Künstliche Intelligenz: Nachhaltige Innovation für Unternehmen oder Klimakiller?

Anmerkung: Dieser Blogpost wurde für das Modul Enterprise IT (113601a) verfasst.
Aus Gründen der besseren Lesbarkeit wird in dieser Arbeit auf eine geschlechtsneutrale Differenzierung verzichtet. Sämtliche Personenbezeichnungen gelten gleichermaßen für alle Geschlechter.

Künstliche Intelligenz (kurz: KI, engl.: Artificial Intelligence / AI) zählt mittlerweile zu den bedeutendsten Technologien unserer Zeit und findet zunehmend Anwendung in verschiedenen Wirtschafts- und Lebensbereichen (BMUV, o. D.). Von automatisierten Prozessen in der Industrie bis hin zu personalisierten Empfehlungen in unserem Alltag – Künstliche Intelligenz verändert die Art und Weise, wie wir arbeiten und leben. Gleichzeitig stehen wir vor großen globalen Herausforderungen: Klimaschutz, Nachhaltigkeit und die digitale Transformation sind zentrale Aufgaben, die Unternehmen und Gesellschaft gleichermaßen betreffen (KI-Fortschrittszentrum, 2023). Doch angesichts des hohen Energieverbrauchs stellt sich eine entscheidende Frage: Kann eine so energieintensive Technologie tatsächlich zur Nachhaltigkeit beitragen? Oder ist sie vielmehr ein versteckter Klimakiller?

Diese Themen erwarten dich in diesem Blogartikel:

1. Was bedeutet Nachhaltigkeit?
2. Nachhaltigkeit in Unternehmen
   2.1 Verantwortung
   2.2 Gesetzgebung
   2.3 Vorteile der nachhaltigen Entwicklung für Unternehmen
3. Was ist KI und wie kann sie für Nachhaltigkeit genutzt werden?
   3.1 Was versteht man unter künstlicher Intelligenz?
   3.2 Wie kann Künstliche Intelligenz in Unternehmen nachhaltig eingesetzt werden
4. Welche Herausforderungen bringt die Technologie mit sich?
5. Anwendungsbeispiel Google DeepMind
6. Zukunftsperspektiven & Fazit
7. Literaturverzeichnis
8. Abbildungsverzeichnis

1. Was bedeutet Nachhaltigkeit?

Nachhaltigkeit oder nachhaltige Entwicklung bedeutet, die Bedürfnisse der Gegenwart zu erfüllen, ohne die Lebensgrundlage zukünftiger Generationen zu gefährden (BMZ, o.D.). Oder anders ausgedrückt: „Wir dürfen heute nicht auf Kosten von morgen leben!“ (Deutscher Bundestag, o.D.). Da natürliche Ressourcen begrenzt sind, ist nachhaltiges Handeln unerlässlich, um langfristige Schäden zu vermeiden. Ohne konsequente Nachhaltigkeitsmaßnahmen drohen fossilen Brennstoffe zu erschöpfen, Arten auszusterben und die Atmosphäre wird irreversibel geschädigt. Gleichzeitig bietet Nachhaltigkeit zahlreiche Vorteile, darunter saubere Luft und Gewässer sowie die Sicherung lebenswichtiger Ressourcen (TWI Deutschland, o.D.). Die drei Dimensionen der Nachhaltigkeit sind eng miteinander verknüpft:

• Soziale Nachhaltigkeit fordert faire, ethische und sichere Arbeitsbedingungen.
• Ökologische Nachhaltigkeit strebt die Reduzierung des ökologischen Fußabdrucks und die Optimierung ressourcenschonender Prozesse an.
• Ökonomische Nachhaltigkeit setzt auf wirtschaftliche Rentabilität, ohne Umwelt und Gesellschaft zu vernachlässigen (TWI Deutschland, o.D.).

Die zunehmenden Folgen des Klimawandels verdeutlichen, dass unser Handeln direkte Auswirkungen auf die Umwelt hat. Um unumkehrbare Schäden zu vermeiden, ist sofortiges Handeln erforderlich. Zwar entfallen 40 % der weltweiten Treibhausgasemissionen auf die Energiewirtschaft, doch auch individuelles Verhalten trägt wesentlich zum CO₂-Fußabdruck bei (Landeszentrale für politische Bildung Nordrhein-Westfalen, o.D.). Ursprünglich aus der Forstwirtschaft stammend, hat sich Nachhaltigkeit zu einem zentralen ethischen Leitprinzip entwickelt, das ökologische, soziale und wirtschaftliche Aspekte vereint. Seit der UN-Konferenz von Rio de Janeiro 1992 und der Verabschiedung der Agenda 2030 im Jahr 2015 gilt Nachhaltigkeit als globales Leitbild für Politik, Wirtschaft und Gesellschaft. Sie geht über Umwelt- und Klimaschutz hinaus und umfasst zudem auch soziale Gerechtigkeit, wirtschaftliche Stabilität und internationale Zusammenarbeit zur Bewältigung globaler Herausforderungen (Deutscher Bundestag, o.D.). Angesichts begrenzter Ressourcen muss Nachhaltigkeit zur Grundlage aller politischen Entscheidungen werden (BMZ, o.D.).

2. Nachhaltigkeit in Unternehmen

2.1 Verantwortung

Unternehmen stehen zunehmend in der Pflicht, die ökologischen, sozialen und wirtschaftlichen Auswirkungen ihres Handelns zu berücksichtigen. Diese Verantwortung wird unter dem Begriff Corporate Social Responsibility (CSR) zusammengefasst, der die drei Dimensionen des Nachhaltigkeitsdreiecks – ökologische, soziale und ökonomische Nachhaltigkeit – umfasst (IHK München, o. D.). Im wirtschaftlichen Kontext findet auch der Begriff Environmental, Social, and Governance (ESG) Anwendung, der Nachhaltigkeitskriterien definiert und als Maßstab für verantwortungsbewusstes Wirtschaften dient (IBM, o. D.-a).

