Statistiken zum Energieverbrauch von KI

Eine aktuelle Prognose sagt voraus, dass KI bis 2028 mehr als die Hälfte des Stroms von Rechenzentren verbrauchen wird.¹Da rechenintensive Workloads wie generative KI zunehmen, wird auch ein Anstieg der gesamten Stromnachfrage erwartet.

Wir haben Daten der IEA, des MIT und großer Cloud-Anbieter ausgewertet, um Effizienztrends beim KI-Energieverbrauch sowie politische Reaktionen und bewährte Verfahren zu identifizieren.

Energieverbrauch von KI-Rechenzentren

Wir haben Daten aus mehreren Forschungsorganisationen und Branchenanalysen zusammengetragen, die sich auf den Energieverbrauch von KI und Rechenzentren für die obige Grafik konzentrieren. Zu diesen Quellen gehören globale Energieagenturen, akademische Studien und Initiativen von Technologieanbietern. Erfahren Sie, wie wir die Daten erhoben haben.

Empfehlungen zum Management des KI-Energieverbrauchs

Jüngsten Forschungsergebnissen zufolge wird der KI-Energieverbrauch inzwischen von Inferenz dominiert und weniger von einzelnen Modellläufen bestimmt, sondern vielmehr von Skalierung, Bereitstellungsmustern und Systemineffizienzen. Hier sind unsere Empfehlungen, um den KI-Energieverbrauch effektiv zu managen:

Inferenzeffizienz gegenüber Trainingseffizienz priorisieren

Forschungsergebnisse zeigen, dass über 80 % der KI-Rechenleistung inzwischen für Inferenz verwendet wird.

• Behandeln Sie Energie pro Inferenz (oder pro Token / pro Ausgabe) als primäres Optimierungsziel.
• Optimieren Sie Inferenzpfade, bevor Sie in marginale Verbesserungen der Trainingseffizienz investieren.
• Konzentrieren Sie Optimierungsbemühungen auf hochfrequente Endpunkte, nicht auf seltene oder Long-Tail-Anwendungsfälle.

Pro-Aufgabe-Energiemetriken messen und veröffentlichen, nicht Modell-bezogene Behauptungen

Basierend auf der Forschung des MIT variiert der Energieverbrauch pro Aufgabe (Strom) je nach Text-, Bild- und Videoaufgabe.

• Instrumentieren Sie Pipelines, um Energie pro Aufgabe zu messen, einschließlich des Nicht-GPU-Overheads (Speicher, Netzwerk, Orchestrierung).

Vermeiden Sie den Einsatz allgemeiner generativer Modelle für enge Aufgaben

Ein höherer Energieverbrauch ist eng mit generativen Modellen verbunden, die für Aufgaben wie Klassifizierung anstelle spezialisierter Modelle eingesetzt werden. MIT Technology Review zeigt, dass aufgabenspezifische Modelle weniger kohlenstoff- und energieintensiv sind.

• Verwenden Sie aufgabenspezialisierte oder destillierte Modelle für Klassifizierung, Ranking, Extraktion und Routing.
• Reservieren Sie große generative Modelle für Aufgaben, die offene Generierung erfordern.
• Führen Sie Modellkaskaden ein (vom kleinen zum großen Modell, falls erforderlich).

Systembedingte Verschwendung bei der Inferenzbereitstellung reduzieren

Infrastrukturstudien zeigen, dass Server für etwa 60 % des Stromverbrauchs von Rechenzentren verantwortlich sind.

• Erhöhen Sie die Beschleuniger-Auslastung durch:
  • Stapelverarbeitung
  • Caching
  • Intelligentere Planung
• Eliminieren Sie redundante Aufrufe über Pipelines und Microservices hinweg.
• Implementieren Sie nachfragebewusste Autoskalierung statt Spitzenlast-Bereitstellung.

Behandeln Sie Hardwareeffizienz und Power Usage Effectiveness (PUE) als Software-Themen

• Entwerfen Sie Modelle, die effizient in Speicher- und Bandbreitenbeschränkungen passen.
• Maximieren Sie die Auslastung vorhandener Hardware, bevor Sie die Kapazität skalieren.
• Richten Sie die Wahl der Modellarchitektur an den energieeffizientesten verfügbaren Beschleunigern aus.

