UN-Bericht zum Umweltfußabdruck von KI und Rechenzentren

„Der Bericht leistet einen nützlichen Beitrag, indem er Verbrauchsgrößenordnungen erstmals systematisch zusammenstellt und für ein breiteres Publikum greifbar macht. Positiv hervorzuheben ist die Darstellung der Varianz des Energieverbrauchs über verschiedene Aufgabentypen hinweg. Dies ist Policy-relevant und wird selten so klar kommuniziert.“

„Kritisch anzumerken ist jedoch: Der Bericht wiederholt zentrale Befunde mehrfach, ohne zusätzlichen Erkenntnisgewinn. Das erweckt den Eindruck einer noch nicht abgeschlossenen Redaktion. Die Analyse ist zudem stark US-zentriert. Die Rolle Chinas mit Modellen wie DeepSeek und Qwen sowie massivem staatlichem Rechenzentrumsausbau wird aus meiner Sicht nicht ausreichend berücksichtigt. Und das, obwohl China im globalen Energieverbrauch von künstlicher Intelligenz (KI) inzwischen einen erheblichen Anteil einnimmt.“

„Auch europäische Entwicklungen wie Souveränitätsinitiativen oder Green-Deal-Regulierung werden marginal betrachtet. Ebenfalls auffällig ist das Fehlen von Analysen zu KI-gestützter Software-Entwicklung, die heute zu den volumenstärksten Anwendungsfällen in Unternehmen gehört. Konkrete Anwendungen sind etwa Vibe Coding und Coding-Assistenten wie GitHub Copilot, Cursor oder Claude Code.“

„Schließlich bleiben die technischen Ausführungen zu Modellarchitekturen an der Oberfläche: Konzepte wie Mixture-of-Experts (MoE), Quantisierung und spekulative Dekodierung werden nicht ausreichend diskutiert (alle drei sind Ansätze, um etwa die benötigte Rechenleistung und Antwortzeit im Betrieb von KI-Modellen zu reduzieren; Anm. d. Red.). Gleiches gilt für Hardware-Effizienz mit Tensor-Prozessoren (TPUs) und neuronalen Prozessoren (NPUs) (speziell für KI entwickelte Prozessoren; Anm. d. Red.). Obwohl sie für die Einschätzung zukünftiger Effizienzpotenziale zentral sind.“

„Die im Bericht genannten Zahlen sind in ihrer Größenordnung plausibel, jedoch methodisch schwer reproduzierbar. Das grundlegende Problem ist strukturell: KI-Anbieter publizieren keine standardisierten Energiedaten pro Anfrage (Inferenz). Die Zahlen basieren daher auf indirekten Schätzungen, Messungen in kontrollierten Laborumgebungen oder Hochrechnungen aus Strombezugsdaten. Diese legen jeweils unterschiedliche Systemgrenzen zugrunde.“

„Aktuelle Forschung schätzt, dass Rechenzentren weltweit bereits heute circa 1 bis 1,5 Prozent des globalen Stromverbrauchs ausmachen, mit Projektionen von drei bis vier Prozent bis 2030 unter moderaten Wachstumsannahmen [1] [2]. Diese Zahlen decken sich grob mit dem Bericht. Sie sollten aber, falls möglich, mit Konfidenzintervallen zitiert werden, um die erhebliche Modellierungsunsicherheit transparent zu machen.“

„Ein wichtiger, im Bericht unterbelichteter Aspekt ist die geografische Standortstrategie von Rechenzentren. Viele der großen Hyperscaler (Unternehmen, die große Clouds und Rechenkapazitäten anbieten; Anm. d. Red.) haben bereits in den 2010er Jahren bewusst Standorte nahe erneuerbarer Energiequellen gewählt: Microsoft und Google nutzen in Irland und Schweden Windkraft. Meta nutzt in Dänemark und Norwegen Wasser- und Windkraft, Amazon im US-pazifischen Nordwesten ebenso Wasserkraft. Diese physische Ko-Lokation mit erneuerbaren Erzeugungskapazitäten wird im Bericht nicht konkret diskutiert, obwohl sie für die Bewertung der Klimawirkung wesentlich ist.“

„Der Übergang zu Power Purchase Agreements (PPAs) und 24/7 Carbon-Free Energy Verpflichtungen (Verpflichtungen, Strom mit möglichst geringen Emissionen zu nutzen; Anm. d. Red.) – wie von Google verfolgt – stellt einen qualitativen Unterschied zu einfachem Zertifikathandel (RECs) dar, der ebenfalls nicht differenziert wird.“

„Der Energieverbrauch von KI-Rechenzentren ist real und wachsend, aber gegenwärtig nicht das dominante Klimaproblem. Rechenzentren verursachen derzeit etwa 1 bis 1,5 Prozent der globalen Treibhausgasemissionen. Stahl und Zement erreichen zusammen über 15 Prozent, Landwirtschaft und Schwertransport jeweils mehr als zehn Prozent. Die politische Aufmerksamkeit für den KI-Energieverbrauch übersteigt dessen tatsächliche Klimarelevanz. Das kann Ressourcen von dringenderen Dekarbonisierungsaufgaben ablenken.“

