KI-Rechenzentren: Wie der Boom CO₂ treibt und wie es sauberer geht

Wenn du eine KI-App nutzt, merkst du am Smartphone kaum einen Unterschied. Der Bildschirm bleibt gleich hell, der Akku le4dt wie immer. Trotzdem passiert im Hintergrund etwas, das man im Alltag selten mitdenkt. Eine Anfrage wird fcber das Netz an ein Rechenzentrum geschickt, dort auf leistungsstarken Chips verarbeitet und als Ergebnis zurfcckgesendet. Bei Millionen Anfragen pro Minute wird aus dieser unsichtbaren Komfortfunktion ein echter Energieposten.

Das ist kein Grund zur Panik, aber ein guter Anlass, genauer hinzuschauen. Denn die Klimawirkung von KI he4ngt weniger an einem einzelnen Tool, sondern an der Summe aus Hardware, Kfchlung, Stromquelle und Betrieb. Studien und Branchenberichte zeigen seit 2024 sehr deutlich, dass die weltweite Nachfrage nach Rechenzentrumsstrom in den kommenden Jahren stark steigen kann. Die Internationale Energieagentur IEA sche4tzt etwa, dass Rechenzentren 2022 rund 460 TWh Strom verbraucht haben und die Nachfrage bis 2026 in einem hohen Szenario fcber 1.000 TWh liegen kf6nnte. Das ist eine Projektion, keine exakte Vorhersage, aber sie zeigt die Richtung.

Die gute Nachricht lautet, dass es viele konkrete Wege zu weniger Emissionen gibt. Manche sind technisch, andere organisatorisch. Und einige wirken fast banal, etwa wo ein Rechenzentrum steht und zu welcher Uhrzeit es rechnet.

Rechenzentren gab es schon lange vor dem KI-Hype. Neu ist, wie stark bestimmte KI-Aufgaben die Infrastruktur fordern. Moderne Modelle werden oft auf Spezialchips trainiert, meist Grafikprozessoren oder e4hnliche Beschleuniger. Diese Chips arbeiten parallel, rechnen extrem schnell und wandeln dabei einen grodfen Teil der aufgenommenen Energie in We4rme um. Damit steigt nicht nur der Strombedarf der IT selbst, sondern auch der Aufwand, diese We4rme abzuffchren.

Klimaeffekt und Stromverbrauch sind nicht dasselbe. Entscheidend ist, wie viel Strom eingesetzt wird und woher dieser Strom stammt.

Um zu verstehen, warum fcberhaupt fcber Effizienz gesprochen wird, hilft eine Kennzahl, die in der Branche seit Jahren Standard ist. Sie heidft PUE, das steht ffcr Power Usage Effectiveness. PUE ist das Verhe4ltnis aus dem gesamten Strom, den ein Rechenzentrum aufnimmt, zu dem Strom, der wirklich bei den Servern und KI-Chips ankommt. Ein Wert von 1,0 we4re ideal, praktisch gibt es immer Verluste. Die Definition ist schon e4lter als zwei Jahre, bleibt aber relevant, weil sie den Begriff fcberhaupt erst standardisiert hat.

Uptime Institute, eine etablierte Branchenquelle, berichtet ffcr 2024 einen durchschnittlichen PUE-Wert von 1,56. Das heidft grob, dass neben 1 kWh ffcr die IT noch rund 0,56 kWh ffcr Kfchlung, Stromversorgung und Gebe4udetechnik anfallen. Grodfe, neue Anlagen schneiden oft besser ab als der Durchschnitt, weil sie moderner geplant werden und Skaleneffekte nutzen.

Die entscheidende Perspektive ist daher zweigeteilt. Erstens we4chst die IT-Last durch KI schnell. Zweitens entscheidet die Effizienz der Umgebungstechnik darfcber, wie stark sich dieser Mehrbedarf insgesamt im Netz bemerkbar macht. Genau an dieser Schnittstelle entstehen sowohl die Probleme als auch die wirksamsten Lf6sungen.

