Atomkraft für KI-Rechenzentren: Warum Strom wieder zum Engpass wird

Du musst kein KI-Profi sein, um den Effekt zu spüren: Wenn neue digitale Dienste starten, steigen oft die Anforderungen an Rechenleistung und damit an Strom. Das kann sich indirekt in höheren Kosten, längeren Wartezeiten bei Anschlüssen oder mehr Diskussionen über Kraftwerke und Leitungen zeigen. Für Betreiber von KI-Rechenzentren ist Strom längst nicht mehr nur ein Posten auf der Rechnung, sondern ein zentraler Standortfaktor.

Die neue Dynamik entsteht vor allem durch zwei Entwicklungen. Erstens verschiebt sich ein Teil der Rechenarbeit zu besonders leistungsfähiger Hardware, die pro Gerät deutlich mehr Leistung aufnehmen kann als klassische Server. Zweitens werden Rechenzentren immer häufiger als große, konzentrierte Lasten geplant, die in bestimmten Regionen schnell mehrere hundert Megawatt erreichen können. Das passt nicht automatisch zu bestehenden Netzen, Genehmigungswegen und zum Tempo, in dem neue Erzeugungskapazität entsteht.

In dieser Lage taucht Atomkraft wieder als Gesprächspartner auf. Nicht, weil sie automatisch die beste Lösung wäre, sondern weil sie eine Eigenschaft mitbringt, die in vielen Debatten fehlt: planbare, große Energiemengen über lange Zeiträume. Ob das für KI-Rechenzentren in der Praxis funktioniert, hängt jedoch an Technik, Regulierung, Zeitplänen und gesellschaftlicher Akzeptanz.

Um die Diskussion einzuordnen, hilft ein Blick auf belastbare Größenordnungen statt auf Schlagzeilen. Die Internationale Energieagentur (IEA) beziffert den weltweiten Stromverbrauch von Rechenzentren auf etwa 415 TWh für das Jahr 2024. Für 2026 nennt die IEA in ihrer Analyse einen Basiswert von rund 800 TWh, mit einer Bandbreite von ungefähr 620 bis 1.050 TWh. Das ist kein Detail: Es beschreibt eine Entwicklung, bei der innerhalb weniger Jahre ein zusätzlicher Strombedarf in einer Größenordnung entsteht, die für Netze und Erzeugung spürbar ist.

Auch für die USA gibt es eine sehr detaillierte, „bottom-up“ modellierte Schätzung. Ein Bericht des Lawrence Berkeley National Laboratory (LBNL) schätzt den Stromverbrauch von US-Rechenzentren für 2023 auf rund 176 TWh und nennt dazu eine Einordnung: Das entspricht etwa 4,4 % des gesamten US-Stromverbrauchs. Für 2028 gibt LBNL eine Szenariospanne von ungefähr 325 bis 580 TWh an. Diese Spannbreite zeigt, wie stark die Zukunft von Annahmen abhängt, etwa über die Zahl und Art der beschleunigten Systeme (GPUs/Accelerators), über Auslastung und über Effizienz.

Entscheidend ist weniger „die KI“ als abstraktes Konzept, sondern die Kombination aus mehr Rechenarbeit, leistungsdichter Hardware und dem Tempo, in dem neue Kapazitäten gebaut werden.

Warum ist KI dabei so relevant? Moderne KI-Workloads laufen häufig auf beschleunigten Systemen, die deutlich höhere Leistungen pro Knoten aufnehmen können. LBNL arbeitet in seinem Modell mit AI-Knoten in der Größenordnung von etwa 10 bis 12 kW (für H100-Klasse) als Nennleistung und verweist auf Messdaten, nach denen Trainingsläufe im Mittel in etwa 60 bis 80 % der Nennleistung liegen. Der Effekt ist leicht zu verstehen: Wenn du viele solcher Knoten in einem Cluster betreibst, steigt nicht nur die Gesamtenergie, sondern auch die Leistungsdichte – und damit die Anforderungen an Stromzuführung, Kühlung und Redundanz.

Bei Strom geht es nicht nur um Energiemengen pro Jahr (TWh), sondern genauso um Leistung (GW) zur richtigen Zeit am richtigen Ort. Genau hier entsteht der Engpass. Rechenzentren sind häufig große, neue Lasten, die sich räumlich konzentrieren. Selbst wenn ein Land oder eine Region insgesamt ausreichend Strom erzeugen kann, kann die lokale Netz- und Umspannwerkskapazität zu klein sein. Dann wird die Frage „Kann das Netz das liefern?“ wichtiger als „Gibt es genug Kraftwerke?“.

