[사이언스미디어센터] 전문가 의견 <UN 보고서 '인공지능(AI) 에너지 사용의 환경 비용'>

jjho2023@gmail.com

아래는 스페인 사이언스미디어센터(SMC Spain)에서 수집해 배포한 전문가 반응입니다. 스페인 SMC 홈페이지에서도 확인할 수 있습니다.  

Pablo Haya, Investigador del Laboratorio de Lingüística Informática de la Universidad Autónoma de Madrid (UAM) y director del área de Business & Language Analytics (BLA) del Instituto de Ingeniería del Conocimiento (IIC), dice: 

“Se trata de un informe muy completo que aborda de manera holística el coste medioambiental asociado al consumo energético de los centros de datos, considerando tanto las emisiones de CO₂ como las huellas de consumo de agua y de ocupación de suelo vinculadas a los centros de datos. 

 

Como síntesis de su impacto, destaco la siguiente afirmación: «Si el consumo eléctrico de los centros de datos se considerara el de un país, ocuparía el undécimo puesto a nivel mundial en consumo de electricidad» (traducción propia). El informe refleja con claridad una realidad económica en la que el sector tecnológico ocupa una posición dominante. Conviene recordar que nueve de las diez empresas con mayor capitalización bursátil del mundo pertenecen a este sector, siendo Nvidia la de mayor valor de mercado. Esta compañía, fabricante de los procesadores utilizados para entrenar y operar sistemas de IA, alcanza una capitalización bursátil superior al PIB de todos los países del mundo, con la excepción de Estados Unidos y China. De hecho, esta capitalización equivale a más del 13 % del PIB estadounidense. 

 

El informe señala asimismo el creciente peso de la inteligencia artificial en el consumo eléctrico de los centros de datos, pasando de representar cerca del 20 % de la electricidad consumida por estas infraestructuras en 2025 a una proyección del 40 % en 2030. No obstante, únicamente el 16 % de los países dispone de infraestructura especializada para IA y, dentro de este grupo, el 90 % de la capacidad instalada se concentra en dos países: Estados Unidos y China. Como consecuencia, una parte muy significativa del incremento del impacto ambiental asociado a la inteligencia artificial se concentra también en estas dos economías. 

 

Entre los principios propuestos por el informe para avanzar hacia un ecosistema de IA responsable, me resulta especialmente relevante el de la eficiencia desde el diseño. El documento destaca que una consulta de texto típica a un sistema como ChatGPT puede requerir aproximadamente 200 veces más energía que tareas de clasificación de texto, como el filtrado de correo no deseado (todavía es mayor la comparación si consideramos imágenes o vídeos). En este contexto, el desarrollo y despliegue de modelos más pequeños y especializados aparece como una vía prometedora para reducir el consumo energético sin renunciar a la utilidad de estas tecnologías. 

 

Otro aspecto que me ha llamado la atención es la comparativa entre las huellas medio ambientales de los centros de datos en distintos países. Por ejemplo, Francia, que alberga uno de los mayores números de centros de datos de Europa, presenta una huella de carbono, agua y uso del suelo por kWh significativamente inferior a la de otros países con una elevada concentración de estas infraestructuras, como Reino Unido, Italia o Alemania. Este tipo de comparaciones pone de manifiesto que el impacto ambiental no depende únicamente de la magnitud de la capacidad instalada, sino también de las características del sistema energético que la sustenta”. 

 

No declara conflictos de interés. 

Verónica Bolón-Canedo, profesora titular en el departamento de Ciencias de la Computación y Tecnologías de la Información de la Universidade da Coruña e investigadora en el laboratorio de I+D en Inteligencia Artificial del Centro de Investigación TIC (CITIC), dice: 

“En mi opinión, la nota de prensa refleja correctamente el informe, que es un informe sólido, que trata varias cuestiones que son muy relevante para el campo de la IA verde. No solo se centra en el aspecto de las emisiones de carbono de los modelos de IA, sino también en otros factores que a menudo se ignoran, como que quizás las emisiones de cierto centro de datos son más bajas, pero a costa de requerir más agua. Plantea que se deberían tener en cuenta todos estos factores a la hora de evaluar los distintos modelos o eficiencia de los centros de datos. 

Es un artículo muy interesante para el público general, ya que puede ayudar a concienciar sobre un problema que la gente en general desconoce, y además con datos claros y evidencia; e invita a una reflexión crítica sobre el uso que estamos haciendo de las nuevas tecnologías”. 

  

No declara conflictos de interés. 

 

Alfonso Valencia, profesor ICREA y director de Ciencias de la Vida en el Centro Nacional de Supercomputación de Barcelona (BSC), dice: 

“El informe de la United Nations University – Institute for Water, Environment and Health aporta nuevos datos sobre las huellas de agua, suelo, carbono y residuos asociadas al auge de la IA. Sin ser temas nuevos, analizarlos y cuantificarlos aporta claridad y nos enfrenta con lo que es, sin duda, un enorme problema. 

El documento presenta escenarios en los que el consumo de recursos crece hasta 2030 incluyendo recursos hídricos y de suelo junto al crecimiento de la producción de CO2. Es importante resaltar que el informe usa cifras reales para hacer proyecciones mediante unos modelos, por tanto, dependen de supuestos críticos sobre la cuota de IA en el consumo de centros de datos, los avances de eficiencia energética, la composición de la factura eléctrica regional y las técnicas de refrigeración aplicadas, entre otros; y pueden variar en función de posibles mejoras de eficiencia o adopción de modelos en dispositivos (en vez de data centers) o de cambios regulatorios o políticos. Por tanto, las cifras deben interpretarse en este contexto y no considerarlas como verdades absolutas. En cualquier caso, las proyecciones sitúan el consumo eléctrico desde cientos hasta casi mil TWh para 2030, equivalente al consumo de 1,3 mil millones de personas en África subsahariana durante cinco años. 

Algunos datos quizás menos conocidos son relevantes para los usuarios. Por ejemplo, la inferencia, las respuestas cotidianas a usuario, parece consumir tanto o más que el entrenamiento de los modelos. Simplemente, manteniendo los prompts con la información mínima necesaria y pidiendo respuestas cortas y concisas se ahorraría una enorme cantidad de recursos.  

Aunque la información que aporta el informe es interesante, echo en falta un análisis más detallado del impacto de los distintos usos, por ejemplo, modelos de gran escala versus modelos en dispositivos, o aplicaciones científicas sobre uso recreativo, comparando usos sociales de alto valor (investigación, usos en medicina) con usos como la creación masiva de contenido de entretenimiento.  

Por su carácter técnico, el informe habla de modo general de cómo los centros de datos deben integrarse en la planificación energética, hídrica y de uso del suelo, aplicando evaluaciones de impacto acumulado que consideren otras demandas locales. En este sentido, el informe parece quedarse corto respecto a la evaluación de la situación geopolítica y sobre el problema real que representa la concentración de la capacidad de decisión en unas pocas empresas; personalmente, encuentro que la reciente encíclica [del papa León XIV] ofrece un perspectiva mucho más completa e interesante”. 

No declara conflictos de interés. 

  

Professor (Ahorangi) Nirmal Nair, Department of Electrical, Computer, and Software Engineering, Waipapa Taumata Rau – University of Auckland, comments:
Contact: +64 21 066 6601, n.nair@auckland.ac.nz

“I had commented regarding concerns around electricity demand in New Zealand in 2024 when ChatGPT first appeared, and I expressed similar views again in March 2026 when a Southland data-centre plan was announced.

