Statistiken zum KI-Energieverbrauch

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, dürfte auch die Gesamtstromnachfrage steigen.

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

Energieverbrauch von KI-Rechenzentren

Für die obige Grafik haben wir Daten aus mehreren Forschungsorganisationen und Branchenanalysen gesammelt, die sich mit dem Energieverbrauch von KI und Rechenzentren befassen. Zu diesen Quellen gehören globale Energieagenturen, akademische Studien und Initiativen von Technologieanbietern. Erfahren Sie wie wir die Daten gesammelt haben.

Empfehlungen für das Management des KI-Energieverbrauchs

Jüngsten Forschungsergebnissen zufolge wird der KI-Energieverbrauch heute von Inference dominiert und weniger von einzelnen Model-Läufen als vielmehr von Skalierung, Bereitstellungsmustern und Systemineffizienzen bestimmt. Hier sind unsere Empfehlungen, um den KI-Energieverbrauch wirksam zu steuern:

Inference-Effizienz vor Trainingseffizienz priorisieren

Forschung zeigt, dass inzwischen über 80 % der KI-Rechenleistung für Inference verwendet wird.

• Behandeln Sie Energie pro Inference (oder pro Token / pro Output) als primäres Optimierungsziel.
• Optimieren Sie Inference-Pfade, bevor Sie in marginale Verbesserungen der Trainingseffizienz investieren.
• Konzentrieren Sie Optimierungsmaßnahmen auf hochfrequente Endpoints, nicht auf seltene oder Long-Tail-Anwendungsfälle.

Energiekennzahlen pro Aufgabe messen und veröffentlichen statt pauschale Behauptungen auf Model-Ebene

Laut 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 Nicht-GPU-Overhead (Speicher, Netzwerk, Orchestrierung).

Vermeiden Sie generative Allzweck-Models für eng gefasste Aufgaben

Ein höherer Energieverbrauch ist eng mit generativen Models verknüpft, die für Aufgaben wie Klassifikation anstelle spezialisierter Models verwendet werden. MIT Technology Review zeigt, dass aufgabenspezifische Models weniger CO₂- und energieintensiv sind.

• Verwenden Sie aufgabenspezialisierte oder destillierte Models für Klassifikation, Ranking, Extraktion und Routing.
• Reservieren Sie große generative Models für Aufgaben, die eine offene Generierung erfordern.
• Führen Sie Model-Kaskaden ein (von kleinem Model zu großem Model, falls erforderlich).

Systembedingte Verschwendung im Inference-Serving reduzieren

Infrastrukturstudien zeigen, dass Server etwa 60 % des Stromverbrauchs von Rechenzentren ausmachen.

• Erhöhen Sie die Auslastung von Beschleunigern durch:
  • Batching
  • Caching
  • Intelligentere Planung
• Eliminieren Sie redundante Aufrufe über Pipelines und Microservices hinweg.
• Implementieren Sie nachfrageabhängiges Autoscaling statt Spitzenlast-Bereitstellung.

Hardware-Effizienz und Power Usage Effectiveness (PUE) als Softwarebelange behandeln

• Entwerfen Sie Models, die effizient in Speicher- und Bandbreitenbeschränkungen passen.
• Maximieren Sie die Auslastung vorhandener Hardware, bevor Sie Kapazitäten skalieren.
• Richten Sie Entscheidungen zur Model-Architektur an den energieeffizientesten verfügbaren Beschleunigern aus.

Wasserverbrauch und Hardware-Lebenszyklus beim Systemdesign berücksichtigen

Forschungsergebnisse von UNRIC zeigen, dass der globale KI-bezogene Wasserbedarf voraussichtlich exponentiell steigen wird.

• Bevorzugen Sie Bereitstellungen, die Kühlintensität und Wasserverbrauch reduzieren.
• Verlängern Sie die Hardware-Lebensdauer durch Model-Effizienz und Wiederverwendung.
• Vermeiden Sie unnötiges Retraining oder erneute Bereitstellung, die den Hardware-Austausch beschleunigt.

Schätzung der Treibhausgasemissionen durch KI-Nutzung: Framework für die Messung auf Unternehmensebene

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

• Ausgabenbasiert: Multiplizieren Sie die Ausgaben für KI-Anbieter mit einem ökonomischen Emissionsfaktor. Dies kann verwendet werden, wenn keine Nutzungsdaten verfügbar sind; Ausgaben sind jedoch 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 CO₂-Intensität des Stroms, der das Rechenzentrum versorgt.
• Anbieterbasiert: Verwenden Sie model- und infrastrukturspezifische Energie- und Emissionsdaten, die direkt vom KI-Anbieter gemeldet werden. Dies ist der präziseste Ansatz, erfordert jedoch mehr Transparenz seitens der Anbieter.

