Der zweit\u00e4gige AI Action Summit in Paris vom 10. bis 11. Februar 2025 brachte rund 100 Nationen sowie Branchenvertreter zusammen. Am Ende unterzeichneten 61 L\u00e4nder eine Deklaration, die sich f\u00fcr eine offene, inklusive, transparente, ethische, sichere und vertrauensw\u00fcrdige K\u00fcnstliche Intelligenz (KI) aussprach \u2013 unter internationalem Rahmen und mit Fokus auf Nachhaltigkeit f\u00fcr Mensch und Planet. Die USA und das Vereinigte K\u00f6nigreich verzichteten auf eine Unterzeichnung.<\/p>\n
Bezieht man die drei S\u00e4ulen der Nachhaltigkeit oder die 17 UN-Nachhaltigkeitsziele mit ein, l\u00e4sst sich sagen: Die Deklaration verfolgt das Ziel einer ganzheitlich nachhaltigen KI. Doch wie realistisch ist eine \u00f6kologisch und nachhaltig vertr\u00e4gliche KI?<\/p>\n
\u00c4hnlich wie bei Streaming-Diensten oder Kryptow\u00e4hrungen sorgt auch der Energieverbrauch von KI f\u00fcr kontroverse Diskussionen. Fakt ist: Ja, KI ben\u00f6tigt viel Energie. Doch entscheidend ist, den Verbrauch nicht isoliert zu betrachten. Ein einseitiger Fokus auf die CO\u2082-Bilanz birgt das Risiko, aus dem bisherigen Carbon-Tunnelblick einen KI-Tunnelblick zu machen \u2013 ohne das Gesamtsystem in den Blick zu nehmen.<\/p>\n
Eine nachhaltige KI-Entwicklung erfordert mehr als nur technologische L\u00f6sungen. Sie muss tief in gesellschaftliche und wirtschaftliche Strukturen integriert werden. Es liegt an Individuen, Gesellschaft und Politik, eine digitale Zukunft zu gestalten, die technologischen<\/p>\n
Eine Bitkom-Umfrage aus dem Herbst 2024 ergab, dass vier von zehn Deutschen bereits KI-Anwendungen wie ChatGPT ausprobiert haben. In Unternehmen lag die Nutzungsrate generativer KI zu diesem Zeitpunkt bei nur 9 %, w\u00e4hrend 20 % der Unternehmen KI in irgendeiner Form einsetzen.<\/p>\n
Bitkom-Pr\u00e4sident Dr. Ralf Wintergerst bringt es auf den Punkt: \u201eDie Zeiten sind vorbei, in denen sich Unternehmen fragen mussten, ob ihnen generative KI Vorteile bringen kann. Heute geht es nicht mehr um das Ob, es geht nur noch um das Wie, Wann und Wo.\u201c<\/em> (Quelle<\/a>)<\/p>\n Dennoch bleibt die Frage nach dem Ob<\/em> relevant \u2013 insbesondere mit Blick auf den Energieverbrauch. Ist es ethisch vertretbar, leistungsst\u00e4rkere LLMs wie GPT-4.0 und die nachfolgenden Chain-of-Thought-Modelle zu nutzen, obwohl sie noch mehr Energie verbrauchen? Oder sollte klassische Recherche bevorzugt werden? Falls ja \u2013 \u00fcber eine Browser-Suche oder doch wieder \u00fcber den Brockhaus?<\/p>\n Eine Antwort darauf h\u00e4ngt auch von der Frage nach dem Wo<\/em> ab \u2013 also dem Einsatzbereich. Laut Bitkom w\u00fcnschen sich die meisten Befragten KI-Anwendungen, die Sicherheit oder Effizienz steigern:<\/p>\n Knapp die H\u00e4lfte unterst\u00fctzt KI-Nutzung im Handel, Bankenwesen, Justiz, Sport und Milit\u00e4r. Am wenigsten Zustimmung gibt es f\u00fcr KI in Politik (42 %), Rechtswesen (41 %) sowie Kunst und Kultur (38 %).