286 Millionen Tonnen CO₂. So groß ist der Fußabdruck globaler Rechenzentren heute, 57 Prozent mehr als die Internationale Energieagentur bislang geschätzt hatte. Bis 2030 könnte er sich ohne Gegenmaßnahmen auf 643 Millionen Tonnen mehr als verdoppeln. Die jährlichen Klimaschäden würden von heute 68 Milliarden Dollar auf 154 Milliarden steigen.
Das sind die Zahlen aus einer neuen Studie von Allianz Research. Sie ist methodisch solide: 26 Länder, alle drei Emissionsscopes, erstmals auch Wasserverbrauch und Hardware-Lieferketten systematisch einbezogen. Eine gute Grundlage für die Debatte.
Und trotzdem stellt sie fast ausschließlich eine einzige Frage: Wie machen wir den Energieverbrauch grüner?
Was die Studie richtig beschreibt
Der Bericht zeigt klar, dass der Standort eines Rechenzentrums wichtiger ist als seine technische Effizienz. Dieselbe Rechenlast erzeugt in Norwegen (unter 30 g CO₂/kWh) bis zu 24-mal weniger Emissionen als in Indonesien (über 600 g CO₂/kWh). Europa hat strukturelle Vorteile durch seinen vergleichsweise sauberen Strommix. Deutschland liegt mit 329 g CO₂/kWh allerdings weit hinter Skandinavien.
Drei Hebel empfehlen die Autoren für grüne KI: den Stromsektor dekarbonisieren, mehr Transparenz schaffen, Umweltkosten internalisieren. Wichtige Punkte, keine Frage.
Was die Studie nicht beschreibt
Was im Bericht fehlt, fällt erst auf, wenn man ihn zu Ende gelesen hat: Es gibt keine Seite, keinen Absatz, keine Fußnote zur Frage, ob man den Energieverbrauch nicht auch einfach vermeiden könnte.
Die Autoren erwähnen, dass Effizienzgewinne bei Kühlung, Chip-Design und Auslastung gegenüber der Netzstruktur „vergleichsweise klein" seien. Das stimmt. Aber Effizienz und Suffizienz sind zwei verschiedene Dinge.
Die Studie fragt nie: Muss jede Anfrage an ein großes Sprachmodell gehen oder reicht ein kleineres? Wie viel redundante Berechnung findet statt, weil Kontextfenster unnötig groß sind? Wie viel Token-Verbrauch ließe sich durch saubere Datenvorbereitung einsparen? Welche KI-Anwendungen sind ressourcenintensiv, ohne proportionalen Nutzen zu liefern?
Was digitale Datensuffizienz konkret bedeutet
Datensuffizienz ist kein Plädoyer gegen KI. Es ist die Frage, welche Daten tatsächlich in ein Modell müssen und welche nicht.
Wer ein großes Sprachmodell mit schlecht strukturierten, redundanten oder irrelevanten Inhalten füttert, zahlt dafür nicht nur in schlechteren Ergebnissen. Er zahlt auch in Strom, Wasser und CO₂. Saubere Eingaben, gezielt ausgewählte Dokumente, kleinere Kontextfenster, das richtige Modell für die jeweilige Aufgabe. Das sind keine abstrakten Prinzipien. Es sind Hebel, die heute wirken, bevor die erneuerbaren Energien in zehn Jahren den Strommix grundlegend verändert haben.
Die Allianz-Studie schätzt, dass gut eingesetzte KI bis 2035 netto 750 Millionen Tonnen CO₂ einsparen könnte, wenn ihre Effizienzgewinne in der Breite der Wirtschaft schneller skalieren als ihr eigener Fußabdruck wächst. Das ist eine Wenn-Bedingung mit viel Unsicherheit.
Der Artikel, den die Studie nicht geschrieben hat
Allianz Research hat eine exzellente Grundlage geliefert. Die Frage, die sich daraus ergibt, lautet nicht nur: Wie grün ist unser Strom? Sie lautet auch: Wie notwendig ist unsere Nachfrage?
Das ist die Debatte, die noch aussteht.