Wie viel Energie verbraucht KI? Die echten Zahlen für 2026

Wie viel Energie verbraucht KI? Ein normaler Textprompt benötigt grob 0,24 Wattstunden, Googles offizielle Zahl für einen mittleren Gemini-Prompt, bis etwa 0,34 Wattstunden für eine durchschnittliche ChatGPT-Anfrage. Das entspricht dem Energieverbrauch eines Backofens in einer Sekunde. Das Modell, das du wählst, macht den entscheidenden Unterschied. Für einen Chatbot, der gezielt auf leichte, energiesparende Modelle setzt, lies unseren GreenPT-Test. Ein unabhängiges Benchmark aus dem Jahr 2025 bezifferte den Verbrauch von Claude Sonnet auf rund 2,8 Wh für einen mittleren Prompt, DeepSeek-V3 auf etwa 2 Wh und das Reasoning-Modell DeepSeek-R1 auf rund 29 Wh, die gleiche Gewichtsklasse wie GPT-5-Modelle. Glaubwürdige Schätzungen pro Prompt unterscheiden sich um mehr als das 65-Fache. Im Gesamtbild sind die Zahlen riesig: Globale Rechenzentren verbrauchten 2024 rund 415 Terawattstunden Strom, und bis 2030 wird sich dieser Wert voraussichtlich etwa verdoppeln.

Dieser Leitfaden liefert dir geprüfte Zahlen für jede Variante der Frage: pro Prompt, pro Modell, pro Jahr und pro Rechenzentrum. Gemini, ChatGPT, Claude, DeepSeek, Grok und open-source-Modelle werden dabei direkt verglichen. Jede Zahl ist datiert und mit Quelle belegt. Du erfährst, warum das günstigste Modell im Kauf nicht das günstigste im Betrieb ist, warum Schätzungen so stark auseinandergehen und welche viralen Behauptungen übertrieben waren. Du siehst auch, wie der KI-Energieverbrauch im Vergleich zu einer Google-Suche oder einer Stunde Streaming abschneidet, und welche eine Massnahme deinen Fussabdruck wirklich senkt. Wir stellen Daten vor, keine Panik, und sagen dir, was die Daten noch nicht zeigen. Das abschliessende Urteil findest du unter Ist KI schlecht für die Umwelt?

Die wichtigsten Erkenntnisse

• Ein normaler Prompt verbraucht wenig: ~0,24 bis 0,34 Wh. Googles offizielle Zahl für einen mittleren Gemini-Textprompt liegt bei 0,24 Wh; OpenAI-CEO Sam Altman gibt 0,34 Wh für eine durchschnittliche ChatGPT-Anfrage an, etwa was ein Backofen in einer Sekunde verbraucht.
• Günstig kaufen heisst nicht günstig betreiben. In einem konsistenten Benchmark aus 2025 verbrauchte DeepSeek-R1 rund 29 Wh pro Prompt, während DeepSeek-V3 bei etwa 2 Wh blieb, gegenüber rund 2,8 Wh für Claude Sonnet und 1,2 Wh für GPT-4o. DeepSeeks niedriger API-Preis verbirgt den hohen Inferenz-Energiebedarf.
• Reasoning-Modelle kosten das 10- bis 65-Fache. Eine mittlere GPT-5-Antwort wird auf ~18 Wh und bis zu 40 Wh geschätzt, die gleiche Klasse wie DeepSeek-R1 und o3. Deshalb weichen glaubwürdige Schätzungen über Modelle hinweg um mehr als 65x ab.
• Für Grok und GPT-5.5 gibt es keine Hersteller-Zahlen. Weder xAI noch OpenAI veröffentlichen eine Energiezahl pro Anfrage für ihre aktuellen Flaggschiffmodelle. Jeder konkrete Watt-Stunden-Wert für Grok oder GPT-5.5 ist eine Schätzung, kein offizieller Wert.
• Globale Rechenzentren verbrauchten 2024 rund 415 TWh, etwa 1,5 % des weltweiten Stroms; die IEA prognostiziert bis 2030 eine Verdopplung auf ~945 TWh, was dem gesamten Jahresverbrauch Japans entspricht.
• Die Modellwahl ist der grösste Hebel, den du kontrollierst. Eine einfache Frage an ein Frontier-Reasoning-Modell kann rund 10- bis 65-mal mehr Energie kosten als ein schlankes Modell, das eine gleichwertige Antwort liefert.

