7 Min. Lesezeit

KI und Strom: Die einzelne Anfrage ist nicht das Problem

Eine Textanfrage an eine KI braucht weniger Strom als ein paar Sekunden Fernsehen – und trotzdem verdoppelt sich der Verbrauch der Rechenzentren bis 2030. Wie beides zusammenpasst und was das für eigene KI-Funktionen heißt.

Zur Frage, wie viel Strom KI verbraucht, kursieren zwei Sätze, die sich scheinbar widersprechen. Der eine: Eine Anfrage an einen Chatbot kostet fast nichts. Der andere: Rechenzentren werden zu einem der am schnellsten wachsenden Stromverbraucher der Welt. Beide stimmen. Wer nur einen davon kennt, zieht die falschen Schlüsse – entweder schlechtes Gewissen bei jeder Frage an den Assistenten oder Schulterzucken beim Bau des nächsten Rechenzentrums.

Ich habe mir die Zahlen dazu angesehen, und zwar nur solche, deren Herkunft sich nachlesen lässt. Die Quellen stehen am Ende.


Was eine einzelne Anfrage kostet

Lange gab es dazu nur Schätzungen von außen. Seit 2025 gibt es erstmals Angaben der Anbieter selbst:

AngabeWertQuelle
Median einer Textanfrage in den Gemini-Apps0,24 WhGoogle, Messung vom Mai 2025
Durchschnittliche ChatGPT-Anfrage0,34 WhSam Altman, 2025
Lange Anfrage an die energiehungrigsten Modelleüber 29 WhBenchmark „How Hungry is AI?“

0,24 Wattstunden sind laut Google weniger, als ein Fernseher in neun Sekunden verbraucht. Wer hundertmal am Tag fragt, kommt damit auf knapp neun Kilowattstunden im Jahr.

Zwei Einschränkungen gehören dazu. Erstens stammen die Werte von den Anbietern selbst und sind nicht von unabhängiger Seite geprüft. Zweitens beschreiben sie den Median einer Textanfrage – also gerade nicht die Fälle, die teuer sind. Die dritte Zeile der Tabelle zeigt, wie weit die Spanne reicht: Der Benchmark misst bei langen Eingaben mehr als das 65-Fache zwischen den sparsamsten und den hungrigsten Systemen.

Bemerkenswert ist das Tempo der Verbesserung. Google gibt an, den Energiebedarf pro Anfrage binnen zwölf Monaten auf ein 33stel gesenkt zu haben. Die Internationale Energieagentur (IEA) schreibt in ihrem Bericht vom April 2026, der Energiebedarf pro KI-Aufgabe sei in den letzten Jahren jährlich um mindestens eine Größenordnung gefallen.


Warum der Gesamtverbrauch trotzdem steigt

Dieselbe IEA nennt für Rechenzentren weltweit diese Zahlen:

  • 2024: rund 415 TWh
  • 2025: rund 485 TWh – ein Plus von mehr als 15 % in einem Jahr, etwas über 1,5 % des weltweiten Stromverbrauchs
  • 2030 (Prognose): rund 950 TWh, etwa 3 % des weltweiten Stromverbrauchs

Der Verbrauch der auf KI ausgelegten Rechenzentren soll sich bis 2030 mehr als verdreifachen, auf rund 465 TWh. Die 950 TWh sind das mittlere Szenario einer Prognose, kein Messwert – die IEA selbst weist auf Engpässe hin, die das Wachstum kurzfristig bremsen, und auf ein mögliches Mehr nach 2030.

Wie passt das zu den Bruchteilen einer Wattstunde? Die IEA rechnet es vor: Zehn Milliarden Anfragen am Tag – etwa so viele, wie weltweit täglich im Internet gesucht wird – ergäben selbst bei großzügig angesetzten 1 Wh pro Anfrage rund 3,6 TWh im Jahr. Das ist weniger als ein Prozent dessen, was Rechenzentren heute verbrauchen.

Die Textanfrage erklärt den Ausbau also nicht. Der Bericht sagt das ausdrücklich: Der Großteil der geplanten Kapazität muss für andere Lasten gedacht sein – das Training großer Modelle, Bild- und Videoerzeugung, Agenten, die viele Schritte hintereinander ausführen. Wie sich die Kapazität auf diese Lasten verteilt, hat bisher keiner der Anbieter offengelegt, die ihre Werte pro Anfrage veröffentlicht haben.


Wo die Energie tatsächlich hingeht

Die IEA gibt Größenordnungen an, bezogen auf eine kurze Textanfrage:

AufgabeEnergie pro Anfrage
Kurze TextanfrageBruchteile einer Wattstunde
Hochaufgelöstes Bildetwa das Zehnfache
Videodas Hundert- bis Tausendfache, je nach Länge und Auflösung
Reasoning-Modelle, lange Ausgaben, große Kontexte„deutlich mehr“ – ohne feste Zahl

Das ist die eigentliche Verschiebung. Die Effizienz pro Rechenschritt steigt schnell, aber gleichzeitig wächst, was pro Aufgabe gerechnet wird: Modelle, die vor der Antwort lange „nachdenken“, Agenten, die für eine Aufgabe Dutzende Male das Modell aufrufen, Anfragen, bei denen ganze Dokumente mitgeschickt werden. Der einzelne Schritt wird billiger, die Aufgabe besteht aus immer mehr Schritten.