“This new report speculates on potential secondary and tertiary impacts across countries leading AI data-centre infrastructure build-out, and it is not surprising to me that New Zealand is not in that list since we have not yet had an honest national discussion around the role of AI infrastructure build-up and the value it could bring to our communities. 

"Instead, much of the discussion in New Zealand has focused on the electricity grid and supply concerns - which has been secure, reliable and resilient to-date.

“Comparable advanced OECD economies with highly renewable electricity systems, such as Canada, France, Sweden and Switzerland, are included in this report. Even our carbon-energy intensive brethren Australia are in this list.

“Since New Zealand is not cited in this report, it suggests we currently have limited visibility in global AI infrastructure development, and many of the secondary or tertiary risks identified may not yet be directly relevant to New Zealand’s current situation.

"Instead, these days we 'Kiwis' are discussing uncertainty around in-effectiveness of our loose industry-led NZ Electricity Policy and literally non-existent NZ Energy Policy, and relying entirely on the 2019 Carbon Act which outlines long-term aspirations around emission mitigation/adaptation. 

"Ground facts are that our electricity costs and energy (carbon-based fuels) are expensive compared to our relative cost-of-living. Security of both energy and electricity have become topics of upcoming elections.

"Personally, I feel that we should be confident to proceed with AI-data centre infrastructure to ensure not getting isolated with our Northern Hemisphere Tangata and support delivery of AI services and capability building to Pacific countries in our part of Planet Earth.

“Globally, we are increasingly connected through internet-based technologies and devices, and AI-enabled engagement is likely to continue expanding across new digital platforms and services that will ensure the current digital-waste we have proliferated will be replaced. 

"Just like the progression of memory devices from floppies to USBs to the cloud, for example."

Conflict of interest statement: “No direct conflicts of interest. Current research funding regarding electricity innovation and resilience of energy infrastructure comes from Future Architecture Network, MBIE SSIF and QuakeCore (Te Hiranga Ru – NZ Centre of Earthquake Resilience– TEC Funded CoRE) respectively. Have made independent submissions on electricity infrastructure and markets in the past. Disclosure: Recently supporting as Technical Advisor a Power system AI start-up GRID GPT."

Professor Te Taka Keegan, AI Institute, Computer Science Department, University of Waikato, comments:
Contact: +64 21 321 315 (text or email first); tetaka.keegan@waikato.ac.nz

"This UN report confirms what many in Aotearoa already suspected: AI is not weightless. Behind every query and generated image lies a web of real-world impacts, from carbon emissions, freshwater consumption, land use, and critical mineral extraction, to growing mountains of e-waste.

"And while building AI models is energy hungry, the report makes clear it is now the billions of daily interactions with those models that drives the majority of the environmental footprint. As AI is embedded into everyday platforms and, in many cases, switched on by default whether users choose it or not, that footprint compounds at scale.

"These costs are not evenly distributed. The environmental burden falls hardest on communities least likely to capture the benefits.

"Aotearoa does not feature in this report, and that absence is worth noting. With around 60 data centres and only three hyperscale facilities, our current AI footprint is low. But hyperscale is where the concern lies: these facilities can have environmental impacts a thousand times greater than conventional centres, and more are planned for Aotearoa.

"Ngāi Tahu ki Murihiku have been clear in their Cultural Impact Assessment. Freshwater is a precious taonga, finite and fundamental to all life. But water is not the only concern. Air pollution, noise, the removal of wetlands that Mana Whenua regard as the kidneys of the Taiao, and the disturbance of wāhi tapu are all identified as real and significant impacts of hyperscale development.

"The report calls on governments and developers to engage meaningfully with affected communities and to adopt clear environmental governance frameworks. Māori data governance principles offer one such framework, locally grounded, relationally oriented, and designed for intergenerational accountability.

"What is missing is not the framework. It is the collective willingness of developers and Crown agencies to genuinely engage with it."

Conflict of interest statement: "No conflicts of interest."

Dr Ulrich Speidel, School of Computer Science, The University of Auckland, comments:
Contact: u.speidel@auckland.ac.nz (expert overseas but available for interviews via Zoom or Teams)

"AI is power-hungry! Conventional data centres were mostly used for web and database server hosting, which don’t require an enormous amount of number crunching. The type of chip used for AI is an import from graphics processing - the sort of chip used for high-end video gaming or movie making.

"A Graphics Processing Unit (GPU) suitable for serious AI model training and inference will typically consume several kilowatt of power. That’s roughly the same as a domestic oven or a big hot water cylinder – the biggest ticket power users in most households.

"Training requires thousands of these chips, and unlike your oven or hot water cylinder, they run continuously. All of this power eventually exits the chip as heat, which needs to go somewhere or the chip will melt.

"But the figures in the report need to be put into perspective. If ChatGPT use requires 383 GWh per year, that’s less than 1/10th of the annual output of either Huntly or Manapouri. Remember ChatGPT is a system with global reach, not just for NZ, and our power stations aren’t that grunty by international standards.

"According to the report, in 2025, AI workloads alone accounted for around 20% of total data center electricity use - a share expected to double by 2030 - pushing electricity demand to roughly 374 TWh.

"Once we get to the 374 TWh, we’re in more serious territory. At that point, the world would need around another 45,000 MW in installed generating capacity – that’s around 40 Huntlys, or about 15% of the solar generating capacity that China installed last year.

"The energy cost involved here will also be a driver for the development of more energy-efficient AI processor technology, and energy recovery from the waste heat. Remember also that waste heat can in some places be a desirable by-product, e.g., for heating.

"AI technology may also be able to accelerate the development of more energy-efficient renewable energy technology, such as solar cells that can convert more than the current around 25% average of incoming solar power into electricity, better batteries with more capacity that are safer and faster to charge, and more efficient wind turbines, and even combustion engines that deliver more power for less fuel use, and so on. This could compensate for the extra emissions from AI use."

Conflict of interest statement: "No conflicts of interest."

Dr Amanda Turnbull-McRae, Te Piringa Faculty of Law, University of Waikato, comments:
Contact: +64 27 320 8078, amanda.turnbull@waikato.ac.nz

"The new UN report recognises not only the forward march of awareness in respect of the environmental costs of Artificial Intelligence (AI) but also the spectrum of connected social, material and justice-related challenges it poses.

"When it comes to AI’s substantial energy draw along with its correlated carbon, water and land impacts, the report highlights that we need to think both about how much energy we are using and also how we are using AI.

"The report also draws attention to the 'Jevons Paradox'— or the rebound effect. As AI models become more efficient, these gains ironically increase AI’s total environmental footprint rather than decrease it.

"So even when AI architecture and hardware advance and become more efficient, these efficiencies lower the cost of computation, which in turn drives up higher volumes of use.

"This trap tell us that more needs to be done than simply improving hardware. We need to think about limiting energy use.

"Further, the UN report goes beyond documenting data and measurement: it offers action. Specifically, the report provides six guiding principles for a responsible AI ecosystem including, transparency, efficiency by design, equity and justice, lifecycle responsibility, global cooperation and sustainable use. These principles form a roadmap for a responsible AI ecosystem.

"Of particular relevance to Aotearoa New Zealand is the report’s final counsel: responsible AI is about the twinning of capability with stewardship. This involves making environmental disclosure in respect of AI routine, both at the model level and at the task level.

