Neuronale Zwillinge: 46 Prozent sind Wasser, nicht Strom

Wenn eine Fabrik ihre Maschinen von einem lernenden Modell statt von festen Regeln steuern lässt, kursieren dafür Werte zwischen 12 und 46 Prozent Stromersparnis, verbreitet von Vendor-Blogs, Fachmedien und Hochschul-Praxisbeispielen. Ein solches Modell speist Sensordaten aus der laufenden Produktion in ein neuronales Netz, das daraus lernt, wie sich eine Maschine verhält, und daraus Vorschläge für einen sparsameren Betrieb ableitet. Die höchste dieser Zahlen, 46 Prozent, führt zu genau einer Fundstelle, und dort steht sie nicht für Strom in einer Fabrik, sondern für Wasser in einem Rechenzentrum.

Den Begriff Grüne KI prägte 2019 eine vielzitierte Studie¹ für KI-Forschung, die den eigenen Rechenaufwand senkt, nicht für KI, die anderswo Energie spart. Als Ausgangsbefund notierte dieselbe Studie, dass sich der Rechenaufwand für KI-Forschung zwischen 2012 und 2018 um das rund 300.000-Fache erhöht hatte, ein Trend, den der Begriff ursprünglich eindämmen sollte.

Die Modellfabrik aus Kunststoffbausteinen kennt keine Anfahrverluste#

Eine Modell- oder Lernfabrik ist ein Tischaufbau mit industrieller Sensorik, oft ergänzt um Bausteine aus dem Modellbau, an dem sich neue Steuerungsverfahren risikofrei testen lassen. 2024 verbrauchte die deutsche Industrie 3.343 Petajoule, 1,9 Prozent mehr als im Vorjahr²; Strom trug daran nur 21,1 Prozent bei, den größten Teil teilen sich Chemie (27,9 Prozent), Metallerzeugung und -bearbeitung (23,7 Prozent) sowie Mineralölverarbeitung (10,7 Prozent). Anfahrverluste, Wärmeprozesse und Druckluftlecks prägen diese Bilanz; ein Tischmodell bildet sie strukturell nicht ab. An genau diesen unspektakulären Stellen setzt die klassische Energieeffizienz nach ISO 50001 seit Jahren an, mit Wartung, Lastmanagement und dem Abdichten von Druckluftnetzen, ganz ohne neuronales Netz.

Die einzige auffindbare 46-Prozent-Zahl gilt dem Kühlwasser und nicht dem Strom#

Für die Kosten- und Zeitersparnisse, mit denen solche Beispiele zusätzlich werben, findet eine Suche in den gängigen Publikationsdatenbanken keinen einzigen Beleg. Die einzige Fundstelle zur 46-Prozent-Zahl selbst ist eine Pressemitteilung derselben Forschungsgruppe³, die „bis zu 46 Prozent beim Wasser und rund 20 Prozent bei weiteren Ressourcen“ nennt: das Kühlwasser von KI-Rechenzentren. Wie wenig deutsche Rechenzentren für ihren Wasserverbrauch zahlen⁴, erklärt auch, warum gerade dort ein Sparerfolg so willkommen ist: Anders als für Strom gibt es für den Wasserverbrauch von Rechenzentren keine Obergrenze im Energieeffizienzgesetz.