„Die technischen Effizienzgewinne der vergangenen Jahre sind bemerkenswert. DeepSeek-R1 demonstrierte Anfang 2025, dass Frontier-Modellleistung (Frontier-Modell: generative Allzweck-KI, die gute Leistungen in verschiedensten Gebieten erzielt und mindestens nah am State of the Art ist; Anm. d. Red.) mit angeblich deutlich geringeren Trainingskosten erreichbar ist. Diese eine Aussage wird in der Forschungsgemeinschaft noch diskutiert, weist aber den Weg in Richtung Frugal AI (Initiative, um gute KI-Leistungen mit möglichst geringem Ressourcenverbrauch zu erzielen; Anm. d. Red.). Quantisierung, Knowledge Distillation, MoE-Architekturen und hardwarespezifisches Optimieren, zum Beispiel durch Flash Attention (Methoden, um auch große KI-Modelle effizient zu gestalten; Anm. d. Red.), ermöglichen bereits heute erhebliche Effizienzsteigerungen pro Inferenz.“

„Der Bericht verweist auf den Rebound-Effekt, auch bekannt als Jevons-Paradoxon (wird eine Technologie effizienter, wird sie mehr genutzt und Ressourceneinsparung durch den Effizienzgewinn wird durch die Mehrverwendung ausgeglichen; Anm. d. Red.). Er zieht jedoch keine konsequente Schlussfolgerung daraus. Dies ist ein interner Widerspruch: Wenn der Bericht selbst einräumt, dass Effizienzgewinne durch Nachfragesteigerung konsumiert werden, unterminiert er damit die gleichzeitig empfohlenen Maßnahmen wie Token-Budgets und Ressourcenbeschränkungen. Diese Empfehlungen implizieren eine Preiselastizität der Nachfrage, die der Rebound-Logik widerspricht. Konsequent wäre es, entweder den Rebound-Effekt als strukturell zu akzeptieren und auf Angebotsregulierung wie Trainingslimits sowie Datacenter-Genehmigungsrecht zu setzen oder die verhaltensbezogenen Maßnahmen empirisch besser zu begründen.“

„Das individuelle Nutzungsverhalten wie Länge der Anfrage, Modellwahl und Ausgabeformat hat messbare Auswirkungen auf den Energieverbrauch einer einzelnen Anfrage. Als gesellschaftliches Einsparpotenzial ist es aber gering. Die viel diskutierte Frage, ob ‚Bitte‘ und ‚Danke‘ in Prompts Energie verbrauchen, ist ein Kommunikationsphänomen, kein ernst zu nehmendes Effizienzthema. Dies lenkt nur die Aufmerksamkeit von strukturell relevanten Hebeln ab.“

„Das größte realisierbare Einsparpotenzial liegt auf der Systemebene. Erstens: aufgabenadäquate Modellwahl durch Anbieter und Plattformen, nicht durch Endnutzer. Routing-Systeme, die einfache Anfragen automatisch auf kleine Modelle umleiten, sind technisch ausgereift und werden von einzelnen Anbietern bereits eingesetzt.“

„Zweitens: Jenseits der technischen Ebene ist ein strukturell unterschätztes Problem die Informationsasymmetrie zwischen großen KI-Anbietern und kommunalen sowie regionalen Behörden bei der Genehmigung und Ansiedlung von Rechenzentren. Hyperscaler haben spezialisierte Verhandlungsteams, Kommunen oft nicht. Dies führt zu einer Unterbewertung der Knappheit von Ressourcen, insbesondere Land, Wasser und Netzanschlusskapazitäten. Hier besteht konkreter Handlungsbedarf für standardisierte Bewertungsrahmen auf Bundesebene.“

„Drittens: Marktpreissignale statt Verhaltensregulierung. Ressourcenbudgets und Token-Limits als regulatorische Instrumente sind ordnungspolitisch problematisch, wenn der Markt durch Preiswettbewerb und technische Effizienz dieselben Ziele schneller und konsistenter erreicht. Die richtige Intervention ist die Internalisierung externer Kosten, insbesondere die vollständige CO₂-Bepreisung von Rechenzentren-Strom und nicht die Mikroregulierung von Nutzerverhalten.“

„Insgesamt stehe ich dem Bericht kritisch gegenüber. Es ist aktuell sehr wichtig, verlässliche und belastbare Zahlen zum Ressourcenverbrauch von künstlicher Intelligenz (KI) zu veröffentlichen, um die Fülle an Informationen richtig einzuordnen. Leider wird der Bericht diesem Anspruch nicht gerecht: Er ist teilweise schwer nachvollziehbar, beruht auf alten Daten oder stellt diese nicht im angemessenen Kontext dar.“

