Statistiken zum Energieverbrauch von KI

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

Wir haben Daten der IEA, des MIT und großer Cloud-Anbieter ausgewertet, um Trends bei der Effizienz des KI-Energieverbrauchs, politische Reaktionen und bewährte Praktiken zu identifizieren.

Energieverbrauch von KI-Rechenzentren

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

Empfehlungen zum Management des KI-Energieverbrauchs

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

Inferenzeffizienz vor Trainingseffizienz priorisieren

Forschungsergebnisse zeigen, dass über 80 % der KI-Rechenleistung heute für Inferenz verwendet werden.

• 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 häufig genutzte Endpoints, nicht auf seltene oder Long-Tail-Anwendungsfälle.

Aufgabenspezifische Energiemetriken messen und veröffentlichen, nicht modellbezogene 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 Nicht-GPU-Overhead (Speicher, Vernetzung, Orchestrierung).

Keine universellen generativen Modelle für enge Aufgaben verwenden

Ein höherer Energieverbrauch ist eng mit generativen Modellen verknüpft, die für Aufgaben wie Klassifizierung anstelle von spezialisierten Modellen 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 eine offene Generierung erfordern.
• Führen Sie Modellkaskaden ein (vom kleinen zum großen Modell, falls erforderlich).

Systembedingte Verschwendung bei der Inferenzbereitstellung reduzieren

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

• Erhöhen Sie die Beschleunigerauslastung durch:
  • Batchverarbeitung
  • Caching
  • Intelligentere Planung
• Eliminieren Sie redundante Aufrufe über Pipelines und Microservices hinweg.
• Implementieren Sie bedarfsorientierte Autoskalierung anstelle von Spitzenlastbereitstellung.

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

• 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 auf die energieeffizientesten verfügbaren Beschleuniger aus.

Wasserverbrauch und Hardware-Lebenszyklus im Systemdesign berücksichtigen

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

• Bevorzugen Sie Bereitstellungen, die Kühlintensität und Wasserverbrauch reduzieren.
• Verlängern Sie die Hardware-Lebensdauer durch Modell-Effizienz und Wiederverwendung.
• Vermeiden Sie unnötiges Neutraining oder Neubereitstellungen, die den Hardware-Wechsel beschleunigen.

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

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

• Ausgabenbasiert: Multiplizieren Sie die KI-Anbieterausgaben mit einem wirtschaftlichen Emissionsfaktor. Dies kann verwendet werden, wenn keine Nutzungsdaten verfügbar sind, aber Ausgaben sind ein schwacher Proxy für den tatsächlichen Stromverbrauch.
• Aktivitätsbasiert: Berechnen Sie Emissionen aus Token-Nutzung, Energieverbrauch pro Eingabe- und Ausgabe-Token, 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 aber größere Transparenz der Anbieter.

In Watersheds Beispiel eines Unternehmens, das jährlich $100.000 für eine Frontier-Modell-API ausgibt, schätzt der ausgabenbasierte Ansatz 13,4 tCO₂e/Jahr, verglichen mit 3,7–5,4 tCO₂e unter Verwendung detaillierter Aktivitätsdaten und 3,2–4,5 tCO₂e unter 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 größte Einschränkung ist heute die Datenverfügbarkeit: Die meisten KI-Kunden haben keine modell- und regionsspezifischen Energieangaben von ihren Anbietern, sodass Schätzungen immer noch 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 unter drei expliziten KI-Fortschrittsszenarien (langsam, moderat, schnell):

• Bis 2030 schätzen die Teilnehmer, dass der Stromverbrauch der USA 2,3 % in einem langsameren Wachstumsfall, 4,9 % bei moderatem Wachstum und 7,4 % in einem Szenario mit schneller Expansion betragen könnte, 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 Superprognostiker erwarten 2050 sogar eine noch höhere Nachfrage bei schnellem Wachstum, wobei beide jeweils rund 19,5 % schätzen.³

MIT Technology Review-Studie

MIT Technology Review (2025) unterteilt den KI-Energieverbrauch in zwei Hauptphasen: Modelltraining und KI-Inferenz. Sie argumentiert, dass die Inferenz heute der dominierende Treiber des Energieverbrauchs ist, da KI-Funktionen im Alltag in Produkte und Dienstleistungen eingebettet werden.