"It means incorporating projected AI demand in both climate and energy planning. This is crucial as the NZ government is actively adopting AI to modernize public services and boost economic productivity."

Conflict of interest statement: "No conflicts of interest."

Dr Helen Rutter, Senior Hydrogeologist, Lincoln Agritech, comments:
Contact: +64 21 873 788, helen.rutter@lincolnagritech.co.nz

"The report notes that data centres can place additional burden onto places already facing water stress and that large-scale withdrawals can strain aquifers and river systems. 

"The article states that 'the related annual water footprint [of ChatGPT] would be equal to the minimum annual domestic water needs of some 500,000 people in Sub-Saharan Africa'. Comparisons like this provide context for the size of the water take required.

"However, they don’t highlight the local impact of water use for specific data centres which will need to be evaluated at a local level for each individual project. There is the potential for water use for data centres to lead to competition for water with other users, an example stated being in the Netherlands where a large data centre using water in a drought year led to opposition from farmers in the area.

"This has the potential to eventuate in New Zealand if data centres are located in areas where aquifers and surface waters are already considered to be close to being fully allocated."

Conflict of interest statement: "No conflicts of interest."

Professor Alistair Knott, Centre for Data Science and AI, Victoria University of Wellington, comments:
Contact: +64 21 027 45861, ali.knott@vuw.ac.nz

"As the report makes clear, use of Gen AI technologies is increasing enormously worldwide, and the energy requirements of Gen AI are increasing accordingly. The projections are for further massive growth. The UN report recommends several useful ways forward: increased transparency from companies, better government leadership.

"The biggest shortcoming of the report, to me, is in overlooking how strongly AI companies depend on increased growth of the AI market. The report notes the vast investments being received by the big AI companies. But it fails to point out that the only way companies can recoup these investments is to grow the market for AI products at an ever-increasing pace. 

"That’s the only way companies can survive – but it’s not necessarily what the world needs. Governments, elected by citizens, are better placed to make the right decisions about how much AI we need, and to trade this need off against environmental impacts.

"I think the economic and technical power of AI companies should be devolved towards local providers across the world – especially towards democratically elected governments. 

"Calls for ‘sovereign Large Language Models (LLMs), or ‘public LLMs’ are growing louder in many countries. Here in New Zealand, we need a good national conversation about what types of AI we can build and deploy (and govern) ourselves. Collectively, these national conversations will help us make the right decisions about how much AI we need, and to trade this need off against environmental impacts.

"To me, AI’s largest impact on the environment may not be in datacentres for Gen AI: it may be on political processes. Political opinions are increasingly shaped by social media. And social media is powered by AI – in particular, recommender algorithms (which use machine learning methods that long predate Gen AI). 

"Recommender algorithms optimised for ‘user engagement’ may lead voters towards populist politicians with policies sidelining environmental concerns. 

"If AI helped elect Donald Trump, that’s its biggest environmental impact, without question. To properly study social media’s impacts on the information ecosystem, we need more transparency from companies: in this area, the report’s calls for AI transparency resonate very strongly."

Conflict of interest statement: "No conflicts of interest."

Albert Bifet, Professor of AI and Director of Te Ipu o te Mahara — The AI Institute at the University of Waikato, comments:
Contact: albert.bifet@waikato.ac.nz

"The report shows that Large Language Models (LLMs) use a huge amount of environmental resources, especially water. This is an important problem that needs to be taken into account when making decisions about the use of AI. 

"It is interesting to see that 90% of AI-specialised cloud computing is concentrated in just the United States and China. A solution to this environmental problem is to move to local computing: everything that can be computed locally should be computed locally and not in the cloud. 

"Since it's already possible to run LLMs on our mobiles, we need to use the cloud only for what can't be done locally. This is something similar to what happened in the 20th century, when we moved from mainframe computers to personal computers. 

"The report does not mention agentic AI at all, and that is a very important hot topic right now. Agentic AI can multiply token usage in data centers or solve this environmental problem if computation is performed locally by the agents. This could be an opportunity to address this problem."

Conflict of interest statement: "No conflicts of interest."

  

► Prof. Dr. Martina Flörke NEU

Inhaberin des Lehrstuhls für Ingenieurhydrologie und Wasserwirtschaft, Ruhr-Universität Bochum

Allgemeine Bewertung des Berichts

„Der Bericht gibt einen ‚reißerischen‘ Überblick über die Wassernutzung beziehungsweise den Wasserfußabdruck von Rechenzentren weltweit. Der Wasserfußabdruck resultiert aus der Stromerzeugung für und der Kühlung von Rechenzentren. Eine Einführung in das Thema erfolgt über die Angaben zum Wasserfußabdruck für das Training von GPT-3 und GPT-4 (die Vorgänger des KI-Modells hinter der aktuellen Version von ChatGPT; Anm. d. Red.).“

„Der Bericht verschafft einen Überblick über den Wasserfußabdruck einer Branche, die rasant wächst. Von der Branche fehlen aber grundlegende Informationen zu Wassernutzung und Wasserverbrauch. Umweltberichte einiger Tech-Firmen wie Google legen Daten offen. Diese Datenaufnahmen lassen sich jedoch nur bedingt etwa als ‚Effizienz des Wasserbrauchs‘ verallgemeinern. Außerdem sind sie standortspezifisch.“

„Der Bericht übt Vergleiche mit Trinkwasserbedarfen in Subsahara-Afrika, wobei ein globaler Wasserverbrauch verwendet wird. Dies ist nicht zielführend und wird den Ausbau digitaler Infrastrukturen und Rechenzentren in Afrika nicht stoppen. Dort ist starkes Wachstum zu erwarten. Hier bedarf es anderer Lösungen.“

Datenbasis des Wasserfußabdrucks und Bewertung der im Bericht gezogenen Vergleiche

„Der Stromverbrauch von Rechenzentren im Jahr 2025 verursachte dem Bericht zufolge einen Wasserfußabdruck von 4,5 Billionen Litern Wasser. Wassernutzung aus der Lieferkette wird nicht berücksichtigt, was in dem Bericht auch so angeführt wird. Bis 2030 wird der durchschnittliche Wasserfußabdruck für die Erzeugung des benötigten Stroms laut des Berichts bei etwa 9,32 Billionen Litern liegen. Es ist nicht ersichtlich, woher diese Abschätzung rührt. Obwohl der Bericht zahlreiche Referenzen listet, ist es unglaublich schwierig nachzuvollziehen, auf welcher Basis oder Datengrundlage die Bestimmung des Wasserfußabdrucks erfolgte. Gleichermaßen fehlt die Definition beziehungsweise Gleichung für den verwendeten Wasserfußabdruck. Die Bestimmung des Wasserfußabdrucks über den Energie- beziehungsweise Elektrizitätsverbrauch scheint State of the Art zu sein. Jedoch ist diese Herangehensweise sehr unsicher für zukünftige Abschätzungen.“

„Leider wird aus dem Bericht nicht ersichtlich, woher die Daten für die Abschätzung des Wasserfußabdrucks stammen. Ebenso ist nicht ersichtlich, ob der Wasserfußabdruck auf Wasserverbrauch (water consumption) oder Wasserentnahme (water withdrawal) basiert (im weiteren Statement wird der Unterschied erklärt; Anm. d. Red.). Vermutlich ist es Wasserverbrauch, wie dann aus den Referenzen ersichtlich wird.“