Eine Analyse der Non-Profit-Organisation InfluenceMap zeigt, dass zwischen 2016 und 2022 nur 57 Konzerne für 80 % der weltweiten CO₂-Emissionen verantwortlich waren. Dies verdeutlicht eine zunehmende Konzentration der Emissionen auf immer weniger Unternehmen. Im Jahr 2016 waren es noch 100 Konzerne, die zusammen für 70 % der weltweiten Emissionen verantwortlich waren. Trotz der Verpflichtungen im Rahmen des Pariser Klimaabkommens haben viele dieser Großkonzerne ihre Emissionen in den vergangenen Jahren sogar weiter erhöht (Kontrast.at, 2024).

Dass Nachhaltigkeit jedoch eine immer zentralere Rolle in der Unternehmensstrategie spielt, zeigt eine Umfrage zur Nachhaltigkeitsstrategie deutscher Unternehmen aus dem Jahr 2023. Demnach haben 26,3 % der befragten Unternehmen eine eigenständige Nachhaltigkeitsstrategie implementiert, während 54,2 % Nachhaltigkeit als integralen Bestandteil ihrer allgemeinen Unternehmensstrategie betrachten (Statista, 2025). Diese Entwicklung unterstreicht die wachsende Bedeutung nachhaltigen Wirtschaftens und zeigt, dass Unternehmen zunehmend Maßnahmen ergreifen, um Umwelt- und Klimaziele systematisch in ihre Geschäftsmodelle zu integrieren.

2.2 Gesetzgebung

Nachhaltigkeit ist heutzutage eines der zentralen Themen in der globalen Diskussion und spielt eine immer bedeutendere Rolle in der Unternehmenswelt. Unternehmen weltweit stehen unter dem Druck, ihre Auswirkungen auf die Umwelt und Gesellschaft zu minimieren und gleichzeitig zur Erreichung der globalen Klimaziele beizutragen. Dies hat nicht nur zu einer verstärkten Bewusstseinsbildung bei Konsumenten geführt, sondern auch zu einer Vielzahl gesetzlicher Regelungen und internationaler Vereinbarungen. Die Agenda 2030 der Vereinten Nationen, mit ihren 17 Zielen für nachhaltige Entwicklung (Sustainable Development Goals, SDGs), stellt einen globalen Rahmen zur Förderung von Nachhaltigkeit dar. Diese Ziele, die 2015 von den UN-Mitgliedstaaten festgesetzt wurden und bis 2030 erreicht werden sollen, zielen darauf ab, Armut zu bekämpfen, den Planeten zu schützen und Wohlstand für alle zu fördern, um eine gerechtere und nachhaltigere Welt zu schaffen (Bundesregierung, o.D.). Die SDGs decken ein breites Spektrum ab, von Gesundheit über Bildung bis hin zu Umweltschutz und Gerechtigkeit, und bieten Unternehmen eine Orientierungshilfe, um ihre strategischen Ziele mit einer nachhaltigen Entwicklung in Einklang zu bringen. Die nachfolgende Grafik zeigt die einzelnen Nachhaltigkeitsziele.

Darüber hinaus gibt es zahlreiche nationale und europäische Gesetze, die Unternehmen dazu anregen oder sogar verpflichten, nachhaltige Praktiken zu integrieren und transparente Berichterstattung zu leisten. Ein solches Gesetz ist das EU Klimaschutzgesetz, das als zentrales Element des EU Green Deals die Klimaneutralität der Union bis 2050 festlegt und Unternehmen dazu verpflichtet, ihre Treibhausgasemissionen erheblich zu reduzieren (Europäische Kommission, o. D.). Weitere relevante Gesetzgebungen, die nachhaltige Praktiken unterstützen, sind die Corporate Sustainability Reporting Directive (CSRD), die Unternehmen verpflichtet, seit 2024 einen Nachhaltigkeitsbericht zu veröffentlichen, der ihre Fortschritte im Bereich Nachhaltigkeit transparent dokumentiert und die Bewertung klimabezogener Risiken und Chancen umfasst (ClimatePartner, o.D.). Auch das Energieeffizienzgesetz (EnEfG), das Unternehmen zur Einrichtung von Energie- oder Umweltmanagementsystemen verpflichtet, trägt zur Erreichung der Klimaziele bei, indem es Unternehmen dazu anregt, ihre Energieverbrauchsstrategien zu optimieren und Energiesparmaßnahmen umzusetzen (BAFA, 2025).

Dies sind nur drei beispielhafte gesetzliche Regelungen, die Unternehmen zur Förderung von Nachhaltigkeit und Energieeffizienz anregen, jedoch gibt es noch viele weitere relevante Vorschriften, die den rechtlichen Rahmen für nachhaltige Unternehmensführung gestalten.

2.3 Vorteile der nachhaltigen Entwicklung von Unternehmen

Es handelt sich bei der Nachhaltigkeit um ein geschäftliches Muss und sollte daher im Mittelpunkt der Strategie und der Geschäftstätigkeit jedes Unternehmens stehen (IBM, o.D.). Investoren und Verbraucher erwarten von Unternehmen nachhaltiges Wirtschaften, was den Druck auf die Unternehmensführung weiter erhöht. Trotz dieser Herausforderungen, insbesondere bei der Umsetzung komplexer regulatorischer Vorgaben und der Integration nachhaltiger Prozesse in bestehende Geschäftsmodelle, handelt es sich bei der Nachhaltigkeit um eine gesetzliche Verpflichtung. Wer frühzeitig nachhaltige Strategien etabliert profitiert von vielen entscheidenen Vorteilen für sein Unternehmen (ClimatePartner, o. D.).
Im Folgenden werden die fünf wichtigsten Vorteile einer nachhaltigen Entwicklung in einem Unternehmen genannt:

Wettbewerbsvorteil
Verbraucher lassen sich bei der Wahl eines Unternehmens zu 55 % von dessen Umweltverantwortung leiten. Nachhaltige Unternehmen können ihre Markenbekanntheit steigern und Verbraucher gewinnen, die nachhaltigen Praktiken positiv gegenüberstehen (IBM, o.D.-b)

Attraktivität für Investoren
Nachhaltig agierende Unternehmen werden für Investoren immer attraktiver, da sie als langfristig stabiler und zukunftsfähiger gelten. Eine Umfrage von EY ergab, dass fast 90 % der befragten Investoren der Nachhaltigkeit von Unternehmen eine wachsende Bedeutung zuschreiben (AUTHADA, o.D.).

