Ressourceneffizienz, built in
Die Autorinnen des Artikels „Nachhaltigkeit ist kein Add-on” halten es für eine der zentralen Aufgaben der Informatik, die ökologischen und sozialen Kosten von KI sichtbar zu machen und der Logik von immer kürzeren Software- und Hardware-Zyklen entgegenzuwirken – völlig zu Recht. Gerade die Diskussion um (generative) KI verschiebt den Fokus weg von Rechnern und Rechenzentren hin zu der immateriellen Ebene der Software.
Trotz ihrer offensichtlichen Immaterialität sind digitale Dienste grundlegend von physischer Infrastruktur abhängig und beeinflussen diese wiederum. In den meisten realen Szenarien sind sie auf stark vernetzte Infrastrukturen angewiesen, die zahlreiche Hardwareplattformen, Kommunikationsnetzwerke, Cloud-Umgebungen und Speichersysteme umfassen. Im Wesentlichen bestehen sie aus den Digital Basic Resources (DBRs): Rechenleistung, Speicherleistung, Speicherkapazität und Datenübertragung.¹
Alle anderen Infrastrukturkomponenten – darunter Kühlsysteme, Gebäude, Back-up-Systeme, Stromverteilung und Netzwerkausrüstung – dienen in erster Linie dazu, diese digitalen Grundressourcen bereitzustellen. Jede Softwareanwendung benötigt daher eine messbare Menge dieser Ressourcen und daran gekoppelt eine tendenziell steigende Menge an Wasser, kritischen Rohstoffen, Flächen und Kühlinfrastruktur über die gesamte digitale Lieferkette hinweg.² Software ist somit entscheidende Vermittlerin zwischen digitalem Bedarf und physischem Ressourcenverbrauch. Denn selbst Anwendungen, die ähnliche Funktionen bereitstellen, können abhängig von Entwicklung, Bereitstellung und Betrieb sehr unterschiedliche ökologische Fußabdrücke haben.³
Green Coding im Visier
Weitere Informationen und die vollständige Policy Roadmap finden Sie unter:
Verschiedene Studien belegen, dass die Umweltauswirkungen digitaler Technologien nicht nur eine Frage der Infrastruktureffizienz sind. Sie hängen auch von der Softwaregestaltung und den Nutzungsmustern ab.⁴ Fortran zum Beispiel verbrauchte in einem Use Case weniger Energie als schnellere Programmiersprachen, weil es effizienter mit Systemressourcen umgeht. Java-Programme auf der anderen Seite lieferten deutlich schneller, verbrauchten aber auch mit verbesserter Performance mehr Energie. Grundsätzlich gilt: Schnelligkeit ist kein verlässlicher Indikator auf dem Weg zu Ressourceneffizienz. Während Vorschläge für konkrete Anpassungen in Datenbanksystemen wie MySQL oder dem Open-Source-Webserver Apache web server bestehen, die das Potenzial haben, den Energieverbrauch einer Anwendung um bis zu 25 Prozent zu senken, fehlt es an übergreifenden Handreichungen, die für viele Use Cases relevant sind, und an deren breiter Kommunikation.⁵
Viel ungehobenes Potenzial
An dieser Stelle dockt das Projekt „Unlocking the Potential of Green Coding into Practice“ an, das die GI in Kooperation mit der HTW Berlin und dem Umweltcampus Birkenfeld der Hochschule Trier umsetzt. Das Team entwickelt unter anderem eine Policy Roadmap, die Maßnahmen und Interessensgruppen zusammenbringt und Entwicklungen aufzeigt, um Green Coding bis 2035 in der Bildung und als wirtschaftlichen Anreiz zu integrieren. Der Fokus liegt darin auf drei Bereichen: politische und regulatorische Institutionalisierung, Bildung und Kompetenzen sowie auf einem Kulturwandel, der von wirtschaftlichen Anreizen bis hin zu Allgemeinwissen reicht.
Neben der praktischen Umsetzung von Green Coding haben die Maßnahmen das Potenzial, den Wirtschafts- und Wissenschaftsstandort Deutschland nachhaltiger und wettbewerbsfähiger zu gestalten: etwa indem das Thema Green Coding in Curricula aufgenommen und in Unternehmensstrategien verankert wird. Sie sind ein wichtiger Baustein für eine resiliente und unabhängige Energie- und Digitalinfrastruktur und sollten mit diesen Maßnahmen bis 2035 auch genau als solche etabliert sein.
1 https://www.oeko.de/fileadmin/oekodoc/Method_sketch_LCA_Software.pdf
2 Ebd.
3 Dauner, M., & Socher, G. (2025). Energy costs of communicating with AI. Frontiers in Communication, 10. doi.org/10.3389/fcomm.2025.1572947
4 Pereira, R., Couto, M., & Ribeiro, M. et al. (2017). Energy efficiency across programming languages: How do energy, time, and memory relate? 10th ACM SIGPLAN International Conference on Software Language Engineering (SLE 2017). doi.org/10.1145/3136014.3136031
5 Kalu, W. (2025). Green Coding in Practice: A Developer‘s Handbook for Energy-Efficient Software Development [Lappeenranta-Lahti University of Technology LUT]. https://lutpub.lut.fi/bitstream/handle/10024/170300/Mastersthesis_Kalu_Wisdom.pdf
