KI frisst unser Stromnetz leer: Sind riesige Batterien die letzte Rettung vor dem Blackout?

In den letzten Jahren sind KI‑Dienste wie Textgeneratoren, Bild‑ und Sprachmodelle in viele Anwendungen gerückt. Manche Nutzerinnen und Nutzer fragen sich: Verbrauchen diese Dienste jetzt so viel Strom wie eine kleine Stadt? Die Antwort ist: meistens nein, aber die Dynamik ist komplex. Der Strombedarf ergibt sich aus zwei Teilen: dem Training großer Modelle (einmaliger, hoher Aufwand) und der täglichen Nutzung, der sogenannten Inferenz (kleinerer Aufwand pro Anfrage, aber sehr häufig). Beides zusammen kann spürbar werden, wenn Millionen von Anfragen auf einmal laufen.

In diesem Artikel zeigen wir nachvollziehbar, welche Größenordnungen aktuell diskutiert werden, welche Unsicherheiten es gibt und warum Energiespeicher (Batterien) eine praktische Rolle für eine klimafreundlichere KI‑Nutzung spielen können. Die Zahlen stammen aus Berichten internationaler Agenturen und wissenschaftlichen Studien; ältere Studien werden im Text entsprechend gekennzeichnet.

Die Frage nach dem KI Stromverbrauch lässt sich nicht mit einer einzigen Zahl beantworten. Rechenzentren weltweit verbrauchen nach Schätzungen der Internationalen Energieagentur (IEA) rund 240–340 TWh Elektrizität pro Jahr, also etwa 1 % bis 1,3 % des weltweiten Stromverbrauchs. Diese Zahl bezieht sich auf alle Dienste in Rechenzentren, nicht nur KI. (Achtung: Einige Quellen stammen aus 2023 und sind damit älter als zwei Jahre.)

Speziell für grosse KI‑Modelle gilt: das Training kann einmalig einige hundert bis wenige tausend Megawattstunden (MWh) verbrauchen. Ein oft zitierter Richtwert für sehr große Modelle (z. B. frühe GPT‑3‑Schätzungen) liegt bei etwa 1.287 MWh für einen Trainingslauf; das sind rund 1,3 GWh. Diese Trainingswerte stammen aus wissenschaftlichen Untersuchungen (ältere Studie aus 2019 ist ebenfalls häufig zitiert und hier als älter gekennzeichnet). Wichtig ist: Training ist energieintensiv, aber selten; die wiederkehrende Nutzung (Inference) summiert sich über Millionen von Anfragen und dominiert oft den Lebenszyklus‑Verbrauch eines Modells.

“Training großer Modelle kann kurzzeitig viel Energie brauchen; die Lebenszeitkosten werden aber stark von der Häufigkeit der Nutzung bestimmt.”

Um die Größenordnungen übersichtlich zu machen, hilft eine kurze Tabelle mit Vergleichswerten:

Diese Zahlen sind gerundet und dienen zur Einordnung. Jüngere Schätzungen zeigen außerdem, dass Effizienzgewinne in Hardware und Rechenzentren das Wachstum der Nachfrage oft kompensieren, aber neue KI‑Anwendungen können den Bedarf wieder erhöhen. Insgesamt bleibt Transparenz wichtig: Anbieter sollten Trainings‑ und Inferenzaufwand offenlegen, damit Vergleiche möglich sind.

Für Nutzerinnen und Nutzer ist oft schwer zu sehen, wo Energie für KI anfällt. Drei Alltagsszenarien sind typisch: 1) Cloud‑Services wie Übersetzer oder Bildgeneratoren laufen in entfernten Rechenzentren; 2) Smartphone‑Apps nutzen kleine lokale KI‑Modelle; 3) Unternehmen betreiben eigene Modelle für Kunden‑Service oder Bildverarbeitung.

Lokale KI‑Funktionen (zum Beispiel Kamerafilter oder Autokorrektur) sind meist sehr sparsam und laufen auf energieeffizienten Chips im Smartphone. Die bedeutsameren Lasten liegen bei Cloud‑Anwendungen: Sobald ein Bild generiert, ein Text analysiert oder ein Chat beantwortet wird, läuft eine Inferenz in einem Rechenzentrum. Pro Anfrage sind das oft nur Millijoule bis wenige Wattstunden, aber bei Hunderttausenden von Anfragen pro Tag summiert sich das.

Ein konkretes Beispiel: Wenn eine beliebte Chat‑App täglich Millionen von Anfragen beantwortet, sind die kumulierten Inferenz‑Stunden hoch. Im Gegensatz dazu ist ein einmaliges, intensives Training eines sehr großen Modells vergleichsweise selten, aber pro Stunde deutlich energieintensiver. Daher ist die Gesamtexposition an CO₂‑Emissionen und Stromkosten eine Kombination aus beiden Faktoren.