Einhaltung regulatorischer Anforderungen
Staatliche Regulierungen und Ziele werden auch in Zukunft weiter zunehmen. Unternehmen sollten daher frühzeitig nachhaltige Lösungen implementieren, um die Einhaltung neuer regulatorischer Anforderungen zu erleichtern und ihre ESG-Performance kontinuierlich zu messen, zu bewerten, zu vergleichen und darüber zu berichten (IBM, o.D.-b).

Umsatzsteigerung
Die Einführung nachhaltiger Prozesse, die den Ressourcenverbrauch reduzieren und die betriebliche Effizienz optimieren, kann das Geschäftsergebnis von Unternehmen verbessern. Die Maßnahmen können in der Anfangsphase zunächst kostspieliger sein, langfristig zahlen sich die Investitionen jedoch für das Unternehmen aus (IBM, o.D.-b).

Mitarbeitergewinnung
Eine Umfrage zur Bedeutung der Nachhaltigkeit des Arbeitgebers bei der Jobsuche im Jahr 2023 ergab, dass 59 % aller befragten Arbeitnehmer in Deutschland die Haltung eines potenziellen Arbeitgebers zum Klima wichtig ist. Bei den Befragten im Alter von 20 bis 29 Jahren lag dieser Anteil mit 81 % rund 22 % höher (Statista, 2024).
Mit einem guten Ruf als nachhaltiges Unternehmen, können Unternehmen die richtigen Mitarbeiter für ihr Unternehmen gewinnen und halten (IBM, o.D.-b).

3. Was ist KI und wie kann sie für die Nachhaltigkeit genutzt werden?

3.1 Was versteht man unter Künstlicher Intelligenz?

Künstliche Intelligenz bezeichnet den Bereich der Informatik, der sich mit der Entwicklung von Systemen beschäftigt, die in der Lage sind, Aufgaben zu übernehmen, die traditionell menschliche Intelligenz erfordern. Dies umfasst unter anderem das Lernen, Schlussfolgern, Sprachverständnis und die Problemlösung. Ursprünglich als theoretisches Konzept konzipiert, hat Künstliche Intelligenz in den letzten Jahrzehnten eine rasante Entwicklung durchlaufen: von regelbasierten Expertensystemen hin zu modernen Algorithmen des maschinellen Lernens und Deep Learning. Diese Fortschritte basieren auf der zunehmenden Verfügbarkeit großer Datenmengen und verbesserter Rechenleistung, was zu neuen, effektiveren Lösungsansätzen führt (Fraunhofer-Institut, 2018-b).

Die gegenwärtige Praxis differenziert hauptsächlich zwischen zwei Arten von Künstlicher Intelligenz:
Starke KI (Strong AI): Ein bislang theoretisches Konzept, das Maschinen mit menschenähnlichen kognitiven Fähigkeiten beschreibt. Starke KI wäre in der Lage, komplexe, interdisziplinäre Probleme zu lösen und kreative Entscheidungen zu treffen – ein Ziel, das trotz intensiver Forschung noch nicht erreicht ist (Fraunhofer-Institut, 2018-b).
Schwache KI (Weak AI): Diese Systeme sind auf spezifische Anwendungen wie Sprachunterstützung (z.B. Siri oder Alexa) oder Bildverarbeitung ausgerichtet. Sie sind hochspezialisiert und übertreffen oft menschliche Fähigkeiten in eng definierten Aufgaben (Fraunhofer-Institut, 2018-b).

Maschinelles Lernen

Maschinelles Lernen (ML) ist eine Teilmenge der Künstlichen Intelligenz, bei der Algorithmen durch Wiederholung lernen, ohne explizit programmiert zu werden. Diese Lernmethode basiert auf dem Prinzip, dass Computer aus Daten Muster erkennen und daraus eigenständig Entscheidungen treffen oder Vorhersagen abgeben können (Fraunhofer-Institut, 2018-b). Dabei wird kein Lösungsweg vorgegeben, sondern die Maschine analysiert die Struktur der Daten und erkennt diese eigenständig. Maschinelles Lernen lässt sich in verschiedene Lernmethoden unterteilen, die je nach Art der Daten und des gewünschten Ergebnisses unterschiedlich eingesetzt werden: Überwachtes Lernen, Unüberwachtes Lernen und Bestärktes Lernen (SAP, 2025).

Überwachtes Lernen ist eine Methode des maschinellen Lernens, bei der der Algorithmus mit beschrifteten Daten trainiert wird, um Vorhersagen zu treffen (SAP, 2025). Unüberwachtes Lernen hingegen analysiert unbeschriftete Daten, um Muster und Zusammenhänge eigenständig zu erkennen (SAP, 2025). Bestärktes Lernen basiert auf einem Belohnungssystem, bei dem der Algorithmus durch Versuch und Irrtum lernt, die besten Handlungen zu wählen, um ein Ziel zu erreichen (SAP, 2025).

Maschinelles Lernen steht in enger Verbindung mit Neuronalen Netzen und Deep Learning. Neuronale Netze bestehen aus zahlreichen miteinander verbundenen Neuronen, die Informationen verarbeiten und Muster erkennen können. Deep Learning stellt eine spezielle Form des maschinellen Lernens dar, bei dem tiefere, mehrschichtige neuronale Netze verwendet werden, um besonders komplexe Aufgaben zu lösen, wie etwa die Analyse von Bildern oder die Spracherkennung. Diese tiefen Netzwerke ermöglichen es, auch sehr komplexe Datenstrukturen zu modellieren und zu analysieren (SAP, 2025).