Sie hebt auch eine Transparenzlücke hervor. Die meisten großen „geschlossenen“ KI-Modellanbieter legen nicht genügend Informationen offen, um ihren Gesamtenergieverbrauch oder CO₂-Fußabdruck zuverlässig zu schätzen.⁴

Strom und Gesamtnachfrage:

• US-Rechenzentren: 4,4 % des gesamten US-Stroms gehen an Rechenzentren.
• KI innerhalb von US-Rechenzentren: KI-spezifische Server verbrauchten 2024 schätzungsweise 53-76 Terawattstunden (TWh), und Prognosen deuten auf 165-326 TWh bis 2028 hin.

Training vs. Inferenz:

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

Energie pro Aufgabe (Stromverbrauch):

• Text (Llama 3.1 8B): ~114 Joule pro Antwort unter Berücksichtigung des Nicht-GPU-Overheads.
• Text (Llama 3.1 405B): ~6.706 Joule pro Antwort mit Overhead.
• Bilder (Stable Diffusion 3 Medium, 1024×1024): ~2.282 Joule insgesamt; höhere Schritte können dies auf ~4.402 Joule erhöhen.
• Video (CogVideoX-Beispiele): ~109.000 Joule für eine kurze Ausgabe in niedriger Qualität; ~3,4 Millionen Joule für ein 5-Sekunden-Video in höherer Qualität.

Infrastruktur und Netz-Emissionen:

• Die Kohlenstoffintensität des Stroms von Rechenzentren liegt 48 % über dem US-Durchschnitt.
• Kühlsysteme in Rechenzentren können große Mengen Wasser verbrauchen, manchmal Trinkwasser.

Internationale Energieagentur

Die IEA (2025) betrachtet den KI-Energiebedarf aus der Perspektive von Rechenzentren und ihren 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 von Rechenzentren:

• Geschätzt ~415 TWh im Jahr 2024, etwa 1,5 % des weltweiten Stromverbrauchs.
• Prognose: ~945 TWh bis 2030, unter 3 % des weltweiten Stromverbrauchs im IEA-Basisszenario.

Stromverbrauch von Rechenzentren nach Gerätetyp:

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

Abbildung 1: Grafik, die Daten von 2024 zum Anteil des Stromverbrauchs nach Rechenzentrums- und Gerätetyp zeigt.

Google Cloud

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

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

• 0,24 Wh Energie
• 0,03 gCO₂e Emissionen
• 0,26 Milliliter Wasser

Behauptungen zur Effizienzverbesserung

• In den letzten 12 Monaten, so Google, sank die Energie pro medianem Prompt um das 33-fache, und der gesamte CO₂-Fußabdruck sank um das 44-fache.

Rechenzentrumseffizienz und Infrastruktur

• Die flottenweite durchschnittliche Power Usage Effectiveness (PUE) beträgt 1,09 für die Rechenzentren von Google.
• Googles neueste TPU-Generation, Ironwood, soll 30-mal energieeffizienter sein als die erste öffentlich verfügbare TPU.

Carbon Brief-Organisation

Carbon Brief (2025) synthetisiert die Internationale Energieagentur (IEA)⁷ und andere Quellen zu einer Reihe von Diagrammen, 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 weltweiten Strombedarfs und 0,5 % der CO₂-Emissionen verantwortlich (siehe Abbildung 2).

