Schlägt Ihr Gehirn ai.go?
Die wahren Energiekosten, eine KI eine Aufgabe erledigen zu lassen — statt sie selbst zu machen
Jedes Mal, wenn Sie einen Prompt abschicken, nippt irgendwo ein Rechenzentrum an ein bisschen Strom. Die Sorge ist mittlerweile vertraut: „Ist KI nicht schrecklich für den Planeten?" Aber eine Frage stellen wir uns selten andersherum – wie viel Energie kostet es eigentlich, wenn wir dieselbe Aufgabe erledigen? Denn ein menschliches Gehirn ist auch nicht umsonst. Es läuft auf Frühstück, Mittag- und Abendessen, und diese tragen einen überraschend schweren Energie- und CO₂-Rucksack.
Also haben wir die Zahlen für ein einfaches Gedankenexperiment durchgerechnet: eine Workflow-Aufgabe, auf zwei Arten erledigt. Ein Mensch schafft sie in 10 Minuten. Ein Modell der GPT-5-Klasse erledigt sie in 60 Sekunden. Wer gewinnt beim Energieverbrauch — und um wie viel? Die Antwort ist interessanter (und differenzierter), als es das KI-Untergangs- oder das KI-Jubel-Lager üblicherweise zugeben.
Der Aufbau: Äpfel mit leicht anderen Äpfeln vergleichen
Um einen ehrlichen Vergleich zu ziehen, kann man nicht einfach nur die Stromrechnung der KI messen. Man muss die gesamte Kette auf beiden Seiten betrachten. Beim Menschen bedeutet das nicht nur die Kalorien, die das Gehirn verbrennt, sondern auch die fossile Energie, die nötig war, um die Nahrung zu erzeugen, verarbeiten, transportieren und zubereiten, die diese Kalorien liefert. Bei einer typischen westlichen Ernährung liegt dieser Faktor des Ernährungssystems bei etwa dem 8-Fachen des tatsächlichen Kaloriengehalts der Nahrung.
Hier sind die Annahmen, auf die wir uns festgelegt haben:
| Parameter | Wert | Anmerkung |
|---|---|---|
Leistungsaufnahme Mensch | 100 W | Ganzer Körper, nicht nur das ~20-W-Gehirn |
Bearbeitungszeit Mensch | 10 Min. | |
Faktor Ernährungssystem | 8 : 1 | Westliche, fleischhaltige Ernährung |
LLM-Modell | GPT-5-Größe | Frontier-Klasse |
Bearbeitungszeit LLM | 60 s | |
LLM-Inferenz | 6 Wh | Skaliert mit der Laufzeit |
LLM-Training + Hardware | ~1,5 Wh/Aufgabe | Amortisiert über Milliarden Anfragen |
Eine kurze Anmerkung zur Ehrlichkeit: Dieser Vergleich bevorzugt bewusst den Menschen. Denn während wir bei der KI das Training mit einrechnen (Hardware, Energie etc.), betrachten wir beim Menschen nur die Nahrungsmittel-Lieferkette. Die Zeit (und Nahrung), die der Mensch benötigt, um das Wissenslevel zur Bewältigung der Aufgabe zu erreichen, lassen wir bewusst außen vor.
Runde eins: Das Duell pro Aufgabe
Rechnet man alles zusammen, sieht der Fußabdruck einer einzelnen Aufgabe so aus: Der Mensch landet bei rund 150 Wattstunden, die KI bei etwa 7,5 Wattstunden. Das ist ungefähr ein 20-facher Unterschied zugunsten der Maschine.
Energie pro Aufgabe — Mensch vs. LLM (Wattstunden)
Eine Aufgabe, einmal erledigt. Der Balken des Menschen wird nicht von der Biologie dominiert, sondern von der Nahrungsmittel-Lieferkette hinter diesen Kalorien.
Und das führt zur überraschendsten Erkenntnis des ganzen Experiments: Auf der Seite des Menschen ist das Gehirn fast ein Rundungsfehler. Die Energie fließt eigentlich gar nicht ins Denken — sie fließt in die Ernährung des Denkers.
Wohin die Energie tatsächlich fließt (Wattstunden pro Aufgabe)
Die 150 Wh des Menschen bestehen zu ~89 % aus dem Overhead der Nahrungsmittel-Lieferkette. Die 7,5 Wh des LLM entfallen überwiegend auf die Live-Inferenz-Rechenlast, während Training und Hardware nach der Amortisation nahezu unsichtbar sind.
Runde zwei: Die Wendung, die niemand erwähnt
Jetzt wird die „KI-ist-billig"-Geschichte kompliziert. Diese „Trainingsenergie"-Zeile ist pro Aufgabe winzig — aber nur, weil sie über Milliarden Anfragen verteilt wird. Das Training eines Frontier-Modells ist ein wahrhaft gewaltiger, einmaliger Aufwand: in der Größenordnung von 50 Gigawattstunden. Das ist genug Strom, um Tausende Haushalte ein Jahr lang zu versorgen — ausgegeben, bevor das Modell eine einzige echte Frage beantwortet.