Beim Energiebedarf von KI lohnt es sich, zwei Vorge4nge auseinanderzuhalten. Das Training ist die Phase, in der ein Modell aus grodfen Datenmengen Muster lernt. Dabei laufen viele Chips oft fcber Tage oder Wochen nahezu durchgehend, weil Unterbrechungen teuer sind. Die Nutzung, in der Fachsprache oft Inferenz genannt, passiert spe4ter bei jeder Anfrage. Einzelne Anfragen sind kurz, in Summe kann das aber ebenfalls viel Strom ergeben, weil die Menge der Nutzungen explodiert.

Warum ist das so schwer greifbar. Weil es nicht den einen typischen KI-Job gibt. Ein kurzer Textvorschlag, eine Bildanalyse oder eine dcbersetzung kf6nnen vf6llig unterschiedliche Rechenwege auslf6sen. Zudem spielt die Auslastung eine grodfe Rolle. Wenn Hardware herumsteht, steigt der Energiebedarf pro Ergebnis. Wenn sie gut ausgelastet ist, sinkt der Energiebedarf pro Ergebnis, obwohl der absolute Stromverbrauch trotzdem hoch sein kann.

Hier kommt wieder PUE ins Spiel, aber auch seine Grenzen. PUE sagt, wie effizient die Infrastruktur den IT-Betrieb unterstfctzt. PUE sagt nicht, ob die IT die Arbeit effizient erledigt. Ein Beispiel macht den Unterschied klar. Ein sehr sparsames Rechenzentrum mit gutem PUE kann trotzdem hohe Emissionen haben, wenn es Strom aus einem CO-intensiven Mix bezieht. Umgekehrt kann ein weniger perfekter PUE klimatisch besser aussehen, wenn der Strom fcberwiegend emissionsarm erzeugt wird. Ffcr das Klima ze4hlen daher beide Ebenen.

Auch Wasser spielt eine Rolle, weil Kfchlsysteme je nach Technik Wasser verdunsten oder Kreisle4ufe nachffcllen mfcssen. Die EU hat daffcr seit Jahren Leitlinien und Best Practices gesammelt, etwa im freiwilligen Code of Conduct ffcr energieeffiziente Rechenzentren. Der Grundgedanke ist simpel. Was man misst, kann man steuern. Deshalb fordern solche Programme nicht nur Technik, sondern auch sauberes Monitoring, damit PUE und Wasserkennzahlen vergleichbar werden.

Wer den CO-Fudfabdruck von KI reduzieren will, hat mehr als einen Stellhebel. Am schnellsten wirkt oft das, was nach Alltag klingt. Bessere Auslastung spart Energie. Wenn mehrere Anwendungen die gleichen Hardware-Ressourcen teilen, laufen die Chips weniger im Leerlauf. Auch Software kann helfen. Modelle lassen sich verkleinern oder so optimieren, dass sie weniger Rechenschritte brauchen. Das ist nicht immer mf6glich, aber oft ein untersche4tzter Hebel, gerade ffcr Routineaufgaben.

Der zweite Hebel ist Kfchlung. Viele neue KI-Server packen so viel Leistung auf engem Raum, dass klassische Luftkfchlung an Grenzen kommt. Deshalb setzt die Branche zunehmend auf Flfcssigkeitskfchlung, bei der We4rme direkt an den Chips abgegriffen wird. Das kann effizienter sein und erleichtert nebenbei eine Nutzung der Abwe4rme, etwa ffcr Gebe4ude oder Nahwe4rmenetze. Hier ist weniger der eine Trick entscheidend, sondern eine Kette aus vielen Optimierungen, von der Luftffchrung im Serverraum bis zur Wahl der Ke4lteanlage.

Der dritte Hebel ist der Strom selbst. Emissionen entstehen nicht, weil Strom an sich schlecht ist, sondern weil er je nach Erzeugung sehr unterschiedliche Klimawirkungen hat. Betreiber kf6nnen beispielsweise langfristige Liefervertre4ge ffcr erneuerbare Energien abschliedfen oder ihren Verbrauch zeitlich so verschieben, dass mehr Strom aus Wind und Sonne im Netz ist. Das ist besonders interessant ffcr Trainingsle4ufe, die nicht immer sekundengenau starten mfcssen.

