© Decision Tree reversed Rens Dimmendaal & Johann Siemens / betterimagesofai.org
Nachhaltigkeit ist kein Add-on
Künstliche Intelligenz* ist kein gewöhnliches Werkzeug der Digitalisierung. Sie ist ihr derzeit wirkmächtigstes Versprechen – und womöglich ihr größter Belastungstest. Denn mit KI verschärft sich nicht nur die Frage nach dem exponentiell steigenden Ressourcenverbrauch digitaler Systeme. Neu stellt sich vor allem die Frage nach dem Zweck: Welche Probleme können und sollen mit KI-Anwendungen gelöst werden, damit sie nicht nur der Gewinnmaximierung Einzelner dienen? Unser Ziel sollte es sein, dass wir sie nutzen, um unsere Gesellschaft als Ganzes mit gemeinwohlorientierten Innovationen nachhaltiger zu machen.
Zwischen diesen Polen bewegt sich die Debatte. KI kann dabei unterstützen, Energiesysteme effizienter zu steuern, Forschung zu beschleunigen und knappe Ressourcen effizienter zu nutzen. Andererseits wächst ihr eigener Bedarf an Energie, Frischwasser und Hardware für immer mehr und immer größere Rechenzentren exponentiell. So verschlang der Prozess des Trainings eines Modells wie GPT-4 schätzungsweise 50 Gigawattstunden1 – genug Strom, um beispielsweise bei 3.000 kWh Jahresverbrauch eines deutschen Haushalts gut 16.000 Haushalte zu versorgen. Bis 2030 könnten Rechenzentren weltweit etwa 9452 Terrawattstunden verbrauchen – das wäre eine Verdopplung im Vergleich zum Jahr 2024 und entspräche dem aktuellen kombinierten Strombedarf von Deutschland (ca. 500 TWh/Jahr) und Frankreich (ca. 450 TWh/Jahr).
In einer Diskussion zum Beitrag von KI zu nachhaltiger Digitalisierung dürfen nicht nur Klimabilanz, Energieeffizienz oder Wasserverbrauch in den Blick genommen werden. Es muss ebenso um Themen wie soziale Teilhabe, ökonomische Machtverschiebungen, politische Einflussnahme, Arbeitsbedingungen, Grundrechte, globale Gerechtigkeit und Inklusion gehen. Auch darin zeigt sich die Ambivalenz dieser Technologien. KI kann helfen, Klimamodelle zu verfeinern, Kreisläufe zu optimieren und erneuerbare Energiesysteme besser zu steuern. Zugleich erzeugt sie neue Belastungen – für unsere Ökosysteme und Gesellschaft.
Wo KI zum Treiber technischer Erneuerung wird, wächst auch der Bedarf an Daten- und Rechenleistung, werden Innovationszyklen verdichtet, verkürzt sich die Nutzungsdauer von Geräten und Komponenten und verschärft sich die Elektroschrottkrise weiter. Die Nachhaltigkeit von KI-Anwendungen lässt sich daher nicht auf deren Energie- und Ressourceneffizienz reduzieren. Zur Debatte steht: Wie wollen und müssen wir Digitalisierung gestalten, damit alle gleichermaßen davon profitieren?
Die benötigte Compute Power für das Trainieren von LLMs verdoppelt sich alle fünf bis sechs Monate.
© CC BY epoch.ai
Nachhaltige Digitalisierung ist mehr als begrünte Rechenzentren
Gerade weil die ökologischen und sozialen Kosten von KI leicht hinter der Faszination des technisch Machbaren und der Innovationsversprechen verschwinden, gehört es zu den zentralen Aufgaben der Informatik, diese Kosten sichtbar zu machen – und der Logik immer kürzerer Software- und Hardware-Zyklen entgegenzuwirken. Nachhaltige Digitalisierung heißt mehr, als Rechenzentren zu begrünen. Sie verlangt ebenso, die sozialen Bedingungen digitaler Wertschöpfung zu gestalten und der prekären Datenarbeit, den ungleichen Verteilungen von Nutzen und Lasten, diskriminierenden Effekten algorithmischer Systeme4 oder der Zunahme digitaler Gewalt etwas entgegenzusetzen.
