---
id: CP-270
slug: ki-energie-training-inferenz
lang: de
title: "Energie und CO2 der KI: Training oder Nutzung"
description: Training und Nutzung eines KI-Modells verbrauchen zu zwei Zeitpunkten Energie. Größenordnungen aus Studien und Hinweise für den maßvollen Einsatz.
canonical_url: https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz/
markdown_url: https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz.md
publisher: Brain (https://startbrain.io)
license: CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/)
cite_as: "Brain, „Energie und CO2 der KI: Training oder Nutzung“, Cyberpedia, 2026. https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz/ (CC BY 4.0)"
wing: 4
theme: use_responsibly
reflex: air-035
schema: G3
updated: "2026-11-14"
translations:
  de: https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz/
  fr: https://startbrain.io/cyberpedia/fr/articles/ia-energie-entrainement-inference/
  en: https://startbrain.io/cyberpedia/en/articles/ai-energy-training-vs-inference/
  es: https://startbrain.io/cyberpedia/es/articles/ia-energia-entrenamiento-inferencia/
  it: https://startbrain.io/cyberpedia/it/articles/ia-energia-addestramento-inferenza/
  nl: https://startbrain.io/cyberpedia/nl/articles/ai-energie-training-inferentie/
  pl: https://startbrain.io/cyberpedia/pl/articles/ai-energia-trenowanie-inferencja/
  pt: https://startbrain.io/cyberpedia/pt/articles/ia-energia-treino-inferencia/
  ja: https://startbrain.io/cyberpedia/ja/articles/ai-energy-training-vs-inference/
sources:
  - "n": 1
    title: How much energy does Google’s AI use? We did the math
    publisher: Google
    url: https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference
    published: "2025-08-21"
    accessed: "2026-11-14"
  - "n": 2
    title: Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model
    publisher: arXiv
    url: https://arxiv.org/abs/2211.02001
    published: "2022-11-03"
    accessed: "2026-11-14"
  - "n": 3
    title: Energy and Policy Considerations for Deep Learning in NLP
    publisher: arXiv
    url: https://arxiv.org/abs/1906.02243
    published: "2019-06-05"
    accessed: "2026-11-14"
  - "n": 4
    title: Carbon Emissions and Large Neural Network Training
    publisher: arXiv
    url: https://arxiv.org/abs/2104.10350
    published: "2021-04-21"
    accessed: "2026-11-14"
  - "n": 5
    title: Measuring the environmental impact of delivering AI at Google Scale
    publisher: arXiv
    url: https://arxiv.org/abs/2508.15734
    published: "2025-08-21"
    accessed: "2026-11-14"
  - "n": 6
    title: How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference
    publisher: arXiv
    url: https://arxiv.org/abs/2505.09598
    published: "2025-05-14"
    accessed: "2026-11-14"
  - "n": 7
    title: "Sustainable AI: Environmental Implications, Challenges and Opportunities"
    publisher: arXiv
    url: https://arxiv.org/abs/2111.00364
    published: "2021-10-30"
    accessed: "2026-11-14"
---

# Energie und CO2 der KI: Training oder Nutzung

Ein KI-Modell verbraucht zu zwei Zeitpunkten Energie: wenn es trainiert wird und dann jedes Mal, wenn man es benutzt. Der zweite Zeitpunkt hat einen Namen, die Inferenz: die Nutzung eines bereits trainierten Modells, um Vorhersagen, Text oder Bilder zu erzeugen [1].

Dieser Artikel nennt Größenordnungen aus veröffentlichten Studien. Es sind Schätzungen, und die Zahlen unterscheiden sich von Studie zu Studie stark. Am Ende stehen die Gewohnheiten, die Beschäftigte im Alltag annehmen können.

## In 30 Sekunden

- Wo es vorkommt: bei jeder Frage an einen KI-Assistenten [1] und zuvor beim Training der Modelle, das erhebliche Rechen- und Energieressourcen erfordert [2].
- Was die Messungen ergeben: Der mediane Text-Prompt von Gemini Apps verbraucht laut Google 0,24 Wh [1]; das abschließende Training von BLOOM hat laut seinen Autoren etwa 24,7 Tonnen CO2-Äquivalent verursacht (nur dynamische Leistung) und 50,5 Tonnen, wenn alle Prozesse mitgezählt werden [2].
- Der Reflex: ein Modell wählen, das zur Aufgabe passt, und unnötige Anfragen vermeiden.

