Künstliche Intelligenz wird oft als eine Software-Revolution dargestellt. Doch die Zahlen sprechen eine ganz andere Sprache.
KI läuft nicht im Abstrakten. Sie läuft in Rechenzentren. Diese Rechenzentren benötigen Strom, Wasser, Kühlsysteme, Chips, Land, Umspannwerke, Transformatoren, Glasfaserverbindungen, Notstromversorgung und qualifizierte Mitarbeiter. In dem Maße, in dem sich die KI von der Erprobung zur globalen Implementierung entwickelt, werden diese physischen Anforderungen zu einem der größten Hemmnisse für die Technologie.
Die Frage ist nicht, ob KI theoretisch skalieren kann. Die Frage ist, ob die Welt in der Praxis genügend Infrastrukturen aufbauen kann, um sie zu unterstützen.
Nach Angaben der Internationalen Energieagentur (IEA) betrug der weltweite Stromverbrauch von Rechenzentren im Jahr 2024 rund 415 TWh, was etwa 1,5 % des gesamten weltweiten Stromverbrauchs entspricht. Im Basisfall der IEA wird sich diese Zahl bis 2030 auf rund 945 TWh mehr als verdoppeln und damit knapp 3 % des gesamten weltweiten Strombedarfs erreichen. Das bedeutet, dass der Stromverbrauch von Rechenzentren zwischen 2024 und 2030 voraussichtlich um rund 15 % pro Jahr steigen wird, mehr als viermal so schnell wie der Gesamtstromverbrauch in anderen Sektoren.
Diese Zahlen verdeutlichen das zentrale Problem: KI ist nicht nur eine digitale Technologie. Sie wird auch zu einer großen Herausforderung für die physische Infrastruktur.
Die erste Zahl, die man verstehen muss, ist 415 TWh.
Dies ist die Schätzung der IEA für den weltweiten Stromverbrauch von Rechenzentren im Jahr 2024. Zum Vergleich: Rechenzentren verbrauchten bereits vor der vollständigen globalen Einführung von KI rund 1,5 % des weltweiten Stroms.
Dies ist wichtig, weil der KI-Boom auf einer bestehenden digitalen Infrastruktur aufbaut. Cloud Computing, Streaming, Unternehmenssoftware, Finanzsysteme, E-Commerce, Online-Werbung und soziale Medien erfordern bereits große Rechenzentrumsnetzwerke. Mit KI kommt eine neue und intensivere Nachfrageschicht hinzu.
Herkömmliche Rechenzentrums-Workloads waren bereits signifikant, aber KI-Workloads sind anders. Sie erfordern Hochleistungs-GPUs, dichte Servercluster, fortschrittliche Netzwerke und leistungsfähigere Kühlsysteme. Das bedeutet, dass KI nicht einfach die Anzahl der Server erhöht. Sie verändert auch die Art der erforderlichen Infrastruktur.
Der entscheidende Punkt ist, dass KI von einer hohen Ausgangsbasis ausgeht. Die Welt bewegt sich nicht von Null auf eine KI-Infrastruktur zu. Vielmehr wird KI zu einer bereits energieintensiven digitalen Wirtschaft hinzugefügt.
Die IEA geht davon aus, dass der weltweite Stromverbrauch von Rechenzentren im Jahr 2030 rund 945 TWh erreichen wird (Basisfall). Das ist mehr als das Doppelte des Wertes von 2024.
Dies ist eine der wichtigsten Zahlen in der KI-Infrastrukturdebatte.
Ein Anstieg von 415 TWh auf 945 TWh bedeutet einen Zuwachs von rund 530 TWh in nur sechs Jahren. Diese zusätzliche Nachfrage übersteigt den gesamten jährlichen Stromverbrauch vieler Länder.
Die Zahlen erklären auch, warum Regierungen, Versorgungsunternehmen und Energieversorger zunehmend in die KI-Strategie eingebunden werden. Der Ausbau der KI ist nicht mehr nur eine Frage für Technologieunternehmen. Sie ist auch eine Frage für Strommärkte, Netzplaner und die nationale Energiepolitik.
