Künstliche Intelligenz wird rasch zu einem festen Bestandteil der alltäglichen digitalen Infrastruktur. Large Language Models (LLMs) unterstützen heute Aufgaben vom Kundensupport und der Softwareentwicklung bis hin zum internen Wissensmanagement und zur Datenanalyse.

Mit zunehmender Verbreitung fragen Organisationen immer häufiger nach dem CO₂-Fußabdruck von KI und Large Language Models. Sind LLMs eine bedeutende Emissionsquelle? Sollte ihre Nutzung in Klimastrategien von Unternehmen berücksichtigt werden?

Die öffentliche Diskussion konzentriert sich oft auf die Energie, die für die Beantwortung von Prompts benötigt wird. Die Forschung zeigt jedoch, dass hier nicht der Großteil der Emissionen entsteht. Der Großteil der Umweltauswirkungen von LLMs entsteht früher im Lebenszyklus des Modells, insbesondere während des Trainings.

Zu verstehen, wo Emissionen tatsächlich entstehen, ist für Nachhaltigkeitsberater wichtig, die Organisationen zu CO₂-Bilanzierung, ESG-Reporting und den Auswirkungen digitaler Infrastruktur beraten.

Woher stammen die Emissionen von LLMs?

Über den gesamten Lebenszyklus eines Large Language Models hinweg entsteht die große Mehrheit der Emissionen, bevor das Modell von Endnutzern verwendet wird.

Das Training eines LLM erfordert enorme Rechenressourcen. In dieser Phase lernt das Modell aus großen Datensätzen durch wiederholte Optimierungsprozesse, die umfangreiche Rechenleistung erfordern.

Eine Studie von Carbone4 zum Mistral-LLM liefert eine nützliche Aufschlüsselung der Emissionen über den Lebenszyklus des Modells:

Das bedeutet, dass rund 95 % des gesamten CO₂-Fußabdrucks eines LLM während der Entwicklung bestimmt werden und nicht bei der täglichen Nutzung.

Zwei Faktoren erklären diese Verteilung.

1. Hoher Rechenbedarf während des Trainings

Das Training umfasst extrem große Rechenlasten, oft mit:

Diese Trainingsläufe können je nach Größe des Modells Wochen oder Monate dauern.

2. Graue Emissionen spezialisierter Hardware

Auch die Herstellung leistungsstarker KI-Hardware trägt zum Gesamtfußabdruck bei. Die Herstellung von:

verursacht erhebliche graue Emissionen (Embodied Emissions).

Zusammen dominieren der Stromverbrauch während des Trainings und die Hardwareherstellung den Lebenszyklus-Fußabdruck von Large Language Models.

Die CO₂-Auswirkungen der Nutzung von Large Language Models

Im Gegensatz zum Training sind die mit der Nutzung von LLMs verbundenen Emissionen vergleichsweise gering.

Wenn Nutzer Prompts absenden, führt das Modell einen Vorgang namens Inferenz aus und generiert mithilfe seiner trainierten Parameter eine Antwort. Dieser Prozess erfordert Rechenleistung, ist aber weit weniger energieintensiv als das Training.

Schätzungen zufolge führt die Beantwortung von 1.000 Prompts zu Emissionen zwischen etwa 5 und 500 gCO₂e. Diese Zahlen gehen von einer CO₂-Intensität des Stroms von etwa 480 gCO₂/kWh aus.

Die Spanne hängt von mehreren Faktoren ab:

Selbst am oberen Ende der Schätzung bleiben die Emissionen im Vergleich zu den meisten Bestandteilen eines typischen persönlichen oder unternehmerischen CO₂-Fußabdrucks gering.

So übersteigen beispielsweise die Emissionen von:

häufig die Emissionen, die mit Tausenden von KI-Anfragen verbunden sind.

Aus diesem Grund sind die Nutzungsemissionen von LLMs in den meisten Unternehmens-CO₂-Bilanzen in der Regel vernachlässigbar.

Warum die Modellgröße den CO₂-Fußabdruck von KI bestimmt

Obwohl die Nutzungsemissionen gering sind, ist der gesamte CO₂-Fußabdruck von KI-Modellen stark an die Modellgröße gekoppelt.