„Den Abschnitt 2.6 zum Energiemix von Datenzentren stufe ich als mangelhaft ein. Denn er ist nicht durch aktuelle Quellen belegt und vermittelt somit ein verzerrtes Bild der neuesten Entwicklungen. Die einzigen Quellen zu diesem Abschnitt stammen aus den Jahren 2014 und 2015. Sie werden jedoch im heutigen Kontext dargestellt, obwohl sich der Energiemix vieler Länder seitdem stark verändert hat. Der Abschnitt diskutiert vorwiegend den Wasser- und Flächenverbrauch von erneuerbaren Energien. Dabei nimmt er aber kaum Bezug auf den Flächenverbrauch fossiler Energie. Zum Beispiel verbrauchte der Braunkohleabbau in Deutschland im Jahr 2024 1,2 Hektar Fläche pro Tag [3]. Die Rolle der Fotovoltaik wird gar nicht diskutiert. Obwohl sie bei den meisten Kennzahlen sehr gut abschneidet und in den vergangenen Jahren besonders stark gewachsen ist.“

„Soweit ich das nachvollziehen kann, stimmen die Daten zum Energieverbrauch im Wesentlichen mit den Zahlen aus anderen Quellen überein. Abbildung 11 (zum Energieverbrauch unterschiedlicher Anfragen an KI, wie Text- oder Bildgenerierung; Anm. d. Red.) war für mich jedoch schwer nachvollziehbar, da sie nicht mit den im Text erwähnten und anderswo publizierten Daten übereinstimmt.“

„Die Analyse des Energieverbrauchs von großen Sprachmodellen (LLMs) ist sehr einseitig. Existierende effiziente KI-Modelle werden kaum behandelt. So wird beispielsweise auf DeepSeek nur in einer Randnotiz verwiesen, obwohl das Unternehmen – anders als in dem Bericht dargestellt – sehr detaillierte Analysen zu den Ressourcenverbräuchen bereitstellt [4].“

„In den vergangenen Jahren haben wir eine sehr schnelle Lernkurve in Bezug auf die Energieeffizienz von KI beobachtet. Diese Effizienzsteigerung wird vor allem durch Innovationen in der Hardware und der Algorithmenentwicklung vorangetrieben. Gleichzeitig beobachten wir natürlich ein rasantes Wachstum der KI-Nutzung, das die Effizienzsteigerung bei weitem aufwiegt. Ich sehe im Moment aber keinen starken kausalen Zusammenhang, weshalb ich vorsichtig wäre, von einem klassischen Rebound-Effekt zu sprechen.“

„Wie lange der Trend anhalten wird, bis der Markt gesättigt ist, ist momentan auch schwer abzuschätzen. Der Bericht liefert konkrete Zahlen dazu, die aber im Wesentlichen die aktuellen Wachstumsraten in die Zukunft projizieren.“

„Die Nutzung von höflicher Sprache erhöht den Energieverbrauch von KI mit den derzeitigen Modellen. In der Gesamtenergiebilanz von KI ist dieser Effekt allerdings nicht sehr relevant. Ich gehe davon aus, dass dieses Problem bei zukünftigen KI-Systemen nicht mehr oder nur noch sehr eingeschränkt bestehen wird, da es technisch lösbar ist.“

„Generell denke ich, dass die meisten Einsparungen durch technische Innovationen bei KI-Software, Hardware, Rechenzentren und Energiesystemen erreicht werden. Die Verantwortung den Endnutzer:innen von KI zuzuschieben – wie es an manchen Stellen im Bericht postuliert wird – wird sehr wahrscheinlich nicht erfolgreich sein.“

„Der Bericht gibt einen guten Überblick darüber, welches die derzeit diskutierten Umweltprobleme von Rechenzentren und KI-Anwendungen sind. Die Studie ist leicht verständlich geschrieben und eignet sich als niederschwellige Informationsquelle zur Einführung in das Thema. Bei aller Leserlichkeit bleibt sie dabei jedoch teilweise an der Oberfläche und verkürzt komplexe Zusammenhänge auf einfache Aussagen.“

„Die Studie versucht den Spagat zwischen globalen Umwelteffekten und einzelnen KI-Anwendungen. Dazu wird einerseits der Energieverbrauch von weltweiten IT-Infrastrukturen genannt und daraus die globalen Treibhausgasemissionen und der Wasserverbrauch berechnet. Auf der anderen Seite werden Zahlen für einzelne KI-Anwendungen wie Text-, Bild- oder Videogenerierung mit Large Language Models aufgeführt.“

„KI-Anbieter arbeiten jedoch noch sehr intransparent und veröffentlichen hierzu kaum Daten. Die genannten Verbräuche stammen daher aus einzelnen akademischen Fallstudien und eignen sich nicht für Hochrechnungen auf eine millionenfache Anwendung und den daraus resultierenden Jahresenergieverbrauch.“

„Methodisch gut nachvollziehbar ist die Berechnung der weltweiten Treibhausgasemissionen von Rechenzentren auf der Grundlage von Daten der Internationalen Energieagentur (IEA). Hier berücksichtigt die Studie lokale Emissionsfaktoren der Stromerzeugung. Die führen je nach Kraftwerksmix der jeweiligen Region – Kohle, Erdgas, Sonne, Wind oder Atomenergie – zu unterschiedlichen Treibhausgasemissionen pro Kilowattstunde.“

