5. August 20266 Min. Lesezeit

Energieeffiziente KI-Nutzung im Arbeitsalltag

KI-Tools gehören in vielen Unternehmen längst zum Alltag: Texte entwerfen, Daten auswerten, Recherchen vorbereiten, Code schreiben. Was dabei oft übersehen wird: Jede Anfrage hat einen realen physischen Fußabdruck, Strom, Kühlung, Hardware. Für die eigene Nachhaltigkeitsarbeit ist das ein blinder Fleck, der sich schließen lässt, ohne dass man dafür Informatik studiert haben muss.

Von Alka Celić

Der wirksamste Hebel liegt dabei gar nicht primär in der Technik, sondern im eigenen Nutzungsverhalten. Wer bewusster und präziser mit KI arbeitet, spart gleichzeitig Energie, Kosten und Zeit. Das macht das Thema für Unternehmen doppelt interessant: Es ist eines der wenigen Nachhaltigkeitsthemen, bei denen ökologischer und wirtschaftlicher Nutzen fast automatisch zusammenfallen.

Wie KI überhaupt Energie verbraucht

Der Energieverbrauch von KI-Systemen entsteht an zwei unterschiedlichen Stellen. Das Training eines Modells, also das monatelange Lernen aus riesigen Datenmengen, verbraucht einmalig sehr viel Energie und Wasser für die Kühlung der Rechenzentren. Diese Kosten sind bereits entstanden, wenn Sie ein Modell nutzen, und lassen sich durch Ihr eigenes Verhalten nicht mehr beeinflussen.

Anders sieht es bei der Inferenz aus, also bei jeder einzelnen Anfrage, die ein bereits trainiertes Modell beantwortet. Diese Kosten fallen laufend an und wachsen mit jeder Nutzung weiter. Genau hier setzt der Hebel für Unternehmen an: Jede Anfrage bedeutet Rechenlast in einem Rechenzentrum, die wiederum Strom für die Prozessoren und Wasser oder Strom für die Kühlung benötigt.

Was den Verbrauch pro Anfrage tatsächlich treibt

Wie viel Energie eine einzelne Anfrage kostet, ist schwerer zu beziffern, als viele Schlagzeilen suggerieren. Aktuelle Studien liegen bei Werten zwischen rund 0,24 Wattstunden für eine mittellange Textanfrage bei effizienten Modellen und rund 3 Wattstunden bei älteren, größeren Modellen und komplexeren Anfragen. Die oft zitierte Aussage, eine KI-Anfrage verbrauche „zehnmal so viel Energie wie eine Google-Suche", stammt aus einer einzelnen, mittlerweile veralteten Schätzung und wird in aktuellen Untersuchungen deutlich differenzierter beurteilt: Je nach Modell und Anfrage reicht die Spanne von kaum mehr Verbrauch bis zu einem mehrfachen einer klassischen Suchanfrage.

Entscheidend für den tatsächlichen Verbrauch sind vor allem folgende Faktoren:

• Modellgröße: Größere, leistungsfähigere Modelle benötigen für dieselbe Anfrage mehr Rechenleistung als kleinere, spezialisierte Modelle.
• Kontextlänge: Je mehr Text, Dokumente oder Vorgeschichte in einer Anfrage mitgeschickt werden, desto mehr muss das Modell verarbeiten.
• Modalität: Bild- und Videogenerierung verbrauchen deutlich mehr Energie pro Anfrage als reine Textantworten, in manchen Schätzungen um ein Vielfaches.
• Agentenketten: Wenn ein KI-System mehrere Schritte automatisiert hintereinander ausführt, etwa Recherche, Auswertung und Formulierung in einem Durchgang, addiert sich der Verbrauch jedes einzelnen Schritts.
• Wiederholung: Unklare Anfragen, die mehrfach nachgebessert werden müssen, vervielfachen den Verbrauch, weil jede Korrektur eine neue vollständige Berechnung auslöst.
• Tageszeit und Standort: Wie klimafreundlich eine Anfrage tatsächlich ist, hängt auch davon ab, welcher Strommix im jeweiligen Rechenzentrum gerade verfügbar ist. Das lässt sich als Einzelperson kaum steuern, ist aber ein Grund, warum die Wahl des Anbieters und dessen Energiequellen langfristig relevanter sein kann als das eigene Klickverhalten.

Auch beim Wasserverbrauch für die Kühlung gilt: Die Zahlen schwanken stark, von deutlich unter einem Milliliter bis zu mehreren hundert Millilitern pro Antwort, je nach Kühltechnik, Standort und Berechnungsmethode. Die vielzitierte Aussage, eine Anfrage verbrauche „eine Flasche Wasser", geht auf eine Studie zurück, die sich auf 10 bis 50 Antworten zusammen bezieht, nicht auf eine einzelne.

Tokens und Credits einfach erklärt

Um zu verstehen, wo der eigene Hebel liegt, hilft ein Blick auf die Abrechnungseinheiten hinter jeder KI-Anfrage.

