Verbraucht eine ChatGPT-Anfrage wirklich zehnmal so viel Strom wie eine Google-Suche? Nein. Diese Zahl geistert seit Jahren durchs Netz, und sie ist falsch.
Gleichzeitig ist der Energiehunger der KI-Branche real und wächst schneller als fast alles andere im Stromnetz. Beides stimmt, und genau deshalb lohnt der Blick in die Daten. Ich habe für diesen Artikel die IEA-Berichte, die US-Analysen von LBNL und EPRI, die Nachhaltigkeitsberichte der Hyperscaler und die deutschen Bitkom-Zahlen durchgearbeitet und alles Wichtige gegenprüfen lassen.
- Rechenzentren verbrauchten 2025 weltweit rund 485 TWh Strom (ca. 1,5 % des globalen Verbrauchs). Bis 2030 erwartet die IEA eine Verdopplung auf rund 950 TWh, etwa Japans heutigen Stromverbrauch
- Eine einzelne KI-Anfrage ist harmlos: ca. 0,3 Wh bei ChatGPT, 0,24 Wh bei Gemini, ungefähr so viel wie eine Google-Suche. Die Masse macht den Verbrauch, nicht die einzelne Frage
- Die Emissionen der Hyperscaler steigen trotz Klimaziele weiter (Microsoft +25 %, Google +18 %, Amazon +16 % im letzten Berichtsjahr). Als Antwort erlebt die Kernkraft ein Comeback, von Three Mile Island bis zu Mini-Reaktoren
1. Der Status quo: Was Rechenzentren heute verbrauchen
Die verlässlichste Quelle für das große Bild ist die Internationale Energieagentur (IEA). Ihre Kernzahlen:
Der entscheidende Punkt steckt in der dritten Zeile:
Rechenzentren insgesamt wachsen mit 17 % pro Jahr schon über vier Mal schneller als der restliche Stromverbrauch. KI-fokussierte Rechenzentren wachsen mit 50 % noch einmal um ein Vielfaches schneller. KI ist damit der mit Abstand wichtigste neue Treiber der weltweiten Stromnachfrage.
2. Die Prognose: Verdopplung bis 2030
Bis 2030 erwartet die IEA im Basisszenario eine Verdopplung. Der Bericht „Energy and AI“ von 2025 prognostiziert 945 TWh, das Update vom April 2026 rund 950 TWh, jeweils ungefähr der heutige Gesamtstromverbrauch Japans. Wo dieses Wachstum stattfindet, zeigt der Aufbau von 2024 zur Prognose:
Die USA und China stehen zusammen für rund 80 % des gesamten Wachstums. Europa spielt mit einem Plus von etwa 45 TWh nur eine Nebenrolle. Der Ausbau der KI-Infrastruktur ist also vor allem ein Rennen zweier Länder.
Auch bei den heutigen Anteilen zeigt sich diese Konzentration:
45 % des weltweiten Rechenzentren-Stroms fließen heute in den USA, 25 % in China, 15 % in Europa.
3. USA: Auf dem Weg zu 12 % des Stromverbrauchs
Nirgendwo ist der KI-Stromhunger so konkret messbar wie in den USA. Das Lawrence Berkeley National Laboratory (LBNL) rechnet im Auftrag des US-Energieministeriums regelmäßig nach:
2024 verbrauchten US-Rechenzentren 192 TWh, das waren 4,7 % des nationalen Stromverbrauchs (2023: 176 TWh bzw. 4,4 %). Für 2030 liegt der Referenzfall des aktuellen LBNL-Updates bei 649 TWh oder 11,8 %, mit einer Spanne von 521 bis 843 TWh. Anders gesagt: Fast jede neunte Kilowattstunde in den USA könnte 2030 in ein Rechenzentrum fließen.
Und das hat bereits heute Folgen für die Strompreise:
Im größten US-Netzgebiet PJM (13 Bundesstaaten, u. a. Virginia mit dem weltgrößten Rechenzentrums-Hub) explodierte der Kapazitätspreis für 2025/26 von 28,92 auf 269,92 USD pro Megawatt-Tag, ein Plus von 833 %. Rechenzentren waren für 63 % dieses Anstiegs verantwortlich, umgerechnet 9,3 Mrd. USD. Bei Haushalten in Washington D.C. stiegen die Rechnungen um rund 21 USD pro Monat, wovon laut der dortigen Verbraucherschutzbehörde etwa die Hälfte auf den Kapazitätspreis-Sprung zurückgeht.