Neuronale Netze

Im Bereich des maschinellen Lernens stellt das Teilgebiet der neuronalen Netze einen bedeutenden Schwerpunkt dar. Inspiriert von den neuronalen Verbindungen im menschlichen Gehirn, in dem Informationen über ein komplexes Netzwerk von Neuronen und Synapsen verarbeitet werden, basieren künstliche neuronale Netze auf miteinander verknüpften Datenknoten, die in mehreren Schichten organisiert sind. Die Kommunikation zwischen diesen Knoten erfolgt über gewichtete Verbindungen, deren Werte im Laufe eines iterativen Trainingsprozesses kontinuierlich angepasst werden. Durch das wiederholte Vorlegen von Datensätzen lernt das Netzwerk, Muster zu erkennen und die Zuordnung der Daten zu optimieren, sodass es nach erfolgreichem Training in der Lage ist, neue, bisher unbekannte Daten zuverlässig zu verarbeiten (Fraunhofer-Institut, 2018-b). Netzwerke mit mehreren versteckten Schichten zwischen Eingabe- und Ausgabeschicht werden als tiefe neuronale Netze (Deep Neural Networks) bezeichnet. Diese Architekturen, die Hunderttausende bis Millionen von Neuronen umfassen können, ermöglichen die Lösung komplexer Probleme und bilden die Grundlage für das sogenannte Deep Learning (Fraunhofer-Institut, 2018-b). Sogenannte tiefe neuronale Netze werden typischer Weise im Bereich des unüberwachten Lernens eingesetzt. Neuronale Netze mit einer Eingabeschicht, ein oder zwei versteckten Schichten und einer Ausgabeschicht werden meistens im Kontext des überwachten Lernens eingesetzt (IBM, o.D.-c).

Allgemeine Anwendungsbereiche der Künstlichen Intelligenz

Die maschinellen Lernverfahren der künstlichen Intelligenz sind vielfältig und finden daher in vielen verschiedenen Gebieten ihre Anwendung. Zum Beispiel im Bereich der Bilderkennung können Bilder erkannt und kategorisiert werden, dies kann in der medizinischen Diagnostik, bei der Gesichtserkennung oder beim autonomen Fahren eingesetzt werden. Im Bereich der Spracherkennung oder der semantischen Spracherkennung kann verbale Sprache sowie geschriebener Text erkannt und interpretiert werden. Dies ermöglicht Übersetzungsangebote, Sprachassistenten oder Chatbots, die selbstständig sinnvolle Lösungen generieren (Fraunhofer-Institut, 2018-b).
Ein weiteres Anwendungsgebiet ist die Mustererkennung. Hier können maschinelle Lernverfahren Muster in Ereignisfolgen erkennen, die für den Menschen nicht erkennbar sind. Zum Beispiel können hier Anomalien frühzeitig erkannt werden.
Darüber hinaus kann maschinelles Lernen beispielsweise zur Prozessoptimierung eingesetzt werden. Erkannte Muster können als Informationsbasis für Optimierungsprozesse genutzt werden (Fraunhofer-Institut, 2018-b).

Hinweis: Im weiteren Verlauf wird der Begriff “Künstliche Intelligenz” als übergeordneter Sammelbegriff verwendet. Zur besseren Lesbarkeit wird dabei nicht zwischen spezifischen Methoden wie Maschinellem Lernen oder Deep Learning unterschieden.

3.2 Wie kann Künstliche Intelligenz in Unternehmen nachhaltig eingesetzt werden?

Unternehmen stehen vor der Herausforderung, technologische Innovationen mit nachhaltigem Wirtschaften zu verbinden. Künstliche Intelligenz bietet in diesem Kontext die Möglichkeit, Prozesse effizienter zu gestalten, Ressourcen gezielter einzusetzen und Emissionen zu reduzieren. Durch den strategischen und bewussten Einsatz von Künstlicher Intelligenz können Unternehmen nicht nur ihre Nachhaltigkeitsziele erreichen, sondern auch langfristige wirtschaftliche Vorteile sichern.

Ein zentraler Vorteil des Einsatzes von Künstlicher Intelligenz liegt in der Optimierung des Ressourcenmanagements. Unternehmen können durch den Einsatz von KI-gesteuerten Sensoren in Echtzeit Daten über den Wasser- und Energieverbrauch analysieren und den Verbrauch automatisch an den Bedarf anpassen. Dadurch wird eine effiziente Ressourcennutzung gewährleistet und Verschwendung minimiert (Triple8 Solutions, 2024). Ein praktisches Beispiel für den nachhaltigen Einsatz von Künstlicher Intelligenz ist die Optimierung des Heizenergieverbrauchs durch intelligente Thermostate. Das Schweizer Unternehmen Viboo hat einen selbstlernenden Algorithmus entwickelt, der Heizsysteme automatisch an äußere Bedingungen und Gebäudeeigenschaften anpasst. In Testläufen konnte der Energieverbrauch um bis zu 40 % gesenkt werden. Ebenso nutzt das Berner Unternehmen Cleveron smarte Heizlösungen für Geschäftsgebäude, Hotels und öffentliche Einrichtungen, wodurch sich der Energieverbrauch innerhalb eines Tages um bis zu 30 % reduzieren lässt. Diese Technologien tragen dazu bei, Kosten zu senken und gleichzeitig die CO₂-Emissionen zu verringern (Gogreen, 2024).

Ein weiterer Aspekt der nachhaltigen Nutzung von Künstlicher Intelligenz liegt in der Reduktion von Abfall. Durch die Echtzeitüberwachung von Produktionsanlagen können potenzielle Ausfälle frühzeitig erkannt und behoben werden, wodurch sich die Lebensdauer von Maschinen verlängert und die Menge an Produktionsabfall verringert wird. Künstliche Intelligenz kann zudem zur Optimierung von Lieferketten beitragen, indem sie Routenanalysen durchführt und Nachfrageschwankungen vorhersagt. Dies ermöglicht eine effizientere Logistik, die Kraftstoffverbrauch und CO₂-Emissionen reduziert. Auch in der Produktion kann Künstliche Intelligenz durch maschinelles Lernen ineffiziente Prozesse identifizieren, beispielsweise einen zu hohen Energieverbrauch oder eine hohe Materialverschwendung. Unternehmen profitieren so von einer nachhaltigeren Wertschöpfungskette, ohne Einbußen bei der Produktivität hinnehmen zu müssen (Triple8 Solutions, 2024).