## Direkte Fragen

### Was versteht man unter Training?

Das ist die Phase, in der das Modell aufgebaut wird. Die Autoren der Studie zu BLOOM, einem Sprachmodell mit 176 Milliarden Parametern, schreiben, dass das Training von Modellen erhebliche Ressourcen an Rechenleistung, Energie und Material erfordert [2]. Für BLOOM schätzen sie, dass das abschließende Training etwa 24,7 Tonnen CO2-Äquivalent verursacht hat, wenn man nur den dynamischen Energieverbrauch zählt, und 50,5 Tonnen, wenn man alle Prozesse zählt, von der Herstellung der Geräte bis zum Energieverbrauch [2].

Schon 2019 haben Forschende die ungefähren finanziellen und ökologischen Kosten des Trainings mehrerer Modelle zur Sprachverarbeitung beziffert. Ihnen zufolge hängen die Genauigkeitsgewinne dieser Modelle von außergewöhnlichen Rechenressourcen ab, die einen ebenso hohen Energieverbrauch erfordern [3].

### Was versteht man unter Inferenz?

Das ist der Moment, in dem ein trainiertes Modell auf eine Anfrage antwortet [1]. Die Studie zu BLOOM untersucht auch Energie und Emissionen seines Einsatzes: Das Modell erhält Anfragen von Nutzern in Echtzeit über eine Zugangsschnittstelle (API) [2].

### Wie viel verbraucht eine Anfrage?

Das hängt von der Messmethode, vom Modell und vom Unternehmen ab. Google schätzt, dass der mediane Text-Prompt von Gemini Apps 0,24 Wh verbraucht, 0,03 gCO2e verursacht und 0,26 mL Wasser verbraucht, also etwa fünf Tropfen [1]. Die Energie pro Prompt entspricht laut Google weniger als neun Sekunden Fernsehen [1]. Diese Zahlen beruhen auf einer punktuellen Analyse der Daten vom Mai 2025; Google weist darauf hin, dass sie nicht die Auswirkungen aller Text-Prompts von Gemini Apps abbilden und der künftigen Leistung nicht vorgreifen [1].

Ein anderes Team hat 30 Modelle in kommerziellen Rechenzentren verglichen. Es kommt zu dem Ergebnis, dass eine kurze Anfrage von 0,42 Wh, multipliziert mit 700 Millionen Anfragen pro Tag, einen jährlichen Stromverbrauch erreicht, der mit dem von 35.000 US-Haushalten vergleichbar ist [6]. In seinen Ergebnissen überschreiten die anspruchsvollsten Modelle bei einem langen Prompt 29 Wh, also mehr als das 65-Fache der effizientesten Systeme [6].

### Warum unterscheiden sich die Zahlen so stark?

Aus den Studien treten vier Faktoren hervor.

- Die Berechnungsmethode. Google zählt die Leistung der aktiven Beschleuniger, aber auch die ungenutzten Maschinen, die bereitstehen, um Verkehrsspitzen aufzufangen, den Prozessor und den Arbeitsspeicher der Server sowie den Verbrauch der Rechenzentren (Kühlung, Stromverteilung) [1]. Zählt man nur die aktiven TPU und GPU, erhält Google 0,10 Wh für den medianen Prompt und hält diese Zahl für optimistisch und gegenüber dem tatsächlichen Fußabdruck für stark unterschätzt [1].
- Der Standort. Beim Training schwanken der Anteil kohlenstofffreier Energie und die Emissionen in CO2-Äquivalent um einen Faktor von etwa 5 bis 10, sogar innerhalb desselben Landes und bei derselben Organisation [4].
- Das Rechenzentrum und der Prozessor. Cloud-Rechenzentren können etwa 1,4- bis 2-mal energieeffizienter sein als typische Rechenzentren, und auf Machine Learning spezialisierte Beschleuniger etwa 2- bis 5-mal effizienter als handelsübliche Systeme [4].
- Die Art des Modells. Sehr große neuronale Netze mit teilweiser Aktivierung können weniger als ein Zehntel der Energie dichter Netze verbrauchen, ohne Verlust an Genauigkeit [4].

Die Autoren dieser letzten Studie schätzen, dass die Wahl des Netzes, des Rechenzentrums und des Prozessors den CO2-Fußabdruck um einen Faktor von etwa 100 bis 1.000 senken kann [4]. Sie fügen hinzu, dass diese Unterschiede nachträgliche Schätzungen schwierig machen [4].

## So funktioniert es

Der Fußabdruck einer KI beschränkt sich nicht auf den Strom der Chips. Forschende haben den Entwicklungszyklus der Modelle in industriellen Anwendungsfällen und den Lebenszyklus der Hardware untersucht: Sie zählen den CO2-Fußabdruck des Betriebs und den der Herstellung [7].