Die Herausforderung ist nicht nur der Gesamtverbrauch. Es ist auch die Geschwindigkeit. Eine jährliche Wachstumsrate von 15 % beim Stromverbrauch von Rechenzentren ist für einen infrastrukturlastigen Sektor extrem schnell. Stromnetze, Umspannwerke, Übertragungsleitungen und Stromerzeugungsanlagen werden nicht in Software-Geschwindigkeit gebaut.
Dadurch entsteht eine der wichtigsten physischen Mauern der KI: Die Nachfrage kann schneller wachsen als die Infrastruktur reagieren kann.
Bis 2030 könnten Rechenzentren knapp 3 % des weltweiten Stromverbrauchs ausmachen, so der Basisfall der IEA.
Auf den ersten Blick mögen 3 % nicht überwältigend klingen. Aber dieser globale Prozentsatz kann aus drei Gründen irreführend sein.
Erstens: Die Nachfrage nach Rechenzentren ist stark konzentriert. Die KI-Infrastruktur ist nicht gleichmäßig über die Welt verteilt. Sie konzentriert sich eher auf wichtige Cloud-Regionen, Glasfaserstrecken, Energieknotenpunkte, Finanzzentren und Technologiemärkte.
Zweitens benötigen Rechenzentren eine zuverlässige, kontinuierliche Stromversorgung. Eine große KI-Einrichtung kann nicht von einer unregelmäßigen oder unsicheren Stromversorgung abhängig sein. Sie braucht feste Kapazitäten, hohe Betriebszeiten und stabile Netzverbindungen.
Drittens können lokale Netze auch dann unter Druck geraten, wenn der globale Stromanteil bescheiden bleibt. Ein nationaler oder globaler Durchschnitt verbirgt lokale Engpässe. Eine Region hat vielleicht auf dem Papier genug Strom, aber nicht die Übertragungskapazität, die Umspannwerke oder Transformatoren, die für den Anschluss eines neuen KI-Rechenzentrums benötigt werden.
Aus diesem Grund sollte sich die Debatte über die Energieversorgung von Rechenzentren nicht nur auf den globalen Anteil konzentrieren. Die wichtigere Frage ist, ob die richtige Menge an Energie zur richtigen Zeit an die richtigen Standorte geliefert werden kann.
Die Vereinigten Staaten sind eines der deutlichsten Beispiele dafür, wie schnell der Strombedarf von Rechenzentren wächst.
Ein Bericht des Lawrence Berkeley National Laboratory, der vom US-Energieministerium unterstützt wird, schätzt, dass US-Rechenzentren im Jahr 2023 176 TWh Strom verbrauchen werden. Das entspricht etwa 4,4 % des gesamten US-Stromverbrauchs.
Der Bericht schätzt außerdem, dass der Stromverbrauch von Rechenzentren in den USA bis 2028 auf 325 TWh bis 580 TWh ansteigen könnte. Das entspräche zwischen 6,7 % und 12,0 % des gesamten US-Stromverbrauchs.
Diese Spanne ist wichtig, weil sie zeigt, wie unsicher die Zukunft noch ist. Die unteren und oberen Schätzungen hängen von Faktoren wie KI-Akzeptanz, Serverlieferungen, Hardware-Effizienz, Kühlungsoptionen und Nutzungsraten ab.
Aber selbst das untere Ende der Prognose ist signifikant. Ein Anstieg von 176 TWh im Jahr 2023 auf 325 TWh im Jahr 2028 würde einen erheblichen Zuwachs in nur fünf Jahren bedeuten. Die obere Schätzung von 580 TWh würde eine viel dramatischere Veränderung der US-Stromnachfrage bedeuten.
Aus diesem Grund ist die KI-Infrastruktur in den USA zu einem strategischen Thema geworden. Sie hat Auswirkungen auf die Netzplanung, die Stromerzeugung, die Energiebeschaffung von Unternehmen, die Umweltpolitik und die regionale Entwicklung.
Die für die USA prognostizierte Spanne von 325 TWh bis 580 TWh bis 2028 sollte nicht als ein einziges garantiertes Ergebnis betrachtet werden. Es handelt sich um eine Szenariospanne.
Diese Unterscheidung ist wichtig.