„Der größte Rechenzentrumsstandort war im Jahr 2025 die USA und der Zubau bis zum Jahr 2030 erfolgt schwerpunktmäßig dort. Die Stromerzeugung in den USA wird in diesem Zeitraum CO₂-intensiver, da derzeit vermehrt Gaskraftwerke für Rechenzentren errichtet werden. Die Studie macht die weltweiten Treibhausgasemissionen durch Rechenzentren sichtbar und berechnet mehr als eine Verdopplung von 189 im Jahr 2025 auf 399 Millionen Tonnen CO₂-Äquivalente im Jahr 2030. Die Größenordnung dieser Emissionen liegt in dem Bereich eigener Berechnungen des Öko-Instituts und wird als plausibel bewertet.“

„Die Studie macht auch Vorschläge, durch welche regulatorischen und gesellschaftlichen Maßnahmen die steigende Umweltbelastung durch den KI-Boom reduziert werden könnte. Dabei bleiben die Empfehlungen jedoch sehr unverbindlich und knüpfen nicht an existierende Regelwerke oder Strategien einer nachhaltigen Produktpolitik an. Die von diesem Boom profitierenden Tech-Unternehmen – insbesondere Amazon, Google, Meta und Microsoft – werden in der Studie nicht genannt. Es werden auch keine Vorschläge gemacht, wie deren Macht eingeschränkt und sie zur Verantwortung gezogen werden können.“

„Stattdessen gibt die Studie unter anderem Tipps, was Software-Entwickler*innen und Konsument*innen leisten können, um ihren individuellen Umweltfußabdruck zu reduzieren. Nachdem die Studie die dramatischen Probleme genannt hat, die durch den KI-Ausbau entstehen, hätte ich erwartet, dass wesentlich offensivere Lösungsvorschläge gemacht werden.“

„Der Bericht lenkt den Blick auf den steigenden Strom- und Energieverbrauch von Rechenzentren für künstliche Intelligenz (KI). Aktuell entfällt der größte Teil der Verbräuche aber noch auf konventionelle Rechenzentren – auch wenn der Anteil an KI in Rechenzentren derzeit schnell steigt. Allerdings ist bei den Zahlen im UN-Bericht nicht hinreichend klar, ob sie nur für KI oder Rechenzentren allgemein gelten.“

„Aus wissenschaftlicher Perspektive fehlen im Bericht zudem Angaben zu den Annahmen für die Hochrechnungen. Die Datenbasis des Effizienzregisters für Rechenzentren in Deutschland, aber auch die Datensammlung auf Ebene der Europäischen Union (EU) im Rahmen der Energieeffizienzrichtlinie EED zeigt zudem, dass die Abgrenzungen und Annahmen sehr schwierig und viele Daten nicht öffentlich verfügbar sind. Die Angaben der absoluten Zahlen und Vergleiche im Bericht suggerieren zudem eine Dramatik, die im Vergleich zu anderen Sektoren übertrieben erscheint.“

„Sicher ist, dass der Energieverbrauch von Rechenzentren und insbesondere KI in rasender Geschwindigkeit wächst. Gemessen am gesamten Stromverbrauch gehen aktuelle Zahlen aber von Anteilen von circa zwei bis vier Prozent am weltweiten Stromverbrauch aus. Dies fällt je nach Land aber sehr unterschiedlich aus. Zu beachten ist zudem, dass meist nur Zahlen zu Kapazitäten, nicht aber zur tatsächlichen Nutzung der Kapazitäten vorliegen.“

„Sinnvoller als die Diskussion der Ergebnisse wäre zunächst die Diskussion der getroffenen Annahmen. Leider ist die Transparenz im aktuellen Bericht nicht gegeben.“

„Wichtig ist stattdessen die Einordnung der Rechenzentren gegenüber anderen Industriebranchen. Im Vergleich zur Stahlindustrie oder zur chemischen Industrie entfällt auf den Bereich Rechenzentren noch immer ein kleiner Anteil des Stromverbrauchs. Im Bereich des Wasserverbrauchs ist meist die Landwirtschaft der größte Verbraucher.“

„Durch den Ausbau von Rechenzentrumskapazitäten wird der Stromverbrauch weiter steigen. Der Wasserverbrauch dürfte demgegenüber eher stagnieren, da neue Rechenzentren meist mit geschlossenen Kühlkreisläufen ausgeführt werden. Und aufgrund der höheren Rückkühltemperaturen können sie häufig auch auf eine aktive Kühlung mit Kältemaschinen verzichten.“

„In Deutschland müssen alle Rechenzentren ab 2027 bilanziell mit 100 Prozent erneuerbarem Strom betrieben werden [5]. Aktuell gibt es einen Wettbewerb verschiedenster Branchen um erneuerbaren Strom. Denn auch die anderen Industrien wollen Strom zur Dekarbonisierung einsetzen. Von besonderer Bedeutung ist deshalb der Ausbau der erneuerbaren Stromerzeugung und der Stromnetze, um den Strom von den Erzeugern zu den Verbrauchern zu transportieren.“