4. Energie pro Anfrage: Die 0,3-Wattstunden-Wahrheit
Jetzt zur meistzitierten und am häufigsten falsch wiedergegebenen Zahl der ganzen Debatte. Wie viel Strom kostet eine einzelne KI-Anfrage?
Eine typische ChatGPT-Anfrage kostet laut Epoch AI rund 0,3 Wh, OpenAI selbst nennt 0,34 Wh. Ein medianer Gemini-Prompt liegt laut Google bei 0,24 Wh. Zur Einordnung: Das ist ungefähr so viel wie eine klassische Google-Suche nach der alten Schätzung von 2009, und etwa das, was ein Backofen in gut einer Sekunde zieht.
Das eigentlich Bemerkenswerte ist die Effizienzkurve:
Google hat den Energie-Fußabdruck eines medianen Gemini-Prompts innerhalb von zwölf Monaten um den Faktor 33 gesenkt, den CO2-Fußabdruck sogar um den Faktor 44. Die einzelne Anfrage wird also rasant billiger. Dass der Gesamtverbrauch trotzdem explodiert, liegt allein an der Masse, ein Muster, das Ökonomen als Jevons-Paradox kennen. Effizienzgewinne senken den Preis, der niedrigere Preis steigert die Nachfrage.
5. Training: Was ein einzelnes Modell kostet
Neben dem Betrieb (der Inferenz) verbraucht auch das Training der Modelle Energie, und zwar konzentriert in wenigen Monaten:
Die Kurve zeigt steil nach oben. GPT-4 (2023) verursachte geschätzt rund 5.200 Tonnen CO2, Grok 4 (2025) je nach Schätzung 73.000 bis rund 150.000 Tonnen, schon die untere Schätzung entspricht etwa 17.000 Autos in einem Jahr. Der Stanford AI Index weist allerdings selbst darauf hin, dass gerade die Grok-Schätzung auf unsicheren Annahmen beruht. Laut Epoch AI verdoppelt sich die Rechenleistung fürs Training von Spitzenmodellen etwa alle sechs Monate, rund das 4- bis 5-Fache pro Jahr.
6. Die Hyperscaler: Emissionen steigen trotz Klimaziele
Google, Microsoft und Amazon haben sich alle ehrgeizige Klimaziele gesetzt. Die KI-Realität sieht anders aus:
Die Details aus den aktuellen Berichten:
Googles Stromnachfrage stieg 2025 um 37 %, der größte Sprung der Firmengeschichte. Die Rechenzentren des Konzerns verbrauchten rund 43 Mio. MWh, ungefähr so viel wie ganz Neuseeland. Microsofts 2030-Ziel, mehr CO2 zu binden als auszustoßen, gilt unter Analysten inzwischen als kaum noch erreichbar.
7. Das Kernkraft-Comeback
Die Antwort der Tech-Konzerne auf ihr Stromproblem hat einen Namen, den vor drei Jahren niemand erwartet hätte. Atomkraft. Die wichtigsten Deals:
Der symbolträchtigste Deal bleibt Three Mile Island. Ausgerechnet der Standort, der 1979 für den schwersten Atomunfall der US-Geschichte stand, soll ab 2028 wieder Strom liefern, exklusiv für Microsoft, mit einer Laufzeit von 20 Jahren. Reaktiviert wird dabei nicht der havarierte Reaktor Unit 2, sondern der unbeschädigte Nachbarreaktor Unit 1, der bis 2019 regulär lief. Zusammen mit Googles Mini-Reaktor-Bestellung und Amazons 5-GW-Zielen ist die KI-Branche inzwischen der wichtigste neue Nachfrager für Kernenergie in den USA.
8. Wasser: Der übersehene Verbrauch
Rechenzentren brauchen nicht nur Strom, sondern auch Wasser zur Kühlung. Auch hier gilt: pro Anfrage winzig, in Summe gewaltig.
Ein Gemini-Prompt verbraucht laut Google 0,26 Milliliter Wasser, eine ChatGPT-Anfrage laut OpenAI etwa 0,000085 Gallonen (rund 0,32 Milliliter, ungefähr ein Fünfzehntel Teelöffel). Auf Konzernebene sieht die Rechnung anders aus:
Google verbrauchte 2024 rund 6,1 Mrd. Gallonen Wasser in seinen Rechenzentren (2021: 4,3 Mrd.), Amazon 2,5 Mrd. Gallonen (2025). Microsoft zeigt, dass es auch anders geht: Die Water Usage Effectiveness neuer Rechenzentren sank von 2,3 auf 0,27 Liter pro kWh, und 90 % der 2025er-Flotte nutzt Kühlung mit wenig oder ganz ohne Wasserverdunstung. Das Unternehmen ist seit dem Geschäftsjahr 2025 nach eigenen Angaben „water positive“, füllt also mehr Wasser wieder auf, als es verbraucht.