Zur Entscheidung steht, ob wir als Informatiker*innen KI-Entwicklungen nur als Hebel und Beschleuniger von technischen Innovationen begreifen oder ob wir auch Verantwortung für deren Richtung übernehmen. Nachhaltige KI entsteht nicht ohne bewusste Gestaltung. Sie erfordert, dass ökologische und soziale Kriterien von Beginn an mitgedacht und nicht nachträglich ergänzt werden7.
Auch technisch zeichnet sich inzwischen ab, dass das alte Skalierungsdogma an Überzeugungskraft verliert.Nicht immer ist das größte Modell auch das sinnvollste. Für viele Anwendungen sind kleinere, spezialisierte Modelle deutlich ressourcenschonender und zugleich hinreichend leistungsfähig oder gar besser. Architekturen wie Mixture-of-Experts verstärken diesen Trend, weil sie nur jene Teile eines Modells aktivieren, die für eine Anfrage tatsächlich benötigt werden. Effizienz wird damit nicht zum Nebenprodukt von Größe, sondern zu einer Frage informierter und suffizienter Systemgestaltung.
Mit Verfahren wie Quantisierung, spezialisierteren Architekturen oder einer der jeweiligen Aufgabe angemessenen Modellauswahl rücken jedoch auch die Grenzen technischer Effizienzgewinne in den Blick, da mehr Ressourceneffizienz keineswegs automatisch zu weniger Ressourcenverbrauch führt. Oft geschieht das Gegenteil: Sinkende Kosten machen KI-Anwendungen attraktiver, verbreiten ihren Einsatz und treiben den Gesamtverbrauch weiter nach oben. Genau diese Rebound-Effekte zeichnen sich bei generativer und agentischer KI bereits ab. Je billiger einzelne Anfragen werden, desto selbstverständlicher wird KI für immer mehr Zwecke eingesetzt – auch dort, wo sie keinen Mehrwert schafft. Nicht selten wird KI zum universellen Workaround, der ineffektive und ineffiziente Prozesse nur überdeckt, statt deren eigentliche Probleme zu lösen. So entstehen neue Individuallösungen, zusätzliche Komplexität und neue Lock-in-Effekte, obwohl für viele Aufgaben längst dedizierte, symbolische oder gar nicht auf KI basierende Verfahren verfügbar wären, die einfacher, robuster und ressourcenschonender sind. KI ist kein Allheilmittel. Nachhaltige Digitalisierung beginnt deshalb nicht mit der Frage, wo sich KI noch einsetzen ließe, sondern welche Lösung für ein Problem tatsächlich die beste ist – und ob KI dafür überhaupt gebraucht wird.
Transparenz und Verantwortungsübernahme
Nicht-Diskriminierung und Fairness
Technische Verlässlichkeit und menschliche Aufsicht
Selbstbestimmung und Datenschutz
Inklusives und partizipatives Design
Kulturelle Sensibilität
Marktvielfalt und Ausschöpfung des Innovationspotenzials
Verteilungswirkung in Zielmärkten
Arbeitsbedingungen und Arbeitsplätze
Energieverbrauch
CO2- und Treibhausgasemissionen
Nachhaltigkeitspotenziale in der Anwendung
Indirekter Ressourcenverbrauch
13 Nachhaltigkeitskriterien für KI-Systeme
© https://sustain.algorithmwatch.org/wie-nachhaltig-ist-meine-ki
Spätestens hier kommen die Nachhaltigkeitsziele der Vereinten Nationen ins Spiel. Sie sind nicht nur normativer Bezugspunkt, sondern ein Ordnungsrahmen, um digitale Innovation jenseits rein technischer Metriken zu bewerten3. Anstelle einer verengten ökonomischen Perspektive ist eine umfassende Wirkungsorientierung bei der Umsetzung von KI-Anwendungen geboten. Sie brauchen „Sustainability by Design“: Prozesse verbessern, statt sie nur mit KI aufzurüsten; gute Lösungen suchen, statt technische Machbarkeit mit Fortschritt zu verwechseln. Nur so kann der nachhaltige Handabdruck von KI größer werden als ihr ökologischer und gesellschaftlicher Fußabdruck5.
Die Forschung der vergangenen Jahre hat die frühe KI-Euphorie auf den Boden der Tatsachen zurückgeholt6. KI erscheint heute weniger als autonome Problemlöserin denn als Instrumentenkasten, dessen Wirkungen von politischen, ökonomischen und gesellschaftlichen Rahmenbedingungen abhängt. Ihr Potenzial für die Transformation zur Nachhaltigkeit ist damit nicht verschwunden. Ob jedoch KI zu den Nachhaltigkeitszielen beitragen oder bestehende Probleme vertiefen wird, entscheidet sich an ihrer Einbettung in öffentliche Infrastrukturen, Institutionen und Machtverhältnisse.