Auf Seiten der Inferenz beschreibt Google mehrere Hebel für die Effizienz von Gemini. Architekturen vom Typ Mixture-of-Experts aktivieren nur einen kleinen Teil eines großen Modells, um eine Anfrage zu beantworten, was Berechnungen und Datenübertragungen laut Google um einen Faktor von 10 bis 100 verringert [1]. Die Destillation erzeugt kleinere Modelle (Gemini Flash und Flash-Lite) aus größeren Modellen [1]. Google gibt einen durchschnittlichen PUE von 1,09 über alle seine Rechenzentren an; diese Kennzahl misst die Energie, die die Infrastruktur rund um die IT-Geräte verbraucht [1].

Laut Google sind die Energie und der gesamte CO2-Fußabdruck des medianen Prompts von Gemini Apps binnen zwölf Monaten um den Faktor 33 beziehungsweise 44 gesunken [1]. Google weist darauf hin, dass dieser Vergleich den Mai 2024 und den Mai 2025 betrifft und dass die Daten nicht von einem unabhängigen Dritten überprüft wurden [1].

## Was Sie tun

- Wählen Sie das Modell nach der Aufgabe. In der Studie zu 30 Modellen übersteigt der Abstand zwischen den anspruchsvollsten und den effizientesten bei einem langen Prompt den Faktor 65 [6]. Google selbst bietet kleinere Modelle an, um Anfragen zu bedienen [1].
- Vermeiden Sie unnötige Anfragen. Eine kurze Anfrage von 0,42 Wh wirkt vernachlässigbar, doch multipliziert mit 700 Millionen Anfragen pro Tag entspricht sie laut diesem Team dem Jahresstrom von 35.000 US-Haushalten [6]. Es beschreibt ein Paradoxon: Wenn KI billiger und schneller wird, lässt ihre weltweite Verbreitung die Ressourcen unverhältnismäßig stark in Anspruch nehmen [6].
- Behalten Sie die Größenordnungen im Kopf, ohne sie als Gewissheiten anzuführen: Sie hängen von der Studie, vom Modell und vom Standort ab.

## Die Fallstricke

- Zahlen aus unterschiedlichen Methoden vergleichen. Die Zahl von 0,24 Wh bei Google schließt die ungenutzten Maschinen und die Energie der Rechenzentren ein, was laut Google viele aktuelle Berechnungen nicht berücksichtigen [1]. Die Autoren der Google-Studie sagen außerdem, dass vor ihrer Studie keine Untersuchung diese Kennzahlen eines KI-Dienstes im Produktivbetrieb gemessen hatte [5].
- Eine Zahl von Google für einen unabhängigen Wert halten. Google weist darauf hin, dass der Vergleich zwischen Mai 2024 und Mai 2025 (Rückgang um den Faktor 33 und 44) nicht von einem unabhängigen Dritten überprüft wurde [1].
- Glauben, eine Zahl gelte für alle Modelle. Google weist darauf hin, dass sich die Energie des medianen Prompts ändern kann, wenn neue Modelle hinzukommen, wenn sich die Architektur weiterentwickelt und wenn sich das Verhalten der Nutzer ändert [1].
- Das Training vergessen. Die Autoren der Studie von 2021 meinen, dass Energie und Emissionen zu den Bewertungskennzahlen der Modelle gehören sollten [4].

## Quellen

1. Google, „How much energy does Google’s AI use? We did the math“, 21. August 2025. https://cloud.google.com/blog/products/infrastructure/measuring-the-environmental-impact-of-ai-inference (abgerufen am 14. November 2026)
2. arXiv, „Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model“, 3. November 2022. https://arxiv.org/abs/2211.02001 (abgerufen am 14. November 2026)
3. arXiv, „Energy and Policy Considerations for Deep Learning in NLP“, 5. Juni 2019. https://arxiv.org/abs/1906.02243 (abgerufen am 14. November 2026)
4. arXiv, „Carbon Emissions and Large Neural Network Training“, 21. April 2021. https://arxiv.org/abs/2104.10350 (abgerufen am 14. November 2026)
5. arXiv, „Measuring the environmental impact of delivering AI at Google Scale“, 21. August 2025. https://arxiv.org/abs/2508.15734 (abgerufen am 14. November 2026)
6. arXiv, „How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference“, 14. Mai 2025. https://arxiv.org/abs/2505.09598 (abgerufen am 14. November 2026)
7. arXiv, „Sustainable AI: Environmental Implications, Challenges and Opportunities“, 30. Oktober 2021. https://arxiv.org/abs/2111.00364 (abgerufen am 14. November 2026)

---

Originalquelle: Cyberpedia, die öffentliche Enzyklopädie zu Cybersicherheit und KI von Brain. Kanonische Version: https://startbrain.io/cyberpedia/de/articles/ki-energie-training-inferenz/
Sie dürfen diesen Text unter der Lizenz CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) frei weiterverwenden, sofern Sie „Brain, Cyberpedia“ mit einem Link auf die obige Adresse nennen.