Berücksichtigen Sie Wasserverbrauch und Hardware-Lebenszyklus im Systemdesign

Forschung von UNRIC zeigt, dass die globale KI-bedingte Wassernachfrage voraussichtlich exponentiell steigen wird.

• Bevorzugen Sie Bereitstellungen, die Kühlintensität und Wasserverbrauch reduzieren.
• Verlängern Sie die Hardware-Lebensdauer durch Modelleffizienz und Wiederverwendung.
• Vermeiden Sie unnötiges Neutraining oder erneute Bereitstellung, die den Hardware-Austausch beschleunigen.

Schätzung der THG-Emissionen durch KI-Nutzung: Rahmenwerk für die Messung auf Unternehmensebene

Ein Rahmenwerk von Watershed aus dem Jahr 2026 schlägt drei Stufen zur Schätzung der KI-Emissionen von Unternehmen vor, abhängig von den verfügbaren Daten:

• Ausgabenbasiert: Multiplizieren Sie die Ausgaben für KI-Anbieter mit einem wirtschaftlichen Emissionsfaktor. Dies kann verwendet werden, wenn keine Nutzungsdaten verfügbar sind, aber die Ausgaben sind ein schwacher Proxy für den tatsächlichen Stromverbrauch.
• Aktivitätsbasiert: Berechnen Sie Emissionen anhand der Token-Nutzung, des Energieverbrauchs pro Eingabe- und Ausgabe-Token, der Rechenzentrumseffizienz (PUE) und der Kohlenstoffintensität des Stroms, der das Rechenzentrum versorgt.
• Anbieterbasiert: Verwenden Sie modell- und infrastrukturspezifische Energie- und Emissionsdaten, die direkt vom KI-Anbieter gemeldet werden. Dies ist der präziseste Ansatz, erfordert jedoch größere Transparenz seitens des Anbieters.

In Watersheds Beispiel eines Unternehmens, das jährlich $100,000 für eine Frontier-Model-API ausgibt, schätzt der ausgabenbasierte Ansatz 13.4 tCO₂e/Jahr, verglichen mit 3.7–5.4 tCO₂e bei Verwendung detaillierter Aktivitätsdaten und 3.2–4.5 tCO₂e bei Verwendung von Anbieterdaten.

Das Rahmenwerk empfiehlt, die Inferenz in kgCO₂e pro Million Tokens zu messen und den Stromverbrauch zusammen mit den Emissionen zu berichten. Eine vollständige Schätzung sollte sowohl die aktive GPU-Nutzung als auch Host-Systeme, Leerlaufkapazität, Rechenzentrums-Overhead, Hardware-Herstellung und Modelltraining berücksichtigen.

Die Hauptbeschränkung ist heute die Datenverfügbarkeit: Die meisten KI-Kunden haben keine modell- und regionsspezifischen Energiezahlen von ihren Anbietern, sodass Schätzungen weiterhin stark von Annahmen abhängen.²

Prognose der wirtschaftlichen Auswirkungen von KI

Die Teilnehmer der Studie „Forecasting the Economic Effects of KI“ (2026) lieferten Schätzungen zu wichtigen wirtschaftlichen Variablen (BIP, Energieverbrauch, Produktivität, Erwerbsbeteiligung) sowohl unter normalen Erwartungen als auch in drei expliziten KI-Fortschrittsszenarien (langsam, moderat, schnell):

• Bis 2030 schätzen die Teilnehmer, dass der Stromverbrauch der USA in einem Szenario mit langsamerem Wachstum 2,3 % ausmachen könnte, 4,9 % bei moderatem Wachstum und 7,4 % in einem Szenario rascher Expansion, gegenüber etwa 1 % im Jahr 2024.
• Bis 2050 werden diese Anteile voraussichtlich auf 5 % (langsam), 8,3 % (moderat) und 15 % (schnell) steigen.
• KI-Spezialisten und Superforecaster erwarten unter schnellem Wachstum im Jahr 2050 sogar eine noch höhere Nachfrage, wobei jeder rund 19,5 %.³

Studie von MIT Technology Review

MIT Technology Review (2025) unterteilt den KI-Energieverbrauch in zwei Hauptphasen: Modelltraining und KI-Inferenz. Es argumentiert, dass die Inferenz inzwischen der dominante Treiber des Energieverbrauchs ist, weil KI-Funktionen zunehmend in den Alltag über Produkte und Dienste eingebettet werden.

