gesamten Bedarf bis 2035 decken?

Es gibt aktuell keine definitive Antwort darauf, ob regenerative Energien bis 2035 den gesamten Bedarf der KI-Rechenzentren decken können, die Quellen zeigen jedoch auf, dass dies technologisch und wirtschaftlich der vielversprechendste Weg ist, während fossile und nukleare Optionen an ihre Grenzen stossen.

Hier sind die zentralen Punkte zur Realisierbarkeit basierend auf den Quellen:

1. Die Dimension des Bedarfs.

Bis zum Jahr 2030 wird mit einer installierten Anschlussleistung für KI-Rechenzentren von bis zu 241 Gigawatt (GW) gerechnet, was bis 2035 auf 300 bis 400 GW ansteigen soll. Um allein den Zuwachs von 100 GW bis 2030 zu decken, müssten theoretisch 100 neue Kernkraftwerksblöcke gebaut werden – ein Szenario, das in den Quellen als „undenkbar“ und zeitlich nicht realisierbar eingestuft wird.

2. Warum Regenerative die Nase vorn haben könnten.

Obwohl Tech-Giganten derzeit kurzfristig massiv auf Gasturbinen setzen, um die Wartezeiten auf Netzanschlüsse (5 bis 10 Jahre) zu umgehen, gelten regenerative Energien als langfristig überlegen:

• Schnelligkeit und Kosten: Die Kombination aus Photovoltaik und Batteriespeichern ist heute bereits günstiger und schneller verfügbar als der Bau neuer Kernkraftwerke oder das Warten auf knappe Gasturbinen.
• Verlässlichkeit: Mit ausreichend Solarleistung und grossen Batteriekapazitäten lässt sich laut den Quellen bereits heute eine verlässliche 24/7-Energieversorgung für Rechenzentren realisieren.

3. Das „Follow the Sun“-Prinzip als globaler Lösungsansatz.

Ein zentrales Konzept, um den hohen Energiebedarf regenerativ zu decken, ist die globale Vernetzung. Da Daten in Lichtgeschwindigkeit transportiert werden können, kann die Rechenlast immer dorthin wandern, wo gerade die Sonne scheint (z. B. in Rechenzentren entlang des Äquatorgürtels in Amerika, Afrika und Südostasien). Dies nutzt Solarstrom im Überfluss in Echtzeit und reduziert die Notwendigkeit für fossile Reservekraftwerke oder massive Speichersysteme.

4. Hindernisse für eine vollständige Deckung.

Trotz des Potenzials gibt es Faktoren, die eine 100-prozentige regenerative Deckung erschweren:

• Der Wettlauf gegen die Zeit: Da es derzeit primär um Geschwindigkeit bei der Modellentwicklung geht, nutzen Unternehmen wie Elon Musks xAI sogar ineffiziente fossile Lösungen (wie Flugzeugturbinen auf LKWs), anstatt auf den langsameren Ausbau nachhaltiger Infrastruktur zu warten.
• Das Jeffinson-Paradoxon (Rebound-Effekt): Effizienzsteigerungen (z. B. durch modularisierte Modelle) führen oft dazu, dass die KI-Nutzung so stark ausgeweitet wird, dass der Gesamtstrombedarf trotz Einsparungen weiter ansteigt.
• Netzinfrastruktur: Das Hauptproblem ist oft nicht der Mangel an regenerativer Energie an sich, sondern die überlastete Netzinfrastruktur, die den Anschluss neuer Kapazitäten verzögert.

Die Quellen beschreiben regenerative Energien (insbesondere Solar + Batterien + „Follow the Sun“) als die einzige realistische Möglichkeit, diese Energiemengen bereitzustellen, da Kernkraft zu langsam und Gas langfristig klimaschädlich ist. Ob sie den gesamten Bedarf decken, hängt laut den Quellen jedoch stark von politischen Rahmenbedingungen und dem Netzausbau ab.

Disclaimer / Abgrenzung

Stromzeit.ch übernimmt keine Garantie und Haftung für die Richtigkeit und Vollständigkeit der in diesem Bericht enthaltenen Texte, Massangaben und Aussagen.

Quellenverzeichnis (Mai 2026).

#210 Frisst der Energiehunger der KI den Klimaschutz? ✦ Podcast Klima und Kohle
https://www.youtube.com/watch?v=Y6Wu8y5U6T0

In diesem Podcast-Transkript thematisiert Prof. Dr. Henrik te Heesen den massiven Energiebedarf der künstlichen Intelligenz und dessen Auswirkungen auf den Klimaschutz. Er erläutert, dass der weltweite Stromverbrauch von Rechenzentren bereits heute dem ganzer Industrienationen entspricht und bis 2030 durch den KI-Wettlauf weiter rasant ansteigen wird. Als zentrale Hürden identifiziert er neben der Energiebereitstellung vor allem fehlende Netzanschlüsse und Engpässe in der Hardware-Lieferkette. Um diesen Hunger zu stillen, setzen Tech-Giganten zunehmend auf Eigenversorgung durch Gaskraftwerke oder Photovoltaik-Systeme mit Batterien. Abschliessend diskutiert der Professor technische Lösungsansätze wie effizientere Prozessoren und die Nutzung von Abwärme, warnt jedoch vor Rebound-Effekten, die den Einspareffekt zunichtemachen könnten.

Illustration © stromzeit.ch* NotebookLM:

Die Weiterverwendung einzelner Illustrationen erfordert eine explizite Bewilligung von stromzeit.ch.