„Jede Art von wirtschaftlicher Aktivität geht mit negativen Nebenwirkungen einher. Dies gilt für Rechenzentren, aber auch für alle anderen Sektoren. Diese Nebenwirkungen zu reduzieren oder ganz zu vermeiden, sollte stets im Interesse der Akteure stehen. Im Bereich Rechenzentren bedeutet dies, die Effizienz und Auslastung zu erhöhen, den Wasserverbrauch zu minimieren, den Betrieb netzdienlich zu gestalten und die Abwärme für die Bereitstellung des Raumwärmebedarfs zu nutzen. Der UN-Bericht geht auf diese Aspekte nicht oder nur unzureichend ein.“

„Meiner Einschätzung nach entspricht der Bericht nicht wissenschaftlichen Standards der Nachvollziehbarkeit oder der Reproduzierbarkeit. Offensichtlich wird für die Berechnung des Wasserfußabdrucks pro Kilowattstunde (kWh) von Datenzentren der nationale Energiemix verwendet. Es werden aber keine Angaben dazu gemacht, wie vom Energiemix auf den Wasserfußabdruck geschlossen wurde. Zudem scheint der Kühlwasserverbrauch nicht berücksichtigt worden zu sein, nur die Wassernutzung für die Stromversorgung der Datenzentren. Ich sehe keine relevanten Literaturzitate bezüglich des Wasserfußabdrucks von Datenzentren.“

„Wasserentnahmen und konsumtive Nutzung werden in dem Bericht nicht unterschieden. Konsumtive Nutzung ist der Teil des entnommenen Wassers, der während der Nutzung verdunstet. Ich kann die Richtigkeit der genannten Wasserfußabdrücke nicht abschätzen. Allerdings kann ich sie in ein anderes Verhältnis setzen als im Bericht getan: ‚Data centers’ 2025 electricity consumption had a water footprint of 4.5 trillion liters of water – enough to fill 1.8 million Olympic-sized pools or meet the annual basic domestic water needs of over 600 million people in Sub-Saharan Africa.‘ ‚4.5 trillion liters‘ entsprechen 4,5 mal zehn hoch zwölf Litern Wasser. Das sind also 4,5 Kubikkilometer Wasser pro Jahr. Mit unserem globalen Wassermodell WaterGAP schätzen wir die globalen Wasserentnahmen auf 3800 Kubikkilometer pro Jahr [6]. Davon entfallen etwa 600 Kubikkilometer pro Jahr auf die Kühlung von Wärmekraftwerken.“

„Der Bericht spiegelt den aktuellen Stand der Forschung wider. Es werden sowohl Stromverbrauch und dabei entstehende CO₂-Emissionen als auch Land- und Wasserverbrauch bei der Stromherstellung betrachtet. Diese werden häufig übersehen. Diese zusätzlichen sozialen Kosten und deren ungleiche Verteilung sichtbar zu machen, ist wichtig.“

„Leider wird in dem Bericht nicht klar zum Ausdruck gebracht, dass die aktuellen Entwicklungen stark durch Interessen von Investoren angetrieben werden. Dadurch kommt staatlicher Regulierung eine zentrale Rolle bei der Bewältigung der Umweltauswirkungen von IT und künstlicher Intelligenz (KI) zu. Ein weiterer Aspekt, der nicht klar artikuliert wird, ist die Tatsache, dass vor allem industrielle und kommerzielle Anwendungen die Nutzung von KI in die Höhe treiben.“

„Die Zahlen zum Energieverbrauch lassen sich nur schwer bestimmen. Denn Konzerne sind intransparent bezüglich des Stromverbrauchs. Die Zahlen im Bericht spiegeln den aktuellen Stand der Forschung wider. Sie sind aber grobe Schätzungen und sollten durch weitere Forschung und bessere Transparenz verbessert werden.“

„Angesichts des fortschreitenden Klimawandels ist ein zunehmender Stromverbrauch von Rechenzentren nicht ohne negative Folgen möglich. Rechenzentren werden typischerweise mit Strom versorgt, der mehr CO₂ produziert als der Durchschnitt. Denn sie brauchen eine konstante und gleichmäßige Stromversorgung. Gesellschaftlich muss hier abgewogen werden, welche Sektoren wie viel Strom verbrauchen und damit CO₂ erzeugen dürfen.“

„Praktische KI-Anwendungen haben ein enormes Sparpotenzial. Große Teile moderner Software sind sehr ineffizient und die Einbindung von KI-Funktionen verstärkt dies noch. Allerdings werden durch KI-getriebene Softwareentwicklung immer mehr Anwendungen entwickelt, eingesetzt und mit KI-Aufrufen verbunden.“

„Ohne Regulierung wird aufgrund der hohen Investitionen in KI keine Verringerung des Stromverbrauchs möglich sein. Der limitierende Faktor ist hier allein die aktuell verfügbare Stromleistung und die Geschwindigkeit, mit der Hardware und Rechenzentren gebaut werden. IT und KI konkurrieren mit allen anderen Sektoren und bekommen aufgrund erhoffter Renditen oft den Vorzug.“

