KI-Energie & Nachhaltigkeit 2026: Wie viel Strom verbrauchen Claude, ChatGPT, Gemini und Mistral wirklich?

Jeder Prompt an Claude, ChatGPT, Gemini oder Mistral läuft auf einer GPU oder TPU irgendwo in einem Rechenzentrum — und 2026 sind diese Rechenzentren zu einem der am schnellsten wachsenden Stromverbraucher der Welt geworden. Anthropic und OpenAI planen Rechenleistung inzwischen in Gigawatt, die IEA erwartet bis 2030 fast eine Verdopplung des Strombedarfs von Rechenzentren, und die EU beginnt, Rechenzentren wie Kühlschränke zu kennzeichnen. Gleichzeitig ist die Energie pro Prompt drastisch gesunken. Hier ist, was die Zahlen wirklich sagen — und was Unternehmen tun können, um KI verantwortungsvoll zu nutzen, ohne auf ihren Nutzen zu verzichten.

Das große Bild: KI ist jetzt eine Stromfrage

Die klarsten Zahlen liefert das Update der Internationalen Energieagentur (IEA) vom April 2026. Rechenzentren weltweit verbrauchten 2025 rund 485 TWh — ein Plus von 17 % in einem einzigen Jahr und mehr als fünfmal so schnell wie der gesamte Strombedarf. Primär für KI gebaute Anlagen verbrauchten etwa 155 TWh, rund 50 % mehr als im Vorjahr. Im Basisszenario der IEA erreicht der Verbrauch der Rechenzentren bis 2030 etwa 950 TWh, KI-fokussierte Anlagen verdreifachen sich ungefähr.

Zum Vergleich: 950 TWh sind mehr als der jährliche Stromverbrauch Japans. Das Wachstum konzentriert sich auf zwei Länder — die IEA erwartet zwischen 2025 und 2030 in den USA einen Anstieg von etwa 224 auf 426 TWh und in China von 117 auf 277 TWh. Europa wächst langsamer, gebremst von Netzanschlüssen und Genehmigungen, nicht von der Nachfrage.

Das Gigawatt-Rennen: Anthropic, OpenAI und der Ausbau

Die KI-Labore sprechen nicht mehr über Server, sondern über Kapazitäten ganzer Kraftwerke. Anthropic hat eine Rechenkapazität von mehr als 15 GW an rund 15 US-Standorten gesichert, darunter Verträge mit Amazon über bis zu 5 GW sowie mit Google und Broadcom über weitere 5 GW TPU-Kapazität; der Amazon-Campus in New Carlisle (Indiana) zählt mit rund 900 MW bereits zu den größten KI-Rechenzentren der Welt. OpenAIs Stargate-Zusagen haben das ursprüngliche Ziel von 10 GW übertroffen, weitere Multi-Gigawatt-Standorte in Georgia und Ohio sind angekündigt. Weil Gigawatt-Campusse Jahre bis zum Netzanschluss brauchen, mieten beide Unternehmen zusätzlich kleinere Anlagen mit 20–30 MW, um die Nachfrage sofort zu bedienen.

Für Unternehmen ist das aus zwei Gründen wichtig: Das Angebot an Rechenleistung — und damit Preise und Nutzungslimits — hängt davon ab, wie schnell das Netz wachsen kann, und der Energiemix der neuen Standorte (Gas, Kernkraft, Erneuerbare) bestimmt den tatsächlichen CO₂-Fußabdruck der KI, die Sie einkaufen. Die Perspektive der Branche selbst zeigt unser Leitfaden zu KI in Energie und Versorgung.

Was kostet ein Prompt wirklich?

Zahlen pro Prompt wurden erst 2025 öffentlich — und sie sind deutlich kleiner als virale Behauptungen wie „eine Flasche Wasser pro E-Mail" nahelegten:

Diese Werte sind nicht direkt vergleichbar: Google nennt einen Median, OpenAI einen Durchschnitt und Mistral einen vollständigen Lebenszykluswert inklusive Training und Hardwareherstellung — deshalb liegen seine CO₂- und Wasserwerte höher. Mistral gebührt Anerkennung als erstes großes Labor, das eine begutachtete Analyse dieser Art veröffentlicht hat.

Der Haken liegt bei den rechten KI-Balken. Reasoning-Modelle, die über Tausende Tokens „nachdenken", Prompts mit einem 200-seitigen Vertrag und autonome Agenten, die zwanzig Minuten laufen, verbrauchen 10- bis 70-mal mehr Energie als eine einfache Chat-Antwort. Während KI sich von Fragen zu langlaufenden Agenten verschiebt, steigt die Energie pro Aufgabe, obwohl die Energie pro Token sinkt.