Größere Modelle erfordern:

Infolgedessen steigen die Emissionen mit der Anzahl der Parameter im Modell deutlich an.

Dies schafft einen wichtigen Nachhaltigkeitshebel. In vielen praktischen Anwendungen sind extrem große Allzweckmodelle nicht erforderlich.

Stattdessen können Organisationen häufig Folgendes nutzen:

Diese Ansätze können den Rechenbedarf erheblich senken und dennoch eine angemessene Leistung liefern.

Für Nachhaltigkeitsberater, die Organisationen bei der Einführung von KI beraten, wird die Modellauswahl zu einem der wichtigsten Faktoren, die die Umweltauswirkungen beeinflussen.

Was KI-Emissionen für die CO₂-Bilanzierung von Unternehmen bedeuten

Der Aufstieg der KI wirft mehrere praktische Fragen für die CO₂-Bilanzierung und Nachhaltigkeitsberichterstattung auf.

Drei Aspekte sind besonders relevant.

1. KI-Emissionen einordnen

In den meisten Organisationen machen die mit der KI-Nutzung verbundenen Emissionen nur einen sehr kleinen Anteil der Gesamtemissionen aus.

Andere Emissionsquellen dominieren typischerweise den Fußabdruck von Unternehmen, darunter:

Das bedeutet, dass die KI-Nutzung selten zu einem Schwerpunkt von Dekarbonisierungsstrategien in Unternehmen wird.

2. Lebenszyklusgrenzen verstehen

Die meisten Emissionen entstehen bei der Modellentwicklung und der Hardwareproduktion, die typischerweise in der Infrastruktur von Technologieanbietern stattfinden.

Das stellt Bilanzierungsrahmen für Unternehmen vor Herausforderungen, denn:

Diese Lebenszyklusgrenzen zu verstehen, ist bei der Bewertung der Umweltauswirkungen digitaler Technologien unerlässlich.

3. Praktische Reduktionshebel identifizieren

Für Organisationen, die KI-Systeme einsetzen, umfassen die realistischsten Optionen zur Emissionsreduktion:

Diese Entscheidungen können den Energieverbrauch senken und gleichzeitig die Vorteile von KI-Technologien erhalten.

Der künftige CO₂-Fußabdruck von Künstlicher Intelligenz

Die Umweltauswirkungen von KI werden weitgehend davon abhängen, wie Modelle entworfen, trainiert und eingesetzt werden.

Mehrere Trends werden den künftigen CO₂-Fußabdruck von Large Language Models beeinflussen:

Gleichzeitig bedeutet das rasante Wachstum der KI-Nutzung, dass der gesamte Energiebedarf weiter steigen könnte.

Für Nachhaltigkeitsfachleute unterstreicht dies, wie wichtig es ist, die digitale Infrastruktur hinter KI-Systemen zu verstehen, darunter:

Die wichtigsten Erkenntnisse: Die CO₂-Auswirkungen von Large Language Models

Für Nachhaltigkeitsberater, die Organisationen bei der Einführung von KI beraten, stechen mehrere Schlussfolgerungen hervor:

In der Praxis besteht die wirksamste Strategie zur Senkung des CO₂-Fußabdrucks von KI nicht darin, die individuelle Nutzung einzuschränken, sondern Modelleffizienz und Einsatzentscheidungen zu verbessern.

Da sich Künstliche Intelligenz immer weiter in digitalen Systemen ausbreitet, wird das Verständnis dieser Dynamiken für Nachhaltigkeitsfachleute, die an der Schnittstelle von KI, CO₂-Bilanzierung und Klimastrategie arbeiten, immer wichtiger.

Dieser Blog basiert auf den folgenden Quellen:

---

Über Carbon+Alt+Delete

Wir bieten Software für CO₂-Bilanzierung für Nachhaltigkeitsberater und Beratungsunternehmen, die Unternehmen auf dem Weg zu Net Zero begleiten.

Neugierig, wie unsere Software Ihre Carbon-Accounting-Services verbessern kann?

Kontaktieren Sie uns unter [email protected] oder buchen Sie hier einen Termin mit einem unserer Experten.