Wie viel Energie verbraucht KI pro Prompt?

Für eine normale Textfrage an ein schlankes Modell lautet die ehrliche Antwort: rund 0,24 bis 0,34 Wattstunden. Der untere Wert stammt aus Googles offizieller Messung für einen mittleren Gemini-Prompt, der obere aus der Zahl, die OpenAI-CEO Sam Altman für eine durchschnittliche ChatGPT-Anfrage veröffentlicht hat. Beide Werte sind winzig, in etwa was eine Mikrowelle in einer Sekunde verbraucht. Die erschreckenderen Zahlen kommen aus einer anderen Realität. Modell und Promptlänge verschieben das Ergebnis um Grössenordnungen, sodass eine einzige „pro Prompt"-Zahl eine Bandbreite von mehr als 65x verbirgt, sobald Claude, DeepSeek und Reasoning-Modelle in die Tabelle kommen.

Vergleichstabelle

Ein Hinweis zur Einordnung: Die Hersteller-Zahlen von Google und OpenAI messen einen schlanken mittleren Prompt; das unabhängige „How Hungry is AI?"-Benchmark von Jegham und Kollegen misst realistische mittlere und lange Prompts über viele Modelle hinweg mit vollem Overhead, weshalb seine Werte höher liegen. Das ist kein Widerspruch, sondern eine andere Mess-Grundlage, und der folgende Abschnitt erklärt, wie man beide liest.

Google Gemini: rund 0,24 Wh pro Prompt

Im August 2025 veröffentlichte Google die bislang detaillierteste Hersteller-Messung, basierend auf Produktionsdaten vom Mai 2025. Demnach verbraucht ein mittlerer Google Gemini-Textprompt 0,24 Wattstunden Energie und erzeugt 0,03 Gramm CO2-Äquivalent. Entscheidend: Diese Zahl ist kein optimistischer Sonderfall, denn Googles Methode umfasst Kühlung, Leerkapazitäten, CPU, RAM und Rechenzentrumsbedarf, was sie zu einer der ehrlichsten Einzelzahlen macht. Die Methodik lässt sich in Googles Umweltbericht nachlesen.

ChatGPT und GPT-5.5: rund 0,34 Wh pro Anfrage, Flaggschiff ohne Angabe

In einem Blog-Beitrag vom Juni 2025 schrieb OpenAI-CEO Sam Altman, dass eine durchschnittliche ChatGPT-Anfrage 0,34 Wattstunden verbraucht, was einem Backofen in knapp über einer Sekunde entspricht. Es ist OpenAIs erster offizieller Datenpunkt, nicht peer-reviewed, und das Unternehmen hat nie definiert, was eine „durchschnittliche" Anfrage ausmacht. Unabhängige Forschung bestätigt die Grössenordnung: Das Forschungsinstitut Epoch AI schätzt eine typische GPT-4o-Anfrage auf rund 0,3 Wh.

Der Wert von 0,34 Wh stammt aus der Zeit vor dem aktuellen Flaggschiff. GPT-5.5 wurde im April 2026 veröffentlicht und ist seit Mai 2026 das Standard-ChatGPT-Modell, doch OpenAI hat keine Energiezahl pro Anfrage für GPT-5.5 veröffentlicht. Da GPT-5.5 mehr Anfragen über Reasoning leitet, liegt der realistische Erwartungswert für alles, was Extended Thinking auslöst, höher als 0,34 Wh und eher in der schweren Klasse.