<\/p>\n In einer fr\u00fcheren Next Stop Future<\/em><\/a>-Podcast-Folge sprach ich mit Catharina \u00fcber KI und Nachhaltigkeit. Damals vertrat ich die Ansicht, dass die Effizienzgewinne den Energieverbrauch \u00fcbersteigen k\u00f6nnten \u2013 KI k\u00f6nnte also trotz ihres hohen Bedarfs zur Nachhaltigkeit beitragen.<\/p>\n Doch neue Modelle ben\u00f6tigen deutlich mehr Ressourcen als \u00e4ltere LLMs. Da immer mehr Suchanfragen \u00fcber KI statt \u00fcber klassische Suchmaschinen laufen, steigt der Gesamtverbrauch. Noch vor Kurzem verbrauchte eine KI-Anfrage deutlich mehr Energie als eine Google-Suche. Doch da zunehmend Suchmaschinen selbst KI-gest\u00fctzte Funktionen integrieren, wird dieser Vergleich allm\u00e4hlich hinf\u00e4llig \u2013 vor allem, wenn eine KI-Anfrage ein wesentlich pr\u00e4ziseres Ergebnis liefert.<\/p>\n W\u00e4hrend ein einzelner Prompt kaum ins Gewicht f\u00e4llt, ist aber die Masse entscheidend.<\/p>\n Dass diese Daten mit Vorsicht zu interpretieren sind, zeigt ein Vergleich zweier Studien:<\/p>\n Laut Emma Strubell et al. (Quelle<\/a>) verursachte das Training eines Deep-Learning-Modells mit einer Architektur k\u00fcnstlicher neuronaler Netzwerke 284.019 kg CO\u2082e<\/strong> \u2013 vergleichbar mit rund 300 Interkontinentalfl\u00fcgen.<\/p>\n Eine Analyse von Google-Wissenschaftlern (Patterson et al., Quelle<\/a>) kam hingegen zu einem deutlich niedrigeren Wert: Der tats\u00e4chliche CO\u2082-Aussto\u00df lag demnach um das 88-Fache unter<\/strong> den Berechnungen von Strubell et al. In modernen Rechenzentren k\u00f6nnte der Wert sogar um das 476-Fache niedriger<\/strong> ausfallen.<\/p>\n Entscheidend f\u00fcr den Energieverbrauch sind demnach nicht nur der Zeitpunkt, der Standort und die Hardware des Trainings, sondern auch das verwendete Modell selbst. Der Einsatz neuer Tensor-Prozessoren kann die CO\u2082-Emissionen weiter senken. Die Autoren der Google-Studie fordern daher mehr Transparenz und pl\u00e4dieren daf\u00fcr, den Energieverbrauch sowie die CO\u2082-Emissionen in wissenschaftlichen Ver\u00f6ffentlichungen standardm\u00e4\u00dfig anzugeben.<\/p>\n Verl\u00e4ssliche Zahlen zum Energieverbrauch sind schwer zu finden. Klar ersichtlich ist jedoch das Wachstum der Rechenzentren und deren steigender Strombedarf.<\/p>\n Laut Data Center Map<\/em> gibt es weltweit derzeit rund 8.600 Rechenzentren<\/strong>, eine \u00e4hnliche Zahl ermittelt Cloudscene<\/em>. Die Internationale Energieagentur (IEA) sch\u00e4tzt, dass Rechenzentren aktuell 1 bis 1,5 % des weltweiten Energiebedarfs<\/strong> ausmachen \u2013 mit rasant steigenden Investitionen, insbesondere in den USA.<\/p>\n Neben dem wachsenden Energieverbrauch ist auch der Wasserbedarf f\u00fcr die K\u00fchlung ein kritischer Faktor. Eine Studie aus dem Jahr 2023 zeigte, dass das Training von GPT-3 in einem modernen US-Rechenzentrum rund 700.000 Liter Frischwasser<\/strong> ben\u00f6tigte \u2013 vergleichbar mit der Produktion von 370 BMW-Autos<\/strong>. In weniger effizienten Rechenzentren, etwa in Asien, h\u00e4tte sich dieser Verbrauch verdreifacht.<\/p>\n Die Autoren der Studie empfehlen daher, das Training von KI-Modellen in k\u00fchlere Zeitr\u00e4ume zu verlegen, um den Wasserverlust durch Verdunstung zu minimieren.