Der KI-Energiebedarf ist schwer vorherzusagen, da mehrere Kräfte gleichzeitig wirken. Die Nachfrage nach KI-Dienstleistungen könnte schneller wachsen als erwartet. Die Hardware könnte effizienter werden. Modelle können kleiner und spezialisierter werden. Inferenzen könnten billiger werden. Andererseits könnte KI in fast jeden digitalen Arbeitsablauf eingebettet werden, was zu einer wesentlich höheren Nachfrage führen würde.
Die große Bandbreite zeigt, dass die Zukunft der KI-Infrastruktur noch offen ist. Aber sie zeigt auch, dass selbst konservative Szenarien eine ernsthafte Planung erfordern.
Wenn das untere Szenario eintritt, brauchen die USA immer noch große Investitionen in die Energieinfrastruktur. Wenn das obere Szenario eintritt, steht das Land vor einer viel größeren Herausforderung bei der Energieplanung.
Die sichere Schlussfolgerung ist nicht, dass eine bestimmte Zahl eintreten wird. Die sichere Schlussfolgerung ist, dass die KI den Strombedarf von Rechenzentren zu groß gemacht hat, um ihn zu ignorieren.
Die physikalische Herausforderung der KI besteht nicht nur im Gesamtstromverbrauch. Es geht auch um die Leistungsdichte.
Die IEA berichtet, dass die Leistungsdichte von KI-Servern zwischen 2020 und 2025 um den Faktor 11 gestiegen ist. Bis 2027 könnte sie noch einmal um das Vierfache ansteigen.
Dies ist eine der wichtigsten technischen Beschränkungen der KI-Infrastruktur.
Ein herkömmliches Rechenzentrum verfügt zwar über genügend Platz, aber nicht über genügend Energie- und Kühlkapazität pro Rack. KI-Server konzentrieren riesige Mengen an Rechenleistung auf kleinem Raum. Dies führt zu einer starken lokalen Erwärmung und erfordert fortschrittlichere Strom- und Kühlsysteme.
Die IEA stellt außerdem fest, dass ein einzelner Serverschrank in einem modernen Rechenzentrum bis 2027 einen Spitzenstrombedarf haben könnte, der dem von 65 Haushalten entspricht.
Diese Zahl verdeutlicht, warum sich KI-Rechenzentren von älteren Anlagen unterscheiden. Die Herausforderung besteht nicht nur darin, mehr Quadratmeter an Rechenzentrumsfläche zu bauen. Es geht darum, Einrichtungen zu bauen, die in der Lage sind, extrem dichte Datenverarbeitungsumgebungen zu unterstützen.
In der Praxis bedeutet dies mehr Druck auf Transformatoren, Leistungselektronik, Kühlsysteme, Notstromversorgung und Gebäudedesign.
Das Bild eines KI-Racks, das einen Spitzenstromverbrauch hat, der dem von 65 Haushalten entspricht, erklärt das Kühlungsproblem.
Jedes Watt Strom, das ein Server verbraucht, wird schließlich zu Wärme. Je mehr Leistung in jedem Rack konzentriert ist, desto schwieriger wird es, diese Wärme sicher und effizient abzuführen.
Die Kühlung macht bereits einen erheblichen Teil des Energieverbrauchs von Rechenzentren aus. Die IEA stellt fest, dass die Kühlung in effizienten Hyperscale-Rechenzentren etwa 7 % des Stromverbrauchs ausmachen kann, in weniger effizienten Unternehmensrechenzentren jedoch mehr als 30 %.
KI erhöht die Bedeutung der Kühlung, da sich das thermische Profil der Anlage verändert. GPU-Cluster mit hoher Dichte erfordern häufig Flüssigkeitskühlung, Direct-to-Chip-Kühlung oder andere fortschrittliche Wärmemanagementsysteme.
Daraus ergeben sich mehrere Konsequenzen:
Je mehr KI skaliert, desto mehr werden die Rechenzentren zu einer wärmetechnischen Herausforderung.
Die Spanne von 7 % bis über 30 % des Stroms, der für die Kühlung verbraucht wird, zeigt, wie sehr es auf die Gestaltung der Anlagen ankommt.
Effiziente Hyperscale-Rechenzentren können den Anteil der Kühlung durch fortschrittliches Design, bessere Luftströmung, Flüssigkeitskühlung, klimabewusste Standortwahl und Betriebsoptimierung reduzieren. Weniger effiziente Einrichtungen können einen viel größeren Anteil ihres Stroms für die reine Wärmeabfuhr aufwenden.