Claude: keine offizielle Zahl, rund 1 bis 5 Wh in Benchmarks

Anthropic veröffentlicht keinen Energieverbrauch pro Prompt für Claude, deshalb sind alle Claude-Zahlen externe Schätzungen. Die aussagekräftigste stammt aus dem Inferenz-Benchmark von Jegham et al. (Mai 2025): Claude Sonnet verbrauchte dort rund 0,8 Wh für einen kurzen, 2,8 Wh für einen mittleren und 5,5 Wh für einen langen Prompt. Stanfords AI Index 2026 kommt mit einer anderen Methode zum gleichen Ergebnis und ordnet ein Claude-Flaggschiff am effizienten Ende der Frontier-Modelle ein. Dasselbe Benchmark bewertete Claude Sonnet als das insgesamt energieeffizienteste Modell, sobald die Antwortqualität konstant gehalten wird. Claude liefert starke Antworten ohne die hohen Energiekosten eines reinen Reasoning-Modells.

DeepSeek: günstig kaufen, teuer betreiben

DeepSeek ist das deutlichste Beispiel dafür, dass Preis und Energie nicht dasselbe sind. Die API gehört zu den günstigsten aller Frontier-Modelle. Dennoch mass das Jegham-Benchmark DeepSeek-V3 bei rund 2 Wh für einen mittleren Prompt, während das Reasoning-Modell DeepSeek-R1 auf 29 Wh kam, zu den energieintensivsten getesteten Modellen und deutlich über Claude oder GPT-4o. Stanfords AI Index 2026 bestätigte dasselbe Muster: Ein DeepSeek-Modell verbraucht für vergleichbare Arbeit ein Vielfaches des Pro-Prompt-Energiebedarfs eines Claude-Flaggschiffs.

Das neuere DeepSeek V4, das Ende April 2026 erschien, verwendet ein Mixture-of-Experts-Design mit 1,6 Billionen Parametern, von denen nur etwa 49 Milliarden pro Token aktiv sind (und eine 284B-Flash-Variante mit ~13B aktiven Parametern), was DeepSeek zufolge die Inferenzkosten deutlich senkt. Das klingt auf dem Papier überzeugend, doch eine unabhängige Watt-Stunden-Zahl pro Anfrage für V4 gibt es noch nicht. Jede konkrete V4-Energieangabe ist daher vorerst unbestätigt.

Grok: keine Prompt-Angabe, die Rechenzentrums-Grösse ist das eigentliche Signal

xAI veröffentlicht keine Energiezahl pro Anfrage für Grok, und die glaubwürdigen Drittanbieter-Schätzungen liegen weit auseinander, von einem Bruchteil einer Wattstunde für einfache Anfragen bis zu mehreren Wattstunden für schweres Reasoning oder agentenbasierte Runs. Das konkretere Grok-Signal kommt von der Infrastruktur. xAIs Supercomputer Colossus in Memphis wurde mit Hunderten von Megawatt angegeben, und Satellitenanalysen beziffern das neuere Colossus 2 im Gigawatt-Bereich, eine Grössenordnung, bei der ein einzelner KI-Cluster einer mittelgrossen Stadt in der Energieversorgung Konkurrenz macht. Bei Grok lautet die ehrliche Antwort: Die Prompt-Zahl ist unbekannt, und der Fussabdruck auf Systemebene ist gross und wächst schnell.

Open-source-Modelle: das untere Ende der Skala

Kleinere open-source-Modelle markieren das effiziente Ende. Im selben Benchmark verbrauchte ein Llama 3.2 mit einer Milliarde Parametern rund 0,07 Wh für einen kurzen Prompt, während das sehr grosse Llama 3.1 405B für einen mittleren Prompt etwa 9 Wh benötigte. Die Schlussfolgerung ist über alle Anbieter hinweg konsistent: Grösse und Reasoning-Tiefe treiben den Energieverbrauch weit stärker als die Frage, welches Unternehmen das Modell gebaut hat. Genau deshalb ist die Wahl des richtigen Modells für die jeweilige Aufgabe so wichtig.

Warum weichen KI-Energieschätzungen so stark voneinander ab?

Der grösste Teil der Verwirrung entsteht dadurch, was jede Zahl zählt. Eine niedrige Angabe wie Googles 0,24 Wh misst den Strom für die Chips plus Kühlung und Overhead für einen schlanken mittleren Prompt. Eine erschreckende Zahl zählt ein schweres Reasoning-Modell, einen langen Prompt, den vollständigen Rechenzentrumsbedarf und manchmal die Energie für die Hardware-Herstellung. Unterschiedliche Grundlagen erzeugen Zahlen, die sich um mehr als 65x unterscheiden, während jede von ihnen technisch korrekt ist.