Stellen Sie sich also ein Modell vor, das jemals nur eine Aufgabe erledigt hätte. Es wäre katastrophal ineffizient — 50 GWh für einen 10-Minuten-Job. Die KI „gewinnt" erst, wenn sie diese Anfangskosten über genügend Arbeit amortisiert hat. Die Frage ist: über wie viel Arbeit?
Kumulierte Energie: Wann überholt die KI den Menschen?
Die lila KI-Linie startet extrem hoch (ihre Trainingsrechnung), steigt aber fast flach an. Die graue Menschen-Linie beginnt bei null, klettert jedoch steil — 150 Wh bei jeder einzelnen Aufgabe. Sie kreuzen sich bei rund 350 Millionen Aufgaben.
Der Schnittpunkt liegt bei etwa 350 Millionen Aufgaben. Darunter ist ein von Grund auf neu trainiertes Modell energetisch tatsächlich die schlechtere Wahl. Darüber zieht die KI davon und schaut nie zurück. Das klingt nach einer unerreichbar hohen Hürde — bis man sich daran erinnert, dass populäre Modelle Milliarden von Anfragen bearbeiten. In der Praxis überschreiten Frontier-Modelle den Break-even innerhalb weniger Tage.
Die Erkenntnis aus der Kurve: Die Energiegeschichte der KI dreht sich ganz um Skalierung. Ein Nischenmodell, das nur ein paar Mal genutzt wird, rechtfertigt seine Trainingsenergie vielleicht nie. Ein weit verbreitetes amortisiert diese Kosten bis zur Bedeutungslosigkeit. Die Auslastung ist alles.
Wie belastbar sind diese Zahlen? (Spoiler: wackelig)
| LLM = 4 Wh | LLM = 7,5 Wh (Basis) | LLM = 15 Wh | |
|---|---|---|---|
| Leichte Ernährung (5:1) → Mensch ≈ 100 Wh | ~25× | ~13× | ~7× |
| Westliche Ernährung (8:1) → Mensch ≈ 150 Wh | ~38× | ~20× | ~10× |
| Schwere Ernährung (10:1) → Mensch ≈ 183 Wh | ~46× | ~24× | ~12× |
Beachte etwas Beruhigendes: In jeder einzelnen Zelle gewinnt die KI. Der Effizienzvorsprung reicht von bescheidenen ~7× bis zu dramatischen ~46×, aber die Richtung kippt nie. Das ist die belastbare Schlussfolgerung hier — nicht der genaue Faktor, sondern die Tatsache, dass die Maschine pro Aufgabe durchgängig günstiger ist.
Sollten wir uns also keine Sorgen mehr um den Energieverbrauch von KI machen?
Wenn etwas billiger und schneller wird, machen wir nicht die gleiche Menge davon — wir machen enorm viel mehr. Das ist das Jevons-Paradoxon, und es ist die eigentliche Energiegeschichte der KI.
Ein Mensch erledigt vielleicht 20 solcher Aufgaben am Tag. Eine KI ermöglicht Millionen. Selbst wenn also jede Aufgabe 20× billiger ist, bedeutet das Entfesseln von 1.000× mehr Aufgaben, dass der Gesamtenergiebedarf steigt, nicht sinkt. Der Bauboom bei Rechenzentren, der gerade stattfindet, ist der physische Beweis für diese Rechnung. Effizienz pro Aufgabe und Gesamtverbrauch des Systems sind zwei sehr verschiedene Dinge — und eine ehrliche Debatte braucht beide.
Das Fazit
- Pro Aufgabe gewinnt die KI deutlich — grob 20× weniger Energie (≈7,5 Wh vs. ≈150 Wh) unter unseren Basisannahmen.
- Beim Menschen ist Nahrung der entscheidende Faktor. ~89 % des menschlichen Fußabdrucks entfallen auf die Lieferkette hinter den Kalorien, nicht auf das Gehirn selbst.
- Training ist ein gewaltiger Fixkostenblock, der sich nur bei großer Skalierung lohnt — der Break-even liegt bei rund 350 Millionen Aufgaben.
- Der Effizienzvorsprung ist robust — die KI bleibt in jedem getesteten Sensitivitätsszenario günstiger.
- Aber billiger ≠ insgesamt grüner. Das Jevons-Paradoxon bedeutet, dass Effizienz den Gesamtverbrauch steigen lassen kann. In der Energiedebatte geht es nicht um einen Prompt — sondern um eine Milliarde davon.
Methodik & Vorbehalte: Die Zahlen sind illustrative Schätzungen für eine einzelne Wissensarbeits-Aufgabe. Mensch: 100 W Ganzkörper-Stoffwechselrate × 10 Min., multipliziert mit einem 8:1-Energiefaktor für ein westliches Ernährungssystem (≈150 Wh). LLM (GPT-5-Größe): ~6 Wh Inferenz (60 s Generierung, PUE ≈1,2) + ~1 Wh amortisierte Hardware + ~0,5 Wh amortisiertes Training (≈7,5 Wh gesamt); einmaliges Training ≈50 GWh, verteilt über die Lebenszeit-Anfragen. Reale Werte variieren stark je nach Modell, Prompt-Länge, Hardware, Strommix und Ernährung. Dies ist ein Gedankenexperiment zur Einordnung der Debatte — keine formale Ökobilanz.