Basislinie (Standardtext)
0,30 Wh
Historische Referenz zum Vergleich aller anderen
Zurück zu Berichten
Nachhaltigkeit
Stand des KI-Energieverbrauchs(2025-2026)
Dashboard zum Erkunden von Verbrauch, Modellen, Modalitäten, Multiplikatoren und realen Entsprechungen.
Ein Label, radikal unterschiedlicher Verbrauch
Dieses Panel fasst den Kernpunkt des ursprünglichen Berichts zusammen: Es gibt keine einzige Zahl für den "KI-Verbrauch". Leichter Text bleibt im Bereich von Zehnteln Wh, während Reasoning, Agenten und Video bereits auf völlig anderen Skalen operieren.
Durchschnittliches Reasoning
35,4 Wh
Erreicht schnell 100-fache Größenordnungen
Videogenerierung
520 Wh
Pro Kurzclip im kommerziellen Bereich 2026
Code-Agenten
85 Wh
Lange Sitzungen mit Tool Calls und massivem Kontext
Energiedisparität nach Modalität
Logarithmische Skala. Der Sprung vom Text zum Video ist exponentiell.
API-Kosten vs. geschätzter Verbrauch
Blase = ungefähre parametrische Größe. Der Preis spiegelt die physischen Kosten nicht immer gut wider, hilft aber, Trends zu erkennen.
Modellverzeichnis 2025-2026
Erkunde die Berichtsdatenbank: Sortiere nach Modell, Kategorie, Energie oder Multiplikator und filtere nach Modalität.
| Alltagsäquivalent | Quelle / Zuverlässigkeit | ||||
|---|---|---|---|---|---|
| GPT-4o OpenAI | Text / Reasoning | 0,3 Wh | x1 | 1 Sek. Mikrowelle | Epoch AI |
| Gemini 1.5 Pro (Mediana) Google | Text / Reasoning | 0,24 Wh | x0,8 | 1 Sek. Mikrowelle | Google (Direkt) |
| Llama 3.1 8B Meta | Text / Reasoning | 0,03 Wh | x0,1 | LED-Lampe 1 Sek. | ML.Energy |
| Llama 3.1 405B Meta | Text / Reasoning | 1,4 Wh | x4,7 | 5 Sek. Mikrowelle | ML.Energy |
| o3-reasoning (Consulta Larga) OpenAI | Text / Reasoning | 39,2 Wh | x130,7 | 30 Min. fernsehen | Jegham et al. |
| DeepSeek-R1-Distill-70B DeepSeek | Text / Reasoning | 4,6 Wh | x15,3 | 15 Sek. Mikrowelle | Extrapoliert (x154) |
| Phi-4-reasoning-plus Microsoft | Text / Reasoning | 15,4 Wh | x51,3 | Handy vollständig laden | Direkte Messung (x514) |
| GPT-5-main OpenAI | Text / Reasoning | 4,5 Wh | x15 | 15 Sek. Mikrowelle | URI AI Lab |
| GPT-5-thinking OpenAI | Text / Reasoning | 35 Wh | x116,7 | 2,5 Smartphone-Ladungen | Shaolei Ren (x5-x10) |
| GPT-5.4 OpenAI | Text / Reasoning | 42 Wh | x140 | 1 Std. fernsehen | Schätzung nach API-Kosten |
| Claude Opus 4.6 Anthropic | Text / Reasoning | 12,5 Wh | x41,7 | 40 Sek. Mikrowelle | Thermische Schätzung |
| Claude Sonnet 4.6 (Adaptive High) Anthropic | Text / Reasoning | 18 Wh | x60 | 1,2 Smartphone-Ladungen | Analyse der Thinking-Nutzung |
| Gemini 2.5 Flash Google | Text / Reasoning | 0,15 Wh | x0,5 | Kameraflash | |
| Gemini 3.1 Pro Preview Google | Text / Reasoning | 8,5 Wh | x28,3 | 30 Sek. Mikrowelle | Hardware-Schätzung v6 |
| Llama 4 Maverick (MoE) Meta | Text / Reasoning | 0,8 Wh | x2,7 | 3 Sek. Mikrowelle | Analogie 17B aktive Parameter |