Es beleuchtet außerdem eine Transparenzlücke. Die meisten großen „geschlossenen“ Anbieter von KI-Modellen legen nicht genügend Informationen offen, um ihren gesamten Energieverbrauch oder CO₂-Fußabdruck zuverlässig zu schätzen.⁴

Strom und Gesamtnachfrage:

• US-Rechenzentren: 4,4 % der gesamten US-Stromversorgung fließen in Rechenzentren.
• KI in US-Rechenzentren: KI-spezifische Server verbrauchten schätzungsweise 53-76 Terawattstunden (TWh) im Jahr 2024, und Prognosen deuten auf 165-326 TWh bis 2028 hin.

Training vs. Inferenz:

• Anteil der Inferenz: 80 %-90 % der KI-Rechenleistung werden schätzungsweise für Inferenz verwendet.
• Beispiel Trainingsenergie: GPT-4 Training wird mit etwa 50 GWh beschrieben.

Energie pro Aufgabe (Stromverbrauch):

• Text (Llama 3.1 8B): ~114 Joule pro Antwort, wenn der Nicht-GPU-Overhead berücksichtigt wird.
• Text (Llama 3.1 405B): ~6.706 Joule pro Antwort mit Overhead.
• Bilder (Stable Diffusion 3 Medium, 1024×1024): ~2.282 Joule gesamt; mehr Schritte können dies auf ~4.402 Joule erhöhen.
• Video (CogVideoX-Beispiele): ~109.000 Joule für eine kurze Ausgabe niedriger Qualität; ~3.4 Millionen Joule für ein höherwertiges 5-Sekunden-Video.

Infrastruktur und Netzemissionen:

• Die Kohlenstoffintensität des Stroms in Rechenzentren ist 48 % höher als der US-Durchschnitt.
• Kühlsysteme in Rechenzentren können große Mengen Wasser verbrauchen, manchmal Trinkwasser.

Internationale Energieagentur

Die IEA (2025) betrachtet den KI-Energiebedarf durch die Linse von Rechenzentren und deren Komponenten. Sie bietet eine Aufschlüsselung, wo Strom innerhalb eines Rechenzentrums verbraucht wird, und gibt einen globalen Ausblick auf das Wachstum des Stromverbrauchs von Rechenzentren.⁵

Globaler Stromverbrauch durch Rechenzentren:

• Schätzungsweise ~415 TWh im Jahr 2024, etwa 1,5 % des globalen Stromverbrauchs.
• Voraussichtlich werden bis 2030 ~945 TWh erreicht, das sind unter 3 % des globalen Stromverbrauchs im IEA-Basisszenario.

Stromverbrauch von Rechenzentren nach Gerätetyp:

• Server: rund 60 % des Strombedarfs in modernen Rechenzentren (je nach Typ unterschiedlich).
• Speichersysteme: rund 5 %.
• Netzwerkausrüstung: bis zu 5 %.
• Kühlsysteme und Umweltkontrolle: etwa 7 % in effizienten Hyperscale-Rechenzentren und über 30 % in weniger effizienten Unternehmensrechenzentren.

Abbildung 1: Diagramm, das die Daten für 2024 zum Anteil des Stromverbrauchs nach Rechenzentrum und Gerätetyp zeigt.

Google Cloud

Google veröffentlichte 2025 eine Methodik zur Messung der Umweltauswirkungen von KI-Inferenz für Gemini-Prompts, einschließlich Strom, CO₂-Emissionen und Wasserverbrauch. Sie stellt Mediane pro Prompt dar und beansprucht erhebliche Effizienzverbesserungen über einen Zeitraum von 12 Monaten.⁶

Mediane Auswirkungen pro Prompt (Gemini Apps Text-Prompt):

• 0.24 Wh Energie
• 0.03 gCO₂e-Emissionen
• 0.26 Milliliter Wasser

Behauptungen zu Effizienzverbesserungen

• In den vergangenen 12 Monaten hat Google nach eigenen Angaben die Energie pro mittlerem Prompt um das 33-Fache gesenkt, und der gesamte CO₂-Fußabdruck fiel um das 44-Fache.

