GreenAI : KI und Nachhaltigkeit: Versprechen oder Widerspruch?
Künstliche Intelligenz soll Emissionen reduzieren, erzeugt dabei aber selbst welche. Wo kann die Technologie sich selbst optimieren, und wo stoßen Wirtschaft, Politik und Technik aktuell an ihre Grenzen?
Infrastruktur und Politik bremsen
KI kann helfen, Rechenzentren effizienter zu gestalten – etwa durch reduzierten Einsatz von Stahl und Beton im Bau. Doch der Großteil der Emissionen entsteht im Betrieb, beschreibt Jerome Evans, Gründer und CEO von firstcolo. Er setzt auf datenbasierte Steuerung: Anlagen werden überwacht, Außentemperaturen berücksichtigt, die Effizienz wird kontinuierlich optimiert.
Dennoch bleibe Deutschland als Standort problematisch. Der CO₂-Gehalt pro Kilowattstunde liegt deutlich über skandinavischen Ländern. „Das muss schnell runtergefahren werden“, fordert Evans mit Blick auf den Kohleanteil im Energiemix. Das Problem: Die Branche boomt, doch Energieversorger vertrösten auf zehn Jahre Wartezeit. Gaskraftwerke könnten als Brückentechnologie dienen, Wasserstoff ist noch zu teuer.
Doch die Wasserstoffwirtschaft kämpft selbst mit ähnlichen Hürden: vorhandene Technologie trifft auf blockierte Infrastruktur, beschreibt Alexandra Geiger, Head of Business Development bei Wenger Engineering. Das Unternehmen entwickelt Wasserstoff-Tankstellen. Es gibt Förderprojekte und Technologie, aber „wir können noch gar nicht skalieren, weil es zu wenig Abnehmer und Fahrzeuge gibt“, sagt Geiger. KI könne zumindest die Logistik optimieren: Wann kommen Wasserstoff-Trailer zur Speicherung und Verteilung, wohin werden sie transportiert? Die Branche warte auf den neuen Haushalt, damit Angebot und Nachfrage gleichzeitig wachsen können.
Weniger, aber die richtigen Daten
Die Debatte um den Stromverbrauch generativer KI lenkt den Blick auf eine grundlegendere Frage: Brauchen KI-Modelle wirklich alle Daten, mit denen sie trainiert werden? Christopher Helm, Geschäftsführer von Helm & Nagel, sieht die Lösung in der Verdichtung. Sein Vorschlag: Bestandsdaten zunächst durch KI kuratieren, bevor sie zum Training genutzt werden. „Man kann heute mit wenig Daten und kurzer Zeit ein verlässliches Modell schaffen.“
Dabei müsse beachtet werden, dass KI-Modelle zunehmend von selbstgenerierten Inhalten lernen, dadurch jedoch nicht leistungsfähiger werden. „Hier muss sauber getrennt werden zwischen dem, was Menschen generiert haben, und maschinell erzeugten Inhalten.“ Entscheidend seien Primärdaten aus Unternehmen – nicht beliebige Datenmassen.
Auch Ewald Munz, Head of Manufacturing, Automotive and Sustainability EMEA bei Cisco, verweist auf die Bedeutung von Daten als entscheidenden Punkt. Die deutsche Industrie gilt als Paradebranche für nachhaltige KI-Anwendungen – doch bevor die Technologie Hebel aufzeigen kann, braucht es Transparenz. Wenn diese Grundlage geschaffen ist, können KI-gestützte Optimierungen greifen.
Das eigentliche Hindernis sei dabei nicht technischer Natur. „Es liegt nicht an der Technologie, es liegt am Menschen, an Prozessen, an Verantwortlichkeiten“, sagt Munz. Die Herausforderung: Bis die richtigen Daten vorliegen und die richtigen Personen an einem Tisch sitzen, vergehen oft Monate.