9. Deutschland: Wachstum mit angezogener Handbremse
Und hierzulande? Die Bitkom/Borderstep-Studie liefert die verlässlichsten Zahlen für den deutschen Markt:
Deutsche Rechenzentren verbrauchten 2025 geschätzt 21,3 Mrd. kWh, fast das Doppelte von 2015. Die installierte Leistung wuchs um 9 % auf 2.980 MW und soll bis 2030 auf über 5.000 MW steigen.
Der spannendste Wert ist aber die KI-Kapazität:
Die für KI verfügbare Anschlussleistung soll sich von aktuell 530 MW bis 2030 auf 2.020 MW fast vervierfachen. Dann wäre 40 % der gesamten deutschen Rechenzentrums-Kapazität KI-Infrastruktur. Zum Vergleich mit den US-Dimensionen: Allein der geplante US-Zubau bis 2030 entspricht einem Vielfachen des gesamten deutschen Bestands.
10. Effizienz: Die Gegenkraft
Die Wachstumszahlen erzählen nur die halbe Geschichte. Parallel sinkt der Energiebedarf pro Berechnung dramatisch.
Die drei wichtigsten Belege:
Erstens Googles schon erwähnte Faktor-33-Verbesserung pro Gemini-Prompt in nur zwölf Monaten. Zweitens die Chip-Ebene: Nvidia gibt an, dass ein GB200-NVL72-System bis zu 25-mal mehr Rechenleistung pro Watt liefert als luftgekühlte H100-Systeme der Vorgeneration (gemessen an einem spezifischen, für das neue System günstigen Inferenz-Benchmark), und die neue Rubin-Generation soll den Inferenz-Durchsatz pro Megawatt nochmals verzehnfachen (Herstellerangaben, unabhängig nicht geprüft). Drittens die Rechenzentrums-Ebene, wo moderne Anlagen immer näher an die physikalischen Grenzen der Kühleffizienz rücken.
Warum steigt der Gesamtverbrauch trotzdem? Genau das beschreibt das Jevons-Paradox aus Sektion 4. Jede Effizienzverbesserung macht KI-Anwendungen billiger und erschließt neue Einsatzfelder, die den gesparten Strom mehr als aufzehren. Die Nachfrage wächst schneller als die Effizienz.
11. Prognosen im Vergleich: Wer sagt was
Zum Abschluss der Zahlen lohnt ein Blick darauf, wie weit die seriösen Prognosen auseinanderliegen, und warum:
Die Spannen wirken groß, erzählen aber eine konsistente Geschichte. Alle seriösen Institute erwarten bis 2030 mindestens eine Verdopplung, weltweit wie in den USA; die EPRI-Szenarien reichen sogar noch darüber hinaus. Die Unterschiede stecken im Bezugsraum (Welt vs. USA), im Basisjahr und in den Annahmen zur KI-Nachfrage. Vorsicht ist vor allem bei Schlagzeilen geboten, die US-Prozentwerte auf die Welt übertragen oder umgekehrt.
12. Fazit: Kein Weltuntergang, aber ein Infrastrukturproblem
Die Daten zeichnen ein differenzierteres Bild als beide Lager der Debatte.
Die Entwarnung: Eine einzelne KI-Anfrage ist mit rund 0,3 Wh kein Umweltproblem, die alten Schockzahlen sind widerlegt, und die Effizienz verbessert sich in atemberaubendem Tempo. Auch 2030 werden Rechenzentren nur rund 3 % des weltweiten Stroms verbrauchen.
Die Warnung: Dieses Wachstum konzentriert sich auf wenige Regionen und wenige Jahre. In den USA könnte sich der Rechenzentrums-Anteil am Stromverbrauch bis 2030 fast verdreifachen, die Strompreiseffekte sind dort schon heute messbar, und die Emissionen der Hyperscaler laufen ihren eigenen Klimazielen davon. Das Problem ist nicht die KI-Anfrage, sondern das Tempo, in dem Netze, Kraftwerke und Genehmigungen mit dem Boom Schritt halten müssen.
Wie groß die dahinterstehende Branche inzwischen ist, kannst du in meinen KI-Statistiken nachlesen. Und wessen Chips diesen Strom verbrauchen, zeigen meine Nvidia-Statistiken.