In den USA illustriert das ein Bericht des U.S. Department of Energy (DOE) zur Netzzuverlässigkeit. In der Modellierung taucht als zentrale Annahme eine zusätzliche Rechenzentrums-Last von etwa 50 GW bis 2030 auf. Das DOE zeigt in seinen Szenarien, dass solche Lastzuwächse – zusammen mit angekündigten Kraftwerksstilllegungen und dem Tempo neuer Zubauten – die Versorgungssicherheit in mehreren Regionen deutlich verschlechtern können. Das ist keine Aussage „pro oder contra“ Rechenzentrum, sondern ein Hinweis auf die Planungsrealität: Große neue Verbraucher brauchen nicht nur Verträge, sondern auch gesicherte physische Kapazitäten.

Ein zweites Problem ist die zeitliche Dynamik. KI-Training kann stunden- bis tagelang sehr hohe Leistungen ziehen; Inferenz (also die Nutzung von KI-Modellen in Apps und Diensten) kann zusätzliche Lastspitzen erzeugen, wenn viele Anfragen gleichzeitig kommen. Für Netzbetreiber bedeutet das: Es geht nicht nur um Durchschnittswerte, sondern auch um Spitzen, Reservebedarf und Stabilität. Die IEA weist zudem darauf hin, dass Unsicherheiten groß bleiben – etwa durch Effizienzfortschritte, die Verlagerung von Workloads oder neue Kühltechniken. Trotzdem bleibt die Richtung klar: Ohne neue Infrastruktur wird Strom zur Bremse.

Hinzu kommt eine praktische, oft unterschätzte Verzögerung: Genehmigungen, Netzausbau und neue Erzeugung dauern häufig mehrere Jahre. Rechenzentrumscampi dagegen werden in manchen Fällen schneller hochgezogen. Diese Asymmetrie erzeugt den politischen Druck, kurzfristig „verlässliche“ Lösungen zu finden, die sich gut vertraglich absichern lassen. Genau an dieser Stelle taucht Atomkraft in Debatten wieder auf – weniger aus Ideologie, mehr aus dem Wunsch nach planbarer Grundlast und festen Lieferprofilen.

Wenn über Atomkraft für KI-Rechenzentren gesprochen wird, geht es häufig um Small Modular Reactors (SMR), also kleinere, modular gedachte Reaktoren. Die Idee dahinter ist nicht „ein Mega-Kraftwerk“, sondern eine stückweise Erweiterung in Modulen, die zu einem Standort passen sollen. Ein konkretes Beispiel liefert NuScale: Die öffentlich beschriebenen technischen Spezifikationen nennen pro Modul eine Größenordnung von etwa 77 MWe (brutto) bei 250 MWt thermischer Leistung sowie eine Leistungsänderungsfähigkeit von rund 40 % pro Stunde. Solche Zahlen erklären, warum SMR für Industrie-Lasten überhaupt diskutiert werden: Ein Modul ist groß genug, um signifikant Strom zu liefern, und gleichzeitig klein genug, um schrittweise zu skalieren.

Aber: Zwischen Spezifikation und zuverlässiger, genehmigter Praxis liegen regulatorische und technische Detailfragen. Das lässt sich an einem Dokument der US-Nuclear Regulatory Commission (NRC) sehen. In einer Non-Concurrence (fachlichen Nichtzustimmung) zur Sicherheitsbewertung eines NuScale-Designs (US460 SDAA, Chapter 15) werden unter anderem Fragen zur sicherheitstechnischen Einstufung eines erweiterten DC-Stromsystems (EDAS) und zur Qualifikation bekannter Batterietechnologien (VRLA) im nuklearen Sicherheitskontext diskutiert. Solche Punkte sind für Rechenzentren relevant, weil sie Zeitplan- und Verfügbarkeitsrisiken beeinflussen können: Wenn Nachweise, Tests oder Auflagen nachgeschärft werden, verschiebt sich die tatsächliche Lieferfähigkeit.

Für die Einordnung hilft ein einfacher Größenvergleich: Ein einzelnes Modul mit etwa 77 MWe kann einen sehr großen Campus nicht alleine versorgen, aber es kann einen spürbaren Teil beitragen oder als Baustein in einem mehrmoduligen Konzept dienen. Gleichzeitig sind Rechenzentren keine klassische „Industrie mit konstantem Lastprofil“. Sie haben Lastspitzen, Wartungsfenster, Redundanzanforderungen und oft einen starken Wunsch nach planbarer Preis- und CO2-Bilanz (je nachdem, welche Strommix-Definitionen in Verträgen genutzt werden).