Schliedflich wirkt auch Transparenz. Eine kritische Review von 2025, verf6ffentlicht im Umfeld der IEA-4E-Initiative, zeigt, wie stark Sche4tzungen zum Rechenzentrumsstrom je nach Methode auseinandergehen kf6nnen. Das ist kein akademisches Detail. Ohne gute Daten lassen sich Netze schlechter planen, und es wird schwieriger, Fortschritt ehrlich zu messen. Mehr standardisiertes Reporting ist deshalb selbst eine Klimamadfnahme, weil es Investitionen besser lenkt.

Der ne4chste Schritt ist weniger spektakule4r als neue Modelle, aber ffcr die Klimabilanz entscheidend. KI muss planbarer werden. Das klingt trocken, bedeutet aber etwas sehr Konkretes. Wenn Netzbetreiber wissen, wo neue Last entsteht und wie flexibel sie ist, kf6nnen sie Stromnetze und Speicher realistischer ausbauen. Ein Rechenzentrum ist keine Glfchbirne, die man einfach anschaltet. Es ist ein grodfer, dauerhaft laufender Verbraucher, der lokal sehr viel vere4ndern kann.

In einer sauberen Wachstumslogik werden deshalb drei Dinge zusammen gedacht. Erstens die Wahl des Standorts, zum Beispiel in Regionen mit kfchlerem Klima oder mit gut ausgebauter erneuerbarer Erzeugung. Zweitens die technische Effizienz, gemessen und offen berichtet, etwa fcber PUE und weitere Kennzahlen. Drittens die Betriebsstrategie. Manche Aufgaben lassen sich verschieben, andere nicht. Inferenz ffcr Live-Anwendungen braucht kurze Reaktionszeiten und ist daher nahe an Nutzerinnen und Nutzern sinnvoll. Training kann he4ufig eher dort stattfinden, wo Strom und Kfchlung besonders gfcnstig und klimafreundlich sind.

Der vielleicht wichtigste kulturelle Wechsel ist, dass Effizienz nicht als Verzicht gesehen wird. Effizienz bedeutet, dass die gleiche Idee mit weniger Nebenwirkungen umgesetzt wird. Das passt gut zu Software, weil Verbesserungen oft ohne neue Gebe4ude starten. Kleine Modellvarianten ffcr einfache Aufgaben, automatische Abschaltung nicht genutzter Ressourcen, bessere Komprimierung von Datenstrf6men, all das sind stille Gewinner.

Realistisch bleibt, dass der Strombedarf insgesamt steigen wird, wenn KI weiter in Suche, Medien, Industrie und Bildung einzieht. Genau deshalb lohnt es sich, die Richtung frfch zu setzen. Mit klaren Messregeln, effizienter Infrastruktur und sauberem Strom wird aus einem belastenden Trend ein System, das Innovation und Klimaschutz nicht gegeneinander ausspielt.

KI-Rechenzentren sind kein Randthema mehr. Je mehr KI in Alltagssoftware steckt, desto mehr Energie fliedft im Hintergrund. Die IEA macht mit ihren Szenarien deutlich, wie schnell die weltweite Nachfrage nach Rechenzentrumsstrom wachsen kann. Gleichzeitig zeigt die Praxis, dass die Klimawirkung nicht festgeschrieben ist. Sie he4ngt an messbaren Entscheidungen, etwa wie effizient gekfchlt wird, wie gut die Hardware ausgelastet ist und wie sauber der Strommix ausfe4llt.

Wer heute fcber KI spricht, spricht damit auch fcber Infrastruktur. PUE hilft, den Overhead sichtbar zu machen, und Programme wie der europe4ische Code of Conduct erinnern daran, dass Messen und Transparenz die Grundlage jeder Verbesserung sind. Am Ende geht es nicht darum, KI zu bremsen, sondern sie so zu betreiben, dass Nutzen und Belastung in einem vernfcnftigen Verhe4ltnis stehen. Das ist technisch machbar, aber es passiert nicht von allein.