„Eine KI-Abfrage verbraucht eine Flasche Wasser“ und „Der Wasserverbrauch von KI ist praktisch nicht vorhanden“ – diese Aussagen sind Ihnen dieses Jahr wahrscheinlich schon begegnet. Beide werden jedoch nicht ausreichend kontextbezogen dargestellt, um wirklich hilfreich zu sein. Dieser Artikel stellt die tatsächlichen Zahlen pro Abfrage den globalen Gesamtzahlen gegenüber, sodass beide Aussagen gleichzeitig zutreffen können, ohne sich zu widersprechen. Er zeigt außerdem, warum die eigentliche Sorge nicht Ihre einzelne Abfrage betrifft, sondern die Billionen von Abfragen, die jährlich in einer rasant wachsenden Anzahl neuer Rechenzentren erfolgen.
Die beiden Skalen, die verwechselt werden
Fast die gesamte Verwirrung zu diesem Thema rührt von der Verwechslung zweier sehr unterschiedlicher Messgrößen her:
Auswirkungen pro Abfrage — wie viel Wasser oder Energie eine einzelne KI-Abfrage verbraucht. Diese Zahl ist wirklich winzig.
Gesamte globale Auswirkungen — wie viel Wasser und Energie die gesamte KI-Branche für Milliarden von Anfragen und die ständig wachsende Rechenzentrumsinfrastruktur verbraucht. Diese Zahl ist enorm und wächst rasant.
Beide Zahlen sind korrekt. Sie beantworten lediglich unterschiedliche Fragen. Durch diese Verwechslung entstehen Schlagzeilen, die sich scheinbar widersprechen.
Wasserverbrauch pro Abfrage: Die kleine Zahl
Quelle / Schätzung | Wasser pro Anfrage |
Die von OpenAI-CEO Sam Altman genannte Zahl | ~0.000085 Gallonen (etwa 0.32 ml, ungefähr 1/15 Teelöffel) |
Google Gemini, Median-Textanfrage | ~0.26 ml (etwa fünf Tropfen) |
Erweiterter ChatGPT-Klassenabfragebereich | 0.05–0.5 ml, abhängig von der Kühlmethode und der Modellgröße |
Konservativere Schätzung | 500 ml pro 20-50 Abfragen (etwa 10-25 ml pro Abfrage) |
Selbst die höheren Schätzwerte entsprechen nur einem Bruchteil eines einzigen Schlucks Wasser. Zum Vergleich:
Alltägliche Aktivität | Wasser verbraucht |
Einmaliges Spülen | ~3 Gallonen |
Eine Dusche | ~17 Gallonen |
Eine Ladung Wäsche | ~30 Gallonen |
Eine Tasse Kaffee (Anbau der Bohnen inklusive) | ~37 Gallonen |
Eine Jeans (Vollproduktion) | ~2,000 Gallonen |
Die gesamte jährliche KI-Nutzung eines fortgeschrittenen Nutzers (~25,000 Nachrichten) | 2-100 Gallonen, je nach verwendeter Schätzung – entspricht ungefähr zwei bis sechs Duschen. |
Gemessen daran verbraucht ein ganzes Jahr intensiver persönlicher KI-Nutzung weniger Wasser als einige Duschen. Diese Statistik bildet die Grundlage für Argumente, die den Wasserverbrauch von KI als praktisch vernachlässigbar bezeichnen, und auf individueller Ebene stimmt sie.
Energieverbrauch pro Abfrage: Ebenfalls gering, aber variabler
Metrisch | Abbildung |
Energie pro ChatGPT-Klassenanfrage | ~0.3 bis 3 Wh |
Vergleich mit einer Standard-Google-Suche | Etwa 3- bis 10-mal so viel Energie wie eine Suchanfrage |
Bereichserklärung | Hängt stark von der Modellgröße, dem Erfordernis von Schlussfolgerungsschritten in der Abfrage und der Effizienz des Rechenzentrums ab. |
Der Vergleich mit einer Google-Suche ist ein hilfreicher Ankerpunkt: Eine einzelne KI-Abfrage verbraucht deutlich mehr Energie als eine Suche, aber „deutlich mehr als eine Suche“ ist absolut gesehen immer noch eine sehr kleine Zahl – eine typische LED-Glühbirne verbraucht in wenigen Minuten mehr Energie als eine einzelne KI-Abfrage.