„Die Datengrundlage für den Wasserfußabdruck bildet die Veröffentlichung von Ristic et al. (2015) [7]. Die darin genannten Wasserverbräuche sind dementsprechend älteren Datums [8]. Sie stellen meines Erachtens nicht den aktuellen Stand der Forschung dar. Die Angabe des Wasserfußabdrucks in Litern führt zu großen Zahlen, die wiederum durch Vergleiche mit Schwimmbädern oder Wasserbedarfen der in Subsahara-Afrika lebenden Bevölkerung bildhaft dargestellt werden. Woher die Annahmen der Wasserbedarfe stammen, bleibt unklar.“

„Für eine globale Abschätzung ist der Bericht hilfreich, wenngleich aus meiner Sicht die Datenbasis nicht dem aktuellen Stand der Forschung entspricht [7] [8]. Neuere Daten für den Wasserbrauch zur Elektrizitätsproduktion sind vorhanden, während die Datenlage zur Abschätzung des Wasserverbrauchs von Rechenzentren unzureichend ist. Die Abschätzungen für die Zukunft sind sehr unsicher, da die Energieeffizienz (Power Usage Effectiveness) und Wassernutzungseffizienz (Water Usage Effectiveness) nicht linear korreliert sind. Eine Verbesserung der Energieeffizienz kann zu einer Verschlechterung der Wassernutzungseffizienz führen.“

Bedeutung der Standortwahl von Rechenzentren

„Der Wasserverbrauch von künstlicher Intelligenz (KI) variiert je nach Standort der Rechenzentren, Kühlungstechnologie und Energiequelle. Letztere wird aus einem nationalen Energiemix abgeschätzt. Man muss an dieser Stelle sagen, dass es nur wenige Studien und keine standardisierten Methoden gibt, um den Gesamtverbrauch systematisch zu quantifizieren. Zum Gesamtverbrauch gehören auch Onsite- und Offsite-Verbräuche (Verbrauch findet entweder direkt vor Ort oder mit Bezug zum Rechenzentrum, physisch aber an einem anderen Ort statt; Anm. d. Red.) sowie ‚embodied water‘ aus der Hardwareproduktion (Wasser, das etwa für die Herstellung von Rechenprozessoren benötigt wird; Anm. d. Red.) [9].“

„Bei der Wahl des Standorts für ein Rechenzentrum sollten die derzeitige und zukünftige Wasserverfügbarkeit vor Ort sowie die Wasserbedarfe anderer Sektoren in Betracht gezogen werden. Insbesondere Trockenheit und Dürreperioden können zu möglichen Wassernutzungskonflikten führen. Mir sind keine wissenschaftlichen Veröffentlichungen bekannt, es lassen sich aber Zeitungsartikel finden, die vor Nutzungskonflikten warnen und davor, dass sich die Bevölkerung um die Wasserversorgung sorgt [10].“

„Der Bau von Rechenzentren sollte in wasserknappen Regionen vermieden werden oder aber auf Wasserkühlung verzichten. Für Deutschland kann dazu auf den UBA-Bericht (2024) ‚Auswirkung des Klimawandels auf die Wasserverfügbarkeit − Anpassung an Trockenheit und Dürre in Deutschland‘ verwiesen werden [11].“

Aktuelle Zahlen zum Wasserverbrauch

„Das Training von GPT-3 könnte einen Wasserverbrauch von 5,4 Millionen Litern verursacht haben [12].“

„Ein Bericht des Lawrence Berkeley National Laboratory aus dem Jahr 2024 schätzt, dass US-Rechenzentren im Jahr 2023 für die Kühlung 64 Milliarden Liter Wasser verbraucht haben [13]. Für Rechenzentren wird für das Jahr 2028 ein Wasserverbrauch zwischen 150 und 270 Milliarden Litern erwartet. Der gesamte indirekte Wasserfußabdruck von US-Rechenzentren beträgt fast 800 Milliarden Liter. Dies ist auf den indirekten Wasserverbrauch durch den Stromverbrauch zurückzuführen, basierend auf dem regionalen Strommix der Standorte von US-Rechenzentren.“

„Im Jahr 2023 entsprach der Energieverbrauch eines US-amerikanischen Rechenzentrums einem nationalen Durchschnitt von 4,52 Litern pro Kilowattstunde (L/kWh) indirektem Wasserverbrauch (im weiteren Statement wird als Einheit auch Kubikmeter pro Megawattstunde (m3/MWh) verwendet, diese beiden Einheiten sind eins zu eins ineinander umzurechnen; Anm. d. Red.). Der gesamte Wasserverbrauch könnte im Jahr 2028 bei 950 bis 1070 Milliarden Litern liegen.“

Wasserverbrauch der EU und der USA

„Der Wasserverbrauch pro Einheit Energieverbrauch (WUE) in einem Rechenzentrum wird von einer Kombination verschiedener Faktoren beeinflusst. Darunter Klima, Alter, Größe, Art und Erfassungsmethode [14]. Der Studie zufolge liegt der WUE für Rechenzentren in der Europäischen Union (EU) im Median bei circa 0,3 Kubikmetern pro Megawattstunde (m³/MWh).“

„Der WUE in einem Rechenzentrum lag in den USA im Jahr 2023 im Mittel bei 0,36 Litern pro Kilowattstunde (L/kWh) und dürfte bis 2028 auf 0,45 bis 0,48 L/kWh ansteigen [13]. Rechnet man 4,52 L/kWh für den indirekten Wasserverbrauch zur Erzeugung der genutzten Elektrizität hinzu, dann ergibt sich ein WUE von 4,88 L/kWh.“

Wasserverbrauch im Vergleich zu anderen Sektoren

„Im Vergleich zu anderen Sektoren wie der Landwirtschaft oder der thermischen Elektrizitätsproduktion ist der Anteil des direkten Wasserverbrauchs für Rechenzentren gering. Aber Rechenzentren benötigen Energie. Das heiß sie führen zu deutlich höherer Elektrizitätsproduktion und damit eventuell zu einem höheren Wasserverbrauch im Energiesektor. Darüber hinaus entwickelte sich mit den Rechenzentren eine weitere Wassernutzungs-Branche, die insbesondere zukünftig zu beachten sein wird.“

Unterschied zwischen Wasserver- und Wassergebrauch

„Wassergebrauch oder Wassernutzung beschreibt die gesamte Menge Wasser, die entnommen, durch ein System geleitet oder in Prozessen eingesetzt wird. Dies ist unabhängig davon, ob das Wasser später zurückgeführt wird. Wasserverbrauch oder konsumtive Nutzung ist der Anteil des Wassergebrauchs, der verdunstet oder in Produkten enthalten ist. Dieser Anteil wird dem lokalen Wasserkreislauf dauerhaft entzogen und ist somit kurzfristig nicht mehr verfügbar.“

„Es ist wichtig, in einer Debatte darauf zu achten, die Begriffe nicht synonym zu verwenden. Dies wird im deutschen Sprachgebrauch aber häufig getan. Die Größenordnungen sind unterschiedlich: Wassergebrauch ist größer als Wasserverbrauch. Wasserverbrauch bezeichnet den Nettonutzungsanteil. Also Entnahme minus Rückgabe in das gleiche Einzugsgebiet in nutzbarer Qualität. Das ist für Wasserstress-Bewertungen entscheidend.“