Leitfragen für die Informatik
Die daraus folgenden Fragen sollten auch für uns Informatiker*innen leitend sein: Wie lässt sich der Beitrag von KI-Anwendungen zu Nachhaltigkeitszielen bewerten, ohne ihre ökologischen und sozialen Folgekosten auszublenden? Wie können wir KI suffizient einsetzen, entwickeln, gestalten und nutzen? Wie kann verhindert werden, dass fehlende digitale Infrastrukturen oder mangelnde lokale Handlungsspielräume bestehende Ungleichheiten weiter verschärfen? Welche Governance-Modelle schaffen Verbindlichkeit, ohne Teilhabe für ressourcenschwächere Akteure zu blockieren? Auf welcher Datenbasis entstehen KI-Applikationen – mit welchen Perspektiven, in wessen Interessen, mit welchen Prioritäten und Ausschlüssen? Diese Fragen adressieren nicht technische Leistungswerte und betreffen Verteilung, Teilhabe, Datenhoheit und die Fähigkeit, KI-Anwendungen an lokale Kontexte und gesellschaftliche Bedürfnisse zu binden.
KI kann uns im Umgang mit globalen Polykrisen unterstützen und Transformationsprozesse wieder ankurbeln, die durch diese Krisen ausgebremst wurden. Voraussetzung hierfür ist eine Innovationskultur, die den Einzelnen, dem Gemeinwohl und dem Planeten dient. Die Dekade bis 2030 ist entscheidend für die Frage, ob die technologische Rendite die globale Wohlfahrt nachhaltig steigert – oder ob sie weiterhin neue Wege hervorbringt, die Menschen ausschließen oder die Umwelt zusätzlich belasten. Für Informatiker*innen ist das keine Randfrage, sondern eine Gestaltungsaufgabe.
Unser klarer Aufruf: Die GI sollte diesen Prozess aktiv mitprägen. Gefragt ist ein gemeinsames Nachdenken darüber, was die Informatik konkret zur Entwicklung nachhaltiger KI-Anwendungen beitragen kann: in Forschung und Lehre, in Standards und Bewertungskriterien, in der Praxis digitaler Infrastrukturen und in der öffentlichen Debatte. Wir laden die Mitglieder der GI ein, sich an der Erarbeitung einer Sammlung von Kriterien zu beteiligen, die Positionen bündelt, Leitlinien formuliert und Handlungsfelder sichtbar macht. Nachhaltige KI wird nicht durch Appelle entstehen, sondern durch gemeinsame fachliche Orientierung. Genau dazu kann und soll die GI einen entscheidenden Beitrag leisten.
Aufruf zur Mitwirkung: fg-dina.gi.de/nachhaltigere-ki
Der Wasserverbrauch von Mensch und Maschine darf nicht gegeneinander ausgerichtet werden. Der Zugang von Menschen zu sauberem Wasser muss immer Priorität haben. Treiber des Wasserverbrauchs sind die Produktion von Hardware, die Kühlung von Rechenzentren sowie die Stromerzeugung. Transparenz hilft bei der Sichtbarmachung, Bewertung und Optimierung der Wasserverbräuche. Technologie besitzt dafür hohes Innovationspotential. Die GI hat das Thema in ihrer Studie „Auswirkungen von KI, Rechenzentren und Halbleitern auf Wasserverfügbarkeit und -Qualität“ umfangreich aufgearbeitet.
Christine Hennig
KI muss Teil der Energiewende sein, nicht ihr zusätzlicher Belastungsfaktor. Der steigende Strombedarf von Rechenzentren und KI-Systemen darf den Übergang zu erneuerbaren Energien nicht ausbremsen. Nachhaltige KI-Anwendungen müssen deshalb energieeffizient, suffizienzorientiert, lastbewusst und ressourcenschonend gestaltet werden – mit Blick auf Netzstabilität, Bezahlbarkeit und globale Gerechtigkeit. Sie sollten nur dort eingesetzt werden, wo sie tatsächlich einen Mehrwert schaffen.