Modellarchitektur ist der zweite Treiber. Ein dichtes Modell verarbeitet bei jedem Token alle Parameter, während ein Mixture-of-Experts-Modell wie DeepSeek V4 nur einen Bruchteil aktiviert. Deshalb können zwei Modelle ähnlicher Gesamtgrösse im Energieverbrauch stark voneinander abweichen. Reasoning-Modi fügen eine dritte Ebene hinzu. Ein Modell, das vor der Antwort „denkt", kann ein Vielfaches an Token erzeugen, weshalb DeepSeek-R1 und o3-Klasse-Modelle bei 20 bis 40 Wh landen, während GPT-4o im selben Test bei rund 1 Wh bleibt.

Der letzte Treiber ist Training versus Inferenz. Training ist ein einmaliger, sehr grosser Lauf: Das Training von GPT-3 benötigte geschätzte 1.287 Megawattstunden, das von GPT-4 rund 50 Gigawattstunden. Inferenz ist der Strom, der bei jedem Prompt verbraucht wird, und weil ein populäres Modell täglich Milliarden Anfragen beantwortet, dominiert Inferenz heute den KI-Gesamtenergieverbrauch. Die oft zitierte Zahl von 2,9 Wh für „zehnmal eine Google-Suche" stammt aus frühen Schätzungen, die später um rund eine Grössenordnung nach unten korrigiert wurden, weshalb sie ständig mit neueren Hersteller-Zahlen kollidiert. Das ist einer der hartnäckigsten Mythen über KI und Energie.

Wie viel Energie verbrauchen KI-Rechenzentren?

Pro Prompt sind die Zahlen winzig, in der Summe aber national bedeutsam. Laut dem IEA-Bericht „Energy and AI" verbrauchten globale Rechenzentren 2024 rund 415 Terawattstunden Strom, etwa 1,5 % des weltweiten Stroms. Die IEA prognostiziert im Basisszenario eine Verdopplung auf rund 945 TWh bis 2030, knapp 3 % des globalen Stroms und nahe am gesamten Jahresverbrauch Japans. KI-beschleunigte Server sind das am schnellsten wachsende Segment mit rund 30 % pro Jahr.

Manchmal liest man Schlagzeilen, die behaupten, Rechenzentren würden bereits 2026 mehr als 1.000 TWh erreichen. Diese Zahl stammt aus dem früheren IEA-Elektrizitätsbericht 2024, einer schnelleren Kurzfrist-Prognose; der detailliertere IEA-Bericht „Energy and AI" von 2025 setzt das Basisszenario auf ~945 TWh bis 2030. Der Trend, nicht die Schlagzeile eines einzelnen Jahres, ist die eigentliche Geschichte. In den USA allein zogen Rechenzentren 2023 bereits rund 4,4 % des gesamten Stroms, und mehr als die Hälfte davon soll bis 2028 auf KI entfallen.

Ist das wirklich viel? KI-Energieverbrauch im Vergleich

Für den Einzelnen ist ein schlanker KI-Prompt ein Rundungsfehler im täglichen Energieverbrauch. Googles eigene Einordnung stellt 0,24 Wh auf weniger als neun Sekunden Fernsehen. Die ehrliche individuelle Schlussfolgerung: Alltägliche, schlanke Chatbot-Nutzung ist vernachlässigbar im Vergleich zu einer einzigen heissen Dusche oder einer kurzen Autofahrt. Eine Stunde Video-Streaming verbraucht Dutzende Wattstunden und übersteigt damit Hunderte von schlanken Prompts. Die Ausnahme ist schweres Reasoning: Eine einzelne DeepSeek-R1- oder GPT-5-Antwort kann für sich allein so viel kosten wie mehr als hundert schlanke Prompts.

Der Haken liegt in der Skalierung und Konzentration. Individuell vernachlässigbare Prompts summieren sich 2025 auf ~15 TWh über alle generative KI hinweg, bis 2030 werden rund 347 TWh projiziert, und diese Last trifft bestimmte regionale Stromnetze, nicht verteilt. Die individuelle Antwort („kaum etwas") und die Systemantwort („eine schnell wachsende Netzbelastung") sind beide wahr, weshalb das Thema so leicht in beide Richtungen gedreht werden kann.