Dies ist für KI von entscheidender Bedeutung, da ineffiziente Kühlung die Energiebelastung vervielfacht. Wenn der Bedarf an Rechenleistung schnell steigt und die Kühlsysteme ineffizient sind, steigt der Gesamtstromverbrauch schneller.
Die Optimierung der Kühlung ist jedoch nicht ganz einfach. Ein System, das weniger Strom verbraucht, benötigt möglicherweise mehr Wasser. Ein System, das den Wasserverbrauch reduziert, kann mehr Strom verbrauchen. Eine Anlage in einem kühleren Klima benötigt vielleicht weniger Kühlung, kann aber dennoch mit Netz- oder Verbindungsbeschränkungen konfrontiert sein.
Aus diesem Grund kann die Nachhaltigkeit von KI nicht nur anhand einer einzigen Zahl beurteilt werden. Strom, Wasser, Kohlenstoffintensität und Standort spielen alle eine Rolle.
Wasser wird zu einer der politisch heikelsten physischen Beschränkungen für KI-Rechenzentren.
Der Grund dafür ist einfach: Rechenzentren benötigen häufig Wasser zur Kühlung, insbesondere wenn Verdunstungssysteme eingesetzt werden. Der Wasserverbrauch ist je nach Standort, Design, Klima und Kühltechnologie sehr unterschiedlich.
Forscher der Universität der Vereinten Nationen haben davor gewarnt, dass die KI-Infrastruktur nicht nur Druck auf die Elektrizitätssysteme, sondern auch auf die Wasser-, Boden- und Elektroschrottsysteme ausübt. In einem kürzlich erschienenen Reuters-Bericht über UNU-Forschungsergebnisse heißt es, dass sich der Strom- und Wasserverbrauch von Rechenzentren bis 2030 aufgrund der wachsenden KI-Nachfrage verdoppeln könnte.
Das Wasserproblem ist ein sehr lokales Problem. Ein Rechenzentrum in einer wasserreichen Region birgt nicht dasselbe Risiko wie eine Anlage in einer von Dürre oder Wasserknappheit bedrohten Region. Deshalb kann sich auch dann öffentlicher Widerstand formieren, wenn ein Unternehmen behauptet, globale Fortschritte im Bereich der Nachhaltigkeit gemacht zu haben.
Für Gemeinden stellt sich nicht nur die Frage, ob das Rechenzentrum effizient ist. Die Frage ist, ob die lokalen Wasserressourcen zur Unterstützung globaler KI-Dienste genutzt werden.
Dies ist eines der deutlichsten Beispiele für den physischen Charakter von KI. Ein digitaler Dienst kann zu sehr realen lokalen Ressourcenkonflikten führen.
Die KI-Infrastruktur stellt auch eine Herausforderung für den Elektroschrott dar.
Forscher der Universität der Vereinten Nationen haben davor gewarnt, dass die KI-Infrastruktur bis zum Jahr 2030 bis zu 2,5 Millionen Tonnen Elektroschrott pro Jahr erzeugen könnte.
Dies ist wichtig, weil sich die KI-Hardware schnell weiterentwickelt. Grafikprozessoren, Server, Netzwerkgeräte, Batterien, Kühlsysteme und Stromversorgungskomponenten werden häufig ersetzt, wenn neuere Generationen effizienter oder leistungsfähiger werden.
Die Umweltauswirkungen der KI beschränken sich also nicht auf den Stromverbrauch während des Betriebs. Sie umfassen auch die Herstellung, den Transport, den Austausch und die Entsorgung der Hardware.
Dies schafft ein Lebenszyklusproblem.
Ein Modell kann mit der Zeit effizienter werden, aber wenn die Infrastruktur, die es unterstützt, einen schnellen Hardwarewechsel erfordert, verschwindet die Umweltbelastung nicht. Sie verlagert sich in Lieferketten, Bergbau, Fertigung und Abfallverarbeitung.
Eine verantwortungsvolle KI-Infrastruktur muss daher Recycling, Wiederverwendung, Materialrückgewinnung und eine längere Planung des Lebenszyklus von Hardware beinhalten.
Die physischen Beschränkungen werden nicht nur von Umweltgruppen oder externen Kritikern angesprochen. Auch die Betreiber von Rechenzentren selbst berichten darüber.