<\/p>\n Ein zentrales Problem bleibt: Die steigende Nachfrage nach Rechenleistung wird derzeit \u00fcberwiegend durch fossile Brennstoffe<\/strong> wie Erdgas und Kohle gedeckt \u2013 nicht durch erneuerbare Energien.<\/p>\n Seit Januar 2024 sind Unternehmen in Deutschland gesetzlich verpflichtet, mindestens 50 % ihres Strombedarfs aus erneuerbaren Quellen<\/strong> zu beziehen. Ab 2027 soll dieser Anteil weltweit auf 100 % steigen<\/strong> (Quelle<\/a>). Doch global sieht die Realit\u00e4t anders aus (Quelle: Reuters<\/a>).<\/p>\n L\u00f6sungsans\u00e4tze gibt es \u2013 aber sie erfordern nicht nur soziokulturelle, sondern politische und wirtschaftliche Transformationen. KI kann eine Schl\u00fcsselrolle bei der Bew\u00e4ltigung \u00f6kologischer und gesellschaftlicher Herausforderungen spielen, indem sie Effizienzpotenziale in Ressourcennutzung, Energieverbrauch und Kreislaufwirtschaft hebt. Doch f\u00fcr eine nachhaltige Zukunft sind tiefgreifende strukturelle Ver\u00e4nderungen notwendig, die sich in den transformativen Trends<\/a><\/strong> wiederfinden.<\/p>\n Die Eco Transition<\/em><\/strong> beschreibt, Nachhaltigkeit systemisch zu verankern, statt sie nur auf Verzicht oder Kompensation zu reduzieren. Dies bedeutet, dass KI-Technologien nicht nur Emissionen optimieren, sondern Kreislaufwirtschaft und regenerative Wirtschaftsmodelle aktiv gestalten werden. Die Conscious Economy<\/em> <\/strong>erweitert diesen Ansatz, indem sie wirtschaftliche Wertsch\u00f6pfung mit sozialen und \u00f6kologischen Zielen verkn\u00fcpft. KI k\u00f6nnte hier als Werkzeug f\u00fcr transparente und faire Produktions- und Handelsprozesse eingesetzt werden.<\/p>\n Gleichzeitig spielen gesellschaftliche und ethische Dimensionen eine zentrale Rolle. Die Co-Society<\/em><\/strong> f\u00f6rdert neue Formen der Zusammenarbeit, die auf Offenheit und Teilhabe beruhen \u2013 Open-Source-KI-Modelle erm\u00f6glichen eine gemeinschaftliche Entwicklung von Technologie und verhindern monopolistische Abh\u00e4ngigkeiten.<\/p>\n Dezentralit\u00e4t wird auch im Rahmen der Glocalisation<\/em><\/strong> relevant, die globale Vernetzung mit lokalen, anpassungsf\u00e4higen Strukturen kombiniert. Dezentrale KI-Ans\u00e4tze und Small Language Models (SLMs) stehen dabei f\u00fcr eine nachhaltigere und demokratischere Alternative zu energieintensiven zentralisierten Systemen.<\/p>\n Die ethische Dimension zeigt sich in der Human Digitality<\/em>:<\/strong> KI darf nicht nur funktionale Optimierung betreiben, sondern muss auch menschliche Werte, Privatsph\u00e4re und digitale Selbstbestimmung respektieren. Ein verantwortungsvoller Umgang mit Daten, der Schutz individueller Rechte und die Entwicklung fairer, diskriminierungsfreier Algorithmen sind essenziell, um KI zu einem Instrument f\u00fcr eine lebenswerte Zukunft zu machen.<\/p>\n Die Zukunft der KI liegt also nicht nur in ihrer technologischen Weiterentwicklung, sondern vor allem in ihrer sinnhaften, nachhaltigen und ethisch reflektierten Integration in gesellschaftliche Transformationsprozesse.