KI Verbrauchsrechner

Die Werte basieren auf der Studie "How Hungry is AI?" von Jegham et al. (Mai 2025), Googles offizieller Energiemessung (Aug 2025), Epoch AI, dem Hugging Face AI Energy Score v2 sowie IEA- und Ember-Daten zu CO2-Emissionsfaktoren.

Es handelt sich um Schätzungen und Durchschnittswerte. Der tatsächliche Verbrauch hängt von vielen Faktoren ab: Prompt-Länge, Server-Auslastung, Hardware-Generation, Kühlung und Infrastruktur-Effizienz. Die Werte geben eine realistische Größenordnung wieder.

Leicht: Kurze Anfragen mit ca. 100-500 Tokens (einfache Fragen, Übersetzungen). Mittel: ~500-2.000 Tokens (Zusammenfassungen, Texte). Komplex: ~2.000-8.000+ Tokens (Coding, Analyse, Reasoning-Aufgaben).

Größere Modelle mit mehr Parametern brauchen mehr Rechenleistung. Reasoning-Modelle (o3, DeepSeek-R1) verbrauchen besonders viel, da sie intern viele zusätzliche "Denkschritte" durchführen.

Für sehr neue Modelle (z. B. GPT-6 Astra, Claude Fable 5.1, Claude Opus 4.8, GPT-5.5, Gemini 3 Pro, Llama 4, Grok 4) gibt es noch keine offiziellen, gemessenen Energiewerte — kein Anbieter veröffentlicht den Verbrauch pro Anfrage. Diese Modelle sind im Dropdown mit „(geschätzt)" gekennzeichnet und im Vergleichs-Chart gestrichelt umrandet. Ihre Werte sind nachvollziehbare Schätzungen, abgeleitet vom jeweils nächsten gemessenen Vorgängermodell.

Im Modus „Betriebsverbrauch“ zeigt der Rechner den Stromverbrauch der KI-Chips (GPUs/TPUs) während der Antwortgenerierung — inklusive CPU, Speicher und dem Rechenzentrum-Overhead für Kühlung und Stromverteilung (PUE-Faktor, typisch 1,1–1,3), so wie ihn die Studien einrechnen. Im Modus „Geschätzter Gesamtverbrauch“ wird zusätzlich ein Faktor ×2 angewendet, der Reservekapazität, reale Auslastung sowie Training und Hardware-Herstellung anteilig einrechnet (Herleitung siehe FAQ zum Faktor ×2). Die CO2-Werte nutzen den Strommix der gewählten Region (Ember-Daten für 2025).

Dieser Rechner zeigt nur die Spitze des Eisbergs — den reinen Betriebsstrom einer Anfrage. Der tatsächliche Gesamtverbrauch von KI umfasst weit mehr: (1) Forschung & Entwicklung — jahrelange Experimente, Prototypen und Testläufe, bevor ein Modell veröffentlicht wird. (2) Training — das Trainieren großer Modelle verschlingt Millionen kWh. Für GPT-4 reichen die Schätzungen von rund 33 GWh (Lebenszyklus-Analyse, Morand et al. 2025) bis 52–62 GWh (Hochrechnung aus geleakten Trainingsdaten) — in der Größenordnung des Jahresstromverbrauchs einer Kleinstadt. (3) Hardware-Herstellung — Produktion von GPUs/TPUs, Servern, Speicher und Netzwerktechnik verursacht erhebliche Emissionen (Embodied Carbon), noch bevor ein Chip zum ersten Mal rechnet. (4) Rechenzentren — Bau und Betrieb: Gebäude, Notstrom, physische Sicherheit, Brandschutz, redundante Systeme. (5) Kühlung & Infrastruktur — Klimaanlagen, Wasserverbrauch für Kühltürme und unterbrechungsfreie Stromversorgung (teilweise im PUE-Faktor enthalten). (6) Netzwerk — globale Datenübertragung zwischen Rechenzentren, CDNs und zum Endnutzer. (7) Personal — Tausende Entwickler:innen, Forscher:innen und Betriebsteams mit eigener Infrastruktur. (8) Dein Endgerät — auch Smartphone, Laptop oder PC verbraucht Strom für jede Anfrage. Warum diese Werte fehlen: Kein Anbieter veröffentlicht einen vollständigen Energie-Breakdown pro Anfrage. Die hier gezeigten Betriebswerte sind der am besten belegte Teil — aber der echte Fußabdruck von KI ist ein Vielfaches davon.

Der Umschalter „Geschätzter Gesamtverbrauch“ multipliziert alle Werte mit dem Faktor 2. Herleitung: Die Betriebswerte (Jegham et al.) enthalten bereits GPU-, CPU- und Speicherleistung sowie den PUE-Faktor für Kühlung und Stromverteilung (1,1–1,3). Nicht enthalten sind zwei Posten. (1) Reservekapazität und reale Auslastung — die Studie klammert ungenutzte, aber laufende Chips ausdrücklich aus, und die tatsächliche Auslastung im Betrieb liegt unter dem Maximum. Google beziffert diesen Unterschied in seiner eigenen Messung (Aug. 2025): 0,24 Wh pro Median-Prompt im vollständigen Ansatz gegenüber 0,10 Wh bei reiner Chip-Betrachtung, also rund Faktor 2,4 (inklusive PUE). (2) Training und Hardware-Herstellung — die einmaligen Kosten für das Training (GPT-4: etwa 33–62 GWh je nach Schätzung) und den Bau der Hardware, umgelegt auf alle Anfragen der Nutzungsdauer; bei Milliarden Anfragen pro Jahr ergibt das grob 10–30 % Aufschlag. Zusammen liegt der plausible Bereich bei etwa ×1,5 bis ×3; wir verwenden ×2 als mittleren Wert. Das bleibt eine bewusst grobe Schätzung — der reine Betriebswert ist jederzeit über den Umschalter sichtbar.

Wasser wird wie in der Studie von Jegham et al. aus dem Stromverbrauch abgeleitet: Kühlwasser im Rechenzentrum (vor Ort, z. B. 0,30 L/kWh bei Microsoft Azure, 0,18 L/kWh bei AWS) plus das Wasser, das bei der Stromerzeugung im Kraftwerk verdunstet (je nach Region 4,4–6,0 L/kWh). Daraus ergeben sich rund 4,6 L pro kWh für OpenAI und DeepSeek (Azure) und 5,3 L/kWh für Anthropic und Meta (AWS). Für Google nutzen wir dessen eigene Kühlwasser-Angabe (0,26 ml je 0,24-Wh-Prompt) plus den Azure-Stromwert, für xAI und Mistral den Durchschnitt der bekannten Anbieter. Der Anteil aus der Stromerzeugung dominiert deutlich. Im Modus Gesamtverbrauch skalieren die Wasserwerte mit dem Faktor ×2 mit. Es sind Größenordnungen, keine Messungen — Standort und Kühltechnik können sie um ein Vielfaches verändern.