„Der Verbrauch von Endbenutzerinnen und Endbenutzern ist gesteuert vom Angebot der Internetkonzerne, die sich in einem Wettrüsten untereinander befinden. Das Ändern des Nutzungsverhaltens hat hier einen eher geringen Einfluss. Kleinere Modelle und angepasste Nutzung von KI wären Aufgabe der Softwarehersteller und Internetkonzerne. Die haben aufgrund ihrer bestehenden Geschäftsmodelle allerdings kein Interesse daran. Das größte Einsparungspotenzial ist die Reduzierung von KI-Anwendungen und IT generell.“

„Der Bericht gibt einen ‚reißerischen‘ Überblick über die Wassernutzung beziehungsweise den Wasserfußabdruck von Rechenzentren weltweit. Der Wasserfußabdruck resultiert aus der Stromerzeugung für und der Kühlung von Rechenzentren. Eine Einführung in das Thema erfolgt über die Angaben zum Wasserfußabdruck für das Training von GPT-3 und GPT-4 (die Vorgänger des KI-Modells hinter der aktuellen Version von ChatGPT; Anm. d. Red.).“

„Der Bericht verschafft einen Überblick über den Wasserfußabdruck einer Branche, die rasant wächst. Von der Branche fehlen aber grundlegende Informationen zu Wassernutzung und Wasserverbrauch. Umweltberichte einiger Tech-Firmen wie Google legen Daten offen. Diese Datenaufnahmen lassen sich jedoch nur bedingt etwa als ‚Effizienz des Wasserbrauchs‘ verallgemeinern. Außerdem sind sie standortspezifisch.“

„Der Bericht übt Vergleiche mit Trinkwasserbedarfen in Subsahara-Afrika, wobei ein globaler Wasserverbrauch verwendet wird. Dies ist nicht zielführend und wird den Ausbau digitaler Infrastrukturen und Rechenzentren in Afrika nicht stoppen. Dort ist starkes Wachstum zu erwarten. Hier bedarf es anderer Lösungen.“

„Der Stromverbrauch von Rechenzentren im Jahr 2025 verursachte dem Bericht zufolge einen Wasserfußabdruck von 4,5 Billionen Litern Wasser. Wassernutzung aus der Lieferkette wird nicht berücksichtigt, was in dem Bericht auch so angeführt wird. Bis 2030 wird der durchschnittliche Wasserfußabdruck für die Erzeugung des benötigten Stroms laut des Berichts bei etwa 9,32 Billionen Litern liegen. Es ist nicht ersichtlich, woher diese Abschätzung rührt. Obwohl der Bericht zahlreiche Referenzen listet, ist es unglaublich schwierig nachzuvollziehen, auf welcher Basis oder Datengrundlage die Bestimmung des Wasserfußabdrucks erfolgte. Gleichermaßen fehlt die Definition beziehungsweise Gleichung für den verwendeten Wasserfußabdruck. Die Bestimmung des Wasserfußabdrucks über den Energie- beziehungsweise Elektrizitätsverbrauch scheint State of the Art zu sein. Jedoch ist diese Herangehensweise sehr unsicher für zukünftige Abschätzungen.“

„Leider wird aus dem Bericht nicht ersichtlich, woher die Daten für die Abschätzung des Wasserfußabdrucks stammen. Ebenso ist nicht ersichtlich, ob der Wasserfußabdruck auf Wasserverbrauch (water consumption) oder Wasserentnahme (water withdrawal) basiert (im weiteren Statement wird der Unterschied erklärt; Anm. d. Red.). Vermutlich ist es Wasserverbrauch, wie dann aus den Referenzen ersichtlich wird.“

„Die Datengrundlage für den Wasserfußabdruck bildet die Veröffentlichung von Ristic et al. (2015) [7]. Die darin genannten Wasserverbräuche sind dementsprechend älteren Datums [8]. Sie stellen meines Erachtens nicht den aktuellen Stand der Forschung dar. Die Angabe des Wasserfußabdrucks in Litern führt zu großen Zahlen, die wiederum durch Vergleiche mit Schwimmbädern oder Wasserbedarfen der in Subsahara-Afrika lebenden Bevölkerung bildhaft dargestellt werden. Woher die Annahmen der Wasserbedarfe stammen, bleibt unklar.“

„Für eine globale Abschätzung ist der Bericht hilfreich, wenngleich aus meiner Sicht die Datenbasis nicht dem aktuellen Stand der Forschung entspricht [7] [8]. Neuere Daten für den Wasserbrauch zur Elektrizitätsproduktion sind vorhanden, während die Datenlage zur Abschätzung des Wasserverbrauchs von Rechenzentren unzureichend ist. Die Abschätzungen für die Zukunft sind sehr unsicher, da die Energieeffizienz (Power Usage Effectiveness) und Wassernutzungseffizienz (Water Usage Effectiveness) nicht linear korreliert sind. Eine Verbesserung der Energieeffizienz kann zu einer Verschlechterung der Wassernutzungseffizienz führen.“