Effizienz und Infrastruktur von Rechenzentren

• Die durchschnittliche Power Usage Effectiveness (PUE) der gesamten Flotte liegt bei 1.09 für Rechenzentren von Google.
• Googles neueste TPU-Generation, Ironwood, soll um das 30-Fache energieeffizienter sein als die erste öffentlich verfügbare TPU.

Carbon Brief Organisation

Carbon Brief (2025) fasst die Internationale Energieagentur (IEA)⁷ und andere Quellen zu einer Reihe von Diagrammen zusammen, die Basisauswirkungen, Wachstumsprognosen und regionale Konzentrationsrisiken zeigen. Es hebt hervor, dass der Sektor heute global klein ist, aber schnell wächst und in einigen Netzen lokal bedeutsam ist.⁸

Aktuelle globale Anteile

• Rechenzentren sind für über 1 % des globalen Strombedarfs und 0,5 % der CO₂-Emissionen verantwortlich (siehe Abbildung 2).

Wachstum

• IEA-Zentralszenario: Der Stromverbrauch von Rechenzentren steigt bis 2030 auf 945 TWh.
• Anteil der KI am Stromverbrauch von Rechenzentren: Zuletzt etwa 5 % bis 15 %, potenziell 35 % bis 50 % bis 2030.

Beispiele für regionale Konzentration:

• Irland: Rund 21 % des nationalen Stroms wird für Rechenzentren verwendet, potenziell 32 % bis 2026.
• Virginia (USA): 26 % des Stroms wird von Rechenzentren verbraucht (wie zitiert).

Strommix für Rechenzentren (global)

• Fossile Brennstoffe: Fast 60 %
• Erneuerbare: 27 %
• Kernenergie: 15 %

Abbildung 2: Basierend auf dem Global Energy Review 2025 der IEA und ihrem Bericht „Energy and KI“ vergleicht diese Abbildung den Stromverbrauch (TWh) und die CO₂-Emissionen (MtCO₂) aus globalen Rechenzentren im Jahr 2024 mit denen anderer Sektoren.

Regionales Informationszentrum der Vereinten Nationen für Westeuropa (UNRIC)

UNRIC (2025) betrachtet den ökologischen Fußabdruck von KI über den gesamten Lebenszyklus: Software (Training, Bereitstellung, Inferenz, Wartung) und Hardware (Materialien, Herstellung, Bau, Elektroschrott). Es betont, dass Stromverbrauch und Wasserverbrauch in Rechenzentren direkte Auswirkungen sind, und befürwortet politische Maßnahmen zur Verbesserung von Offenlegung und Rechenschaftspflicht.⁹

Statistik- und Kategorieaufschlüsselung (Strom-, Wasser-, Lebenszykluskategorien): Der UNRIC-Artikel ist in den extrahierten Abschnitten eher kategorisch als numerisch. Er gruppiert die Auswirkungen von KI explizit in direkte, indirekte und übergeordnete Effekte. Hier sind einige der wichtigsten Ergebnisse:

• Kategorien der Umweltauswirkungen
  • Direkt: Strom- und Wasserverbrauch, Treibhausgasemissionen, Rohstoffgewinnung, Umweltverschmutzung und Elektroschrott.
  • Indirekt: Emissionen aus KI-gestützten Anwendungen und Diensten.
  • Übergeordnet: Verstärkung von Ungleichheiten und Probleme im Zusammenhang mit verzerrten oder minderwertigen Trainingsdaten.
• Rechenzentren und Ressourcennutzung
  • Rechenzentren verbrauchen große Mengen Strom, der größtenteils immer noch aus fossilen Brennstoffen stammt.
  • Für Kühlsysteme und den Bau werden erhebliche Mengen Wasser benötigt.
  • Die globale KI-bedingte Wassernachfrage wird voraussichtlich bis 2027 4.2–6.6 Milliarden Kubikmeter erreichen und damit den jährlichen Wasserverbrauch Dänemarks übersteigen.
  • Die Herstellung eines 2-Kilogramm-Computers kann rund 800 Kilogramm Rohmaterialien erfordern, darunter seltene Mineralien.
• Stromverbrauch und Wachstum
  • Eine ChatGPT-Anfrage kann laut IEA-Schätzung rund 10-mal mehr Strom verbrauchen als eine Google-Suche.
  • KI und maschinelles Lernen machten im Jahr 2021 <0,2 % des globalen Stromverbrauchs und <0,1 % der globalen Emissionen aus, aber die Nachfrage steigt schnell.
  • Einige Technologieunternehmen melden ein jährliches Wachstum von über 100 % bei der Rechennachfrage für KI-Training und -Inferenz.
• Ausbau von Rechenzentren
  • Rechenzentren machten 2022 etwa 1 % der globalen Stromnachfrage aus.
  • In Irland machten Rechenzentren im Jahr 2022 17 % des nationalen Stromverbrauchs aus.
  • Die Zahl der Rechenzentren weltweit ist von 500.000 im Jahr 2012 auf rund 8 Millionen heute gestiegen.