Im Beispiel von Watershed, bei dem ein Unternehmen 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 Framework empfiehlt, Inference in kgCO₂e pro Million Tokens zu messen und den Stromverbrauch zusammen mit den Emissionen auszuweisen. Eine vollständige Schätzung sollte sowohl die aktive Nutzung von GPUs als auch Host-Systeme, Leerlaufkapazität, Rechenzentrums-Overhead, Hardware-Herstellung und Model-Training berücksichtigen.

Die wichtigste Einschränkung heute ist die Datenverfügbarkeit: Die meisten KI-Kunden verfügen nicht über model- und regionsspezifische Energiekennzahlen ihrer Anbieter, sodass Schätzungen weiterhin stark von Annahmen abhängen.²

Prognose der wirtschaftlichen Auswirkungen von KI

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

• Bis 2030 könnte der Stromverbrauch der USA nach Schätzung der Teilnehmenden in einem langsameren Wachstumsfall 2,3 %, bei moderatem Wachstum 4,9 % und 7,4 % in einem Szenario rascher Expansion ausmachen, gegenüber rund 1 % im Jahr 2024.
• Bis 2050 dürften diese Anteile auf 5 % (langsam), 8,3 % (moderat) und 15 % (schnell) steigen.
• KI-Spezialisten und Superforecaster erwarten unter schnellem Wachstum im Jahr 2050 eine sogar noch höhere Nachfrage; jede Gruppe schätzt etwa 19,5 %.³

Studie der MIT Technology Review

MIT Technology Review (2025) unterteilt den KI-Energieverbrauch in zwei Hauptphasen: Model-Training und KI-Inference. Darin wird argumentiert, dass Inference heute der dominierende Treiber des Energieverbrauchs ist, weil KI-Funktionen in Produkten und Diensten zunehmend in den Alltag eingebettet werden.

Außerdem wird eine Transparenzlücke hervorgehoben. Die meisten großen „geschlossenen“ KI-Model-Anbieter legen nicht genügend Informationen offen, um ihren gesamten Energieverbrauch oder CO₂-Fußabdruck zuverlässig zu schätzen.⁴

Strom und Gesamtnachfrage:

• US-Rechenzentren: 4,4 % des gesamten US-Stroms fließt in Rechenzentren.
• KI in US-Rechenzentren: KI-spezifische Server verbrauchten 2024 schätzungsweise 53–76 Terawattstunden (TWh); Prognosen gehen von 165–326 TWh bis 2028 aus.

Training vs. Inference:

• Inference-Anteil: Schätzungsweise 80 %–90 % der KI-Rechenleistung werden für Inference verwendet.
• Beispiel für Trainingsenergie: Das Training von GPT-4 wird mit etwa 50 GWh angegeben.

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): insgesamt ~2.282 Joule; höhere 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 CO₂-Intensität des Rechenzentrum-Stroms ist 48 % höher als der US-Durchschnitt.
• Kühlsysteme in Rechenzentren können große Mengen Wasser verbrauchen, manchmal auch Trinkwasser.

Internationale Energieagentur

Die IEA (2025) betrachtet den KI-Energiebedarf aus der Perspektive von Rechenzentren und ihren Komponenten. Sie liefert eine Aufschlüsselung, wo in einem Rechenzentrum Strom verbraucht wird, und gibt einen globalen Ausblick auf das Wachstum des Stromverbrauchs von Rechenzentren.⁵

Globaler Stromverbrauch von Rechenzentren:

• Geschätzt ~415 TWh im Jahr 2024, etwa 1,5 % des globalen Stromverbrauchs.
• Bis 2030 voraussichtlich ~945 TWh, im IEA-Basisszenario unter 3 % des globalen Stromverbrauchs.

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 Umgebungskontrolle: etwa 7 % in effizienten Hyperscale-Rechenzentren und über 30 % in weniger effizienten Unternehmensrechenzentren.

Abbildung 1: Diagramm mit den Daten für 2024 zum Anteil des Stromverbrauchs nach Rechenzentrums- und Gerätetyp.

Google Cloud

Google veröffentlichte 2025 eine Methodik zur Messung der Umweltauswirkungen von KI-Inference für Gemini-Prompts, einschließlich Strom, CO₂-Emissionen und Wasserverbrauch. Sie präsentiert Medianwerte pro Prompt und verweist auf erhebliche Effizienzverbesserungen in den vergangenen 12 Monaten.⁶

Medianwerte pro Prompt (Gemini-Apps-Text-Prompt):

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

Behauptungen zur Effizienzverbesserung

• In den vergangenen 12 Monaten hat Google nach eigenen Angaben den Energieverbrauch pro Median-Prompt um das 33-Fache, und der gesamte CO₂-Fußabdruck sank um das 44-Fache.