Neben der Ressourcen- und Produktionsoptimierung kann Künstliche Intelligenz auch direkt zur Verbesserung der Energieeffizienz in Unternehmen beitragen. In großen industriellen Anlagen können KI-Systeme den Einsatz nicht erneuerbarer Energiequellen reduzieren und so den CO₂-Ausstoß signifikant senken. Zudem ermöglicht Künstliche Intelligenz die Erfassung und Analyse von Kohlenstoffemissionen, um darauf basierend nachhaltigere Geschäftsentscheidungen zu treffen (Triple8 Solutions, 2024). Eine Studie des Capgemini Research Institute aus dem Jahr 2020 zeigt, dass Unternehmen in Branchen wie der Automobil-, Energie-, Konsumgüter- und Einzelhandelsindustrie ihre Treibhausgasemissionen mithilfe von KI-basierten Anwendungen innerhalb von drei bis fünf Jahren um durchschnittlich 16 % senken konnten. Die Autoren der Studie betonen außerdem, dass KI-basierte Anwendungen das Potenzial haben, Unternehmen dabei zu unterstützen, bis zu 45 % ihrer Emissionsminderungsziele im Rahmen des Pariser Klimaabkommens bis 2030 zu erreichen (Gogreen, 2024).

Der gezielte Einsatz von KI-Technologien bietet Unternehmen erhebliche Potenziale zur Verbesserung ihrer Nachhaltigkeitsstrategie. Allerdings muss sichergestellt werden, dass der Energie- und Ressourcenverbrauch der KI-Systeme nicht die erzielten Einsparungen aufhebt. Der nachfolgende Abschnitt setzt sich daher mit den Herausforderungen der Künstlichen Intelligenz im Kontext der Nachhaltigkeit auseinander.

4. Welche Herausforderungen bringt die Technologie mit sich?

In diesem Abschnitt wird der Energieverbrauch als eine der größten Herausforderungen für die nachhaltige Nutzung von Künstlicher Intelligenz betrachtet. Es gibt jedoch weitere ökologische Problembereiche, die eine umfassende Analyse erfordern. Dazu gehören der hohe Ressourcenverbrauch für die Herstellung der Hardware, der steigende Elektroschrott durch kurze Innovationszyklen sowie die ethischen und sozialen Auswirkungen des Rohstoffabbaus (AlgorithmWatch, 2023). In dieser Ausarbeitung liegt der Fokus bewusst auf dem Energiebedarf, doch eine ganzheitliche Betrachtung all dieser Faktoren ist essenziell, um die langfristige Nachhaltigkeit der Technologie zu gewährleisten.

Der Energiebedarf von KI-Systemen stellt eine der größten Herausforderungen für ihre nachhaltige Nutzung dar. Der Betrieb und das Training moderner KI-Modelle erfordern enorme Rechenkapazitäten, die in spezialisierten Rechenzentren bereitgestellt werden. Diese Rechenzentren verbrauchen nicht nur Strom für den Betrieb der Server, sondern auch erhebliche Mengen an Energie für die Kühlung der Hardware. Nach Angaben der Internationalen Energieagentur (IEA) entfallen etwa 40 % des gesamten Stromverbrauchs von Rechenzentren allein auf die Kühlung der Systeme. Besonders energieintensiv ist das Training von KI-Modellen, insbesondere von neuronalen Netzen. Die Verarbeitung großer Datenmengen erfordert spezialisierte Hochleistungsprozessoren, GPUs (Graphics Processing Units), die von Unternehmen wie Nvidia entwickelt werden. Nach Berechnungen des Forschers Alex de Vries liegt der jährliche Energieverbrauch dieser Systeme bei 85,4 bis 134 Terawattstunden, eine Menge, die dem gesamten Stromverbrauch von Ländern wie Schweden oder Argentinien entspricht (Deutschlandfunk, 2024).

Auch die Anwendung von KI-Systemen, die sogenannte Inferenzphase, verursacht hohe Emissionen. In dieser Phase werden trainierte Modelle kontinuierlich genutzt, um Daten zu verarbeiten und Vorhersagen zu treffen. Untersuchungen zeigen, dass die Inferenzphase insgesamt sogar energieintensiver sein kann als das ursprüngliche Training. So verzeichnen Facebook-Rechenzentren täglich Billionen von Inferenzen, wodurch der Energieverbrauch drastisch steigt (AlgorithmWatch, 2024).

Die zunehmende Integration von Künstlicher Intelligenz in alltägliche Anwendungen kann den Energiebedarf weiter erhöhen. Beispielsweise plant Google, KI-gestützte Funktionen verstärkt in seine Suchmaschine zu integrieren. Angesichts der täglich rund neun Milliarden Google-Suchanfragen würde dies nach Berechnungen von Alex de Vries rund 29,2 Terawattstunden Strom pro Jahr erfordern – was dem jährlichen Stromverbrauch Irlands entspricht (Tagesschau, 2024).

Ein konkretes Beispiel für den hohen Energieverbrauch von KI-Modellen ist das Sprachmodell BLOOM mit 175 Milliarden Parametern, dessen Training etwa 24,7 Tonnen CO₂-Emissionen verursachte. Parameter sind Werte, die ein Maschine-Learning-Modell im Trainingsprozess lernt und auf deren Grundlage nachfolgend Ergebnisse produziert. Berücksichtigt man zusätzlich die indirekten Emissionen aus der Hardwareproduktion und dem Betrieb der Rechenzentren, verdoppeln sich diese Werte. Noch höher fällt der Ressourcenverbrauch bei größeren Modellen wie Googles PaLM aus, das mit 540 Milliarden Parametern arbeitet. Ein einzelner Trainingslauf von PaLM erzeugte 271,43 Tonnen CO₂. Das entspricht beispielsweise den Emissionen, die ein vollbesetztes Flugzeug auf 1,5 transamerikanischen Flügen ausstößt (AlgorithmWatch, 2024).