Die Uptime Institute's 2025 Global Data Center Survey, die auf den Antworten von mehr als 800 Rechenzentrumseigentümern und -betreibern basiert, weist auf steigende Kosten, sich verschlechternde Energiebeschränkungen, Herausforderungen bei der KI-Dichte, Personalprobleme, Verzögerungen in der Lieferkette und technologische Unsicherheit hin.
Dies ist wichtig, weil es zeigt, dass die Engpässe eher operativ als theoretisch sind.
Betreiber sehen sich mit realen Zwängen konfrontiert, wenn es darum geht, die Stromversorgung zu sichern, Anlagen aufzurüsten, Personal einzustellen, Lieferketten zu verwalten und sich an KI-Arbeitslasten anzupassen. Die Branche ist widerstandsfähig, aber sie steht auch unter Druck.
Dies ist ein weiterer Grund, warum die KI-Implementierung möglicherweise langsamer oder ungleichmäßiger verläuft, als es der Hype vermuten lässt. Die Nachfrage nach künstlicher Intelligenz kann schnell wachsen, aber die dafür erforderliche Infrastruktur hängt von langsameren physischen Systemen ab.
Die Prognosen des Finanzsektors deuten auch auf ein erhebliches Wachstum der Stromnachfrage in Rechenzentren hin.
Goldman Sachs Research hat prognostiziert, dass die weltweite Stromnachfrage in Rechenzentren bis 2030 gegenüber 2023 um rund 165 % steigen könnte.
Diese Art von Prognose sollte anders behandelt werden als die von der IEA oder dem DOE unterstützten Schätzungen. Es handelt sich um eine Marktprognose und nicht um eine Basisprognose einer öffentlichen Behörde. Aber sie ist dennoch nützlich, weil sie zeigt, dass das Wachstum der Energienachfrage jetzt im Mittelpunkt der Erwartungen der Investoren für KI steht.
Die Richtung, in die die Entwicklung geht, ist in mehreren Quellen konsistent: KI erhöht die Nachfrage nach Rechenzentrumskapazität, und diese Kapazität erfordert große Mengen an Energie.
Die genaue Zahl kann je nach Methodik variieren. Der Trend ist eindeutig.
Die physischen Grenzen der KI sind nicht auf Energie und Wasser beschränkt. KI ist auch auf spezielle Hardware angewiesen.
Fortschrittliche KI-Systeme benötigen Grafikprozessoren, KI-Beschleuniger, Speicher mit hoher Bandbreite, Netzwerkausrüstung, optische Komponenten, Leistungselektronik und fortschrittliche Verpackungen. Diese Lieferketten sind komplex und konzentriert.
Ein Mangel an einer dieser Komponenten kann die Entwicklung verlangsamen.
Aus diesem Grund ist die KI-Infrastruktur anfällig für Einschränkungen bei der Halbleiterversorgung, Exportkontrollen, Produktionsengpässe, geopolitische Spannungen und den Wettbewerb um moderne Speicher- und Verpackungskapazitäten.
Das Hauptproblem besteht darin, dass die Nachfrage nach Software fast sofort skaliert werden kann, das Angebot an Chips jedoch nicht. Die Herstellung von Halbleitern erfordert jahrelange Planung, enorme Kapitalinvestitionen und hochspezialisierte Produktionskapazitäten.
Die globale Umsetzung von KI hängt daher nicht nur von der Entwicklung von Modellen ab, sondern auch von der physischen Fähigkeit, die für die Ausführung dieser Modelle erforderliche Hardware herzustellen und zu liefern.
KI benötigt auch Land. Große Rechenzentren benötigen Serverhallen, Kühlsysteme, Umspannwerke, Notstromaggregate, Batterien, Sicherheitsabgrenzungen, Zufahrtsstraßen und manchmal auch eine angrenzende Energieinfrastruktur.
Dadurch entsteht Druck in Regionen, in denen sich geeignete Flächen, Netzzugang und Konnektivität überschneiden. Die besten Standorte für Rechenzentren sind nicht einfach leere Grundstücke. Sie müssen Stromverfügbarkeit, Glasfaserzugang, behördliche Genehmigungen, Wasser- oder Kühlungsressourcen, Baukapazität und politische Akzeptanz vereinen.
