Der ökologische Fußabdruck der KI: 2025 so viel CO2 wie New York City

Wenn kommende Jahre von immer leistungsfähigeren KI-Diensten geprägt sind, wächst auch der Bedarf an Rechenleistung, Speicher und Kühlung. Nutzerinnen und Nutzer nehmen das nicht direkt wahr: Beim Tippen in einer Chat‑App oder beim Streamen von personalisierten Inhalten läuft im Hintergrund eine Infrastruktur, die Strom verbraucht und Wasser nutzt. Analysten vergleichen deshalb den kumulierten Effekt dieses Betriebs gerne mit bekannten Bezugsgrößen, etwa den Emissionen ganzer Städte, um die Dimension greifbar zu machen.

Die wichtigste aktuelle Schätzung nennt für 2025 eine operative CO2-Range für KI-Anwendungen von etwa 32,6–79,7 Mio. tCO2. Solche Vergleiche sind nützlich, bergen aber große Unsicherheiten: Sie hängen stark von Annahmen zur regionalen Stromerzeugung, zur Verteilung von Workloads und zur Kühltechnik ab. Im Text werden diese Annahmen transparent benannt und eingeordnet, damit die Zahlen nicht als endgültige Bilanz, sondern als Indikator für Dringlichkeit und Handlungsbedarf verstanden werden.

CO2-Emissionen, die KI zugerechnet werden, entstehen überwiegend beim Betrieb der dafür verwendeten Rechenzentren. Wichtige Treiber sind die Rechenleistung (gemessen in Gigawatt oder kWh), die Energieeffizienz der Infrastruktur (PUE, Power Usage Effectiveness) und der CO2‑Gehalt der eingespeisten Elektrizität in den Regionen, in denen die Server stehen. Ergänzend fallen indirekte Emissionen durch die Stromerzeugung an, die sich regional stark unterscheiden können.

Die größte Unsicherheit liegt in der Zuweisung: Anbieter veröffentlichen selten, wie viel ihrer Rechenkapazität konkret für KI‑Modelle genutzt wird oder wo genau diese Workloads laufen.

Eine aktuelle Analyse, veröffentlicht in einem Fachjournal 2025, schätzt die operativen KI‑CO2-Emissionen für 2025 auf 32,6–79,7 Mio. tCO2. Diese Range ist als Schätzung zu lesen; sie basiert auf modellierten Leistungsannahmen und durchschnittlichen Netz‑CO2‑Intensitäten. Die Studie berücksichtigt überwiegend Betriebs‑Emissionen und schließt die vollständigen Herstellungsemissionen von Hardware größtenteils aus. Deshalb ist der Wert nicht mit einer vollständigen Lebenszyklus‑Bilanz gleichzusetzen.

Eine knappe Tabelle macht die wichtigsten Kennzahlen vergleichbar:

Die New‑York‑Zahl stammt aus dem städtischen Treibhausgasinventar von 2023; diese Quelle ist daher älter als zwei Jahre und wird im Text entsprechend gekennzeichnet. Solche Stadtvergleiche helfen, die Größenordnung zu vermitteln, sollten aber mit Vorsicht gelesen werden: Ein KI‑Betrieb an einem Ort mit sehr kohlenstoffintensivem Strom führt zu höheren Emissionen als derselbe Workload in einer Region mit hohem Anteil erneuerbarer Energien.

Viele gängige Anwendungen — Sprachassistenten, Bildgenerierung, personalisierte Empfehlungen — laufen in Cloud‑Rechenzentren. Dort entstehen drei Arten von Verbrauch: Rechenleistung (Server‑CPUs/GPUs), Kühlung (Lüftung, Verdunstungskühlung oder Flüssigkühlung) und Speicher‑/Netzbetrieb. Für Nutzerinnen und Nutzer ist das unsichtbar, aber jeder Klick kann anteilig zur Last beitragen.

Ein typisches Beispiel: Ein großes Sprachmodell benötigt beim Training und bei häufiger Inferenz viel Rechenzeit auf spezialisierten Grafikprozessoren. Training ist besonders energieintensiv; Inferenz (die laufende Nutzung) kumuliert aber schnell, weil Millionen von Anfragen täglich bearbeitet werden. Deshalb ist die Aufteilung zwischen Trainings‑ und Inferenzlast wichtig für die errechneten Emissionen.

Wasser spielt eine Rolle vor allem dort, wo Verdunstungskühlung eingesetzt wird. In Regionen mit wasserarmen Bedingungen kann das schnell zum Engpass werden. Einige Betreiber verwenden inzwischen geschlossene Kreisläufe, Flüssigkühlung oder Immersionskühlung, die den direkten Wasserverbrauch deutlich senken können. Allerdings verschiebt das die Frage in Richtung Energieeffizienz und Kosten.