Effizienz und Infrastruktur von Rechenzentren

• Die flottenweite durchschnittliche Power Usage Effectiveness (PUE) liegt für Rechenzentren von Google bei 1.09.
• Die neueste TPU-Generation von Google, Ironwood, ist nach Angaben des Unternehmens um das 30-Fache energieeffizienter als die erste öffentlich verfügbare TPU.

Organisation Carbon Brief

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

Aktuelle globale Anteile

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

Wachstum

• Zentrales IEA-Szenario: Der Stromverbrauch von Rechenzentren steigt bis 2030 auf 945 TWh.
• KI-Anteil am Stromverbrauch von Rechenzentren: Derzeit grob 5 % bis 15 %, bis 2030 potenziell 35 % bis 50 %.

Beispiele für regionale Konzentration:

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

Strommix für Rechenzentren (global)

• Fossile Brennstoffe: Knapp 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) von 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, Inference, Wartung) und Hardware (Materialien, Herstellung, Bau, Elektroschrott). Es betont, dass Strom- und Wasserverbrauch in Rechenzentren direkte Auswirkungen sind, und befürwortet politische Maßnahmen zur Verbesserung von Offenlegung und Rechenschaftspflicht.⁹

Statistiken und Kategorienaufschlüsselung (Strom, Wasser, Lebenszykluskategorien): Der Artikel von UNRIC ist in den extrahierten Abschnitten eher kategorisch als numerisch. Er unterteilt die Auswirkungen von KI ausdrücklich in direkte, indirekte und übergeordnete Effekte. Hier sind einige der wichtigsten Erkenntnisse:

• Kategorien der Umweltauswirkungen
  • Direkt: Strom- und Wasserverbrauch, Treibhausgasemissionen, Rohstoffabbau, Umweltverschmutzung und Elektroschrott.
  • Indirekt: Emissionen aus KI-gestützten Anwendungen und Diensten.
  • Übergeordnet: Verstärkung von Ungleichheiten und Probleme im Zusammenhang mit verzerrten oder qualitativ schlechten Trainingsdaten.
• Rechenzentren und Ressourcennutzung
  • Rechenzentren verbrauchen große Mengen Strom, der größtenteils noch aus fossilen Brennstoffen stammt.
  • Für Kühlsysteme und Bau werden erhebliche Mengen Wasser benötigt.
  • Der globale KI-bezogene Wasserbedarf dürfte bis 2027 4.2–6.6 Milliarden Kubikmeter erreichen und damit den jährlichen Wasserverbrauch Dänemarks übertreffen.
  • Die Produktion eines 2-Kilogramm-Computers kann rund 800 Kilogramm Rohstoffe erfordern, darunter seltene Mineralien.
• Stromverbrauch und Wachstum
  • Eine ChatGPT-Anfrage kann laut IEA-Schätzung rund 10× mehr Strom verbrauchen als eine Google-Suche.
  • KI und maschinelles Lernen machten 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 % beim Bedarf an Rechenleistung für KI-Training und Inference.
• Ausbau von Rechenzentren
  • Rechenzentren machten 2022 etwa 1 % des globalen Strombedarfs aus.
  • In Irland entfielen 2022 17 % des nationalen Stromverbrauchs auf Rechenzentren.
  • Die Zahl der Rechenzentren weltweit ist von 500.000 im Jahr 2012 auf rund 8 Millionen 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 Inference. Betont werden Leistungsdichte, Netzstabilitätsprobleme und fehlende Anreize 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 für 2026 auf ~1.050 TWh prognostiziert.

Beispiel für Model-Training

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

Bericht zum Energieverbrauch von Rechenzentren in den Vereinigten Staaten

Der Bericht zum Energieverbrauch von Rechenzentren in den Vereinigten Staaten (2024) schätzt den historischen Stromverbrauch von US-Rechenzentren und liefert Szenariospannen bis 2028. Er bringt den Wachstumsknick nach 2017 ausdrücklich mit beschleunigten Servern in Verbindung, darunter Grafikprozessoren, die für die Ausführung von KI-Modelle verwendet werden.¹¹

Gesamter Stromverbrauch von US-Rechenzentren:

• ~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.