„Bei nicht korrekter Verwendung der Begriffe können falsche Schlussfolgerungen zu Quantität und Wasserstress entstehen. Zum Beispiel eine Überschätzung, wenn Wassergebrauch statt Wasserverbrauch verwendet wird. Dennoch sind beide Begriffe von Bedeutung, da in der Regel Daten zum Wassergebrauch (Wassernutzung) erfasst werden und nicht zum Wasserkonsum. Zudem muss genügend Wasser zur Entnahme vorhanden sein, um es verbrauchen zu können.“

► Prof. Dr. Thorsten Wagener NEU

Alexander von Humboldt Professor für hydrologische Systeme, Institut für Umweltwissenschaften und Geographie, Universität Potsdam

Allgemeine Bewertung des Berichts

„Der Bericht ist eine sehr ausführliche Darstellung von derzeitigen und projizierten Umwelteinflüssen von künstlicher Intelligenz (KI) und Rechenzentren, auch in Bezug auf ihren Wasserverbrauch. Die angeführten Rollen und Verantwortungen am Ende des Berichts sind hilfreich und werden hoffentlich breit diskutiert.“

„Kritisch lässt sich sagen, dass aus meiner Sicht relevante Vergleiche fehlen. Immer wieder wird der Wasserbedarf mit dem von Bevölkerungsteilen Afrikas verglichen. Dies sind zwar beeindruckende Zahlen, aber der Vergleich ist nicht sonderlich relevant. Denn diese Rechenzentren werden in der Regel nicht in der gleichen Region entstehen. Viel interessanter wäre ein Vergleich mit anderen industriellen Wassernutzern in der Region des jeweiligen Rechenzentrums. Auch sollte ein Bezug zum Wasserstress in der Region hergestellt werden – insgesamt und saisonal.“

Datenbasis des Berichts

„Zu den genauen Zahlen kann ich nichts sagen, da ich kein Experte zum Thema Wasserverbrauch von KI bin. Ich müsste mir selbst andere Reporte zusammensuchen, um diesen Vergleich anzustellen.“

„Ich finde es schade, dass der Bericht keinen Vergleich mit anderen Industrienutzern aufstellt. Dies würde eine sinnvolle Diskussion ermöglichen. Auch ist das Problem fehlender Transparenz nicht auf Rechenzentren beschränkt. Wir wissen oft nicht, wer wie viel Wasser verbraucht. Nur wenn wir breite Transparenz der Wassernutzung in der jeweiligen Region haben, können wir wirklich eine sinnvolle Diskussion führen. Ich hätte erwartet, dass dieser Bericht dazu beiträgt, anstatt sich nur auf KI zu beschränken.“

Bedeutung der Standortwahl von Rechenzentren

„Auch hier finde ich den Bericht leider nicht sehr hilfreich. Wie relevant die Wassernutzung an einem Standort ist, hängt stark von Wasserverfügbarkeit und Nutzung ab. Wasserarme Regionen sind daher aus hydrologischer Sicht weniger sinnvoll, wenn dies die Energiegewinnung beeinträchtigen kann oder ungenügende Wasserressourcen für andere Zwecke überbleiben. Zum Beispiel wenn Kraftwerke in Trockenzeiten ungenügend Kühlwasser aus Flüssen entnehmen können und ihre Energieproduktion drosseln müssen.“

„Große Wassermengen kann man über lange Strecken schlecht transportieren. Energie in Form von Strom schon. Wie kann man diesen Unterschied positiv nutzen und somit Wasserverfügbarkeit und Energiebedarf geografisch optimal nutzen? Ein nachhaltiges Rechenzentrum sollte nicht lokal zur Ressourcenverknappung beitragen, sondern diese nur so weit nutzen, wie sie natürlich erneuert werden.“

Unterschied Wasserver- und Wassergebrauch

„Von Wasserverbrauch redet man, wenn Wasser zum Beispiel in der Landwirtschaft zur Bewässerung genutzt wird und über die Pflanzen in die Atmosphäre verdunstet. Es ist dann nicht mehr für uns nutzbar. Wassergebrauch wäre dahingegen, wenn wir zum Beispiel Energie durch Wasserkraft gewinnen, indem wir damit Turbinen antreiben. Das Wasser kann danach noch weiter aus Flüssen entnommen und genutzt werden.“

„Hier ist der Bericht leider nicht so hilfreich, da er zu wenig differenziert. Zum Beispiel, wenn beides im Wasser-Footprint kombiniert wird. Wenn das Wasser aber nach der Energiegewinnung auch noch für andere Dinge zur Verfügung steht, dann ist dies weit weniger problematisch – wie im Falle der Wasserkraftnutzung. Der Report berichtet leider auch nicht darüber, woher das Wasser kommt. Wenn zum Beispiel die Schneeschmelze zur Wasserkraftgewinnung relevant ist, dann spielt hier der zukünftige Einfluss des Klimawandels eine große Rolle für die Nachhaltigkeit.“

► Prof. Dr. Tilmann Rabl NEU

Professor für Data Engineering Systems, Hasso-Plattner-Institut

Allgemeine Bewertung des Berichts

„Der Bericht spiegelt den aktuellen Stand der Forschung wider. Es werden sowohl Stromverbrauch und dabei entstehende CO2-Emissionen als auch Land- und Wasserverbrauch bei der Stromherstellung betrachtet. Diese werden häufig übersehen. Diese zusätzlichen sozialen Kosten und deren ungleiche Verteilung sichtbar zu machen, ist wichtig.“

„Leider wird in dem Bericht nicht klar zum Ausdruck gebracht, dass die aktuellen Entwicklungen stark durch Interessen von Investoren angetrieben werden. Dadurch kommt staatlicher Regulierung eine zentrale Rolle bei der Bewältigung der Umweltauswirkungen von IT und künstlicher Intelligenz (KI) zu. Ein weiterer Aspekt, der nicht klar artikuliert wird, ist die Tatsache, dass vor allem industrielle und kommerzielle Anwendungen die Nutzung von KI in die Höhe treiben.“

Datenbasis des Berichts

„Die Zahlen zum Energieverbrauch lassen sich nur schwer bestimmen. Denn Konzerne sind intransparent bezüglich des Stromverbrauchs. Die Zahlen im Bericht spiegeln den aktuellen Stand der Forschung wider. Sie sind aber grobe Schätzungen und sollten durch weitere Forschung und bessere Transparenz verbessert werden.“

Zukünftiger Energieverbrauch und echte Einsparpotenziale

„Angesichts des fortschreitenden Klimawandels ist ein zunehmender Stromverbrauch von Rechenzentren nicht ohne negative Folgen möglich. Rechenzentren werden typischerweise mit Strom versorgt, der mehr CO2 produziert als der Durchschnitt. Denn sie brauchen eine konstante und gleichmäßige Stromversorgung. Gesellschaftlich muss hier abgewogen werden, welche Sektoren wie viel Strom verbrauchen und damit CO2 erzeugen dürfen.“

„Praktische KI-Anwendungen haben ein enormes Sparpotenzial. Große Teile moderner Software sind sehr ineffizient und die Einbindung von KI-Funktionen verstärkt dies noch. Allerdings werden durch KI-getriebene Softwareentwicklung immer mehr Anwendungen entwickelt, eingesetzt und mit KI-Aufrufen verbunden.“

