Green AI: Energieeffiziente und nachhaltige KI
🖱️ Interaktiv: Ziehen zum Drehen · Lektion 14
Lernziele
Nach dieser Lektion kannst du:
- Den Energieverbrauch von KI-Anwendungen realistisch einschätzen
- Green-AI-Prinzipien im Arbeitsalltag anwenden
- Die Kosten und den Nutzen verschiedener Modellgrößen bewerten
- Effizienz-Hebel (Caching, kleine Modelle, Batch-Verarbeitung) nutzen
1. KI und Energieverbrauch
Jede KI-Abfrage verbraucht Strom — beim Training massiv, beim Inferenz (Beantworten) moderat, aber in der Summe relevant.
Was verbraucht wie viel?
| Vorgang | Energie | Vergleich |
|---|---|---|
| Eine Chat-Abfrage (Inferenz) | ~0,003 kWh | wie 1/10 einer Handy-Ladung |
| Training eines großen LLM | ~1.000 MWh | wie 100 Haushalte/Jahr |
| Menschliche Recherche (10 min) | ~0,0002 kWh | deutlich weniger |
Erkenntnis: Die Einzelabfrage ist günstig. Der Hebel liegt in Wiederholung (gleiche Frage, tausendfach) und Training.
💡 Der 80/20 der KI-Effizienz
Die meisten Kosten entstehen nicht durch komplexe Fragen, sondern durch:
- Dieselben Abfragen mehrfach (kein Caching) → Cache spart 30–60 %
- Zu große Modelle für einfache Aufgaben → kleine Modelle oft ausreichend
- Fehlversuche im Loop → bessere Prompts = weniger Durchläufe
2. Green AI und KI-Kosten
Green AI = Forschung und Praxis, KI mit möglichst wenig Ressourcen zu betreiben. Das spart Geld und CO2.
Hebel für effiziente KI-Nutzung
| Hebel | Maßnahme | Wirkung |
|---|---|---|
| Modellwahl | Kleines Modell für einfache Tasks (Klassifikation, Extraktion) | −70 % Kosten |
| Caching | Antworten auf identische Prompts zwischenspeichern | −40 % Abfragen |
| Batch-Verarbeitung | Viele Dokumente in einem Durchgang | −50 % Overhead |
| Quantisierung | 8-bit statt 16-bit Modelle lokal | −50 % Speicher/RAM |
| Lokale Modelle | Bei Datenschutz/Datenmenge lohnt On-Premise | Unabhängig von Cloud-Kosten |
🏢 Praxis-Szenario: Beispiel: Support-Ticket-Triage
3. Effiziente KI im Unternehmen
Praktische Checkliste für nachhaltige KI-Nutzung:
Quick-Check
- Nutzen wir für einfache Tasks kleine statt großer Modelle?
- Cachen wir wiederkehrende Antworten?
- Haben wir Prompt-Vorlagen, um Fehlversuche zu minimieren?
- Prüfen wir bei Datenmengen lokale/On-Premise-Modelle?
- Messen wir KI-Kosten pro Prozess (nicht nur pauschal)?
✅ Wichtige Erkenntnisse
Haken setzen, um deinen Lernfortschritt zu markieren: