KI kann 4× mehr Emissionen reduzieren als sie verursacht: die Daten

Die Rechenzentren von Google emittierten 2024 48% mehr CO₂ als 2023.

Das ist eine reale Zahl. Sie steht in ihrem eigenen Nachhaltigkeitsbericht. Und es ist die Art von Zahl, die Schlagzeilen über KI als Klimabedrohung befeuert.

Aber es gibt eine andere Seite dieser Gleichung — eine, die fast nie im selben Artikel auftaucht.

Das Verhältnis, das die Debatte verändert

2024 veröffentlichte BCG eine der rigorosesten Analysen über den klimatischen Nettoeffekt von Künstlicher Intelligenz. Die Schlussfolgerung war in ihrem Ausmaß überraschend: KI könnte zwischen 2,6 und 5,3 Gigatonnen CO₂ jährlich bis 2030 reduzieren.

Wie viel wird die KI selbst bis dahin emittieren? Die konservativsten Schätzungen liegen bei ~100 Megatonnen. Die pessimistischsten bei 300-500 Mt, falls das Wachstum der Rechenleistungsnachfrage nicht mit erneuerbarer Energie einhergeht.

Machen wir die Rechnung:

Das Verhältnis ist nicht absolut x4 oder x10: Es hängt entscheidend davon ab, wo die KI betrieben wird und wofür sie eingesetzt wird.

Das ist der Satz, der in den meisten Debatten fehlt.

Elektrizitätserzeugung: das größte dokumentierte Potenzial

Der Energiesektor konzentriert zwischen 1.200 und 1.800 MtCO₂ potenzieller jährlicher Reduktion gemäß den Schätzungen von BCG und Nature Climate Change. Er ist mit Abstand die Kategorie mit dem größten Hebel.

Die Daten sind keine Prognosen mehr — es sind gemessene Ergebnisse.

DeepMind und die Kühlung von Rechenzentren

2016 trainierte DeepMind ein Reinforcement-Learning-System zur Steuerung der Kühlung von Google-Rechenzentren. Das System erfasste Hunderte von Variablen — Temperatur, Druck, Durchflussmengen, Wetterdaten — und lernte, diese in Echtzeit zu optimieren.

Ergebnis: Reduktion des Kühlungsenergiebedarfs um 40%.

Das ist keine Schätzung. Es ist ein auditiertes Ergebnis, veröffentlicht mit Code und überprüfbaren Daten, das Google seither in Produktion betreibt. Die Kühlung macht typischerweise zwischen 30% und 40% des Gesamtverbrauchs eines Rechenzentrums aus, sodass die tatsächliche Auswirkung auf den Gesamtverbrauch des Zentrums bei einer globalen Reduktion von rund 15% liegt.

Vorhersage der Windstromproduktion

Das fundamentale Problem der Windenergie ist nicht ihre Erzeugung — sondern ihre Vorhersage. Eine Turbine, die variable Energie produziert, hat einen deutlich geringeren Marktwert als eine, die sich verpflichten kann, ein bestimmtes Volumen in einem spezifischen Zeitfenster zu liefern.

DeepMind entwickelte ein Vorhersagemodell für 700 MW Windkapazität in den USA. Das System prognostiziert die Produktion 36 Stunden im Voraus, was es den Betreibern ermöglicht, verbindliche Lieferverträge abzuschließen.

Ergebnis: +20% wirtschaftlicher Wert für dieselbe erzeugte Energie. Keine zusätzlichen Panels, keine zusätzlichen Turbinen. Nur besser verwaltete Information.

Die Implikation ist direkt: Wenn Windenergie mehr wert ist, wird mehr Windenergie gebaut. KI als Rentabilitätsmultiplikator für Erneuerbare hat systemische Effekte, die über den einzelnen Anwendungsfall hinausgehen.

Transport: Logistik als Testfeld

Transport macht etwa 16% der globalen Emissionen aus. Und anders als im Energiesektor liefern KI-Anwendungsfälle im Transport seit über einem Jahrzehnt messbare Ergebnisse.

UPS Project ORION ist vielleicht das am häufigsten zitierte und am besten verifizierbare Beispiel. Noch vor der Ära der großen Sprachmodelle entwickelte UPS ein Routenoptimierungssystem, das Millionen möglicher Kombinationen für jeden Fahrer analysierte.

Das Ergebnis, dokumentiert in ihren Jahresberichten: Einsparung von mehr als 100 Millionen gefahrenen Meilen pro Jahr. Das entspricht etwa 100.000 Tonnen vermiedener CO₂-Emissionen jährlich — allein durch UPS, allein durch Routenoptimierung.

Weitere dokumentierte Impact-Vektoren:

• Nachfrageprognose im öffentlichen Nahverkehr: Reduzierung der Anzahl von Einheiten, die mit geringer Auslastung unterwegs sind. Vorhersagesysteme in Städten wie Singapur haben Reduktionen von 10-15% bei den Fahrzeugkilometern nachgewiesen, ohne die Serviceabdeckung zu verringern.
• Autonomes Fahren in kontrollierten Umgebungen (Bergbau, Flughäfen, Häfen): Autonome Fahrzeuge in Kupferminen in Chile haben Verbrauchsreduktionen von 15-30% gegenüber menschlichen Fahrern bei denselben Arbeitszyklen nachgewiesen.

Industrie: die „hard to abate”-Sektoren

Stahl, Zement, Chemikalien. Das sind die drei Industriesektoren, die den größten Anteil an Emissionen konzentrieren, die sich nicht einfach durch erneuerbare Energiequellen eliminieren lassen. Sie erfordern Wärme bei sehr hohen Temperaturen, chemische Prozesse, die CO₂ als inhärentes Nebenprodukt emittieren, oder beides.

KI löst diese Probleme nicht grundlegend — aber sie kann sie komprimieren.

GNoME: 2,2 Millionen neue Materialien

Im November 2023 veröffentlichte Google DeepMind die Ergebnisse des Projekts GNoME (Graph Networks for Materials Exploration): 2,2 Millionen neue stabile Materialien, entdeckt durch maschinelles Lernen an molekularen Graphen.

Zum Kontext: Die Materialwissenschaft hatte in den letzten 50 Jahren experimenteller Forschung etwa 50.000 stabile Materialien katalogisiert. GNoME vervielfachte diesen Katalog in einem einzigen Projekt um den Faktor 44.

Unter diesen Materialien befinden sich Kandidaten für Batterien der nächsten Generation, Supraleiter und Katalysatoren für emissionsarme Industrieprozesse. Nicht alle werden in die Produktion gelangen — aber selbst wenn 0,1% nützlich sind, stellt das 2.200 neue Materialien mit industriellem Potenzial dar.

Vorausschauende Wartung

Ein Elektrolichtbogenofen in einem Stahlwerk verbraucht zwischen 350 und 400 kWh pro Tonne Stahl. Bei einem ungeplanten Ausfall verbraucht der Neustartprozess in den ersten Stunden zwischen 2 und 4 Mal mehr Energie als ein normaler Zyklus.

KI-basierte Systeme für vorausschauende Wartung — die Vibration, Temperatur, Strom und Nutzungsmuster analysieren — können ungeplante Stillstände um 30-50% reduzieren. In einem mittelgroßen Stahlwerk mit 500.000 Tonnen Jahresproduktion kann das 10.000-20.000 Tonnen vermiedener CO₂-Emissionen pro Jahr entsprechen.

Landwirtschaft: Wasser, Boden und Kohlenstoff

Landwirtschaft und Landnutzung machen etwa 22% der globalen Emissionen aus, wenn man die Entwaldung einbezieht. Und es ist einer der Sektoren, in denen KI die vielfältigsten Handlungsvektoren hat.

Bewässerungsoptimierung: KI-Systeme, die Wetterdaten, Bodenfeuchtigkeitssensoren und Satellitenbilder kombinieren, demonstrieren Reduktionen von 30-50% beim Wasserverbrauch in Pilotprojekten in Kalifornien, Spanien und Israel. Der Klimanutzen ist doppelt: weniger Energie für das Pumpen und geringerer Stress auf Grundwasserleiter, die den lokalen Wasserkreislauf regulieren.

Früherkennung von Schädlingen: Die kontinuierliche Überwachung von Kulturen mit hochauflösenden Satellitenbildern, kombiniert mit Computer-Vision-Modellen, ermöglicht die Erkennung von Befall in seinen Frühphasen — wenn die erforderliche Behandlung nur einen Bruchteil dessen ausmacht, was ein etablierter Befall erfordern würde. Pilotprojekte in Kaffeeplantagen in Kolumbien und Maisfeldern in Kenia haben Reduktionen von 40-60% beim Pestizideinsatz nachgewiesen.

Messung der Kohlenstoffbindung: Eines der strukturellen Probleme des Marktes für forstliche Kohlenstoffgutschriften ist der Mangel an objektiver Verifizierung. ML-Modelle, die auf multispektralen Satellitenbildern trainiert wurden, können die Waldbiomasse — und damit den gespeicherten Kohlenstoff — mit einer Genauigkeit schätzen, die mit Feldinventuren vergleichbar ist, aber im globalen Maßstab und zu nahezu null Grenzkosten.

Wissenschaft: Kompression von Forschungszyklen

Der bekannteste Fall ist AlphaFold.

2022 veröffentlichte DeepMind die vorhergesagten Strukturen von 200 Millionen Proteinen — praktisch das gesamte bekannte Proteom des Lebens auf der Erde. Die Arbeit, die Jahrzehnte an Röntgenkristallographie erfordert hätte, war in 18 Monaten Rechenzeit in einer öffentlichen, kostenlosen Datenbank verfügbar.

Die Auswirkungen auf das Klima sind indirekt, aber real: Die Forschung an Biokraftstoffen der vierten Generation, an Enzymen, die Plastik abbauen, an biologischen Katalysatoren für industrielle Prozesse hat sich messbar beschleunigt. Entdeckungszyklen, die früher 10-15 Jahre dauerten, werden in einigen Fällen nun auf 3-5 Jahre komprimiert.

GraphCast, Googles Wettervorhersagemodell, arbeitet mit 10.000-facher Geschwindigkeit der traditionellen numerischen Modelle des European Centre for Medium-Range Weather Forecasts (ECMWF), mit vergleichbarer oder überlegener Genauigkeit bei den meisten Parametern. Präzisere Klimavorhersagen retten nicht nur bei Extremereignissen Leben — sie optimieren auch das Management von Stromnetzen mit hohem Anteil an Erneuerbaren.

Die Greenwashing-Falle der KI

Hier ändert der Artikel seinen Ton. Denn es gibt eine enorme Kluft zwischen dem dokumentierten Potenzial und dem, was tatsächlich passiert.

„KI für das Klima” ist zu einem Marketing-Argument geworden.

80% der Projekte, die in ESG-Berichten großer Konzerne als „grüne KI” präsentiert werden, sind in Wirklichkeit interne Prozessoptimierung — Reduktion von Betriebskosten, die auch den Verbrauch senkt, die aber ohnehin stattgefunden hätte, mit oder ohne eine explizite Klimaagenda.

Das Verhältnis x4 oder x10 ist nur unter drei Bedingungen real, die selten gleichzeitig erfüllt sind:

1. Die KI wird auf Anwendungsfälle mit real hohem Impact angewandt, nicht auf kosmetische Optimierungen.

Es gibt einen Unterschied zwischen dem Training eines Modells, das vorhersagt, wann die Bürobeleuchtung einzuschalten ist (marginaler Impact), und dem Training eines Modells zur Optimierung des Energiedispatchings in einem regionalen Stromnetz mit 40% Windanteil (systemischer Impact). Beide werden in vielen Berichten gleich gezählt.

2. Die Energie, die die KI nutzt, stammt aus erneuerbaren Quellen.

Eine KI, die mit Kohle trainiert wird, um dann ein Netz erneuerbarer Energien zu optimieren, hat ein schlechteres Nettoverhältnis als in der üblichen Bilanzierung erscheint. Rechenleistung hat eine Geographie — und diese Geographie zählt.

3. Die Einsparung wird nicht durch den Rebound-Effekt neutralisiert.

Wenn KI die Produktionskosten eines Gutes um 30% senkt, kann die Nachfrage nach diesem Gut so stark steigen, dass der Gesamtverbrauch zunimmt. Dies ist der Jevons-Effekt angewandt auf KI-Effizienz. Er ist nicht hypothetisch: Es gibt vorläufige Belege dafür, dass die Effizienzgewinne beim Energieverbrauch von KI-Rechenzentren teilweise durch die Explosion der Nachfrage nach KI-Diensten kompensiert wurden.

Der Umweltbericht von Google 2024 sagt es unverblümt: Die Emissionen stiegen um 48% gegenüber dem Vorjahr, getrieben durch den Energieverbrauch der KI-Infrastruktur — während ihre eigenen Optimierungssysteme bereits in Produktion waren. Nutzen und Kosten koexistieren im selben Unternehmen.

Die notwendige Bedingung: Saubere Energie für die KI

Es gibt ein strukturelles Paradox in der aktuellen Debatte.