Atomkraft ist deshalb weder ein einfacher Ausweg noch ein reines PR-Thema. Sie ist eine Option mit klaren Stärken (hohe, planbare Energieproduktion) und klaren Hürden: Genehmigung, Sicherheitsanforderungen, Finanzierung, Bauzeit und Akzeptanz. Für KI-Rechenzentren entscheidet sich der Nutzen am Ende daran, ob ein Projekt realistisch rechtzeitig ans Netz kommt und ob der Strom tatsächlich so verfügbar ist, wie es die Betriebsmodelle der Betreiber erfordern.

Die Debatte um „Atomkraft oder nicht“ verdeckt manchmal, dass es mehrere Stellschrauben gibt, die schneller wirken können – und die auch dann wichtig bleiben, wenn neue Kraftwerke gebaut werden. Erstens: Effizienz. Die IEA betont, dass die Bandbreiten in Prognosen groß sind, weil Effizienzfortschritte (Hardware, Software, Kühlung) und Betriebsweisen entscheidend sind. Das klingt abstrakt, hat aber praktische Konsequenzen: Jede Verbesserung bei der Umwandlung von Rechenarbeit in Watt und bei der Kühlung reduziert nicht nur den Jahresverbrauch, sondern vor allem die benötigte Anschlussleistung.

Zweitens: Flexibilität. Nicht jede Rechenaufgabe muss exakt in derselben Sekunde laufen. In der Praxis sind bestimmte Workloads verschiebbar, etwa Training, Batch-Prozesse oder Teile von Datenverarbeitung. Wenn Betreiber hier bewusst planen, können sie Lastspitzen glätten und Netze entlasten. Diese Perspektive passt auch zu der DOE-Logik: In Zuverlässigkeitsmodellen zählt nicht nur die Energiemenge, sondern der kritische Moment. Jede Maßnahme, die Last aus diesen Stunden herausnimmt, wirkt wie zusätzliche Kapazität.

Drittens: Verträge und Risikoteilung. Wenn Rechenzentren in Regionen wachsen, in denen Netze ohnehin angespannt sind, wird die Frage wichtig, wer welche Investitionen bezahlt und wer das Risiko von Verzögerungen trägt. Langfristige Stromlieferverträge können Investitionen erleichtern, lösen aber nicht automatisch Netzausbau und Genehmigungen. Gerade bei Atomkraftprojekten kommen zusätzliche Meilensteine hinzu, die für Betreiber und Öffentlichkeit transparent sein müssen. Die NRC-Dokumente zeigen, wie tief technische Details in den Zeitplan hineinwirken können.

Viertens: Akzeptanz und Standortwahl. Hohe Leistungsdichte bedeutet mehr Infrastruktur vor Ort, etwa Umspannwerke, Kühlsysteme und Leitungen. Das ist politisch sensibel, selbst ohne Atomkraft. Wer ernsthaft über Atomkraft für KI-Rechenzentren nachdenkt, muss deshalb auch die nicht-technischen Kriterien berücksichtigen: Welche Standorte sind überhaupt realistisch? Welche Umwelt- und Sicherheitsauflagen gelten? Und wie werden Bürgerinnen und Bürger beteiligt, damit Planung nicht am Widerstand scheitert?

Strom wird für KI-Rechenzentren aus einem Betriebsmittel zu einer strategischen Grenze. Die IEA zeigt den globalen Trend mit klaren Größenordnungen, und LBNL sowie DOE machen deutlich, dass in einzelnen Regionen aus Wachstum schnell ein Zuverlässigkeits- und Infrastrukturproblem wird. Atomkraft taucht in dieser Lage wieder auf, weil sie planbare Energie liefern kann. Gleichzeitig ist sie kein „Plug-and-Play“-Baustein: Regulatorische Details, Genehmigungswege und die tatsächliche Verfügbarkeit sind entscheidend, wie die Diskussionen in NRC-Dokumenten verdeutlichen.

Für die nächsten Jahre wird deshalb wahrscheinlich nicht eine einzelne Technologie „gewinnen“. Realistisch ist ein Mix aus Effizienz, smarter Laststeuerung, Netzausbau und neuen Erzeugungsprojekten, die zu den lokalen Bedingungen passen. Wer das Thema nüchtern betrachtet, sieht vor allem eine Aufgabe der Koordination: KI-Wachstum, Stromsystem und Politik müssen zeitlich zusammenpassen. Genau daran entscheidet sich, ob digitale Innovationen verfügbar bleiben, ohne dass Strom zum dauerhaften Engpass wird.