Wenn man über die Umweltbilanz von KI spricht, hört man inzwischen häufiger einen Einwand: Die Modelle werden doch effizienter. Pro Anfrage sinkt der Energieverbrauch. Das ist richtig. Und es ändert trotzdem nichts am Gesamtproblem.
Um zu verstehen, warum, lohnt ein Umweg über das Jahr 1865.
Ein Ökonom und seine Dampfmaschine
William Stanley Jevons beobachtete damals etwas Merkwürdiges: Obwohl die Dampfmaschinen immer effizienter wurden – also weniger Kohle pro geleisteter Arbeit verbrauchten – stieg der gesamte Kohlekonsum Englands stetig an. Seine Erklärung: Effizientere Maschinen machten Kohle wirtschaftlich attraktiver. Die Industrie expandierte. Mehr Maschinen, mehr Produktion, mehr Kohle – trotz besserer Technik.
Dieses Muster trägt heute seinen Namen: das Jevons-Paradoxon.
Es hat sich seitdem vielfach wiederholt. Effizientere Automotoren führten nicht zu weniger Benzinverbrauch, sondern zu mehr Autos und mehr Kilometern. LED-Beleuchtung hat den Stromverbrauch für Licht nicht gesenkt – weil seitdem deutlich mehr Flächen beleuchtet werden. Effizientere Flugzeugtriebwerke haben das Fliegen billiger gemacht, nicht klimaneutraler.
Dasselbe Muster, neue Technologie
Beim Training großer KI-Modelle lässt sich beobachten, wie der Energiebedarf über die Jahre gewachsen ist. BERT (2018) benötigte für das Training schätzungsweise rund 1,5 MWh – das entspricht grob dem Monatsverbrauch eines deutschen Durchschnittshaushalts. GPT-3 (2020) lag laut einer Studie von Patterson et al. bereits bei über 1.200 MWh. Für Llama 3.1 405B (2024) beziffert Meta den Trainingsaufwand auf rund 27.500 MWh.
Das ist kein lineares Wachstum. Das sind Größenordnungen.
Gleichzeitig sinkt der Energiebedarf pro einzelner Modellanfrage tatsächlich – durch bessere Hardware, optimierte Inferenz-Stacks und kleinere, spezialisierte Modelle für Standardaufgaben. Beides ist wahr: Inference wird effizienter, Training wird energieintensiver.
Was passiert auf der Systemebene? Günstigere Anfragen bedeuten mehr Anfragen. Mehr Einsatzbereiche, mehr Nutzer, mehr Integrationen. Der sinkende Preis pro Query treibt die Gesamtzahl der Queries nach oben. Das Jevons-Paradoxon greift.
Warum Effizienz kein Klimaargument ist
Effizienz ist eine technische Aussage: Ich erreiche dasselbe Ergebnis mit weniger Mitteln. Sie ist kein Nachhaltigkeitsargument, solange sie Nachfrage freisetzt, die den eingesparten Verbrauch übersteigt.
Das ist keine Kritik an Effizienz als Ziel. Effizienz ist gut. Aber sie ist nicht ausreichend – und sie sollte nicht als Entlastungsargument geführt werden.
Für alle, die KI-Nutzung in ihrer Emissionsbilanz erfassen wollen: Die relevante Frage ist nicht, wie effizient ein Modell pro Anfrage ist. Die relevante Frage ist, wie viel Energie – und Wasser, und Infrastruktur – insgesamt für Training, Betrieb und Skalierung aufgewendet wird. Und genau diese Daten veröffentlichen die großen Anbieter bislang nicht.
Was das für Websites bedeutet
Die Analogie zur Webentwicklung liegt nahe. Bessere Kompressionsalgorithmen, schnellere CDNs, optimiertere Frameworks – das Internet wird technisch effizienter. Gleichzeitig wächst das durchschnittliche Seitengewicht seit Jahren kontinuierlich. Weil günstigere Übertragung mehr Inhalte ermöglicht. Weil bessere Geräte mehr JavaScript erlauben. Weil Effizienz Spielraum schafft, der dann gefüllt wird.
Das Jevons-Paradoxon ist kein KI-spezifisches Problem. Es ist ein Muster, das überall dort entsteht, wo Effizienzgewinne auf wachsende Nachfrage treffen – und wo niemand aktiv gegensteuert.
Effizienz ist der Anfang. Nicht das Ziel.
Trainingsdaten: Strubell et al. (2019), Patterson et al. (2021), Meta AI (2024). Das Jevons-Paradoxon geht zurück auf W. S. Jevons, „The Coal Question" (1865). Einen guten Überblick bietet das Paper von Patterson et al.: arxiv.org/abs/2104.10350