Wird KI energieeffizienter?

Pro Prompt: ja, und zwar schnell. Google berichtete, dass der Energiebedarf eines mittleren Gemini-Prompts dank besserer Modelle, Hardware und Software in zwölf Monaten um rund das 33-Fache gesunken ist. Mixture-of-Experts-Designs wie DeepSeek V4 gehen in dieselbe Richtung, indem sie pro Token nur einen Bruchteil der Parameter aktivieren. Das Problem ist der Jevons-Effekt: Günstigere, bessere KI wird sehr viel häufiger genutzt, sodass der Gesamtverbrauch steigt, auch wenn jeder einzelne Prompt sauberer wird.

Diese Spannung ist der Kern dessen, wohin sich KI 2026 entwickelt. Die Effizienzgewinne sind real und erheblich, aber agentische Systeme ändern die Rechnung, denn eine Anfrage an einen KI-Agenten kann Dutzende verketteter Modellaufrufe auslösen. Schlanke Prompt-Zahlen erfassen nicht einen Workflow, der im Hintergrund fünfzigmal ein Reasoning-Modell aufruft, um eine einzige Aufgabe zu erfüllen. Das ist die nächste Messlücke, die öffentliche Daten kaum begonnen haben zu adressieren.

Der eine Hebel, den du kontrollierst: die Modellwahl

Das Wirksamste, was eine Person steuern kann, ist die Frage, welches Modell eine Anfrage beantwortet. Die Unterschiede zwischen Modellen sind enorm. Eine einfache Anfrage an ein Frontier-Reasoning-Modell zu schicken kann rund 10- bis 65-mal mehr Energie kosten als ein schlankes Modell, das eine gleichwertig gute Antwort liefert. Wie die Tabelle zeigt, gilt dieser Unterschied über Claude, DeepSeek, Gemini und GPT-Klasse-Modelle hinweg. Die Wahl des richtigen Modells für die Aufgabe bringt mehr als jede Menge Prompt-Kürzungen. Vergleiche wie DeepSeek vs. ChatGPT, ChatGPT vs. Gemini und unser Leitfaden zu den leistungsstärksten KI-Modellen zeigen, wie unterschiedlich die Effizienzprofile wirklich sind. Unser Überblick der umweltfreundlichsten KI-Tools empfiehlt die grünsten Optionen.

Praktisch bedeutet das: für alltägliche Fragen ein schlankes Modell als Standard nutzen und schwere Reasoning-Modelle nur für Aufgaben reservieren, die sie wirklich brauchen. Mehrere Modelle von einem Ort aus zu nutzen macht „das richtige Werkzeug wählen" zur Realität statt zur Theorie. Das ist der Punkt eines Multi-Modell-Setups wie dem in unserem Einstiegsguide, wo ein Abo dir Claude, ChatGPT, Gemini, Grok und DeepSeek nebeneinander gibt. Die schlanke Option ist immer einen Tipp entfernt von der schweren. Das erfordert kein schlechtes Gewissen, sondern nur bewusstes statt gedankenloses Greifen zur schweren Option.

Fazit

Wie viel Energie verbraucht KI? Ein normaler Prompt an ein schlankes Modell kostet realistisch 0,24 bis 0,34 Wattstunden, aber das Modell ist das Entscheidende: Claude Sonnet liegt bei rund 2,8 Wh, DeepSeek-R1 bei rund 29 Wh und GPT-5-Reasoning bei 18 Wh oder mehr, eine Spanne von über 65x. Im Gesamtbild sind die Zahlen gross und wachsen schnell: globale Rechenzentren bei rund 415 TWh in 2024, mit Verdopplung bis 2030 in der Prognose. Der sinnvollste nächste Schritt ist nicht, KI aufzugeben, sondern bewusst zu wählen, welches Modell du verwendest, beginnend mit einem klaren Blick darauf, wie die führenden Modelle sich wirklich unterscheiden.

FAQ