Wer den Strom des neuronalen Systems mitzählt, sieht eine andere Bilanz#

Rechenzentren und Server verbrauchten in Deutschland 2024 rund 20 Terawattstunden, knapp 4 Prozent des gesamten Bruttostromverbrauchs; 2014 waren es erst 12 Terawattstunden⁵. Ob ein dauerhaft mitlernendes System diesen eigenen Verbrauch von seiner Einsparbilanz abzieht, verrät keine der kursierenden Prozentzahlen; eine Primärquelle, die das offenlegt, war nicht aufzufinden. Hinzu kommt der Rebound-Effekt: Läuft eine Maschine schneller, produziert sie in derselben Zeit mehr, und ein niedrigerer Verbrauch je Stück senkt den Energiebedarf des ganzen Standorts nicht zwangsläufig. Dasselbe Muster taucht eine Ebene höher amtlich dokumentiert auf: Eine Antwort der Bundesregierung auf eine Kleine Anfrage (Bundestags-Drucksache 21/5725) misst das eigene Ziel, die Rechenzentrumskapazität für KI bis 2030 zu vervierfachen, an der installierten Anschlussleistung. Die Strategie sei wörtlich „nicht an einem prognostizierten Bedarf an Rechenleistung ausgerichtet“, heißt es dort, sondern stelle „eine möglichst hohe Verfügbarkeit von Strom“ ins Zentrum. Dieselbe Antwort übernimmt zugleich unbestätigt eine Schätzung der Fragesteller, wonach der weltweite Strombedarf für KI-Rechenleistung bis 2030 auf das Elffache von 2023 steigen könnte, ohne sie selbst nachzurechnen. Wer effizienter rechnet und weniger Anschlussleistung braucht, trägt damit rechnerisch weniger zum eigenen Ausbauziel bei als eine weniger sparsame Anlage.

Haftbar bleibt, wer die Entscheidung an das Modell abgibt#

Die neue EU-Produkthaftungsrichtlinie⁶ erstreckt die Haftung erstmals ausdrücklich auf Software und KI-Systeme, allerdings erst für Produkte, die nach dem 9. Dezember 2026 in Verkehr kommen; ältere Anlagen bleiben unter dem alten Regime von 1985. Die KI-Verordnung verlangt in Artikel 14 eine wirksame menschliche Aufsicht über automatisierte Systeme, die Maschinenverordnung (EU) 2023/1230 stellt zusätzliche Anforderungen an KI-gesteuerte Maschinen. Für Versicherer, die Schäden aus solchen Systemen künftig bepreisen müssen, ist eine etablierte Kalkulationsgrundlage bislang nicht auffindbar. Der beruhigend klingende Satz, im Ernstfall entscheide am Ende ein Mensch, beschreibt damit weniger eine Sicherung als ein Konstruktionsproblem: Verantwortung bleibt dort, wo die Entscheidungsfähigkeit gerade an ein Modell abgegeben wird, dessen Vorschläge in Echtzeit kaum zu prüfen sind. Für KI-Systeme, die außerhalb einer Fabrik Schaden anrichten, deckt bislang keines der geprüften Rechtsregime den entstandenen Schaden zuverlässig ab⁷; ob dieselbe Lücke die Werkshalle ebenso trifft, entscheidet sich erst am ersten Streitfall vor Gericht.

Von den Prozentzahlen, mit denen selbstlernende Fabriksteuerungen derzeit beworben werden, hält am Ende nur eine einer Rückverfolgung stand: die 46 Prozent aus einer Pressemitteilung, die von der Kühlung eines Rechenzentrums handelt. Für den Stromverbrauch einer Produktionshalle bleibt sie bislang unbelegt.

Die Industriedaten stammen vom Statistischen Bundesamt (destatis.de, Pressemitteilung PD25_405_435, 14. November 2025). Die Wasser- und Ressourcenzahl steht in einer öffentlichen Hochschul-Pressemitteilung vom 9. Juni 2026 (uni-potsdam.de). Die Rechenzentrumszahlen stammen vom Borderstep Institut (Update, November 2025). Der Befund zur Anschlussleistungs-Strategie steht in einer Antwort der Bundesregierung auf eine Kleine Anfrage, Bundestags-Drucksache 21/5725 vom 5. Mai 2026, nachzulesen auf dserver.bundestag.de. Die Begriffsgeschichte von Grüne KI/Green AI beruht auf Schwartz, Dodge, Smith und Etzioni (2019, arXiv:1907.10597). Der Rechtsrahmen zur Haftung stammt aus der EU-Produkthaftungsrichtlinie (EU) 2024/2853, nachzulesen auf eur-lex.europa.eu, sowie aus der KI-Verordnung (EU) 2024/1689 und der Maschinenverordnung (EU) 2023/1230.