Wachstum

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

Beispiele für regionale Konzentration:

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

Stromversorgungsmix für Rechenzentren (global)

• Fossile Brennstoffe: Nahezu 60 %
• Erneuerbare: 27 %
• Nuklear: 15 %

Abbildung 2: Basierend auf dem Global Energy Review 2025 der IEA und ihrem Energy and KI-Bericht 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, 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

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

• Kategorien der Umweltauswirkungen
  • Direkt: Strom- und Wasserverbrauch, Treibhausgasemissionen, Mineralienabbau, Umweltverschmutzung und Elektroschrott.
  • Indirekt: Emissionen aus KI-gestützten Anwendungen und Diensten.
  • Übergeordnet: Verstärkung von Ungleichheiten und Probleme im Zusammenhang mit voreingenommenen oder qualitativ schlechten Trainingsdaten.
• Rechenzentren und Ressourcenverbrauch
  • Rechenzentren verbrauchen große Mengen Strom, der größtenteils noch aus fossilen Brennstoffen stammt.
  • Erhebliche Mengen Wasser werden für Kühlsysteme und Bau benötigt.
  • Der globale KI-bedingte Wasserbedarf wird bis 2027 voraussichtlich 4,2–6,6 Milliarden Kubikmeter erreichen und damit den jährlichen Wasserverbrauch Dänemarks übersteigen.
  • Die Herstellung eines 2-Kilogramm-Computers kann etwa 800 Kilogramm Rohmaterialien erfordern, einschließlich seltener Mineralien.
• Stromverbrauch und -wachstum
  • Eine ChatGPT-Abfrage kann etwa 10-mal mehr Strom verbrauchen als eine Google-Suche, so die IEA-Schätzung.
  • KI und maschinelles Lernen machten 2021 <0,2 % des weltweiten Stromverbrauchs und <0,1 % der weltweiten 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 % des weltweiten 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 heute 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 über die Umweltauswirkungen generativer KI

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

Leistungsdichte

• Ein generativer KI-Trainingscluster könnte 7- bis 8-mal mehr Energie verbrauchen als eine typische Rechenarbeitslast.

Stromverbrauch von Rechenzentren

• Der globale Stromverbrauch von Rechenzentren wird für 2022 mit 460 TWh und für 2026 mit ~1.050 TWh prognostiziert.

Beispiel Modelltraining

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

US-Bericht zum Energieverbrauch von Rechenzentren

Der United States Data Center Energy Usage Report (2024) schätzt den historischen Stromverbrauch von US-Rechenzentren und bietet Szenariobereiche bis 2028. Er verbindet den Wendepunkt des Wachstums nach 2017 explizit mit beschleunigten Servern, einschließlich Grafikprozessoren, die zur Ausführung von KI-Modellen 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.

Szenariobereich für 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 angetrieben durch GPU-beschleunigte Server für künstliche Intelligenz, die jetzt einen erheblichen Anteil der installierten Basis ausmachen.
• Es beschreibt Effizienzstrategien, die Nachfrage zuvor flach hielten, darunter verbesserte Kühlsysteme, Energiemanagement, höhere Auslastungsraten und reduzierte Leerlaufleistung.

MIT Technology Review

MIT Technology Review (2023) berichtet über einen der ersten Versuche, den Energieverbrauch und die CO₂-Emissionen von KI während der alltäglichen Nutzung (Inferenz) zu quantifizieren, anstatt sich nur 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 jedoch aus seiner Nutzung stammt. Da beliebte Modelle millionen- oder milliardenfach eingesetzt werden, können die täglichen Inferenzemissionen die Trainingsemissionen schnell übersteigen.¹²

Energie- und Kohlenstoffintensität pro Aufgabe:

Die Forscher maßen den Energieverbrauch bei 10 häufigen KI-Aufgaben auf der Hugging Face-Plattform und testeten 88 verschiedene Modelle mit 1.000 Prompts pro Aufgabe mit dem Code Carbon-Messwerkzeug. Wichtige Vergleiche sind:

• Bilderzeugung: Die Erzeugung eines einzigen Bildes mit einem leistungsstarken Modell verbraucht etwa so viel Energie wie das vollständige Aufladen eines Smartphones.
  • Die Erzeugung von 1.000 Bildern mit einem Modell wie Stable Diffusion XL erzeugt CO₂-Emissionen, die mit dem Fahren von etwa 4,1 Meilen in einem Benzinauto vergleichbar sind.
  • Die Bilderzeugung ist die mit Abstand energie- und kohlenstoffintensivste gemessene KI-Aufgabe.
• Texterzeugung: Die Texterzeugung ist deutlich weniger energieintensiv.
  • Die Erzeugung von 1.000 Textausgaben verbraucht etwa 16 % einer Smartphone-Ladung.
  • Das am wenigsten kohlenstoffintensive untersuchte Textmodell emittierte umgerechnet das Fahren von 0,0006 Meilen.