„Ohne Regulierung wird aufgrund der hohen Investitionen in KI keine Verringerung des Stromverbrauchs möglich sein. Der limitierende Faktor ist hier allein die aktuell verfügbare Stromleistung und die Geschwindigkeit, mit der Hardware und Rechenzentren gebaut werden. IT und KI konkurrieren mit allen anderen Sektoren und bekommen aufgrund erhoffter Renditen oft den Vorzug.“

„Der Verbrauch von Endbenutzerinnen und Endbenutzern ist gesteuert vom Angebot der Internetkonzerne, die sich in einem Wettrüsten untereinander befinden. Das Ändern des Nutzungsverhaltens hat hier einen eher geringen Einfluss. Kleinere Modelle und angepasste Nutzung von KI wären Aufgabe der Softwarehersteller und Internetkonzerne. Die haben aufgrund ihrer bestehenden Geschäftsmodelle allerdings kein Interesse daran. Das größte Einsparungspotenzial ist die Reduzierung von KI-Anwendungen und IT generell.“

► Prof. Dr. Wolfgang Maaß

Inhaber des Lehrstuhls für Wirtschaftsinformatik, Universität des Saarlandes, und Leiter des Forschungsbereichs Smart Service Engineering, Deutsches Forschungszentrum für Künstliche Intelligenz GmbH (DFKI), Saarbrücken

Allgemeine Bewertung des Berichts

„Der Bericht leistet einen nützlichen Beitrag, indem er Verbrauchsgrößenordnungen erstmals systematisch zusammenstellt und für ein breiteres Publikum greifbar macht. Positiv hervorzuheben ist die Darstellung der Varianz des Energieverbrauchs über verschiedene Aufgabentypen hinweg. Dies ist Policy-relevant und wird selten so klar kommuniziert.“

„Kritisch anzumerken ist jedoch: Der Bericht wiederholt zentrale Befunde mehrfach, ohne zusätzlichen Erkenntnisgewinn. Das erweckt den Eindruck einer noch nicht abgeschlossenen Redaktion. Die Analyse ist zudem stark US-zentriert. Die Rolle Chinas mit Modellen wie DeepSeek und Qwen sowie massivem staatlichem Rechenzentrumsausbau wird aus meiner Sicht nicht ausreichend berücksichtigt. Und das, obwohl China im globalen Energieverbrauch von künstlicher Intelligenz (KI) inzwischen einen erheblichen Anteil einnimmt.“

„Auch europäische Entwicklungen wie Souveränitätsinitiativen oder Green-Deal-Regulierung werden marginal betrachtet. Ebenfalls auffällig ist das Fehlen von Analysen zu KI-gestützter Software-Entwicklung, die heute zu den volumenstärksten Anwendungsfällen in Unternehmen gehört. Konkrete Anwendungen sind etwa Vibe Coding und Coding-Assistenten wie GitHub Copilot, Cursor oder Claude Code.“

„Schließlich bleiben die technischen Ausführungen zu Modellarchitekturen an der Oberfläche: Konzepte wie Mixture-of-Experts (MoE), Quantisierung und spekulative Dekodierung werden nicht ausreichend diskutiert (alle drei sind Ansätze, um etwa die benötigte Rechenleistung und Antwortzeit im Betrieb von KI-Modellen zu reduzieren; Anm. d. Red.). Gleiches gilt für Hardware-Effizienz mit Tensor-Prozessoren (TPUs) und neuronalen Prozessoren (NPUs) (speziell für KI entwickelte Prozessoren; Anm. d. Red.). Obwohl sie für die Einschätzung zukünftiger Effizienzpotenziale zentral sind.“

Datenbasis und aktuelle Verbrauchszahlen

„Die im Bericht genannten Zahlen sind in ihrer Größenordnung plausibel, jedoch methodisch schwer reproduzierbar. Das grundlegende Problem ist strukturell: KI-Anbieter publizieren keine standardisierten Energiedaten pro Anfrage (Inferenz). Die Zahlen basieren daher auf indirekten Schätzungen, Messungen in kontrollierten Laborumgebungen oder Hochrechnungen aus Strombezugsdaten. Diese legen jeweils unterschiedliche Systemgrenzen zugrunde.“

„Aktuelle Forschung schätzt, dass Rechenzentren weltweit bereits heute circa 1 bis 1,5 Prozent des globalen Stromverbrauchs ausmachen, mit Projektionen von drei bis vier Prozent bis 2030 unter moderaten Wachstumsannahmen [1] [2]. Diese Zahlen decken sich grob mit dem Bericht. Sie sollten aber, falls möglich, mit Konfidenzintervallen zitiert werden, um die erhebliche Modellierungsunsicherheit transparent zu machen.“

Bedeutung der Standortwahl von Rechenzentren

„Ein wichtiger, im Bericht unterbelichteter Aspekt ist die geografische Standortstrategie von Rechenzentren. Viele der großen Hyperscaler (Unternehmen, die große Clouds und Rechenkapazitäten anbieten; Anm. d. Red.) haben bereits in den 2010er Jahren bewusst Standorte nahe erneuerbarer Energiequellen gewählt: Microsoft und Google nutzen in Irland und Schweden Windkraft. Meta nutzt in Dänemark und Norwegen Wasser- und Windkraft, Amazon im US-pazifischen Nordwesten ebenso Wasserkraft. Diese physische Ko-Lokation mit erneuerbaren Erzeugungskapazitäten wird im Bericht nicht konkret diskutiert, obwohl sie für die Bewertung der Klimawirkung wesentlich ist.“

„Der Übergang zu Power Purchase Agreements (PPAs) und 24/7 Carbon-Free Energy Verpflichtungen (Verpflichtungen, Strom mit möglichst geringen Emissionen zu nutzen; Anm. d. Red.) – wie von Google verfolgt – stellt einen qualitativen Unterschied zu einfachem Zertifikathandel (RECs) dar, der ebenfalls nicht differenziert wird.“

Energieverbrauch von KI im Vergleich zu anderen Sektoren

„Der Energieverbrauch von KI-Rechenzentren ist real und wachsend, aber gegenwärtig nicht das dominante Klimaproblem. Rechenzentren verursachen derzeit etwa 1 bis 1,5 Prozent der globalen Treibhausgasemissionen. Stahl und Zement erreichen zusammen über 15 Prozent, Landwirtschaft und Schwertransport jeweils mehr als zehn Prozent. Die politische Aufmerksamkeit für den KI-Energieverbrauch übersteigt dessen tatsächliche Klimarelevanz. Das kann Ressourcen von dringenderen Dekarbonisierungsaufgaben ablenken.“

Technische Entwicklung und zukünftiger Energieverbrauch

„Die technischen Effizienzgewinne der vergangenen Jahre sind bemerkenswert. DeepSeek-R1 demonstrierte Anfang 2025, dass Frontier-Modellleistung (Frontier-Modell: generative Allzweck-KI, die gute Leistungen in verschiedensten Gebieten erzielt und mindestens nah am State of the Art ist; Anm. d. Red.) mit angeblich deutlich geringeren Trainingskosten erreichbar ist. Diese eine Aussage wird in der Forschungsgemeinschaft noch diskutiert, weist aber den Weg in Richtung Frugal AI (Initiative, um gute KI-Leistungen mit möglichst geringem Ressourcenverbrauch zu erzielen; Anm. d. Red.). Quantisierung, Knowledge Distillation, MoE-Architekturen und hardwarespezifisches Optimieren, zum Beispiel durch Flash Attention (Methoden, um auch große KI-Modelle effizient zu gestalten; Anm. d. Red.), ermöglichen bereits heute erhebliche Effizienzsteigerungen pro Inferenz.“