Neben dem Stromverbrauch ist auch der Wasserverbrauch von Rechenzentren ein kritischer Faktor. Da die Server kontinuierlich gekühlt werden müssen, wird große Mengen an Frischwasser benötigt. Das Training eines großen Sprachmodells wie GPT-3 kann beispielsweise bis zu 700.000 Liter Wasser verbrauchen, eine Menge, die ausreichen würde, um 370 BMWs oder 320 Teslas zu produzieren. Die steigende Nachfrage nach KI-Technologien hat dazu geführt, dass Unternehmen wie Google und Microsoft zwischen 2021 und 2022 einen signifikanten Anstieg ihres Wasserverbrauchs verzeichneten. Während der Wasserverbrauch von Google um 20 % stieg, in manchen Dürregebieten sogar um 100 %, meldete Microsoft einen Anstieg um 34 % (AlgorithmWatch, 2024).

5. Anwendungsbeispiel Google DeepMind

Ein herausragendes Beispiel für den gezielten Einsatz von Künstlicher Intelligenz zur Reduzierung des Energieverbrauchs liefert das Projekt Google DeepMind. Angesichts des stetig steigenden Energiebedarfs von Rechenzentren hat Google eine KI-basierte Lösung entwickelt, um die Effizienz seiner Kühlsysteme zu optimieren. Durch diese innovative Technologie konnte der Energieverbrauch der Kühlsysteme um bis zu 40 % gesenkt werden, was insgesamt zu einer Reduzierung des gesamten Energieverbrauchs der Rechenzentren um 15 % führte (Google DeepMind, 2016).

Rechenzentren erzeugen erhebliche Mengen an Wärme und sind daher auf eine kontinuierliche Kühlung angewiesen, um eine stabile und effiziente Betriebsleistung sicherzustellen. Vor der Implementierung der KI erfolgte die Steuerung der Kühlsysteme auf Basis statischer Regeln, die häufig nicht den energetisch optimalen Betrieb ermöglichten. Dies führte zu einem unnötig hohen Energieverbrauch, erhöhten Betriebskosten und einer zusätzlichen Umweltbelastung. Um dieses Problem zu lösen, entwickelte DeepMind ein Ensemble tiefer neuronaler Netze, das Daten aus tausenden Sensoren in Echtzeit erfasst und analysiert. Zu diesen Sensordaten gehören unter anderem Temperatur, Luftfeuchtigkeit, Energieverbrauch, Pumpendrehzahlen und Sollwerte. Basierend auf diesen Daten kann das KI-System optimale Anpassungen für die Kühlung vorhersagen und automatisiert umsetzen, dynamisch auf veränderte Bedingungen reagieren und zukünftige Energiebedarfe modellieren, um präventive Maßnahmen zur Verbrauchsreduktion zu ermöglichen (Google DeepMind, 2016).

Die Grundlage des Systems bildet eine umfassende Analyse historischer Sensordaten, die zur Optimierung der Power Usage Effectiveness (PUE) genutzt wurden, einem zentralen Kennwert zur Messung der Energieeffizienz in Rechenzentren. PUE beschreibt das Verhältnis des gesamten Energieverbrauchs eines Rechenzentrums zum Energieverbrauch der IT-Infrastruktur. Um diesen Wert zu verbessern, entwickelte das DeepMind-Team verschiedene KI-Modelle: ein neuronales Netzwerk zur Vorhersage der zukünftigen PUE sowie zwei weitere neuronale Netze zur Prognose von Temperatur- und Druckveränderungen innerhalb der nächsten Stunde. Diese Modelle ermöglichen präzise Simulationen der vorgeschlagenen Optimierungsmaßnahmen und stellen sicher, dass keine betrieblichen Einschränkungen überschritten werden (Google DeepMind, 2016).

Das System wurde erfolgreich in einem Live-Rechenzentrum getestet, wobei die Ergebnisse zeigten, dass durch die Implementierung der KI-gestützten Steuerung der Energieverbrauch signifikant gesenkt werden konnte. Die folgende Grafik veranschaulicht den direkten Einfluss der KI-Optimierungen auf die Energieeffizienz, indem sie die Ergebnisse eines Testtags zeigt, an dem die KI-gesteuerten Anpassungen gezielt aktiviert und deaktiviert wurden (Google DeepMind, 2016).

Dieses Beispiel verdeutlicht, wie KI-gestützte Optimierungsmodelle Unternehmen dabei unterstützen können, den Energieverbrauch intelligenter zu steuern, Betriebskosten zu senken und Ressourcen effizienter zu nutzen. Der Einsatz von Künstlicher Intelligenz ermöglicht es nicht nur, bestehende Systeme nachhaltiger zu gestalten, sondern auch langfristig ökologische und ökonomische Vorteile zu erzielen. Die Ergebnisse zeigen, dass KI nicht nur einen hohen Energiebedarf verursacht, sondern gleichzeitig als wirksames Instrument zur Ressourcenschonung genutzt werden kann (Google DeepMind, 2016).

6. Zukunftsperspektiven & Fazit

Die Debatte über Künstliche Intelligenz als nachhaltige Innovation oder als klimaschädliche Technologie zeigt, dass ihr ökologischer Fußabdruck maßgeblich von ihrer Entwicklung, Implementierung und Nutzung abhängt. Während Künstliche Intelligenz in vielen Bereichen zur Ressourcenschonung beitragen kann, bleibt der hohe Energie- und Ressourcenverbrauch eine zentrale Herausforderung. Besonders große KI-Modelle, die von Technologieunternehmen wie Google, Microsoft oder OpenAI betrieben werden, treiben den Energiebedarf stark in die Höhe.

Um den negativen Umweltauswirkungen entgegenzuwirken, sind gezielte Effizienzsteigerungen und nachhaltige Entwicklungsstrategien erforderlich. Staatliche Institutionen spielen hierbei eine zentrale Rolle, indem sie Unternehmen dabei unterstützen, Künstliche Intelligenz ressourcenschonend einzusetzen. Ein Beispiel dafür ist der Green-AI Hub Mittelstand, der insbesondere kleine und mittlere Unternehmen (KMU) fördert, indem er nachhaltige KI-Technologien entwickelt und deren Anwendung in betriebliche Prozesse integriert (ZUG GmbH, o. D.).