| Grok 4 (Gas Powered) xAI | Text / Reasoning | 22 Wh | x73,3 | Hoher CO₂-Fußabdruck | Southern Env. Law Center |
| DeepSeek-V3.2 DeepSeek | Text / Reasoning | 1,2 Wh | x4 | 4 Sek. Mikrowelle | Sparse attention |
| DeepSeek-R1 (HW Ascend) DeepSeek | Text / Reasoning | 33,6 Wh | x112,0 | 2 Smartphone-Ladungen | Jegham et al. |
| GPT-4o Image Auto OpenAI | Bild | 9,5 Wh | x31,7 | LED-Lampe 1 Std. | Scope3 |
| SDXL H100 Stability | Bild | 1,64 Wh | x5,5 | 10 Min. LED-Lampe | HuggingFace AI Energy |
| Midjourney v7 Midjourney | Bild | 12 Wh | x40 | 1 Smartphone-Ladung | Community-Schätzung |
| AudioLDM Various | Audio | 0,25 Wh | x0,8 | 1 Sek. Mikrowelle | Passoni et al. |
| Suno v5.5 (Canción) Suno | Audio | 25 Wh | x83,3 | 2 Smartphone-Ladungen | GPU-Zeit-Schätzung |
| Sora 2 (Clip 10s) OpenAI | Video | 513 Wh | x1.710 | 1 Waschgang | Berichte nach Launch |
| CogVideoX1.5-5B THUDM | Video | 944 Wh | x3.146,7 | 30 Min. Geschirrspüler | MIT Tech Review |
| Veo 3 Standard (10s) Google | Video | 180 Wh | x600 | 1 km Elektroauto | Kostenbasierte Schätzung |
| Kling 3.0 (15s) Kuaishou | Video | 145 Wh | x483,3 | 1 km Elektroauto | Infrastruktur-Schätzung |
| Claude Code (Sesión) Anthropic | Agenten / Code | 41 Wh | x136,7 | 30 Min. fernsehen | Simon P. Couch |
| Devin 2.0 (Tarea) Cognition | Agenten / Code | 120 Wh | x400 | 8 Smartphone-Ladungen | Effizienz +83% vs v1 |
| Aider (Sesión) Various | Agenten / Code | 9,8 Wh | x32,7 | 10 Min. fernsehen | Token-Effizienz (105k) |
| OpenAI o3 Deep Research OpenAI | Agenten / Code | 450 Wh | x1.500 | Fast 1 Waschgang | Artificial Analysis |
| Perplexity Deep Research Perplexity | Agenten / Code | 85 Wh | x283,3 | 1 Std. Netflix | Extrapolation aus 308k Tokens |
Basislinie: 0,30 Wh als Standard-Textabfrage.
Echte Folgenabschätzung
Wandle die abstrakte Operation in eine greifbare Entsprechung um: Handyladungen, Stunden TV, Kilometer im Elektroauto oder Waschmaschinenzyklen.
Geschätzter Gesamtverbrauch
9.440 Wh
Smartphone-Ladevorgänge
674,29 Stunden Netflix schauen
122,6 km im Elektroauto
62,93 Waschmaschinenzyklen
18,88 Consumption is too low to show these macro equivalences.
AISHA-Bewertung: generatives Video, Deep Research und verlängerte Agenten sind keine einfachen „Features”. Sie sind Architektur- und Materialausgabenentscheidungen. Der richtige Ansatz ist nicht, sie zu verbieten, sondern zu messen, wann es sich lohnt, sie zu aktivieren.
Quellen
- AI's Power Demand: Calculating ChatGPT's electricity consumption
- Your AI Carbon Footprint: What Every Query Really Costs
- Electricity use of AI coding agents — Simon P. Couch
- Google Gemini 3.1 Pro Review and Analysis
- OpenAI Sora Shutdown: $15M/Day Costs, $2.1M Revenue
- Meta Llama 4 Models: Features, Benchmarks
- DeepSeek 3.2 and efficient open AI
- Inside Memphis' Battle Against Elon Musk's xAI Data Center