Modellgröße und Aufgabenspezialisierung:

Die Studie hebt eine große Effizienzlücke zwischen universellen 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 Verwendung eines generativen Modells zur Klassifizierung von Filmkritiken etwa 30-mal mehr Energie als die Verwendung eines kleineren Modells, das speziell für die Sentiment-Klassifizierung fine-getuned wurde.
• Kleinere, spezialisierte Modelle sind für enge Anwendungen durchweg weniger kohlenstoffintensiv.

Nutzungsemissionen vs. Trainingsemissionen:

Die Forscher verglichen Trainingsemissionen mit kumulativen Nutzungsemissionen:

• Das Training des größten BLOOM-Modells von Hugging Face wurde nach etwa 590 Millionen Nutzungen überschritten.
• Bei extrem beliebten Modellen wie ChatGPT könnten die Nutzungsemissionen aufgrund der massiven täglichen Nutzerzahlen innerhalb von Wochen die Trainingsemissionen übersteigen.
• Dies geschieht, weil das Training einmal erfolgt, während die Inferenz kontinuierlich im großen Maßstab stattfindet.

Übergeordnete Implikationen und Expertenmeinungen:

• Experten stellen fest, dass die Emissionen pro Aufgabe höher waren als erwartet, was Bedenken aufwirft, da generative KI in alltägliche Software 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 Hardware-Effizienz

Mehrere Hardware-Veröffentlichungen im Jahr 2026 zeigen große Fortschritte bei der KI-Effizienz. So begann beispielsweise der FuriosaAI RNGD Inferenz-Chip im Januar 2026 mit der Volumenauslieferung mit einer TDP von 180W¹³ , weit weniger als die etwa 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 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-Kernen¹⁵ , gemeinsam entwickelt mit Meta, und OpenAI zählt zu den ersten Nutzern.

Methodik zur Erhebung von Daten zum KI-Energieverbrauch

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

Viele Berichte verwenden unterschiedliche Maßeinheiten oder Terminologien, wie z. B. KI- & ML-Anteil am globalen Strom, Energieverbrauch für Training vs. Inferenz und Anteil von Rechenzentren am globalen Strom, was einen Vergleich in einem einzigen Diagramm erschwert. Um sicherzustellen, dass alle Werte gemeinsam in einem einzigen Diagramm dargestellt werden können, haben wir nur die Studien aufgenommen, die vergleichbare Definitionen und Maßeinheiten verwendeten:

• Globaler Stromverbrauch von Rechenzentren.
• Anteil von KI am Stromverbrauch in 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 Energieverbrauch von KI}},
  year   = {2026},
  month  = aug,
  howpublished    = {\url{https://aimultiple.com/ai-energy-consumption}},
  note   = {AIMultiple. Abgerufen am 7. August 2026}
}

Referenzlinks

1.

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

2.

https://cdn.sanity.io/files/3ogo9b9g/production/a5c1f64ca5864e61b47e6384ee4d0ed31bc861f4.pdf

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 – Analysis - IEA

6.

Measuring the environmental impact of AI inference | Google Cloud Blog

Google Cloud

7.

https://iea.blob.core.windows.net/assets/5b169aa1-bc88-4c96-b828-aaa50406ba80/GlobalEnergyReview2025.pdf

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.

https://escholarship.org/content/qt32d6m0d1/qt32d6m0d1.pdf?v=lg

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 eine Branchenanalystin bei AIMultiple und deckt KI-Modelle, KI-Infrastruktur, KI-Governance und Unternehmensanwendungen von KI ab. Ihre Forschung konzentriert sich überwiegend auf den Einsatz von KI in Marketing, Gesundheitswesen, Lieferketten und Nachhaltigkeit. Zuvor war sie als Recruiterin in Projektmanagement- und Beratungsunternehmen tätig. Sıla hat einen Master of Science in Sozialpsychologie und einen Bachelor of Arts in Internationale 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