„Der Wasserverbrauch von künstlicher Intelligenz (KI) variiert je nach Standort der Rechenzentren, Kühlungstechnologie und Energiequelle. Letztere wird aus einem nationalen Energiemix abgeschätzt. Man muss an dieser Stelle sagen, dass es nur wenige Studien und keine standardisierten Methoden gibt, um den Gesamtverbrauch systematisch zu quantifizieren. Zum Gesamtverbrauch gehören auch Onsite- und Offsite-Verbräuche (Verbrauch findet entweder direkt vor Ort oder mit Bezug zum Rechenzentrum, physisch aber an einem anderen Ort statt; Anm. d. Red.) sowie ‚embodied water‘ aus der Hardwareproduktion (Wasser, das etwa für die Herstellung von Rechenprozessoren benötigt wird; Anm. d. Red.) [9].“

„Bei der Wahl des Standorts für ein Rechenzentrum sollten die derzeitige und zukünftige Wasserverfügbarkeit vor Ort sowie die Wasserbedarfe anderer Sektoren in Betracht gezogen werden. Insbesondere Trockenheit und Dürreperioden können zu möglichen Wassernutzungskonflikten führen. Mir sind keine wissenschaftlichen Veröffentlichungen bekannt, es lassen sich aber Zeitungsartikel finden, die vor Nutzungskonflikten warnen und davor, dass sich die Bevölkerung um die Wasserversorgung sorgt [10].“

„Der Bau von Rechenzentren sollte in wasserknappen Regionen vermieden werden oder aber auf Wasserkühlung verzichten. Für Deutschland kann dazu auf den UBA-Bericht (2024) ‚Auswirkung des Klimawandels auf die Wasserverfügbarkeit − Anpassung an Trockenheit und Dürre in Deutschland‘ verwiesen werden [11].“

„Das Training von GPT-3 könnte einen Wasserverbrauch von 5,4 Millionen Litern verursacht haben [12].“

„Ein Bericht des Lawrence Berkeley National Laboratory aus dem Jahr 2024 schätzt, dass US-Rechenzentren im Jahr 2023 für die Kühlung 64 Milliarden Liter Wasser verbraucht haben [13]. Für Rechenzentren wird für das Jahr 2028 ein Wasserverbrauch zwischen 150 und 270 Milliarden Litern erwartet. Der gesamte indirekte Wasserfußabdruck von US-Rechenzentren beträgt fast 800 Milliarden Liter. Dies ist auf den indirekten Wasserverbrauch durch den Stromverbrauch zurückzuführen, basierend auf dem regionalen Strommix der Standorte von US-Rechenzentren.“

„Im Jahr 2023 entsprach der Energieverbrauch eines US-amerikanischen Rechenzentrums einem nationalen Durchschnitt von 4,52 Litern pro Kilowattstunde (L/kWh) indirektem Wasserverbrauch (im weiteren Statement wird als Einheit auch Kubikmeter pro Megawattstunde (m³/MWh) verwendet, diese beiden Einheiten sind eins zu eins ineinander umzurechnen; Anm. d. Red.). Der gesamte Wasserverbrauch könnte im Jahr 2028 bei 950 bis 1070 Milliarden Litern liegen.“

„Der Wasserverbrauch pro Einheit Energieverbrauch (WUE) in einem Rechenzentrum wird von einer Kombination verschiedener Faktoren beeinflusst. Darunter Klima, Alter, Größe, Art und Erfassungsmethode [14]. Der Studie zufolge liegt der WUE für Rechenzentren in der Europäischen Union (EU) im Median bei circa 0,3 Kubikmetern pro Megawattstunde (m³/MWh).“

„Der WUE in einem Rechenzentrum lag in den USA im Jahr 2023 im Mittel bei 0,36 Litern pro Kilowattstunde (L/kWh) und dürfte bis 2028 auf 0,45 bis 0,48 L/kWh ansteigen [13]. Rechnet man 4,52 L/kWh für den indirekten Wasserverbrauch zur Erzeugung der genutzten Elektrizität hinzu, dann ergibt sich ein WUE von 4,88 L/kWh.“

„Im Vergleich zu anderen Sektoren wie der Landwirtschaft oder der thermischen Elektrizitätsproduktion ist der Anteil des direkten Wasserverbrauchs für Rechenzentren gering. Aber Rechenzentren benötigen Energie. Das heiß sie führen zu deutlich höherer Elektrizitätsproduktion und damit eventuell zu einem höheren Wasserverbrauch im Energiesektor. Darüber hinaus entwickelte sich mit den Rechenzentren eine weitere Wassernutzungs-Branche, die insbesondere zukünftig zu beachten sein wird.“

„Wassergebrauch oder Wassernutzung beschreibt die gesamte Menge Wasser, die entnommen, durch ein System geleitet oder in Prozessen eingesetzt wird. Dies ist unabhängig davon, ob das Wasser später zurückgeführt wird. Wasserverbrauch oder konsumtive Nutzung ist der Anteil des Wassergebrauchs, der verdunstet oder in Produkten enthalten ist. Dieser Anteil wird dem lokalen Wasserkreislauf dauerhaft entzogen und ist somit kurzfristig nicht mehr verfügbar.“