Die Zukunft der Künstlichen Intelligenz wird davon abhängen, inwieweit Unternehmen ökologische Verantwortung übernehmen und nachhaltige KI-Strategien umsetzen. Regulatorische Vorgaben werden dabei eine zunehmende Rolle spielen, sodass Nachhaltigkeit für Unternehmen nicht nur eine moralische Verpflichtung, sondern auch eine wirtschaftliche Notwendigkeit wird (IBM, o. D.-b). Neben der Erfüllung gesetzlicher Anforderungen bietet der nachhaltige Einsatz von Künstlicher Intelligenz Unternehmen jedoch auch handfeste Wettbewerbsvorteile. Unternehmen, die frühzeitig auf ressourcenschonende KI setzen, können nicht nur Betriebskosten senken, sondern sich auch als attraktive Arbeitgeber positionieren und nachhaltigkeitsbewusste Kunden gewinnen.

Gleichzeitig muss berücksichtigt werden, dass insbesondere große KI-Modelle mit hohem Rechenaufwand weiterhin eine erhebliche Umweltbelastung darstellen. Die Herausforderung für Unternehmen besteht daher darin, einen Mittelweg zwischen technologischer Innovation und Nachhaltigkeit zu finden. In Zukunft könnte es also wichtig sein sich mit Lösungsansätzen auseinanderzusetzen, die die Herausforderungen wie den hohen Energiebedarf einer Künstlichen Intelligenz senken kann. Zum Beispiel könnte hier eine Möglichkeit zur Reduzierung des Energieverbrauchs darin bestehen eine gezielte Reduktion der Parameteranzahl bei KI-Modellen durchzuführen, wodurch der Energieeinsatz verringert wird, während die Genauigkeit der Vorhersagen nur minimal sinkt (Tagesschau, 2024).

Letztendlich ist KI weder per se eine nachhaltige Innovation noch zwangsläufig ein Klimakiller. Entscheidend ist, wie Unternehmen sie gestalten und einsetzen. Eine nachhaltige Digitalisierung erfordert eine enge Zusammenarbeit zwischen Wirtschaft, Wissenschaft und Politik, um Künstliche Intelligenz als effektives Werkzeug zur Bekämpfung der Klimakrise zu etablieren, ohne neue ökologische Probleme zu schaffen. Unternehmen, die den verantwortungsvollen Einsatz von Künstlicher Intelligenz aktiv vorantreiben, können nicht nur ihren eigenen ökologischen Fußabdruck reduzieren, sondern auch langfristige wirtschaftliche Vorteile erzielen.

7. Literaturverzeichnis

AlgorithmWatch (2023): SustAIn Magazin März 2023. Verfügbar unter: https://algorithmwatch.org/de/wp-content/uploads/2023/03/SustAIn_Magazin_Maerz_2023.pdf (Zugegriffen am 23.02.2024).

AlgorithmWatch (2024): Nachhaltige KI: Ein Widerspruch in sich? Verfügbar unter: https://algorithmwatch.org/de/nachhaltigkeit-ki-erklaert/ (Zugriff am: 23.02.2024).

AUTHADA (o. D.): Nachhaltigkeit im Unternehmen: Warum nachhaltiges Handeln für Firmen wichtig ist. Verfügbar unter: https://authada.de/blog/nachhaltigkeit-im-unternehmen/ (Zugriff am: 24.02.2025).

BAFA (2025): Merkblatt zum Energieeffizienzgesetz. Verfügbar unter: https://www.bafa.de/SharedDocs/Downloads/DE/Energie/ea_merkblatt_energieefffizienzgesetz.html (Zugriff am 21.02.2025).

BMUV (o. D.): Künstliche Intelligenz für Umwelt und Klima. Verfügbar unter: https://www.bmuv.de/themen/digitalisierung/kuenstliche-intelligenz/kuenstliche-intelligenz-fuer-umwelt-und-klima (Zugriff am 02.02.2025).

BMZ (o. D.): Nachhaltigkeit oder nachhaltige Entwicklung. Verfügbar unter: https://www.bmz.de/de/service/lexikon/nachhaltigkeit-nachhaltige-entwicklung-14700 (Zugriff am 16.02.2025).

Bundesregierung (o. D.): Nachhaltigkeitsziele erklärt. Verfügbar unter: https://www.bundesregierung.de/breg-de/schwerpunkte-der-bundesregierung/nachhaltigkeitspolitik/nachhaltigkeitsziele-erklaert-232174 (Zugriff am 21.02.2025).

ClimatePartner (o. D.): Nachhaltigkeit im Unternehmen (Corporate Sustainability). Verfügbar unter: https://www.climatepartner.com/de/wissen/glossar/nachhaltigkeit-im-unternehmen-corporate-sustainability (Zugriff am 17.02.2025).

DeepMind (2016): DeepMind-KI reduziert Googles Rechenzentrum-Kühlkosten um 40 %. Verfügbar unter: https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/ (Zugriff am 21.02.2025).

Deutscher Bundestag (o. D.): Was ist Nachhaltigkeit? Verfügbar unter: https://www.bundestag.de/ausschuesse/weitere_gremien/pbne/vorstellung/was-ist-nachhaltigkeit-890694 (Zugriff am 15.02.2025).

Deutschlandfunk (2024): „Künstliche Intelligenz: Der Stromhunger der KI“. Verfügbar unter: https://www.deutschlandfunk.de/kuenstliche-intelligenz-energieverbrauch-klimaschutz-nachhaltigkeit-umwelt-atomkraft-100.html (Zugriff am 21.02.2025).

Europäische Kommission (o. D.): European climate law. Verfügbar unter: https://climate.ec.europa.eu/eu-action/european-climate-law_en (Zugriff am: 20.02.2025).

Fraunhofer-Institut (2018-a): Künstliche Intelligenz (KI) im Unternehmenskontext: Literaturanalyse und Thesenpapier. Verfügbar unter: https://publica-rest.fraunhofer.de/server/api/core/bitstreams/072c79c5-1836-4e9c-8143-54d81d19ea11/content (Zugriff am 02.02.2025).