<\/p>\n[\/et_pb_text][et_pb_text _builder_version=”4.27.4″ _module_preset=”default” text_text_color=”#000000″ text_font_size=”16px” link_text_color=”#12876F” link_font_size=”16px” header_line_height=”1.3em” border_width_top=”3px” border_color_top=”#000000″ global_colors_info=”{}”]\n Wann ist der Einsatz von KI legitim \u2013 sowohl zeitlich<\/strong> als auch thematisch<\/strong>? Diese Frage gewinnt angesichts des hohen Ressourcenverbrauchs an Bedeutung. Sollten KI-Modelle nur zu bestimmten Zeiten betrieben werden, wenn erneuerbare Energien ausreichend verf\u00fcgbar sind? Sollte es Einschr\u00e4nkungen f\u00fcr besonders energieintensive Anwendungen geben? Effiziente Softwareentwicklung:<\/strong> KI-Systeme k\u00f6nnen so programmiert werden, dass sie sich an Schwankungen der Kohlenstoffemissionen anpassen<\/strong> und nicht-zeitkritische Aufgaben in energieeffizienten Zeitr\u00e4umen<\/strong> ausf\u00fchren. Das Power Capping:<\/strong> Durch eine reduzierte Auslastung von GPUs und Prozessoren<\/strong> kann der Stromverbrauch gesenkt werden, ohne die Effizienz zu beeintr\u00e4chtigen (Quelle: MIT Sloan<\/a>).<\/p>\n KI kann nicht nur bei der Optimierung und Etablierung der Kreislaufwirtschaft<\/strong> unterst\u00fctzend t\u00e4tig sein, sondern auch dazu beitragen, nachhaltige L\u00f6sungen f\u00fcr die Wiederverwendung von Hardware zu entwickeln. W\u00e4hrend der Corona-Pandemie f\u00fchrte der weltweite Mangel an Computerchips zu einem verst\u00e4rkten Bewusstsein f\u00fcr die Notwendigkeit einer zirkul\u00e4ren Nutzung elektronischer Komponenten<\/strong>. Angesichts der steigenden Nachfrage nach Rechenleistung und der begrenzten Verf\u00fcgbarkeit wichtiger Ressourcen wird die Implementierung des Cradle-to-Cradle-(C2C)-Ansatzes<\/strong> zunehmend essenziell f\u00fcr die Zukunft von Nachhaltigkeit und KI<\/strong>.<\/p>\n Quelle: Circular Economy Initiative<\/a> Open-Source-KI-Modelle f\u00f6rdern Transparenz und erm\u00f6glichen Unternehmen jeder Gr\u00f6\u00dfe, energieeffiziente KI-L\u00f6sungen zu entwickeln und einzusetzen. Die Open-Source-Community<\/strong> tr\u00e4gt durch kontinuierliche Verbesserungen zur Optimierung dieser Modelle bei. Diese demokratisierte Nutzung von LLMs senkt die Einstiegsh\u00fcrden f\u00fcr Entwickler weltweit und treibt den Fortschritt im Bereich generativer KI-Technologien voran. Open-Source-Modelle erm\u00f6glichen eine transparentere Nutzung von Daten<\/strong> und k\u00f6nnen helfen, den Energieverbrauch besser zu analysieren und zu optimieren. Quelle: DataCamp \u2013 Top Open-Source-LLMs<\/a><\/p>\n Es ist essenziell sicherzustellen, dass der Einsatz von KI-Technologien bestehende Energie- und Digitalungleichheiten in Entwicklungsl\u00e4ndern nicht weiter versch\u00e4rft.<\/p>\n Die UNESCO betont die Notwendigkeit, KI-Kapazit\u00e4ten in L\u00e4ndern mit niedrigem und mittlerem Einkommen auszubauen<\/strong>, um digitale Gr\u00e4ben zu \u00fcberbr\u00fccken. Dies erfordert gezielte Ma\u00dfnahmen von Regierungen, der Privatwirtschaft und internationalen Akteuren<\/strong>, die in der Entwicklungszusammenarbeit t\u00e4tig sind.