Verpassen Sie nicht unsere Benchmarks und datengestützten Erkenntnisse. Die Schaltfläche öffnet Google; die Auswahl von AIMultiple bestätigt, dass Sie AIMultiple häufiger in den Google-Suchergebnissen sehen möchten.

Als bevorzugte Quelle hinzufügen

MIT News zu den Umweltauswirkungen generativer KI

MIT News (2025) erklärt, warum generative KI ressourcenintensiv sein kann, und unterscheidet zwischen Training und Inferenz. Es betont Leistungsdichte, Probleme der Netzstabilität und das Fehlen von Anreizen für Nutzer, den Verbrauch zu senken, wenn die Auswirkungen unsichtbar sind.¹⁰

Leistungsdichte

• Ein Trainingscluster für generative KI kann 7- bis 8-mal mehr Energie verbrauchen als eine typische Rechenlast.

Stromverbrauch von Rechenzentren

• Der globale Stromverbrauch von Rechenzentren wird mit 460 TWh im Jahr 2022 angegeben und auf ~1.050 TWh bis 2026 prognostiziert.

Beispiel für Modelltraining

• Das Training von GPT-3 wird auf 1.287 MWh und etwa 552 Tonnen CO₂ geschätzt.

Bericht zum Energieverbrauch von Rechenzentren in den Vereinigten Staaten

Der Bericht „United States Data Center Energy Usage Report“ (2024) schätzt den historischen Stromverbrauch von Rechenzentren in den USA und liefert Szenarienspannen bis 2028. Er verknüpft den Wachstumsknick nach 2017 explizit mit beschleunigten Servern, einschließlich Grafikprozessoren, die für KI-Modelle eingesetzt werden.¹¹

Gesamter Stromverbrauch von Rechenzentren in den USA:

• ~60 TWh (2014–2016), relativ stabil.
• 76 TWh bis 2018, etwa 1,9 % des US-Stromverbrauchs.
• 176 TWh bis 2023, etwa 4,4 % des US-Stromverbrauchs.

Szenarienspanne 2028:

• 325 bis 580 TWh bis 2028.
• Entspricht 6,7 % bis 12,0 % des prognostizierten US-Stromverbrauchs im Jahr 2028.

Treiber und Kategorien:

• Das Wachstum wird von GPU-beschleunigten Servern für künstliche Intelligenz angetrieben, die inzwischen einen erheblichen Anteil der installierten Basis ausmachen.
• Er beschreibt Effizienzstrategien, die Nachfrage zuvor stabil hielten, darunter verbesserte Kühlsysteme, Energiemanagement, höhere Auslastungsraten und reduzierter Leerlaufstrom.

MIT Technology Review

MIT Technology Review (2023) berichtet über einen der ersten Versuche, den Energieverbrauch und die CO₂-Emissionen von KI im Alltagsgebrauch (Inferenz) zu quantifizieren, statt sich lediglich auf das Training zu konzentrieren. Der Artikel basiert auf einer Preprint-Studie von Forschern von Hugging Face und der Carnegie Mellon University.