Nutzerinnen und Nutzer können Einfluss nehmen: Das Wählen sparsamer Modelle, das Verwenden lokaler Funktionen, das Reduzieren unnötiger Anfragen und das Bewusstsein für Energiespar‑Einstellungen bei Diensten verringern den persönlichen Beitrag zum KI‑Stromverbrauch.

KI bringt zugleich Chancen für Energieeffizienz und Risiken durch steigende Nachfrage. Auf der positiven Seite kann KI Energieverbräuche optimieren: intelligente Steuerung von Heizungen, effizientere Logistik oder bessere Prognosen für Wind‑ und Solarstrom reduzieren Gesamtverbrauch in anderen Sektoren. Diese Einsparungen können die zusätzlichen KI‑Lasten mehr als kompensieren, wenn KI sinnvoll eingesetzt wird.

Das Gegenrisiko ist der sogenannte Rebound‑Effekt: Wenn KI Aufgaben stark vereinfacht, steigt die Nutzung, und damit auch die Gesamtnachfrage nach Rechenleistung. Zudem führt fehlende Transparenz bei Anbietern dazu, dass Verbrauch und Emissionen schwer zu vergleichen sind. Deshalb fordern Forschende und Behörden verbindliche Berichtspflichten für Trainings‑FLOPs, Trainingszeit und den CO₂‑Ausstoß von Modellentwicklungen.

Ein weiteres Risiko ist die regionale Lastverschiebung: Wenn große Trainingsläufe in Regionen mit kohleintensiver Stromerzeugung stattfinden, sind die Emissionen höher als bei gleicher Rechenleistung in einer Region mit viel Wind‑ und Solarstrom. Hier helfen Zeit‑ und Ortswahl beim Betrieb (z. B. Nacht‑Lauf in windreichen Regionen) sowie flexible Netze.

Insgesamt gilt: Technische Effizienz (bessere Chips, sparsamerer Code), betriebliche Maßnahmen (Scheduling, Edge‑Lösungen) und politische Rahmenbedingungen (Reporting, CO₂‑Preise) müssen zusammenwirken, um Nutzen zu maximieren und Risiken zu begrenzen.

Batterie‑Energiespeicher (BESS) sind ein praktisches Werkzeug, um steigende KI‑Lasten mit erneuerbarer Energie zu koppeln. Batterien speichern überschüssigen Solar‑ oder Windstrom und geben ihn ab, wenn Rechenzentren Leistung benötigen. Dadurch können Betreiber Rechenlasten zeitlich verschieben oder Spitzenlasten glätten, ohne ausschließlich auf fossile Kraftwerke zurückzugreifen.

Wichtige Fakten: Die Kosten für Batteriespeicher sind in den letzten Jahren deutlich gefallen, und die installierte Kapazität wächst stark. Das macht BESS wirtschaftlich attraktiver für Betreiber von Rechenzentren und für die Netzstabilität. Batteriespeicher liefern außerdem schnelle Regelenergie (Frequenzstabilisierung) — eine Dienstleistung, die für das sichere Betreiben großer Rechenzentren wichtig ist.

Praktische Umsetzungen reichen von integrierten Batterien direkt am Rechenzentrum über regionale Speicherparks bis zur Nutzung von Industriebatterien oder Elektrofahrzeugen als flexible Energiequelle. Auf Systemebene reduziert das die Notwendigkeit, Rechenzentren strikt an Netzspitzen anzupassen, und verbessert die Integration von fluktuierenden Erneuerbaren.

Für Entscheiderinnen und Entscheider bedeutet das: Investitionen in Speicherinfrastruktur, Verträge für zeitlich passende Stromlieferung (24/7‑Clean‑Energy‑Ansätze) und transparente Messung der Herkunft des Stroms sind zentrale Hebel, damit KI‑Wachstum mit Klimazielen vereinbar bleibt.

KI verursacht tatsächlich zusätzlichen Strombedarf, aber in den meisten Fällen ist sie nicht der dominante Treiber des globalen Stromverbrauchs. Training grosser Modelle erzeugt punktuell hohe Lasten, während die alltägliche Nutzung (Inference) über die Zeit entscheidend wird. Effizienzsteigerungen bei Hardware und Rechenzentren, transparente Berichte über Energie und Emissionen sowie der gezielte Einsatz von Batteriespeichern können dafür sorgen, dass KI‑Nutzen und Klimaziele in Einklang bleiben. Wer als Nutzerin oder Nutzer Energie sparen will, kann auf sparsame Dienste achten, lokale Funktionen nutzen und unnötige Abfragen vermeiden — das hilft, den eigenen Beitrag zum KI Stromverbrauch niedrig zu halten.