Fraunhofer-Institut (2018-b): Künstliche Intelligenz: Grundlagen und Anwendungen. Verfügbar unter: https://www.iks.fraunhofer.de/de/themen/kuenstliche-intelligenz.html

Gogreen (2024): Künstliche Intelligenz hilft beim Klimaschutz – und verprasst selbst Energie. Verfügbar unter: https://gogreen.ch/de/kuenstliche-intelligenz-hilft-beim-klimaschutz-und-verprasst-selbst-energie/ (Zugriff am: 22.02.2025).

IBM (o. D.-a): Nachhaltigkeit. Verfügbar unter: https://www.ibm.com/de-de/sustainability (Zugriff am 21.02.2025).

IBM (o. D.-b): Business Sustainability. Verfügbar unter: https://www.ibm.com/de-de/topics/business-sustainability#citation6 (Zugriff am 21.02.2025).

IBM (o. D.-c): Artificial Intelligence. Verfügbar unter: https://www.ibm.com/de-de/topics/artificial-intelligence (Zugriff am 21.02.2025).

IHK München (o. D.): Nachhaltigkeit im Unternehmen. Verfügbar unter: https://www.ihk-muenchen.de/de/Service/Nachhaltigkeit-CSR/ (Zugriff am 17.02.2025).

KI-Fortschrittszentrum (2023): Nachhaltigkeit durch KI – Potenziale und Handlungsleitfaden für produzierende Unternehmen. Verfügbar unter: https://www.ki-fortschrittszentrum.de/de/studien/nachhaltige-ki.html (Zugriff am 17.02.2025).

Kontrast.at (2024): 80 % aller CO₂-Emissionen stammen von nur 57 Konzernen. Verfügbar unter: https://kontrast.at/konzerne-co2-klima/ (Zugriff am: 20.02.2024).

Kurier (2021): Unternehmen sind die größten CO₂-Emittenten: Wie Firmen sauber werden. Verfügbar unter: https://kurier.at/wirtschaft/karriere/unternehmen-sind-die-groessten-co2-emittenten-wie-firmen-sauber-werden/401762325 (Zugriff am: [Datum des Zugriffs einfügen]).

Landeszentrale für politische Bildung Nordrhein-Westfalen (o. D.): Was heißt „nachhaltig“ – und was geht mich das an? Verfügbar unter: https://www.politische-bildung.nrw/wir-partner/themen/nachhaltig-digital/hintergrund (Zugriff am 14.02.2025).

SAP (2025): Was ist Machine Learning? Verfügbar unter: https://www.sap.com/germany/products/artificial-intelligence/what-is-machine-learning.html (Zugriff: 20.02.2025).

Statista (2024): Bedeutung von Nachhaltigkeit des Arbeitgebers bei der Jobsuche. Verfügbar unter: https://de.statista.com/statistik/daten/studie/1404013/umfrage/bedeutung-von-nachhaltigkeit-des-arbeitgebers-bei-jobsuche/ (Zugriff am 21.02.2025).

Statista (2025): Nachhaltigkeit in Unternehmen. Verfügbar unter: https://de.statista.com/statistik/studie/id/89014/dokument/nachhaltigkeit-in-unternehmen/ (Zugriff am 21.02.2025).

Tagesschau (2024): KI und Energieverbrauch – Wie klimafreundlich ist Künstliche Intelligenz? Verfügbar unter: https://www.tagesschau.de/wirtschaft/digitales/ki-energie-strom-verbrauch-klimaschutz-100.html (Zugriff am 21.02.2025).

TravelPerk (o. D.): Statistiken zur Nachhaltigkeit in Unternehmen. Verfügbar unter: https://www.travelperk.com/de/blog/statistiken-unternehmen-nachhaltigkeit/ (Zugriff am 21.02.2025).

Triple8 Solutions (2024): Wie KI eine nachhaltige Zukunft für Unternehmen gestaltet. Verfügbar unter: https://www.triple8solutions.ch/wie-ki-eine-nachhaltige-zukunft-fur-unternehmen-gestaltet/ (Zugriff am 20.02.2025).

Zukunft – Umwelt – Gesellschaft (ZUG) gGmbH (o. D.): Green-AI Hub Mittelstand. Verfügbar unter: https://www.z-u-g.org/strategische-aufgaben/green-ai-hub-mittelstand/ (Zugriff am: 23.02.2025).

8. Abbildungsverzeichnis

Abbildung 1:
Bundesregierung (o. D.): Nachhaltigkeitsziele erklärt. Verfügbar unter: https://www.bundesregierung.de/breg-de/schwerpunkte-der-bundesregierung/nachhaltigkeitspolitik/nachhaltigkeitsziele-erklaert-232174 (Zugriff am 21.02.2025).

Abbildung 2:
StackFuel (o.D.): Machine Learning Algorithmen Data Analytics. Available at: https://stackfuel.com/de/blog/machine-learning-algorithmen-data-analytics/ (Zugriff am: 23.02.2025).

Abbildung 3:
IBM (o. D.): Was sind neuronale Netzwerke? Verfügbar unter: https://www.ibm.com/de-de/topics/neural-networks (Zugriff am 23.02.2025).

Abbildung 4:
DeepMind (o. D.): DeepMind-KI reduziert Googles Rechenzentrum-Kühlkosten um 40 %. Verfügbar unter: https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/ (Zugriff am 21.02.2025).

Icons

Icon 1:
Flaticon. (o. D.). Increasing money – Icon search results. Verfügbar unter: https://www.flaticon.com/search?word=increasing%20money [Zugriff am 21.02.2025].

Icon 2:
Flaticon. (o. D.). Agreement – Free icon. Verfügbar unter: https://www.flaticon.com/free-icon/agreement_2548761?related_id=2548761 [Zugriff am 21.02.2025].

Icon 3:
Flaticon. (o. D.). Balance – Free icon. Verfügbar unter: https://www.flaticon.com/free-icon/balance_1153269?term=scale&page=1&position=2&origin=search&related_id=1153269 [Zugriff am 21.02.2025].

Icon 4:
Flaticon (o. D.): Coins Icon. Verfügbar unter: https://www.flaticon.com/free-icon/coins_3358623 (Zugriff am 21.02.2025).

Icon 5:
Flaticon (o. D.): Candidate Icon. Verfügbar unter: https://www.flaticon.com/free-icon/candidate_18239674 (Zugriff am 21.02.2025).