Die Studie zeigt, dass das Training großer KI-Modelle zwar sehr energieintensiv ist, der größte Teil des CO₂-Fußabdrucks eines KI-Modells über seine Lebensdauer jedoch aus seiner Nutzung stammt. Da beliebte Modelle millionen- oder milliardenfach eingesetzt werden, können die täglichen Inferenzemissionen die Trainingsemissionen schnell übertreffen.¹²

Energie und Kohlenstoffintensität pro Aufgabe:

Die Forscher maßen den Energieverbrauch über 10 gängige KI-Aufgaben auf der Hugging Face-Plattform, testeten 88 verschiedene Modelle und führten 1.000 Prompts pro Aufgabe mit dem Messinstrument Code Carbon aus. Die wichtigsten Vergleiche sind:

• Bildgenerierung: Die Erzeugung eines einzelnen Bildes mit einem leistungsstarken Modell verbraucht ungefähr so viel Energie wie das vollständige Aufladen eines Smartphones.
  • Die Erzeugung von 1.000 Bildern mit einem Modell wie Stable Diffusion XL verursacht CO₂-Emissionen, die mit dem Fahren von etwa 4.1 Meilen in einem Benzinfahrzeug vergleichbar sind.
  • Die Bildgenerierung ist die mit Abstand energie- und kohlenstoffintensivste gemessene KI-Aufgabe.
• Textgenerierung: Die Textgenerierung ist deutlich weniger energieintensiv.
  • Die Erzeugung von 1.000 Textausgaben verbraucht etwa 16 % der Ladung eines Smartphones.
  • Das am wenigsten kohlenstoffintensive untersuchte Textmodell emittierte so viel wie das Fahren von 0.0006 Meilen.

Modellgröße und Aufgabenspezialisierung:

Die Studie hebt eine große Effizienzlücke zwischen allgemeinen generativen Modellen und aufgabenspezifischen Modellen hervor:

• Große generative Modelle verbrauchen weit mehr Energie, weil sie für viele Aufgaben ausgelegt sind (Generieren, Klassifizieren, Zusammenfassen). Beispielsweise erfordert die Klassifizierung von Filmkritiken mit einem generativen Modell ~30-mal mehr Energie als die Verwendung eines kleineren Modells, das fine-tuned speziell für die Sentiment-Klassifizierung wurde.
• Kleinere, spezialisierte Modelle sind für enge Anwendungen durchweg weniger kohlenstoffintensiv.

Nutzungsemissionen vs. Trainingsemissionen:

Die Forscher verglichen Trainingsemissionen mit kumulativen Nutzungsemissionen:

• Die Emissionen aus dem Training des größten BLOOM-Modells von Hugging Face wurden nach etwa 590 Millionen Nutzungen übertroffen.
• Bei extrem beliebten Modellen wie ChatGPT könnten die Nutzungsemissionen die Trainingsemissionen aufgrund der massiven täglichen Nutzerzahlen innerhalb von Wochen übersteigen.
• Dies liegt daran, dass das Training einmal stattfindet, während die Inferenz kontinuierlich in großem Maßstab erfolgt.

Weitergehende Implikationen und Expertenmeinungen:

• Experten weisen darauf hin, dass die Emissionen pro Aufgabe höher als erwartet waren, was Bedenken aufwirft, da generative KI zunehmend in Alltagssoftware eingebettet wird (E-Mail, Suche, Textverarbeitung).
• Forscher betonen, dass neuere, größere Modelle wesentlich kohlenstoffintensiver sind als KI-Systeme von vor einigen Jahren.

Jüngste Innovationen bei der Hardwareeffizienz

Mehrere Hardware-Veröffentlichungen im Jahr 2026 zeigen große Effizienzgewinne bei KI. So begann der Inferenzchip FuriosaAI RNGD im Januar 2026 mit einer TDP von 180W mit der Volumenauslieferung ¹³, weit niedriger als die rund 600W+, die typische High-End-GPUs verbrauchen.¹³

Meta kündigte vier neue MTIA-Inferenzbeschleuniger an (MTIA 300/400/450/500); die KI-fokussierten Chips liefern rund 18 bis 27.6 TB/s Speicherbandbreite und sind für die Einführung im Jahr 2027 vorgesehen.¹⁴

Schließlich kündigte Arm seine erste Rechenzentrums-CPU (die 3nm AGI CPU) mit bis zu 136 Neoverse V3-Kernen an ¹⁵, die gemeinsam mit Meta entwickelt wurde und OpenAI zu ihren ersten Nutzern zählt.

Methodik, wie wir Daten zum KI-Energieverbrauch erhoben haben

• Wir verwendeten Zahlen und Zukunftsprognosen aus aktuellen Energieverbrauchsanalysen, die den globalen Stromverbrauch in Rechenzentren und deren Wachstum schätzen.
• Sofern verfügbar, verweisen wir auf öffentlich zugängliche Messmethoden großer Cloud-Anbieter (z. B. die Daten zu den Umweltauswirkungen von Google Cloud), die spezifische Metriken wie Energie pro Inferenz offenlegen.

