Strom wird die neue Cloud-Metrik

Wer KI nutzt, kauft Rechenleistung, und Rechenleistung ist im Kern Strom. Was lange eine Fußnote in Rechenzentrumsberichten war, wird zur Steuerungsgröße für KI-Strategien: Energie ist keine Nebenkostenstelle mehr, sondern ein strategischer Faktor.

Die stille Explosion

Rechenzentren galten lange als Randthema beim globalen Stromverbrauch, im Bereich weniger Prozent. Die Internationale Energieagentur (IEA) rechnet inzwischen damit, dass ihr Bedarf bis 2030 auf ungefähr das Doppelte des heutigen Niveaus steigt, auf etwa 945 TWh, vergleichbar mit dem Stromverbrauch eines Landes wie Japan. Haupttreiber ist laut IEA der Ausbau KI-optimierter Rechenzentren. Konkrete Zahlen variieren je nach Quelle und Szenario, die Richtung ist aber eindeutig.

Wie hungrig diese Anlagen sind, zeigt sich auch an den Großprojekten der Hyperscaler. Mehrere Anbieter planen oder bauen eigene Kraftwerke oder schließen langfristige Stromverträge für einzelne Standorte, teils mit fossiler Erzeugung, was regelmäßig zu Streit über Klimaziele führt.

Die Rechnung kommt über die Strombörse

Für Deutschland warnen Analysten vor wachsenden Netzengpässen und möglichen Preisschwankungen, wenn der Zubau von Rechenzentren schneller läuft als der Ausbau von Netzen und Erzeugung. Für mittelständische Cloud-Kunden bedeutet das: Compute-Budgets hängen künftig nicht mehr nur von Lizenz- und GPU-Preisen ab, sondern mittelbar auch von der Energieseite. Wer heute KI-Anwendungen plant, sollte Verbrauch und Kosten pro Anfrage von Anfang an mitdenken.

Handlungsoption 1: „Model Diet“ statt Gigantismus

Nicht jede Aufgabe braucht das größte Modell. Das Beispiel DeepSeek hat 2025 gezeigt, dass sich mit schlankerer Architektur und klugem Training erstaunlich viel Leistung bei deutlich weniger Rechenaufwand erreichen lässt. Auch kleinere Modelle mehrerer Anbieter decken heute viele Alltagsaufgaben ab, von Klassifikation über Zusammenfassung bis zur Datenextraktion. Wer Modelle bewusst passend wählt, senkt unmittelbar Strom- und Lizenzkosten, ohne zwingend an Qualität zu verlieren.

Handlungsoption 2: Edge-Inference

Rechnet ein Modell nahe am Ort des Geschehens, etwa auf einem Gerät, in der Maschine oder im Werk, entfallen Cloud-Wege. Das spart Bandbreite, reduziert Latenz und kann pro Anfrage deutlich weniger Energie kosten. Für Bild- und Spracherkennung mit knappen Reaktionszeiten ist das oft die sinnvollste Architektur. Hinzu kommt ein Datenschutzvorteil, weil sensible Daten das Haus gar nicht erst verlassen.

Handlungsoption 3: Lasten zeitlich verschieben

Nicht jede Rechenaufgabe muss sofort laufen. Große Verarbeitungsläufe, Batch-Auswertungen oder Trainings lassen sich in Zeiten legen, in denen viel Wind- oder Solarstrom verfügbar ist. So glättet man Nachfragespitzen und nutzt günstigere, oft grünere Energie. Regional gestaffelte Tarife, wie sie in einigen Ländern diskutiert werden, könnten diesen Effekt verstärken.

Architektur-Checkliste für den Mittelstand

• Strom-KPIs neben Cloud-KPIs: Verbrauch pro Anfrage oder pro Prozessdurchlauf in Dashboards aufnehmen, soweit der Anbieter Daten liefert.
• Modell vorab prüfen: Denselben Business Case zuerst mit einem schlankeren Modell testen.
• Edge-First denken: Wo kurze Reaktionszeiten zählen, lokale Verarbeitung pilotieren.
• Abwärme prüfen: Abwärme eigener Rechner kann Räume oder Prozesse beheizen.
• Vertraglich absichern: Anbieter zu Transparenz über Energiemix und Emissionen verpflichten.

Was das für Ihre nächste KI-Entscheidung heißt

Für die meisten Mittelständler ist nicht die Frage entscheidend, ob sie ein eigenes Rechenzentrum betreiben, sondern wie bewusst sie Anwendungen auslegen. Ein Kundenservice-Assistent, der bei jeder Kleinigkeit das größte verfügbare Modell anfragt, verursacht unnötige Kosten und unnötigen Energieverbrauch. Ein gestuftes Vorgehen ist meist besser: Einfache Fälle bearbeitet ein kleines, günstiges Modell, schwierige gehen an ein leistungsstärkeres. Ähnliches gilt für Wissensdatenbanken (RAG): Gute Vorauswahl der Dokumente und kurze, präzise Abfragen sparen Rechenaufwand und verbessern oft zugleich die Antwortqualität.

Wichtig ist, dass diese Überlegungen früh in die Planung einfließen. Wer sie erst nach dem Rollout anstellt, optimiert gegen Gewohnheiten und bereits abgeschlossene Verträge. Ein kurzer Architektur-Check im Rahmen der KI-Strategie kostet wenig und verhindert später teure Korrekturen.

Fazit

KI-Strategien werden künftig auch daran gemessen, wie effizient sie mit Energie umgehen. Wer Workloads bewusst auslegt, sei es mit schlankeren Modellen, lokaler Verarbeitung oder kluger Lastverteilung, sichert sich Kostenvorteile und Glaubwürdigkeit, gerade in Zeiten strengerer Nachhaltigkeitsberichte. Die Stromrechnung wird zum neuen Cloud-Metering.