Die Vereinten Nationen legen nach: Ein neuer Bericht der Universität der Vereinten Nationen zeigt, dass KI-Rechenzentren bis 2030 fast doppelt so viel Strom und Wasser verbrauchen wie heute. Zudem warnt die Studie vor systematischer Fehlmessung der Umweltkosten von Künstlicher Intelligenz.
945 Terawattstunden Strom bis 2030
Die Zahlen sind klar. Im Jahr 2025 verbrauchten globale Rechenzentren 448 Terawattstunden Strom. Damit lagen sie auf Platz 11 der größten Stromverbraucher weltweit, noch vor Saudi-Arabien. Bis 2030 soll dieser Wert auf 945 Terawattstunden steigen. Das entspricht fast dem dreifachen Jahresstromverbrauch von Pakistan, Bangladesch und Nigeria zusammen, Ländern mit über 650 Millionen Einwohnern.
Allein ChatGPT verarbeitet schätzungsweise 2,5 Milliarden Prompts pro Tag. Dafür fließen jährlich rund 383 Gigawattstunden Strom in ein einziges Produkt. Um die daraus resultierenden CO2-Emissionen auszugleichen, müssten 2,6 Millionen Bäume zehn Jahre lang wachsen, eine Fläche so groß wie Manhattan.
Wasser und Land: Die blinden Flecken der KI-Debatte
Bisher fokussiert sich die öffentliche Debatte auf CO2-Emissionen beim Training großer Modelle. Der UN-Bericht zeigt jedoch, dass diese Sichtweise gefährlich unvollständig ist. Jede Kilowattstunde Strom bringt nicht nur CO2, sondern auch einen Wasserfußabdruck mit sich, durch Kühlung und Stromerzeugung, sowie einen Landfußabdruck durch Energieinfrastruktur.
Die Zahlen: 2025 verbrauchten Rechenzentren 4,5 Billionen Liter Wasser. Bis 2030 soll sich dieser Wert auf 9,3 Billionen Liter verdoppeln. Das entspricht dem jährlichen Grundwasserbedarf von 1,3 Milliarden Menschen in Subsahara-Afrika. Der Landverbrauch steigt von 6.900 auf über 14.500 Quadratkilometer, etwa doppelt so groß wie die Metropolregion Jakarta mit ihren 32 Millionen Einwohnern.
Grün heißt nicht automatisch nachhaltig
Ein zentrales Ergebnis des Berichts: Der Wechsel von Kohle zu erneuerbaren Energien löst nicht alle Probleme. Wer von Kohle auf Bioenergie umsteigt, reduziert zwar den CO2-Fußabdruck um durchschnittlich 70 Prozent. Gleichzeitig steigt der Wasserverbrauch um das Dreißigfache und der Landverbrauch um das Hundertfache. Die Studie warnt ausdrücklich: Niedrig-CO2 bedeutet nicht automatisch niedrigen Wasser- oder Landverbrauch.
Wer KI-Nachhaltigkeit allein am CO2 misst, riskiert, Umweltbelastungen in Regionen zu verlagern, die ohnehin unter Wasserstress leiden. Die Forscherin Miriam Aczel formuliert es deutlich: Wer KI nur an CO2 misst, löst ein Problem und schafft gleichzeitig neue, oft an Orten, die das nicht gefordert haben.
Inferenz schlägt Training
Die öffentliche Debatte konzentriert sich auf den Energieaufwand beim Training großer Modelle. GPT-3 brauchte schätzungsweise 1,3 Gigawattstunden, GPT-4 zwischen 50 und 70 Gigawattstunden. Doch der Bericht zeigt: Inference, also das laufende Beantworten von Nutzeranfragen, macht 80 bis 90 Prozent des Gesamtenergieverbrauchs aus.
Dabei variieren die Kosten pro Anfrage enorm. Ein einfaches Gesprächs-Query verbraucht etwa 200-mal mehr Energie als eine Textklassifizierung. Ein KI-generiertes Bild schlägt mit dem 1.450-fachen zu Buche. Ein kurzes KI-Video schließlich verbraucht so viel Strom wie 200.000 Spam-Filterungen.
Lokale Kosten, globale Gewinne
Die Studie belegt eine wachsende Ungleichheit. Nur 32 Länder betreiben KI-spezialisierte Rechenzentren. Neunzig Prozent der Kapazität konzentrieren sich auf lediglich zwei Länder. Über 150 Staaten haben kaum oder keinen Zugang zu eigenem KI-Rechenwerk. Die Lasten jedoch verteilen sich global: kritische Mineralien werden in Ländern mit schwacher Umweltaufsicht abgebaut, Elektroschrott in Niedrigeinkommensländer exportiert.
Konkrete Beispiele untermauern die Analyse. In Irland verbrauchten Rechenzentren 2023 bereits 21 Prozent des gesamten Stroms und übertrafen damit alle städtischen Haushalte. Der nationale Netzbetreiber hat neue Ansiedlungen um Dublin bis 2028 pausiert. In Querétaro, Mexiko, konkurrieren expandierende Rechenzentren mit der Wasserversorgung während anhaltender Dürren. In Uruguay fiel eine geplante Rechenzentrumserweiterung mit der Dürre von 2023 zusammen, die Montevideos Trinkwasser ungenießbar machte.
Rebound-Effekt droht
Der Bericht warnt vor dem Jevons-Paradoxon: Wenn Modelle effizienter werden, sinken die Kosten. Dadurch steigen Nutzungshäufigkeit und Gesamtvolumen. Ohne explizite Limits für Tokens, Auflösung oder Standardausgabelänge werden Effizienzgewinne durch schiere Volumenzuwächse aufgefressen.
Professor Kaveh Madani, Direktor des UNU-INWEH und kürzlich mit dem Stockholm Water Prize 2026 ausgezeichnet, betont: Viele glauben, dass die Effizienzsteigerungen der Technologie den Fußabdruck automatisch verringern. Das ist jedoch nur ein Teil des Problems. Effizientere und erschwinglichere KI bedeutet mehr Konsum und damit einen deutlich größeren Gesamtfußabdruck.
Was jetzt passieren muss
Die Forscher fordern eine dreifache Messung von KI-Nachhaltigkeit: CO2, Wasser und Land müssen gemeinsam bilanziert werden. Zudem brauchen Regierungen verbindliche Offenlegungspflichten für Rechenzentren. Cornell-Professor Fengqi You bringt es auf den Punkt: Wir können nicht steuern, was Unternehmen nicht offenlegen.
Die Europäische Union bereitet bereits Mindeststandards für Energieeffizienz von Rechenzentren vor, ergänzt durch ein mögliches Nachhaltigkeitslabel für Wasserverbrauch und saubere Energie. Doch der Bericht warnt: Ohne globale Koordination verschieben sich die Probleme lediglich von einem Ort zum anderen.