Ein Token ist weder ein ganzes Wort noch ein einzelnes Zeichen, sondern ein Wortbaustein. Als Faustregel gilt für deutsche Texte: Ein Token entspricht etwa 0,5 bis 0,7 Wörtern. Deutsche, oft zusammengesetzte Wörter werden dabei stärker in Einzelteile zerlegt als englische, deutsche Prompts sind also tendenziell tokenintensiver als englische.

Credits sind die Abrechnungseinheit, in die Anbieter den tatsächlichen Token-Verbrauch umrechnen, also Input plus Output zusammen. Wichtig zu wissen: Ausgegebene Tokens (die Antwort) kosten meist deutlich mehr als eingegebene Tokens (die Anfrage), oft das Drei- bis Fünffache. Eine kurze, präzise Antwort lohnt sich also doppelt.

Tokens lassen sich außerdem als Proxy für den Energieverbrauch verstehen: ein Stellvertreter-Wert, den man beobachten kann, weil sich der reale Stromverbrauch in Wattstunden im Alltag nicht direkt messen lässt. Mehr Tokens bedeuten in der Regel mehr Rechenaufwand und damit mehr Energie. Der Proxy hat aber Grenzen: Er sagt nichts darüber aus, mit welchem Strommix ein Rechenzentrum arbeitet, wie effizient die Kühlung ist oder zu welcher Tageszeit die Anfrage verarbeitet wird.

Der unterschätzte Hebel: Prompt-Präzision

Der wohl wirksamste und gleichzeitig am wenigsten beachtete Hebel liegt nicht in der Wahl des Tools, sondern in der Formulierung der Anfrage selbst. Ein unklarer Prompt führt fast zwangsläufig zu Rückfragen und Korrekturen, und jede davon bedeutet eine neue, vollständige Berechnung mit einem wachsenden Kontext, weil die gesamte bisherige Konversation erneut verarbeitet werden muss.

Wer stattdessen von Anfang an Ziel, gewünschtes Format und ungefähre Länge der Antwort mitgibt, spart nicht nur Iterationsrunden, sondern reduziert direkt die Zahl der teureren Output-Tokens. Ein Beispiel: Statt „Schreib mir was zu unserem CSRD-Status" führt „Fasse unseren aktuellen CSRD-Umsetzungsstand in fünf Stichpunkten für die Geschäftsleitung zusammen, maximal 150 Wörter" in der Regel direkt zu einem brauchbaren Ergebnis, ohne Nachbesserung Ein hilfreiches Tool ist KI in der Nachhaltigkeitsberichterstattung. Wichtig ist aber, dass man den menschlichen Faktor nicht vergisst.

Praktische Tipps für den Arbeitsalltag

Die folgenden Punkte lassen sich ohne technisches Vorwissen sofort umsetzen, sowohl für einzelne Anfragen als auch für den strukturierten Einsatz mit Projekten oder Agenten:

Chancen und Risiken für Unternehmen

Energieeffiziente KI-Nutzung ist eines der wenigen Nachhaltigkeitsthemen, die sich greifbar und messbar an bestehende ESG- und CSRD-Berichterstattung anschließen lassen. Erste Forschung zeigt zudem, dass Transparenz über den Energieverbrauch, ähnlich wie beim EU-Energielabel für Haushaltsgeräte, Nutzerinnen und Nutzer nachweislich zu bewussteren Entscheidungen bewegen kann. Für Unternehmen ergibt sich daraus ein doppeltes Argument: Kosten- und Energieeffizienz laufen bei präziser KI-Nutzung meist parallel.

Gleichzeitig gehört zu einer seriösen Betrachtung auch, die Grenzen dieses Hebels klar zu benennen. Der sogenannte Rebound-Effekt beschreibt, dass Effizienzgewinne pro Anfrage durch eine insgesamt steigende Nutzung überkompensiert werden können, jede einzelne Anfrage wird sparsamer, aber es werden insgesamt viel mehr Anfragen gestellt. Der Standort und Strommix des jeweiligen Rechenzentrums beeinflusst die tatsächliche Umweltwirkung oft stärker, als es das eigene Prompt-Verhalten je könnte. Und wer Effizienzmaßnahmen kommuniziert, während die Gesamtnutzung im Unternehmen ungebremst wächst, läuft Gefahr, unbeabsichtigt in Richtung Greenwashing abzudriften. Ehrlich bleibt das Thema nur, wenn beide Seiten benannt werden.

Was das für Ihr Unternehmen bedeutet

Keiner dieser einzelnen Punkte verändert die Welt. Aber ein Unternehmen, das seine KI-Nutzung bewusst gestaltet, spart nicht nur Energie und Kosten, sondern schafft auch die Grundlage, um das Thema glaubwürdig in die eigene Nachhaltigkeitskommunikation einzubauen, statt es zu ignorieren oder zu überzeichnen.

Quellen: International Energy Agency, Energy and AI (2026); Google Environmental Report zu Gemini-Energieverbrauch; UC Riverside-Forschung zum Wasserverbrauch von KI-Inferenz; verschiedene 2026 veröffentlichte Vergleichsstudien zu KI- und Suchmaschinen-Energieverbrauch.