Viele Berichte verwenden unterschiedliche Maßeinheiten oder Terminologie, wie den Anteil von KI & ML am globalen Strom, den Energieverbrauch von Training vs. Inferenz und den Anteil von Rechenzentren am globalen Strom, was den Vergleich in einem einzigen Diagramm erschwert. Um sicherzustellen, dass alle Werte zusammen in einem einzigen Diagramm dargestellt werden können, haben wir die Studien einbezogen, die vergleichbare Definitionen und Maßeinheiten verwendeten:

• Globaler Stromverbrauch durch Rechenzentren.
• Anteil der KI am Stromverbrauch innerhalb von Rechenzentren.
• Stromverbrauch durch Rechenzentren in den Vereinigten Staaten, um Unterschiede zwischen globalem und US-Energieverbrauch hervorzuheben.

FAQs

Diese Forschung zitieren

Wählen Sie das Format, das zu Ihrem Veröffentlichungsort passt. Wenn Sie die Link-Version in Ihr CMS einfügen, bleibt der Backlink erhalten.

@misc{ermut2026,
  author = {Ermut, Sıla},
  title  = {{Statistiken zum Energieverbrauch von KI}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Abgerufen am 7. August 2026}
}

Änderungsprotokoll

4 Aktualisierungen

2026

1. 7. Aug

   Abschnitt zur Schätzung unternehmensbezogener KI-Emissionen mit dem Watershed-Framework hinzugefügt.

2. 18. Mai

   Abschnitt "Aktuelle Innovationen bei der Hardware-Effizienz" zu FuriosaAI RNGD, Meta-MTIA-Chips und Arms Rechenzentrums-CPU hinzugefügt.

3. 6. Apr

   Abschnitt "Forecasting the Economic Effects of AI, 2026" mit Projektionen zum US-Stromanteil für 2030 und 2050 hinzugefügt.

4. 19. Jan

   Die Einleitung zum Abschnitt über KI-Energieverbrauchsstatistiken wurde aktualisiert.

Referenzlinks

1.

DOE Releases New Report Evaluating Increase in Electricity Demand from Data Centers | Department of Energy

2.

Estimating GHG Emissions from AI Use

3.

Forecasting the Economic Effects of AI

4.

We did the math on AI’s energy footprint. Here’s the story you haven’t heard. | MIT Technology Review

MIT Technology Review

5.

Energy demand from AI – Energy and AI – Analysis - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

Global EnergyReview 2025

8.

AI: Five charts that put data-centre energy use – and emissions – into context - Carbon Brief

Carbon Brief

9.

Artificial intelligence: How much energy does AI use? - United Nations Western Europe

United Nations

10.

Explained: Generative AI’s environmental impact | MIT News | Massachusetts Institute of Technology

11.

2024 United States Data Center Energy Usage Report

12.

Making an image with generative AI uses as much energy as charging your phone | MIT Technology Review

MIT Technology Review

13.

RNGD Enters Mass Production for Data Center AI

FuriosaAI

14.

Meta reveals four new MTIA chips built for AI inference — to be released on a six-month cadence | Tom's Hardware

Tom's Hardware

15.

Arm moves beyond IP with AGI CPU silicon — 136-core data center chip targets AI infrastructure with Meta as lead partner | Tom's Hardware

Tom's Hardware

Sıla Ermut

Branchenanalystin

Folgen auf

Sıla Ermut ist Branchenanalystin bei AIMultiple und befasst sich mit KI-Modellen, KI-Infrastruktur, KI-Governance und KI-Anwendungen für Unternehmen. Ihre Forschung konzentriert sich hauptsächlich auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit.
Zuvor arbeitete sie als Personalvermittlerin in Projektmanagement- und Beratungsunternehmen. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationalen Beziehungen.

Vollständiges Profil anzeigen

Seien Sie der Erste, der kommentiert

Ihre E-Mail-Adresse wird nicht veröffentlicht. Alle Felder sind erforderlich. Kommentare werden in ihrer Originalsprache belassen.

Name

E-Mail-Adresse

Kommentar

0/450

Kommentar posten