Karolin Kappler
„Produktzyklen werden immer kürzer und Kreislaufwirtschaft steckt trotz Potenzial der Digitalisierung noch immer in den Kinderschuhen. Der Einsatz von Künstlicher Intelligenz verschärft bestehende Probleme: Hoher Bedarf von Rechenzentren und KI-Systemen verstärken die Ressourcen- und Energienachfrage, während die rasante technologische Entwicklung zu noch kürzeren Innovationszyklen und damit zu weiter wachsenden Elektroschrottbergen führt. Effizienzsteigerungen reichen nicht aus. Eine grundlegende Entkopplung von wirtschaftlichem Wachstum und Ressourcenverbrauch ist notwendig, um dem entgegenzuwirken. Digital gestützte Nutzungsmodelle, die auf „mehr Nutzen statt Besitzen“ setzen, können dabei einen Beitrag leisten – sofern sie selbst nachhaltig gestaltet und gegenüber ihren individuellen und gesellschaftlichen Kosten transparent sind.“
Nicole Wolf
Generative und agentische KI nachhaltig einzusetzen, verlangt Sustainability-by-Design. Neben dem eisernen Gesetz der Digitalisierung – Prozesse erst zu optimieren, bevor man sie digitalisiert oder bloß mit KI aufrüstet – erfordert dies, ökologische und soziale Kriterien von Beginn an mitzudenken. Nur dann kann der positive Handabdruck der KI ihren Fußabdruck übersteigen und sie so zum Treiber für echten technologischen wie gesellschaftlichen Fortschritt machen.
Ina Schieferdecker
Über die Autorinnen
Dieser Beitrag entstand in Zusammenarbeit von Christine Hennig (Sprecherin Fachbereich Informatik und Gesellschaft), Ina Schieferdecker (Vorstand der GI) sowie Nicole Wolf und Karolin Kappler, die Sprecherinnen der neu gegründeten Fachgruppe Digitalisierung und Nachhaltigkeit sind.
* Der Begriff KI wird häufig genutzt, um eine Reihe von Verfahren zur Mustererkenung, Entscheidungfindung und Problemlösung zu beschreiben. Wir beziehen uns in diesem Artikel insbesondere auf agentische und generative KI.
- Ludvigsen, K. G. A. (2023). The carbon footprint of GPT-4. https://towardsdatascience.com/the-carbon-footprint-of-gpt-4-d6c676eb21ae/ (Zugriff am 01.04.2026).
- iea (2025, April): Energy and AI. World Energy Outlook Special Report, April 2025, https://www.iea.org/reports/energy-and-ai (Zugriff am 01.04.2026)
- Martens, J. (2023). Halbzeitbilanz der Agenda 2030: Die globalen Nachhaltigkeitsziele auf dem Prüfstandhttps://www.globalpolicy.org/de/publication/halbzeitbilanz-der-agenda-2030 (Zugriff am 30.06.2026).
- Luccioni, A. S., Strubell, E., & Crawford, K. (2025, June). From efficiency gains to rebound effects: The problem of jevons' paradox in AI's polarized environmental debate. In Proceedings of the 2025 ACM conference on fairness, accountability, and transparency (pp. 76-88). https://doi.org/10.1145/3715275.3732007
- Jeanquartier, F., Jean-Quartier, C., Rieder, P., Misirlić, V., Pasero, C., Hohensinner, R., ... & Holzinger, A. (2026). Assessing the carbon footprint of language models: Towards sustainability in AI. Resources, Conservation and Recycling, 226, 108670. https://doi.org/10.1016/j.resconrec.2025.108670
- Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S., ... & Fuso Nerini, F. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature communications, 11(1), 233. https://doi.org/10.1038/s41467-019-14108-y
- Wolf, Nicole; Kappler, Karolin (2025): Digitale Suffizienz als Leitprinzip nachhaltiger Plattformgestaltung. Vol. 49, Nachhaltige IT und Alternativen zu Big Tech. DOI: 10.18420/MFI-49-18. Gesellschaft für Informatik e.V.. ISSN: 2364-6152 dl.gi.de/items/2ba5cd60-06cd-4641-b71e-6ffde44461d8
- Schieferdecker, I. K. (2024, October). Is Your AI-Based System Five Star Sustainable?. In International Conference on Bridging the Gap between AI and Reality (pp. 3-19). Cham: Springer Nature Switzerland.https://doi.org/10.1007/978-3-031-75434-0_1