Hier kann lokaler Widerstand zu einem Hindernis werden. Die Gemeinden könnten sich fragen, ob Rechenzentren zu viel Strom oder Wasser verbrauchen, ob sie genügend dauerhafte Arbeitsplätze schaffen, ob sie die lokalen Energiekosten erhöhen oder ob sie die öffentliche Infrastruktur zu stark belasten.
Das bedeutet, dass KI-Unternehmen mehr als nur technische Kapazitäten benötigen. Sie brauchen eine soziale Lizenz zum Bauen.
Die Zahlen lassen nur einen Schluss zu: Das KI-Wachstum wird zu einem physischen Wachstum.
Bis 2027 könnte ein fortschrittliches KI-Rack einen Spitzenstromverbrauch haben, der dem von 65 Haushalten entspricht.
Die Kühlung kann in effizienten Hyperscale-Einrichtungen etwa 7 % des Stromverbrauchs ausmachen, in weniger effizienten Unternehmensrechenzentren jedoch mehr als 30 %.
Die KI-Infrastruktur könnte bis zum Jahr 2030 bis zu 2,5 Millionen Tonnen Elektroschrott pro Jahr erzeugen.
Diese Zahlen zeigen, dass KI nicht mehr nur ein Modellwettbewerb ist. Es ist ein Wettlauf um die Infrastruktur.
Die Daten deuten darauf hin, dass die globale Einführung von KI von sechs physischen Engpässen geprägt sein wird. Der erste ist die Elektrizität. KI erfordert große Mengen zuverlässiger Energie.
Die zweite ist die Netzkapazität. Elektrizität muss an bestimmte Orte geliefert und nicht nur irgendwo im System erzeugt werden. Der dritte Punkt ist die Kühlung. Eine höhere Leistungsdichte erzeugt mehr Wärme und erfordert ein fortschrittlicheres Wärmemanagement.
Der vierte Punkt ist Wasser. Kühlungsentscheidungen können zu lokalem Wasserstress und politischem Widerstand führen. Der fünfte Punkt ist die Hardware. KI hängt von komplexen Halbleiter- und Komponentenlieferketten ab.
Der sechste Punkt sind Grundstücke und Genehmigungen. Rechenzentren brauchen physischen Raum, öffentliche Akzeptanz und behördliche Genehmigungen. Diese Engpässe bedeuten nicht, dass KI aufhören wird zu wachsen. Sie bedeuten, dass das KI-Wachstum ungleichmäßiger, teurer und stärker von der Infrastrukturplanung abhängig sein wird, als viele frühe Erwartungen vermuten ließen.
KI fühlt sich digital an, weil die Nutzer sie durch Software erleben. Aber ihre Grundlagen sind industriell. Sie läuft mit Strom. Sie hängt von den Chips ab. Sie erzeugt Wärme. Sie kann Wasser verbrauchen. Sie benötigt Land. Sie erzeugt Hardware-Abfall. Sie benötigt Stromnetze, Kühlsysteme, Glasfasernetze, Transformatoren, Umspannwerke und Fachkräfte.
Die zentrale Frage für KI ändert sich also. Die erste Frage war: Kann KI intelligent genug werden, um Wirtschaft und Gesellschaft zu verändern? Die nächste Frage lautet: Kann die physische Welt KI in globalem Maßstab unterstützen?
Die Antwort wird nicht nur von besseren Modellen abhängen, sondern auch von den Energiesystemen, dem Design von Rechenzentren, der Chipherstellung, der Kühltechnologie, dem Wassermanagement, der Regulierung und dem öffentlichen Vertrauen.
KI mag die entscheidende digitale Technologie des Jahrzehnts sein, aber ihre Grenzen sind zunehmend physischer Natur.
Wenn Sie die Website weiter nutzen, stimmen Sie der Verwendung von Cookies zu. Weitere Informationen
Die Cookie-Einstellungen auf dieser Website sind auf "Cookies zulassen" eingestellt, um Ihnen das bestmögliche Surferlebnis zu bieten. Wenn Sie diese Website weiter nutzen, ohne Ihre Cookie-Einstellungen zu ändern, oder wenn Sie unten auf "Akzeptieren" klicken, erklären Sie sich damit einverstanden.