Ab wann die Zahlen nicht mehr klein sind: Globale Gesamtnutzung
Hier treffen die beiden Seiten der Debatte tatsächlich aufeinander, und hier wird die Besorgnis berechtigt, auch wenn jede einzelne Frage winzig ist.
Metrisch | Abbildung 2025-2026 |
Globaler Wasserverbrauch von KI-Rechenzentren, 2025 | ~264 Milliarden Gallonen (fast 1 Billion Liter) |
Tagesäquivalent | ~550 Millionen Gallonen pro Tag |
Vergleich | Entspricht dem jährlichen Grundbedarf an Trinkwasser für alle 1.3 Milliarden Menschen in Subsahara-Afrika. |
Globaler Strombedarf von Rechenzentren, 2025 | ~460-490 TWh |
Prognostiziertes Wachstum bis 2030 | Etwa eine Verdopplung |
Eine scheinbar unbedeutende Zahl, multipliziert mit Milliarden täglicher Anfragen, die durch Rechenzentren mit permanentem Wasserkühlungsbedarf laufen, ergibt einen enormen Ressourcenverbrauch im industriellen Maßstab. Die Multiplikation einer kleinen Zahl mit einer enormen Zahl erklärt, warum sowohl die Aussage „praktisch nichts pro Nutzung“ als auch „eine ernsthafte Umweltfrage im großen Maßstab“ zutreffen.
Die Prognosen für 2030: Wohin führt das?
Ein Bericht der Universität der Vereinten Nationen (UNU-INWEH) mit dem Titel „Umweltkosten des Energieverbrauchs von KI“ modellierte, wohin die aktuellen Trends bis 2030 führen, wenn das Wachstum auf dem derzeitigen Kurs anhält.
Metrisch | 2030 Projection |
Wasserverbrauch von KI-Rechenzentren | 9.3 Billionen Liter pro Jahr |
Vergleich | Entspricht dem grundlegenden Trinkwasserbedarf von 1.3 Milliarden Menschen |
Stromverbrauch von KI-Rechenzentren | 945 TWh pro Jahr |
Vergleich | Fast das Dreifache des kombinierten Stromverbrauchs von Pakistan, Bangladesch und Nigeria |
Prognostizierter Anteil der KI am globalen Stromverbrauch von Rechenzentren | 40% |
CO2-Emissionen aus Rechenzentren, prognostiziert | 399 Millionen Tonnen |
Wachstum der Flächennutzung von Rechenzentren | Von ca. 6,900 km² auf über 14,500 km² |
Prognostiziertes jährliches Elektroschrottaufkommen aus Rechenzentren | ~2.5 Millionen Tonnen |
Wenn diese Prognosen zutreffen, würde KI bis 2030 zu einem der größten Stromverbraucher weltweit aufsteigen und nur von wenigen ganzen Ländern übertroffen werden. Diese Zahl lässt sich durch Vergleiche pro Suchanfrage – so präzise sie auch sein mögen – nicht erfassen.
Warum dies in direktem Zusammenhang mit dem KI-Nachrichtenzyklus steht
Dies ist keine abstrakte Umweltdebatte, die unabhängig von den Nachrichten aus der KI-Branche stattfindet. Sie ist direkt damit verknüpft. Metas neu angekündigtes Cloud-Geschäft „Meta Compute“, die Verdopplung der gesamten Rechenleistung bis 2027 und das 10 Milliarden Dollar teure, 1-Gigawatt-Rechenzentrum in Alberta sind genau die Art von Infrastrukturausbau, die diese Gesamtzahlen in die Höhe treibt. Dasselbe gilt für Googles auf Gemini 3.5 basierende Suchüberarbeitung, die mittlerweile über eine Milliarde Nutzer im KI-Modus bedient, und für jedes andere Labor, das mit Hochdruck daran arbeitet, seinen Produkten permanent aktive Agenten hinzuzufügen. Jede dieser Ankündigungen bedeutet aus Ressourcensicht den Einsatz von mehr Rechenzentren, mehr Kühlwasser und einem höheren Stromverbrauch – auch wenn die Berichterstattung darüber dies nicht so darstellt.