Ein weiterer Punkt ist das sogenannte Workload‑Placement: Betreiber können Rechenjobs in Regionen mit grünerem Strom verschieben. Das reduziert die CO2‑Intensität, hat aber Auswirkungen auf Latenz, Datenschutz und Netzstabilität. Deshalb ist eine einseitige Verlagerung nicht immer eine einfache Lösung, sondern ein Abwägen verschiedener technischer und regulatorischer Rahmenbedingungen.

Es gibt zwei gegensätzliche Trends: KI‑Systeme werden effizienter — Hardware, Software und Rechenzentren verbessern sich laufend — gleichzeitig steigt die Nachfrage rasant. Effizienzfortschritte können den Energiebedarf pro Anfrage senken, doch wenn die Gesamtanzahl der Anfragen stark zunimmt, bleibt die absolute Belastung hoch. Das Spannungsfeld ist zentral für die Frage, ob Emissionen langfristig sinken oder weiter steigen.

Chancen liegen in technischen Maßnahmen, die sich unmittelbar ausrollen lassen: bessere Modelldesigns, effizientere Beschleunigerchips, intelligente Scheduling‑Algorithmen und Kühlungstechnologien mit geringem Wasserbedarf. Diese Hebel können pro Workload viel bewirken. Unternehmen, die ihren KI‑Betrieb in Regionen mit schneller Netzdekabornisierung platzieren, erreichen ebenfalls große Effekte.

Risiken entstehen durch mangelnde Transparenz und kurzfristige betriebswirtschaftliche Anreize: Cloud‑Anbieter berichten oft nur aggregierte Kennzahlen, nicht aber AI‑spezifische Energie- oder Wasserwerte. Ohne standardisierte Metriken bleibt es für Regulierer und Kunden schwierig, Fortschritte zu überprüfen. Ein weiteres Risiko ist die lokale Belastung von Wasserressourcen durch stark wasserintensive Kühlung, vor allem in Regionen mit knapper Versorgung.

Die politische Antwort kann diese Dynamik dämpfen: verpflichtende Offenlegung von PUE, WUE, kWh pro KI‑Workload und regionale Scope‑2‑Angaben würden Vergleichbarkeit schaffen. Solche Regeln würden auch Investitionen in wasserarme Kühlung und in Rechenzentrumsstandorte mit saubererer Stromversorgung attraktiver machen.

In den nächsten Jahren werden mehrere Entwicklungen darüber entscheiden, ob der ökologische Fußabdruck der KI sinkt: strengere Transparenzregeln, Investment in erneuerbare Energien, Fortschritte bei Kühlungstechniken und ein stärkeres Bewusstsein für Workload‑Placement. Gemeinsam können diese Hebel die Bandbreite der heutigen Schätzungen deutlich reduzieren.

Aus technologischer Sicht sind drei Punkte besonders relevant: erstens die Hardware‑Effizienz moderner Beschleunigerchips, zweitens Software‑Optimierungen, die weniger Rechenzyklen benötigen, und drittens Kühltechniken mit geringem Wasserbedarf. Politisch wirkt sich vor allem Reportingpflicht auf Entscheidungsprozesse aus: Wenn Anbieter AI‑spezifische kWh und CO2‑Werte offenlegen müssen, lassen sich sinnvolle Anreize für Dekarbonisierung und wasserarme Designs setzen.

Für Regionen und Städte bedeutet das: Standortplanung für Rechenzentren sollte Netzausbau, Wasserverfügbarkeit und lokale Klimaziele verknüpfen. Investitionen in Speichersysteme und grünen Wasserstoff können helfen, erneuerbare Energien stabil zu integrieren und die CO2‑Intensität der Netze zu senken. Auf Nutzerseite verringert bewusstes Design von Anwendungen (etwa effizientere Modelle für häufige Anfragen) die kumulative Last.

Kurzfristig sind freiwillige Offenlegungen nützlich; mittelfristig dürften verbindliche Standards deutlich größere Effekte bringen. Die heute verfügbaren Schätzungen zeigen die Dringlichkeit, aber auch Wege, wie die Belastung technisch und politisch reduziert werden kann.

Die aktuellsten Analysen legen nahe, dass die operativen Emissionen der KI im Jahr 2025 in einem Bereich liegen, der mit den jährlichen Emissionen großer Städte vergleichbar ist. Diese Zahlen sind als Indikator zu verstehen: Die Präzision leidet unter fehlender Granularität in Unternehmensdaten und starken regionalen Unterschieden beim Strommix und Wasserverbrauch. Dennoch liefern sie eine klare Botschaft: Ohne verbesserte Transparenz, gezielte Effizienzmaßnahmen und Abstimmung von Standortpolitik und Netzausbau bleibt das Risiko hoher, weiter wachsender Umweltbelastungen bestehen. Gleichzeitig sind technische Hebel vorhanden, die bei kluger Anwendung spürbare Reduktionen ermöglichen.