Szenariospanne 2028:

• 325 bis 580 TWh bis 2028.
• Das 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 getrieben, die inzwischen einen erheblichen Teil der installierten Basis ausmachen.
• Er beschreibt Effizienzstrategien, die Nachfrage zuvor konstant 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 Alltagseinsatz (Inference) zu quantifizieren, statt sich nur auf das Training zu konzentrieren. Der Artikel basiert auf einer Preprint-Studie von Forschenden 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-Modelle über seine Lebensdauer jedoch aus der Nutzung stammt. Da beliebte Models millionen- oder milliardenfach eingesetzt werden, können die täglichen Inference-Emissionen die Trainingsemissionen schnell übertreffen.¹²

Energie- und CO₂-Intensität pro Aufgabe:

Die Forschenden maßen den Energieverbrauch bei 10 häufigen KI-Aufgaben auf der Plattform Hugging Face, testeten 88 verschiedene Models und führten pro Aufgabe 1.000 Prompts mithilfe des Code-Carbon-Messtools aus. Die wichtigsten Vergleiche sind:

• Bilderzeugung: Die Erzeugung eines einzelnen Bildes mit einem leistungsfähigen Model verbraucht etwa so viel Energie wie das vollständige Aufladen eines Smartphones.
  • Die Erzeugung von 1.000 Bildern mit einem Model wie Stable Diffusion XL verursacht CO₂-Emissionen, die einer Fahrt von etwa 4.1 Meilen mit einem Benzinauto entsprechen.
  • Die Bilderzeugung ist mit Abstand die energie- und CO₂-intensivste gemessene KI-Aufgabe.
• Texterzeugung: Die Erzeugung von Text ist deutlich weniger energieintensiv.
  • Die Erzeugung von 1.000 Textausgaben verbraucht etwa 16 % der Akkuladung eines Smartphones.
  • Das am wenigsten CO₂-intensive untersuchte Text-Model verursachte Emissionen, die einer Fahrt von 0.0006 Meilen entsprechen.

Model-Größe und Aufgabenspezialisierung:

Die Studie hebt eine erhebliche Effizienzlücke zwischen generativen Allzweck-Models und aufgabenspezifischen Models hervor:

• Große generative Models verbrauchen weit mehr Energie, weil sie für viele Aufgaben ausgelegt sind (generieren, klassifizieren, summarize). Beispielsweise erfordert die Verwendung eines generativen Models zur Klassifizierung von Filmkritiken etwa 30× mehr Energie als die Verwendung eines kleineren Models, das speziell für die Sentiment-Klassifikation fine-tuned wurde.
• Kleinere, spezialisierte Models sind für enge Anwendungen durchweg weniger CO₂-intensiv.

Nutzungsemissionen im Vergleich zu Trainingsemissionen:

Die Forschenden verglichen Trainingsemissionen mit kumulierten Nutzungsemissionen:

• Die Trainingsemissionen des größten BLOOM-Models von Hugging Face wurden nach etwa 590 Millionen Nutzungen übertroffen.
• Bei extrem beliebten Models wie ChatGPT könnten die Nutzungsemissionen die Trainingsemissionen aufgrund des enormen täglichen Nutzervolumens bereits innerhalb von Wochen überschreiten.
• Dies geschieht, weil das Training nur einmal stattfindet, während Inference kontinuierlich und in großem Maßstab erfolgt.

Weitergehende Implikationen und Expertenmeinungen:

• Experten merken an, dass die Emissionen pro Aufgabe höher waren als erwartet, was Bedenken aufwirft, da generative KI in Alltagssoftware eingebettet wird (E-Mail, Suche, Textverarbeitung).
• Die Forschenden betonen, dass neuere, größere Models wesentlich CO₂-intensiver sind als KI-Systeme von vor einigen Jahren.

Jüngste Innovationen bei der Hardware-Effizienz

Mehrere Hardware-Veröffentlichungen aus dem Jahr 2026 zeigen große Effizienzgewinne bei KI. So begann der Inference-Chip FuriosaAI RNGD im Januar 2026 mit einer 180W TDP ¹³, weit unter den etwa 600W+, die typische High-End-GPUs verbrauchen.¹³

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

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

Methodik, wie wir Daten zum KI-Energieverbrauch erhoben haben

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

Viele Berichte verwenden unterschiedliche Maßeinheiten oder Begriffe, etwa den Anteil von KI & ML am globalen Strom, den Energieverbrauch für Training vs. Inference und den Anteil der Rechenzentren am globalen Strom, was einen Vergleich in einem einzigen Diagramm erschwert. Damit alle Werte gemeinsam in einem einzigen Diagramm dargestellt werden konnten, haben wir die Studien einbezogen, die vergleichbare Definitionen und Maßeinheiten verwendeten:

• Globaler Stromverbrauch von Rechenzentren.
• Anteil der KI am Stromverbrauch innerhalb von Rechenzentren.
• Stromverbrauch von 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 KI-Energieverbrauch}},
  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.

https://static1.squarespace.com/static/635693acf15a3e2a14a56a4a/t/69cbb9d509ada447b6d9013f/1774959061185/forecasting-the-economic-effects-of-ai.pdf

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 - 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