Ein Klimamodell in Sekunden durchrechnen statt lange auf einen Großrechner zu warten: Künstliche Intelligenz kann die Klimaforschung beschleunigen. Doch ein schnelleres Ergebnis spart für sich genommen noch keine Tonne CO₂. Dafür muss es eine Entscheidung verändern, die anschließend tatsächlich Emissionen vermeidet. Und auch das Training und der Betrieb der KI benötigen Strom.
Eine neue Studie zur Klimamodellierung und eine ältere Analyse der Internationalen Energieagentur (IEA) zeigen zwei Seiten derselben Frage. Die Studie beschreibt einen Weg zu schnelleren Werkzeugen. Die IEA untersucht, welche Einsparungen KI-Anwendungen in verschiedenen Bereichen ermöglichen könnten und welchen Strombedarf Rechenzentren mitbringen. Eine gemeinsame Bilanz für das konkrete Forschungsprojekt liefern sie nicht.
Ein schnelleres Modell ist ein Werkzeug
Um mögliche Klimazukünfte zu untersuchen, verwenden Forschende komplexe Erdsystemmodelle. Sie bilden Wechselwirkungen etwa zwischen Atmosphäre und Ozeanen ab. Ein einzelner Durchlauf kann viel Rechenzeit beanspruchen. Wer viele verschiedene Emissionspfade vergleichen möchte, steht deshalb vor einem praktischen Problem: Jeder zusätzliche Versuch kostet Zeit und Rechenkapazität.
Ein Klimaemulator ist ein vereinfachtes Ersatzmodell. Er lernt aus Modellrechnungen und soll deren Verhalten anschließend schnell nachbilden. Das Team um Christopher Womack beschreibt in PNAS, wie sich die dafür verwendeten Trainingsszenarien gezielter auswählen lassen. Statt nur möglichst realistisch aussehende Zukunftspfade vorzugeben, erzeugt das Verfahren künstliche Verläufe, die dem Modell viel über die Reaktion des Systems vermitteln.
Nach Angaben des MIT schnitt der so trainierte Emulator bei untersuchten unbekannten Szenarien besser ab als die verglichenen herkömmlichen Varianten. Das Team möchte die Methode künftig auch mit einem Szenario aus einem vollständigen Erdsystemmodell testen. Das ist ein Forschungsergebnis über die Erstellung eines Werkzeugs; eine gemessene Klimawirkung im Alltag ist damit nicht beziffert.
Der Weg vom Ergebnis zur Einsparung
Ein schnelleres Werkzeug kann mehr Fragen innerhalb derselben Zeit zugänglich machen. Forschende könnten etwa unterschiedliche Annahmen durchspielen und Entscheidungsträgern zeigen, wie sich deren Folgen im Modell unterscheiden. Damit aus dieser Information ein Klimanutzen wird, braucht es weitere Schritte: Jemand muss das Ergebnis verwenden, eine Maßnahme muss umgesetzt werden und sie muss gegenüber dem Verlauf ohne diese Maßnahme tatsächlich Emissionen vermeiden.
Ein gedachtes Beispiel macht den Unterschied sichtbar: Zwei Planungsgruppen suchen nach einer Möglichkeit, Energie einzusparen. Die erste nutzt ein KI-Werkzeug, die zweite eine andere Methode. Erst wenn sich die anschließend umgesetzten Maßnahmen und ihre Folgen vergleichen lassen, kann man fragen, welchen zusätzlichen Unterschied die KI gemacht hat. Dass ein Programm eine Empfehlung erzeugt, reicht dafür nicht. Vielleicht wäre dieselbe Maßnahme auch ohne das Programm beschlossen worden.
Der Vergleich ohne KI heißt Referenzfall. Er ist keine zweite beobachtete Welt, sondern eine begründete Annahme darüber, was sonst geschehen wäre. Je stärker das Ergebnis von dieser Annahme abhängt, desto wichtiger ist es, sie offenzulegen. Bei langfristigen Entscheidungen kommen weitere Unsicherheiten hinzu: Eine geplante Einsparung kann kleiner ausfallen, wenn sich Nutzung oder Rahmenbedingungen ändern.
Der Strombedarf gehört dazu
Auch die andere Seite der Rechnung ist nicht einfach eine Zahl auf dem Computerbildschirm. KI-Modelle werden trainiert und später eingesetzt; die nötigen Rechner stehen in Rechenzentren. Deren Strom versorgt nicht nur Prozessoren, sondern auch weitere Technik. Wie viel CO₂ mit dem Strom verbunden ist, hängt unter anderem davon ab, wo und wann er erzeugt wird. Für einen fairen Vergleich muss außerdem der Aufwand der jeweiligen Alternative berücksichtigt werden.
Die IEA schätzte für 2024 rund 180 Millionen Tonnen indirekte CO₂-Emissionen aus der Stromerzeugung für Rechenzentren weltweit. Diese Zahl umfasst sämtliche dortigen Anwendungen, nicht nur KI; Emissionen der Notstromerzeugung sind in dieser Angabe nicht enthalten. Sie beschreibt also den Hintergrund einer wachsenden Infrastruktur und keine Bilanz des MIT-Emulators.
Ein effizienteres Modell kann den Rechenaufwand für eine bestimmte Aufgabe senken. Ob dadurch insgesamt weniger verbraucht wird, hängt aber auch davon ab, wie häufig es eingesetzt wird. Wird ein billiger oder schneller verfügbarer Dienst sehr viel öfter genutzt, kann ein Teil des Effizienzgewinns durch zusätzliche Nutzung aufgezehrt werden. Solche Rückwirkungen gehören zur Frage nach dem Gesamteffekt.
Großes Potenzial ist noch kein Ergebnis
Die IEA betrachtet Anwendungen, die etwa Lecks in der Öl- und Gasindustrie schneller auffindbar machen oder den Energieeinsatz in Gebäuden und Industrie optimieren könnten. In einem Szenario breiter Einführung bestehender Anwendungen errechnet sie für 2035 potenzielle Minderungen von rund 1.400 Millionen Tonnen CO₂. Das ist eine bedingte Schätzung für viele Einsatzfelder, keine bereits erzielte Einsparung und keine Aussage über den einzelnen Klimaemulator.
Die Agentur nennt zugleich Hürden: Daten müssen zugänglich sein, passende Infrastruktur und Fähigkeiten vorhanden, Anwendungen tatsächlich eingeführt werden. Auch Gegenwirkungen sind möglich, etwa wenn neue Mobilitätsangebote Fahrten vom öffentlichen Verkehr auf Autos verlagern. Ein hoher theoretischer Nutzen kann deshalb in der Praxis kleiner ausfallen.
Für die Beurteilung eines konkreten Projekts sind drei Fragen entscheidend: Was wäre ohne das Werkzeug geschehen? Welche Veränderung wurde tatsächlich umgesetzt? Und welcher zusätzliche Ressourcenaufwand war dafür nötig? Beim MIT-Projekt lässt sich derzeit der Fortschritt bei der Modellierung beschreiben. Ob und wie viel CO₂ spätere Anwendungen vermeiden, bleibt eine eigene, noch zu beantwortende Frage.
Quellen
- Womack und Mitautoren: Optimal scenario design for climate emulation, PNAS, 9. November 2026
- MIT News: New research could lead to faster, trustworthy AI models for climate prediction, 12. November 2026
- IEA: Energy and AI – AI and climate change, 2025
Für diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