„Der Bericht verweist auf den Rebound-Effekt, auch bekannt als Jevons-Paradoxon (wird eine Technologie effizienter, wird sie mehr genutzt und Ressourceneinsparung durch den Effizienzgewinn wird durch die Mehrverwendung ausgeglichen; Anm. d. Red.). Er zieht jedoch keine konsequente Schlussfolgerung daraus. Dies ist ein interner Widerspruch: Wenn der Bericht selbst einräumt, dass Effizienzgewinne durch Nachfragesteigerung konsumiert werden, unterminiert er damit die gleichzeitig empfohlenen Maßnahmen wie Token-Budgets und Ressourcenbeschränkungen. Diese Empfehlungen implizieren eine Preiselastizität der Nachfrage, die der Rebound-Logik widerspricht. Konsequent wäre es, entweder den Rebound-Effekt als strukturell zu akzeptieren und auf Angebotsregulierung wie Trainingslimits sowie Datacenter-Genehmigungsrecht zu setzen oder die verhaltensbezogenen Maßnahmen empirisch besser zu begründen.“

Auswirkungen einzelner Anfragen auf den Verbrauch

„Das individuelle Nutzungsverhalten wie Länge der Anfrage, Modellwahl und Ausgabeformat hat messbare Auswirkungen auf den Energieverbrauch einer einzelnen Anfrage. Als gesellschaftliches Einsparpotenzial ist es aber gering. Die viel diskutierte Frage, ob ‚Bitte‘ und ‚Danke‘ in Prompts Energie verbrauchen, ist ein Kommunikationsphänomen, kein ernst zu nehmendes Effizienzthema. Dies lenkt nur die Aufmerksamkeit von strukturell relevanten Hebeln ab.“

Echte Einsparpotenziale

„Das größte realisierbare Einsparpotenzial liegt auf der Systemebene. Erstens: aufgabenadäquate Modellwahl durch Anbieter und Plattformen, nicht durch Endnutzer. Routing-Systeme, die einfache Anfragen automatisch auf kleine Modelle umleiten, sind technisch ausgereift und werden von einzelnen Anbietern bereits eingesetzt.“

„Zweitens: Jenseits der technischen Ebene ist ein strukturell unterschätztes Problem die Informationsasymmetrie zwischen großen KI-Anbietern und kommunalen sowie regionalen Behörden bei der Genehmigung und Ansiedlung von Rechenzentren. Hyperscaler haben spezialisierte Verhandlungsteams, Kommunen oft nicht. Dies führt zu einer Unterbewertung der Knappheit von Ressourcen, insbesondere Land, Wasser und Netzanschlusskapazitäten. Hier besteht konkreter Handlungsbedarf für standardisierte Bewertungsrahmen auf Bundesebene.“

„Drittens: Marktpreissignale statt Verhaltensregulierung. Ressourcenbudgets und Token-Limits als regulatorische Instrumente sind ordnungspolitisch problematisch, wenn der Markt durch Preiswettbewerb und technische Effizienz dieselben Ziele schneller und konsistenter erreicht. Die richtige Intervention ist die Internalisierung externer Kosten, insbesondere die vollständige CO₂-Bepreisung von Rechenzentren-Strom und nicht die Mikroregulierung von Nutzerverhalten.“

► Prof. Dr. David Kappel

Juniorprofessor und Leiter der Forschungsgruppe für Nachhaltige Künstliche Intelligenz, Universität Bielefeld

Allgemeine Bewertung des Berichts

„Insgesamt stehe ich dem Bericht kritisch gegenüber. Es ist aktuell sehr wichtig, verlässliche und belastbare Zahlen zum Ressourcenverbrauch von künstlicher Intelligenz (KI) zu veröffentlichen, um die Fülle an Informationen richtig einzuordnen. Leider wird der Bericht diesem Anspruch nicht gerecht: Er ist teilweise schwer nachvollziehbar, beruht auf alten Daten oder stellt diese nicht im angemessenen Kontext dar.“

„Den Abschnitt 2.6 zum Energiemix von Datenzentren stufe ich als mangelhaft ein. Denn er ist nicht durch aktuelle Quellen belegt und vermittelt somit ein verzerrtes Bild der neuesten Entwicklungen. Die einzigen Quellen zu diesem Abschnitt stammen aus den Jahren 2014 und 2015. Sie werden jedoch im heutigen Kontext dargestellt, obwohl sich der Energiemix vieler Länder seitdem stark verändert hat. Der Abschnitt diskutiert vorwiegend den Wasser- und Flächenverbrauch von erneuerbaren Energien. Dabei nimmt er aber kaum Bezug auf den Flächenverbrauch fossiler Energie. Zum Beispiel verbrauchte der Braunkohleabbau in Deutschland im Jahr 2024 1,2 Hektar Fläche pro Tag [3]. Die Rolle der Fotovoltaik wird gar nicht diskutiert. Obwohl sie bei den meisten Kennzahlen sehr gut abschneidet und in den vergangenen Jahren besonders stark gewachsen ist.“

Datenbasis und aktuelle Verbrauchszahlen

„Soweit ich das nachvollziehen kann, stimmen die Daten zum Energieverbrauch im Wesentlichen mit den Zahlen aus anderen Quellen überein. Abbildung 11 (zum Energieverbrauch unterschiedlicher Anfragen an KI, wie Text- oder Bildgenerierung; Anm. d. Red.) war für mich jedoch schwer nachvollziehbar, da sie nicht mit den im Text erwähnten und anderswo publizierten Daten übereinstimmt.“

„Die Analyse des Energieverbrauchs von großen Sprachmodellen (LLMs) ist sehr einseitig. Existierende effiziente KI-Modelle werden kaum behandelt. So wird beispielsweise auf DeepSeek nur in einer Randnotiz verwiesen, obwohl das Unternehmen – anders als in dem Bericht dargestellt – sehr detaillierte Analysen zu den Ressourcenverbräuchen bereitstellt [4].“

Technische Entwicklung und zukünftiger Energieverbrauch

„In den vergangenen Jahren haben wir eine sehr schnelle Lernkurve in Bezug auf die Energieeffizienz von KI beobachtet. Diese Effizienzsteigerung wird vor allem durch Innovationen in der Hardware und der Algorithmenentwicklung vorangetrieben. Gleichzeitig beobachten wir natürlich ein rasantes Wachstum der KI-Nutzung, das die Effizienzsteigerung bei weitem aufwiegt. Ich sehe im Moment aber keinen starken kausalen Zusammenhang, weshalb ich vorsichtig wäre, von einem klassischen Rebound-Effekt zu sprechen (wird eine Technologie effizienter, wird sie mehr genutzt und Ressourceneinsparung durch den Effizienzgewinn wird durch die Mehrverwendung ausgeglichen; Anm. d. Red.).“

„Wie lange der Trend anhalten wird, bis der Markt gesättigt ist, ist momentan auch schwer abzuschätzen. Der Bericht liefert konkrete Zahlen dazu, die aber im Wesentlichen die aktuellen Wachstumsraten in die Zukunft projizieren.“