<\/p>\n Durch den verbesserten Zugang zu KI-Technologien kann ein Beitrag zur Reduzierung globaler Ungleichheiten<\/strong> geleistet werden. Eine faire und nachhaltige KI-Entwicklung sollte darauf abzielen, technologische Fortschritte f\u00fcr alle zug\u00e4nglich zu machen, anstatt bestehende Disparit\u00e4ten zu vertiefen.<\/p>\n Quelle: UNESCO-Empfehlung zur Ethik K\u00fcnstlicher Intelligenz<\/a><\/p>\n Die Entwicklung kleinerer, auf spezifische Aufgaben ausgerichteter KI-Modelle kann den Energieverbrauch erheblich reduzieren, ohne die Leistung zu beeintr\u00e4chtigen. Forschungen zur energieeffizienten Praxis beim Training von Deep-Learning-Modellen zeigen, dass eine Reduzierung der Modellkomplexit\u00e4t den Energieverbrauch um die H\u00e4lfte senken<\/a> kann.<\/p>\n Die Grenzen zentralisierter KI-Modelle \u2013 eingeschr\u00e4nkter Datenzugang, unflexible Strukturen und mangelnde Transparenz \u2013 lassen sich durch dezentrale Ans\u00e4tze \u00fcberwinden.<\/p>\n Durch die Schaffung sicherer Datenm\u00e4rkte<\/strong> kann der Austausch von Daten erm\u00f6glicht werden, ohne die Privatsph\u00e4re zu gef\u00e4hrden. Gleichzeitig erlauben multi-dimensionale Modelle<\/strong>, durch Simulationen und Modellierung aus realen Erfahrungen zu lernen.<\/p>\n Technologien wie Federated Learning<\/strong> und Blockchain<\/strong> k\u00f6nnen dazu beitragen, die verantwortungsvolle Entwicklung und den sicheren Einsatz von KI-Modellen zu gew\u00e4hrleisten.<\/p>\n Diese Dezentralisierung f\u00f6rdert die Demokratisierung von Innovationen<\/strong>, indem sie Individuen und kleineren Unternehmen den Zugang zu KI-Entwicklung erleichtert. Dadurch entsteht ein gerechteres, transparenteres und inklusiveres KI-\u00d6kosystem, das nicht nur wenigen Gro\u00dfkonzernen vorbehalten bleibt. Quelle<\/a><\/p>\n\n
<\/strong><\/h3>\n
Kann KI trotz ihres Verbrauchs L\u00f6sungen f\u00fcr den Klimawandel bieten?<\/strong><\/h3>\n
\n
<\/strong><\/h3>\n
Die unsichtbare Ressource: Energie- und Wasserverbrauch von KI<\/strong><\/h3>\n
<\/strong><\/h3>\n
Problem: Steigende Energienachfrage und fossile Brennstoffe<\/strong><\/h3>\n
<\/strong><\/h3>\n
L\u00f6sungsans\u00e4tze f\u00fcr eine nachhaltigere KI<\/strong><\/h3>\n
<\/strong><\/h1>\n
<\/strong><\/h1>\n
Nachhaltige KI bleibt eine Herausforderung
\u2013 aber ist doch umsetzbar<\/strong><\/h1>\n<\/strong><\/h3>\n
<\/strong><\/h3>\n
1. Smarte Software und intelligente Nutzung der Hardware<\/strong><\/h3>\n
<\/strong><\/h3>\n
2. Kreislaufwirtschaft im Hardware-Sektor etablieren<\/strong><\/h3>\n
Quelle: AZoM \u2013 Recycling von Computerchips<\/a><\/p>\n<\/strong><\/h3>\n
3. Offene KI-Infrastrukturen<\/strong><\/h3>\n
<\/strong><\/h3>\n
4. Globale Gerechtigkeit<\/strong><\/h3>\n
<\/strong><\/h3>\n
5. F\u00f6rderung von Suffizienz-Strategien<\/strong><\/h3>\n
<\/strong><\/h3>\n
6. Dezentralisierung<\/strong><\/h3>\n
<\/strong><\/h3>\n
7. Die menschliche Gehirnarchitektur als Inspiration<\/strong><\/h3>\n