„Es ist wichtig, in einer Debatte darauf zu achten, die Begriffe nicht synonym zu verwenden. Dies wird im deutschen Sprachgebrauch aber häufig getan. Die Größenordnungen sind unterschiedlich: Wassergebrauch ist größer als Wasserverbrauch. Wasserverbrauch bezeichnet den Nettonutzungsanteil. Also Entnahme minus Rückgabe in das gleiche Einzugsgebiet in nutzbarer Qualität. Das ist für Wasserstress-Bewertungen entscheidend.“

„Bei nicht korrekter Verwendung der Begriffe können falsche Schlussfolgerungen zu Quantität und Wasserstress entstehen. Zum Beispiel eine Überschätzung, wenn Wassergebrauch statt Wasserverbrauch verwendet wird. Dennoch sind beide Begriffe von Bedeutung, da in der Regel Daten zum Wassergebrauch (Wassernutzung) erfasst werden und nicht zum Wasserkonsum. Zudem muss genügend Wasser zur Entnahme vorhanden sein, um es verbrauchen zu können.“

„Der Bericht ist eine sehr ausführliche Darstellung von derzeitigen und projizierten Umwelteinflüssen von künstlicher Intelligenz (KI) und Rechenzentren, auch in Bezug auf ihren Wasserverbrauch. Die angeführten Rollen und Verantwortungen am Ende des Berichts sind hilfreich und werden hoffentlich breit diskutiert.“

„Kritisch lässt sich sagen, dass aus meiner Sicht relevante Vergleiche fehlen. Immer wieder wird der Wasserbedarf mit dem von Bevölkerungsteilen Afrikas verglichen. Dies sind zwar beeindruckende Zahlen, aber der Vergleich ist nicht sonderlich relevant. Denn diese Rechenzentren werden in der Regel nicht in der gleichen Region entstehen. Viel interessanter wäre ein Vergleich mit anderen industriellen Wassernutzern in der Region des jeweiligen Rechenzentrums. Auch sollte ein Bezug zum Wasserstress in der Region hergestellt werden – insgesamt und saisonal.“

„Zu den genauen Zahlen kann ich nichts sagen, da ich kein Experte zum Thema Wasserverbrauch von KI bin. Ich müsste mir selbst andere Reporte zusammensuchen, um diesen Vergleich anzustellen.“

„Ich finde es schade, dass der Bericht keinen Vergleich mit anderen Industrienutzern aufstellt. Dies würde eine sinnvolle Diskussion ermöglichen. Auch ist das Problem fehlender Transparenz nicht auf Rechenzentren beschränkt. Wir wissen oft nicht, wer wie viel Wasser verbraucht. Nur wenn wir breite Transparenz der Wassernutzung in der jeweiligen Region haben, können wir wirklich eine sinnvolle Diskussion führen. Ich hätte erwartet, dass dieser Bericht dazu beiträgt, anstatt sich nur auf KI zu beschränken.“

„Auch hier finde ich den Bericht leider nicht sehr hilfreich. Wie relevant die Wassernutzung an einem Standort ist, hängt stark von Wasserverfügbarkeit und Nutzung ab. Wasserarme Regionen sind daher aus hydrologischer Sicht weniger sinnvoll, wenn dies die Energiegewinnung beeinträchtigen kann oder ungenügende Wasserressourcen für andere Zwecke überbleiben. Zum Beispiel wenn Kraftwerke in Trockenzeiten ungenügend Kühlwasser aus Flüssen entnehmen können und ihre Energieproduktion drosseln müssen.“

„Große Wassermengen kann man über lange Strecken schlecht transportieren. Energie in Form von Strom schon. Wie kann man diesen Unterschied positiv nutzen und somit Wasserverfügbarkeit und Energiebedarf geografisch optimal nutzen? Ein nachhaltiges Rechenzentrum sollte nicht lokal zur Ressourcenverknappung beitragen, sondern diese nur so weit nutzen, wie sie natürlich erneuert werden.“

„Von Wasserverbrauch redet man, wenn Wasser zum Beispiel in der Landwirtschaft zur Bewässerung genutzt wird und über die Pflanzen in die Atmosphäre verdunstet. Es ist dann nicht mehr für uns nutzbar. Wassergebrauch wäre dahingegen, wenn wir zum Beispiel Energie durch Wasserkraft gewinnen, indem wir damit Turbinen antreiben. Das Wasser kann danach noch weiter aus Flüssen entnommen und genutzt werden.“

„Hier ist der Bericht leider nicht so hilfreich, da er zu wenig differenziert. Zum Beispiel, wenn beides im Wasser-Footprint kombiniert wird. Wenn das Wasser aber nach der Energiegewinnung auch noch für andere Dinge zur Verfügung steht, dann ist dies weit weniger problematisch – wie im Falle der Wasserkraftnutzung. Der Report berichtet leider auch nicht darüber, woher das Wasser kommt. Wenn zum Beispiel die Schneeschmelze zur Wasserkraftgewinnung relevant ist, dann spielt hier der zukünftige Einfluss des Klimawandels eine große Rolle für die Nachhaltigkeit.“