KI kann das mächtigste Werkzeug sein, um die Energiewende zu beschleunigen. Aber wenn dieselbe KI mit Kohle oder Gas betrieben wird, wächst ihr eigener Fußabdruck schneller als die Vorteile, die sie in anderen Sektoren erzeugt.

Die großen Technologiekonzerne wissen das. Ihre Antworten sind aufschlussreich:

• Microsoft erwarb Produktionsrechte am Kernkraftwerk Three Mile Island (Pennsylvania), um seine KI-Rechenzentren zu versorgen. Es ist die erste Reaktivierung eines Kernkraftwerks in den USA seit Jahrzehnten, explizit getrieben durch die Nachfrage nach KI-Rechenleistung.
• Google schloss Verträge für Geothermie in Kenia ab — eine der wenigen erneuerbaren Quellen mit stabiler Grundlasterzeugung — für seine Operationen in Afrika.
• Amazon Web Services ist der größte Unternehmenskäufer erneuerbarer Energie weltweit, mit über 24 GW vertraglich gesicherter Kapazität.

Aber Verträge für erneuerbare Energie sind nicht dasselbe wie erneuerbare Energie in Echtzeit. Ein Rechenzentrum, das ein PPA (Power Purchase Agreement) mit einem Windpark abschließt, verbraucht weiterhin den Strommix des Netzes in Momenten, in denen der Wind nicht weht. Die Dekarbonisierung der KI-Rechenleistung erfordert Speicher- und Dispatchlösungen, die im notwendigen Maßstab noch nicht existieren.

KI ist weder inhärent grün noch inhärent zerstörerisch. Sie ist ein Verstärkungswerkzeug. Sie verstärkt, was wir bereits tun: Wenn wir sie mit Rigorosität auf das Klimaproblem ausrichten, kann sie das mächtigste Werkzeug sein, das wir haben. Wenn wir sie nutzen, um mehr vom Gleichen zu tun, beschleunigt sie nur das Problem.

Was kann ich tun?

• Wenn Sie ein Unternehmen führen oder Betriebsabläufe leiten: Das finanzielle und das klimatische Argument konvergieren: Industrieverbrauch mit KI zu optimieren reduziert Kosten und Emissionen gleichzeitig. Der erste Schritt ist kein KI-Projekt — es geht darum, die Daten zu haben. Die Investition in Instrumentierung und Telemetrie ist die Voraussetzung dafür, dass jedes Optimierungssystem etwas zum Lernen hat.

• Wenn Sie im Energie- oder Industriesektor arbeiten: Die Sektoren mit dem größten Potenzial sind Stromerzeugung, Schwerindustrie und Güterverkehr. Die Anwendungsfälle sind dokumentiert und die Modelle sind zugänglich. Die reale Barriere ist meist nicht die Technologie — es ist die Data Governance und der organisatorische Widerstand gegen die algorithmische Steuerung kritischer Systeme.

• Wenn Sie Investor oder Leiter von ESG-Fonds sind: Das Verhältnis von Emissionsreduktion pro investiertem Euro in KI-Anwendungen für Energie oder Industrie übertrifft andere Kategorien grüner Investments. Aber es erfordert spezifische Due Diligence: Welcher Anwendungssektor? Welche Reduktions-Baseline? Wird die KI-Infrastruktur selbst mit erneuerbarer Energie betrieben?

• Wenn Sie Bürger oder Klimaaktivist sind: Beide Narrative — „KI zerstört das Klima” und „KI wird das Klima retten” — sind gleichermaßen unvollständig. Fordern Sie die bedingte Version: KI kann Emissionen x4 reduzieren, wenn sie in Sektoren mit hohem Impact angewandt wird, wenn sie saubere Energie nutzt, wenn sie so gesteuert wird, dass der Rebound-Effekt vermieden wird.

Der 48-prozentige Anstieg der Google-Emissionen 2024 ist real. Und ebenso real ist die 40-prozentige Reduktion des Kühlungsverbrauchs, die DeepMind mit Reinforcement Learning erreichte. Beide Datenpunkte koexistieren. Zu verstehen, warum — und unter welchen Bedingungen der eine den anderen überwiegen kann — ist genau die Art von Denken, die die Klimakrise erfordert.

Die Daten sagen nicht, dass KI gut oder schlecht für das Klima ist. Sie sagen, dass sie entscheidend sein kann, wenn wir wissen, worauf wir sie ausrichten.