Wasser und CO₂: Der Standort zählt mehr als das Modell

Rechenzentren nutzen Wasser vor allem zur Kühlung, und der CO₂-Fußabdruck einer Kilowattstunde hängt vom Netz ab. In der EU reicht die Netzintensität von unter 50 g CO₂ pro kWh in Ländern mit überwiegend Wasserkraft, Kernkraft oder Wind bis zu mehreren hundert Gramm, wo Kohle und Gas dominieren. Derselbe Prompt kann je nach Region also einen zehnfach unterschiedlichen CO₂-Fußabdruck haben. Eine EU-Region mit sauberem Netz zu wählen — was auch bei der Datenresidenz hilft — ist einer der einfachsten Hebel, die ein Unternehmen hat.

Die Regulierer schauen genau hin

• EU-KI-Gesetz: Anbieter von KI-Modellen mit allgemeinem Verwendungszweck müssen den bekannten oder geschätzten Energieverbrauch ihrer Modelle in der technischen Dokumentation angeben. Mehr in unserem Leitfaden zur Compliance mit dem EU-KI-Gesetz.
• Energieeffizienzrichtlinie: Rechenzentren mit mehr als 500 kW IT-Leistung müssen Energie-, Wasser- und Erneuerbaren-Daten an eine EU-Datenbank melden.
• EU-Nachhaltigkeitslabel für Rechenzentren: Im Juli 2026 veröffentlichte die Kommission einen überarbeiteten Entwurf eines verpflichtenden Ratingsystems mit elektronischem Label; die ersten Labels werden 2027 erwartet.
• Nachhaltigkeitsberichterstattung: Unternehmen, die Emissionen berichten, müssen Cloud- und KI-Dienste zunehmend in Scope 3 erfassen — fordern Sie die Daten schon jetzt bei Ihren Anbietern an.

Grüne KI ist günstige KI: 7 Hebel, die Energie und Kosten senken

Die gute Nachricht: Fast alles, was den Fußabdruck von KI senkt, senkt auch die Rechnung, denn Anbieter rechnen nach Rechenleistung ab. Die folgenden Hebel sind dieselben, mit denen wir Inferenzkosten optimieren:

1. Das passende Modell wählen. Kleine, schnelle Modelle (Claude Haiku, GPT-Mini-Modelle, Mistral Small) für Klassifizierung, Extraktion und Routing einsetzen, Frontier-Modelle für schwierige Probleme reservieren. Modell-Routing hat in Studien die Kosten um über 85 % gesenkt und dabei ~95 % der Qualität gehalten.
2. Wiederholtes cachen. Systemprompts, Handbücher und Verträge, die immer wieder gesendet werden, sollten Prompt-Caching nutzen — bis zu 90 % günstiger beim gecachten Input.
3. Was warten kann, im Batch verarbeiten. Nächtliche Berichte und Dokumentenläufe über eine Batch-API kosten 50 % weniger und lassen Anbieter die Arbeit dann einplanen, wenn Kapazität — und oft sauberer Strom — verfügbar ist.
4. Reasoning und Antwortlänge steuern. Denkbudgets setzen, knappe Antworten verlangen und Agenten nach einer sinnvollen Zahl von Schritten stoppen.
5. Kleine Modelle lokal betreiben, wo es passt. Kleine Sprachmodelle und Quantisierung (bis zu ~75 % weniger Speicher bei 4 Bit) machen On-Premise- oder Edge-KI für einfache Aufgaben praktikabel.
6. Saubere Regionen und transparente Anbieter wählen. EU-Regionen mit niedriger Netzintensität und Anbieter bevorzugen, die Energie-, Wasser- und Emissionsdaten veröffentlichen.
7. Messen. Tokens, Modellmix und Kosten pro Aufgabe in einem Dashboard verfolgen; mit den Daten des Anbieters in kWh und CO₂ für den Nachhaltigkeitsbericht umrechnen.

Fazit

Das Energieproblem der KI ist real, wird aber oft missverstanden. Ein einzelner Prompt verbraucht wenig Energie — und jedes Jahr weniger —, während der Gesamtbedarf der KI schnell steigt und die Stromnetze verändert. Die verantwortungsvolle Antwort für Unternehmen ist nicht, KI zu meiden, sondern sie bewusst einzusetzen: das richtige Modell für jede Aufgabe, Caching und Batch als Standard, saubere Regionen und Messung. Richtig umgesetzt ist grüne KI einfach effiziente KI — besser fürs Klima und für Ihre Marge.