Und in Deutschland?

Der Bitkom nennt in seiner Rechenzentrumsstudie vom November 2025 für Deutschland:

  • Stromverbrauch der Rechenzentren: 21,3 Mrd. kWh im Jahr 2025, nach 20 Mrd. kWh 2024 und 12 Mrd. kWh 2015
  • Anschlussleistung: 2.980 Megawatt, davon rund 530 Megawatt für KI – etwa 15 %
  • Prognose 2030: KI-Rechenzentren mit 2.020 Megawatt, dann rund 40 % der gesamten Kapazität

Wie effizient dieser Strom genutzt wird, regelt das Energieeffizienzgesetz. Der wichtigste Kennwert ist der PUE (Power Usage Effectiveness): der gesamte Stromverbrauch eines Rechenzentrums geteilt durch den Verbrauch der IT. Ein PUE von 1,6 heißt, dass auf jede Kilowattstunde für Server noch 0,6 kWh für Kühlung, Stromversorgung und Licht kommen; bei 1,2 sind es 0,2 kWh. Der Gesamtverbrauch sinkt damit um ein Viertel.

Das Gesetz verlangt für neue Rechenzentren ab Juli 2026 einen PUE von höchstens 1,2 und stufenweise bis Juli 2028 eine Abwärmenutzung von 20 %. Die Wirklichkeit ist davon noch entfernt: Laut einer Auswertung von netzpolitik.org vom Oktober 2026 liegt die durchschnittliche Abwärmenutzung bei knapp drei Prozent, etwa ein Drittel der einzeln gemeldeten Rechenzentren hat einen PUE über 1,5.

Genau diese Vorgaben will die Bundesregierung lockern – höhere zulässige PUE-Werte, mehr Ausnahmen bei der Abwärme. Nach dem Bericht von netzpolitik.org war die Verabschiedung für November 2026 erwartet. Ob sie inzwischen beschlossen ist, habe ich nicht geprüft.


Was das für eigene KI-Funktionen heißt

Wer KI in ein Produkt einbaut, hat keinen Stromzähler am Modell. Kein großer Anbieter weist den Energiebedarf pro Aufruf aus. Was man hat, sind Tokens – und die sind ein grobes, aber brauchbares Näherungsmaß: Mehr Tokens bedeuten mehr Rechenarbeit, ein größeres Modell bedeutet mehr Rechenarbeit pro Token. Daraus folgen vier Entscheidungen, die ohnehin auf der Rechnung stehen:

Das kleinste Modell wählen, das die Aufgabe löst. Klassifizieren, extrahieren, kurz zusammenfassen – dafür braucht es selten das größte Modell. Die 65-fache Spanne im Benchmark ist vor allem eine Spanne zwischen Modellklassen.

Reasoning nur einschalten, wo es etwas bringt. Ein Modell, das vor jeder Antwort ausführlich nachdenkt, ist für eine Rückfrage im Supportformular das falsche Werkzeug.

Kontext klein halten. Nicht bei jedem Aufruf das ganze Dokument mitschicken, wenn drei Absätze reichen. Wo ein großer, gleichbleibender Teil unvermeidbar ist, hilft Prompt-Caching.

Agenten-Schleifen begrenzen. Ein Agent, der zwanzig Mal das Modell aufruft, kostet nicht eine Anfrage, sondern zwanzig – jede mit wachsendem Kontext.

Das ist dieselbe Liste, die man auch aus Kostengründen abarbeiten würde. Bei KI liegen Rechnung und Stromverbrauch nah beieinander, weil beide an derselben Rechenarbeit hängen.

Bild- und Videoerzeugung verdient dabei einen eigenen Blick. Ein generiertes Video ist nach den Größenordnungen der IEA nicht ein bisschen teurer als eine Textantwort, sondern um zwei bis drei Zehnerpotenzen. Zwanzig Varianten zu erzeugen, um eine auszusuchen, ist dort eine andere Entscheidung als bei Text.


Die ehrliche Antwort

Wer wissen will, ob die eigene Frage an den Chatbot ein Klimaproblem ist: nein. Die Größenordnung liegt bei Sekunden Fernsehen.

Wer wissen will, ob KI ein Thema für die Stromversorgung ist: ja. Rechenzentren sollen bis 2030 knapp zehn Prozent des weltweiten Zuwachses beim Stromverbrauch ausmachen, in einzelnen Regionen deutlich mehr. Gedeckt wird der zusätzliche Bedarf laut IEA zu gut einem Drittel aus erneuerbaren Quellen und zu etwa 30 % aus Erdgas.

Die Entscheidungen, die diesen Verlauf bestimmen, fallen nicht beim Tippen einer Frage. Sie fallen bei der Wahl des Standorts, beim Strommix, bei der Abwärme – und bei der Frage, welche Aufgaben überhaupt an welches Modell gehen. Den letzten Punkt hat man als Entwickler selbst in der Hand.


Quellen

Die Angabe von 0,34 Wh für ChatGPT ist nach dem IEA-Bericht zitiert, nicht nach der Originalquelle.