KI auf Sparflamme: Weniger Strom, bessere Ergebnisse

21. Apr.
3 Min. Lesezeit

Rechenzentren verbrauchten 2025 weltweit 485 Terawattstunden Strom. Allein gegenüber dem Vorjahr stieg der Bedarf um 17 Prozent – so die Internationale Energieagentur in ihrem aktuellen Bericht vom April 2026. Bis 2030 könnte sich der Wert verdoppeln. Treiber dieser Entwicklung ist vor allem der KI-Boom.

Für Unternehmen stellt sich damit eine drängende Frage: Lohnt sich der steigende Energieaufwand überhaupt? Eine Studie der Tufts University gibt eine klare Antwort. Gezielte, schlanke KI-Systeme lösen bestimmte Aufgaben deutlich besser als große Allround-Modelle – und verbrauchen dabei bis zu 99 Prozent weniger Energie.

Wer zahlt die Stromrechnung?

KI-Rechenzentren wuchsen 2025 noch schneller als die Branche insgesamt. Die IEA rechnet bis 2030 mit rund 945 Terawattstunden weltweit – so viel wie der doppelte Jahresverbrauch Deutschlands.

Das betrifft auch den Mittelstand direkt. Strom macht rund die Hälfte der Betriebskosten eines Rechenzentrums aus. Wer KI-Dienste nutzt, zahlt diesen Energiebedarf über die Servicegebühren mit. Je größer das Modell hinter der Anwendung, desto höher der Verbrauch – und desto teurer jede einzelne Abfrage.

Groß gegen schlank: ein Vergleich

Forschende der Tufts University stellten zwei KI-Ansätze gegeneinander. Ein großes „Vision-Language-Action"-Modell verarbeitet Bilder, Sprache und Aktionen in einem einzigen System – sozusagen ein Alleskönner. Ein neuro-symbolisches Modell verbindet dagegen feste Regeln mit kleinen neuronalen Netzen. Beide steuerten einen Roboterarm durch das „Türme von Hanoi"-Rätsel.

Das Ergebnis fällt eindeutig aus. Das schlanke Modell erreicht 95 Prozent Erfolgsrate, das große nur 34 Prozent. Der Grund: Das kleine System plant anhand der Spielregeln. Das große muss dieselben Regeln erst aus Hunderten Beispielen ableiten.

Achtzigmal mehr Energie – für schlechtere Ergebnisse

Beim Training verbrauchte das große Modell gut achtzigmal mehr Energie: 68,5 statt 0,85 Megajoule. Das schlanke System trainierte in 34 Minuten. Das große brauchte rund 40 Stunden. Auch im laufenden Betrieb benötigte das kleine Modell pro Aufgabe nur rund ein Zehntel der Energie.

Bei einer schwierigeren Variante, die keines der Modelle vorher kannte, erreichte das schlanke System immer noch 78 Prozent. Das große scheiterte vollständig – null erfolgreiche Versuche in 50 Durchläufen.

Was der Mittelstand davon hat

Die Studie betrifft Robotik. Doch der Grundsatz gilt breiter. Nicht jede Aufgabe im Unternehmen braucht das größte verfügbare KI-Modell. Wer strukturierte Abläufe hat – etwa in Produktion, Logistik oder Qualitätssicherung –, profitiert häufig stärker von gezielten Lösungen. Die Forschenden selbst verweisen auf industrielle Montage und regelbasierte Abläufe als typische Einsatzfelder.

Ein Beispiel: Ein Fertigungsbetrieb prüft Bauteile nach festen Kriterien. Fehlerhafte Teile erkennen, einwandfreie durchlassen. Ein schlankes Modell, das diese Regeln kennt, arbeitet schneller und oft genauer als ein Allzweck-System. Weniger Rechenleistung bedeutet gleichzeitig weniger Strom – und geringere laufende Kosten.

Hybride Ansätze verbinden feste Regeln mit lernfähigen Komponenten. Sie brauchen deutlich weniger Trainingsdaten – in der Studie reichten 50 Beispiele statt 300 – und liefern zuverlässigere Ergebnisse. Gerade im Mittelstand, wo Budgets und IT-Ressourcen begrenzt sind, zählt das doppelt.

Die entscheidende Frage lautet nicht: „Welches KI-Modell ist das größte?" Sondern: „Welches passt zu meinen Prozessen – und zu meinem Energiebudget?"

Genau das klären wir gern mit Ihnen. Vereinbaren Sie ein kostenloses Erstgespräch – gemeinsam finden wir den KI-Ansatz, der zu Ihrem Unternehmen passt.

Glossar

IEA (Internationale Energieagentur): Zwischenstaatliche Organisation mit Sitz in Paris, die Regierungen weltweit in Energiefragen berät und regelmäßig Daten zum globalen Energieverbrauch veröffentlicht.
Megajoule (MJ): Maßeinheit für Energie. Ein Megajoule entspricht etwa 0,28 Kilowattstunden – genug, um einen Laptop rund zwei Stunden zu betreiben.
Neuro-symbolische KI: Ein Ansatz, der zwei Methoden verbindet: Neuronale Netze erkennen Muster in Daten, während regelbasierte Logik strukturiert schlussfolgert. So entsteht ein System, das flexibel und gleichzeitig planvoll arbeitet.
Neuronales Netz: Software, die grob nach dem Vorbild des Gehirns aufgebaut ist. Sie erkennt Muster in großen Datenmengen und leitet daraus Vorhersagen ab.
Terawattstunde (TWh): Maßeinheit für sehr große Energiemengen. Eine TWh entspricht einer Milliarde Kilowattstunden – damit lässt sich eine Großstadt ein Jahr lang versorgen.
Vision-Language-Action-Modell (VLA): Ein KI-System, das gleichzeitig Bilder erfasst, Sprache verarbeitet und daraus Handlungen ableitet – etwa für die Steuerung von Roboterarmen.