Warum die beiden Deutungsmuster in der öffentlichen Debatte immer wieder aufeinanderprallen
KI-Unternehmen betonen die Anzahl der Anfragen pro Abfrage. Weil es wahr, nachvollziehbar und beruhigend ist – der Vergleich einer einzelnen Aufforderung mit einem Teelöffel Wasser ist nicht manipulativ, sondern lediglich ein unvollständiges Bild.
Umweltforscher betonen die Gesamt- und Prognosezahlen. Denn das ist die Größenordnung, in der reale Infrastrukturentscheidungen – neue Rechenzentren, Wasserrechte, Belastung des Stromnetzes – tatsächlich getroffen werden.
Keine der beiden Seiten lügt.Jede dieser Aussagen beantwortet jedoch eine andere Frage. Deshalb kann ein und dieselbe Branche in derselben Woche von verschiedenen Quellen als „fast wassersparend pro Interaktion“ und gleichzeitig als „auf dem besten Weg, die Wasserversorgungssysteme für über eine Milliarde Menschen zu überlasten“ beschrieben werden, ohne dass eine der Aussagen faktisch falsch ist.
Fazit
Beide Seiten der Debatte um KI und ihren Wasser- und Energieverbrauch haben faktisch Recht, und die Verwirrung entsteht allein dadurch, dass sie als ein und dieselbe Aussage behandelt werden. Eine einzelne KI-Anfrage verbraucht tatsächlich nur einen winzigen Bruchteil an Wasser und Energie – weniger als der Wasserverbrauch einer Tasse Kaffee, weniger als die meisten Menschen annehmen. Doch diese geringe Menge, multipliziert mit einer globalen Nutzerbasis, die täglich Milliarden von Anfragen über speziell für dieses Wachstum errichtete Rechenzentren sendet, summiert sich zu einem realen und rasant wachsenden Ressourcenverbrauch – ein UN-Forscherprojekt prognostiziert, dass dieser bis 2030 jährlich 9.3 Billionen Liter Wasser und 945 Terawattstunden Strom erreichen könnte. Die eigentliche Erkenntnis ist nicht, dass sich Einzelpersonen schuldig fühlen sollten, wenn sie einem Chatbot eine Frage stellen. Vielmehr geht es darum, dass die Infrastrukturentscheidungen, die derzeit von denselben Unternehmen getroffen werden, die größere Modelle und größere Rechenzentren ankündigen, das wirklich Wichtige sind – nicht einzelne Anfragen.
Häufig gestellte Fragen
Die meisten verlässlichen Schätzungen gehen davon aus, dass eine einzelne ChatGPT-Abfrage je nach Rechenzentrum und Kühlmethode zwischen 0.05 ml und 25 ml Wasser verbraucht. Das ist nur ein Bruchteil einer Standard-Wasserflasche, nicht eine volle, wie in manchen Schlagzeilen behauptet wurde.
KI-Anfragen erfordern deutlich mehr Rechenleistung als eine herkömmliche Websuche. Schätzungen zufolge verbraucht KI pro Anfrage etwa 3- bis 10-mal so viel Energie. Im Vergleich zum typischen Stromverbrauch eines Haushalts ist der Verbrauch jedoch absolut gesehen relativ gering.
Ja, trotz Verbesserungen der Effizienz pro Abfrage wird der branchenweite Wasserverbrauch voraussichtlich weiterhin erheblich steigen, da neue Rechenzentrumskapazitäten schneller ausgebaut werden, als Effizienzgewinne dies ausgleichen können. UN-Forscher schätzen, dass der Wasserverbrauch für KI bis 2030 jährlich 9.3 Billionen Liter erreichen könnte.
Die wichtigsten Faktoren sind die Art der eingesetzten Kühltechnologie, der geografische Standort der Anlage und die lokalen Klimabedingungen. Dies sind Infrastrukturentscheidungen der Unternehmen, die Rechenzentren bauen, und keine Variablen, die von einzelnen Nutzern beeinflusst werden.
Ja, der Energiemix, der ein Rechenzentrum versorgt, ist einer der wichtigsten Hebel zur Reduzierung des CO₂-Fußabdrucks von KI, da fossile Brennstoffe die Umweltkosten eines hohen Energieverbrauchs verstärken. Unternehmen, die ihre Rechenzentren in der Nähe von erneuerbaren Energiequellen ansiedeln, können die Umweltauswirkungen ihrer KI-Aktivitäten deutlich senken.