Auswirkungen einzelner Anfragen auf den Verbrauch und echte Einsparpotenziale

„Die Nutzung von höflicher Sprache erhöht den Energieverbrauch von KI mit den derzeitigen Modellen. In der Gesamtenergiebilanz von KI ist dieser Effekt allerdings nicht sehr relevant. Ich gehe davon aus, dass dieses Problem bei zukünftigen KI-Systemen nicht mehr oder nur noch sehr eingeschränkt bestehen wird, da es technisch lösbar ist.“

„Generell denke ich, dass die meisten Einsparungen durch technische Innovationen bei KI-Software, Hardware, Rechenzentren und Energiesystemen erreicht werden. Die Verantwortung den Endnutzer:innen von KI zuzuschieben – wie es an manchen Stellen im Bericht postuliert wird – wird sehr wahrscheinlich nicht erfolgreich sein.“

► Jens Gröger

Forschungskoordinator nachhaltige digitale Infrastrukturen, Öko-Institut e.V., Berlin

Allgemeine Bewertung des Berichts

„Der Bericht gibt einen guten Überblick darüber, welches die derzeit diskutierten Umweltprobleme von Rechenzentren und KI-Anwendungen sind. Die Studie ist leicht verständlich geschrieben und eignet sich als niederschwellige Informationsquelle zur Einführung in das Thema. Bei aller Leserlichkeit bleibt sie dabei jedoch teilweise an der Oberfläche und verkürzt komplexe Zusammenhänge auf einfache Aussagen.“

Datenbasis und aktuelle Verbrauchszahlen

„Die Studie versucht den Spagat zwischen globalen Umwelteffekten und einzelnen KI-Anwendungen. Dazu wird einerseits der Energieverbrauch von weltweiten IT-Infrastrukturen genannt und daraus die globalen Treibhausgasemissionen und der Wasserverbrauch berechnet. Auf der anderen Seite werden Zahlen für einzelne KI-Anwendungen wie Text-, Bild- oder Videogenerierung mit Large Language Models aufgeführt.“

„KI-Anbieter arbeiten jedoch noch sehr intransparent und veröffentlichen hierzu kaum Daten. Die genannten Verbräuche stammen daher aus einzelnen akademischen Fallstudien und eignen sich nicht für Hochrechnungen auf eine millionenfache Anwendung und den daraus resultierenden Jahresenergieverbrauch.“

Bedeutung der Standortwahl von Rechenzentren

„Methodisch gut nachvollziehbar ist die Berechnung der weltweiten Treibhausgasemissionen von Rechenzentren auf der Grundlage von Daten der Internationalen Energieagentur (IEA). Hier berücksichtigt die Studie lokale Emissionsfaktoren der Stromerzeugung. Die führen je nach Kraftwerksmix der jeweiligen Region – Kohle, Erdgas, Sonne, Wind oder Atomenergie – zu unterschiedlichen Treibhausgasemissionen pro Kilowattstunde.“

„Der größte Rechenzentrumsstandort war im Jahr 2025 die USA und der Zubau bis zum Jahr 2030 erfolgt schwerpunktmäßig dort. Die Stromerzeugung in den USA wird in diesem Zeitraum CO2-intensiver, da derzeit vermehrt Gaskraftwerke für Rechenzentren errichtet werden. Die Studie macht die weltweiten Treibhausgasemissionen durch Rechenzentren sichtbar und berechnet mehr als eine Verdopplung von 189 im Jahr 2025 auf 399 Millionen Tonnen CO2-Äquivalente im Jahr 2030. Die Größenordnung dieser Emissionen liegt in dem Bereich eigener Berechnungen des Öko-Instituts und wird als plausibel bewertet.“

Bewertung der in dem Bericht genannten Einsparungspotenziale

„Die Studie macht auch Vorschläge, durch welche regulatorischen und gesellschaftlichen Maßnahmen die steigende Umweltbelastung durch den KI-Boom reduziert werden könnte. Dabei bleiben die Empfehlungen jedoch sehr unverbindlich und knüpfen nicht an existierende Regelwerke oder Strategien einer nachhaltigen Produktpolitik an. Die von diesem Boom profitierenden Tech-Unternehmen – insbesondere Amazon, Google, Meta und Microsoft – werden in der Studie nicht genannt. Es werden auch keine Vorschläge gemacht, wie deren Macht eingeschränkt und sie zur Verantwortung gezogen werden können.“

„Stattdessen gibt die Studie unter anderem Tipps, was Software-Entwickler*innen und Konsument*innen leisten können, um ihren individuellen Umweltfußabdruck zu reduzieren. Nachdem die Studie die dramatischen Probleme genannt hat, die durch den KI-Ausbau entstehen, hätte ich erwartet, dass wesentlich offensivere Lösungsvorschläge gemacht werden.“

► Prof. Dr. Peter Radgen

Professor für Effiziente Energienutzung und Stellvertretender Institutsleiter, Institut für Energiewirtschaft und Rationelle Energieanwendung (IER), Universität Stuttgart

Allgemeine Bewertung des Berichts

„Der Bericht lenkt den Blick auf den steigenden Strom- und Energieverbrauch von Rechenzentren für künstliche Intelligenz (KI). Aktuell entfällt der größte Teil der Verbräuche aber noch auf konventionelle Rechenzentren – auch wenn der Anteil an KI in Rechenzentren derzeit schnell steigt. Allerdings ist bei den Zahlen im UN-Bericht nicht hinreichend klar, ob sie nur für KI oder Rechenzentren allgemein gelten.“

Datenbasis des Berichts

„Aus wissenschaftlicher Perspektive fehlen im Bericht zudem Angaben zu den Annahmen für die Hochrechnungen. Die Datenbasis des Effizienzregisters für Rechenzentren in Deutschland, aber auch die Datensammlung auf Ebene der Europäischen Union (EU) im Rahmen der Energieeffizienzrichtlinie (EED) zeigt zudem, dass die Abgrenzungen und Annahmen sehr schwierig und viele Daten nicht öffentlich verfügbar sind. Die Angaben der absoluten Zahlen und Vergleiche im Bericht suggerieren zudem eine Dramatik, die im Vergleich zu anderen Sektoren übertrieben erscheint.“

Aktuelle Verbrauchszahlen

„Sicher ist, dass der Energieverbrauch von Rechenzentren und insbesondere KI in rasender Geschwindigkeit wächst. Gemessen am gesamten Stromverbrauch gehen aktuelle Zahlen aber von Anteilen von circa zwei bis vier Prozent am weltweiten Stromverbrauch aus. Dies fällt je nach Land aber sehr unterschiedlich aus. Zu beachten ist zudem, dass meist nur Zahlen zu Kapazitäten, nicht aber zur tatsächlichen Nutzung der Kapazitäten vorliegen.“

„Sinnvoller als die Diskussion der Ergebnisse wäre zunächst die Diskussion der getroffenen Annahmen. Leider ist die Transparenz im aktuellen Bericht nicht gegeben.“

Energie- und Wasserverbrauch von KI im Vergleich zu anderen Sektoren

„Wichtig ist stattdessen die Einordnung der Rechenzentren gegenüber anderen Industriebranchen. Im Vergleich zur Stahlindustrie oder zur chemischen Industrie entfällt auf den Bereich Rechenzentren noch immer ein kleiner Anteil des Stromverbrauchs. Im Bereich des Wasserverbrauchs ist meist die Landwirtschaft der größte Verbraucher.“

Zukünftiger Energie- und Wasserverbrauch

„Durch den Ausbau von Rechenzentrumskapazitäten wird der Stromverbrauch weiter steigen. Der Wasserverbrauch dürfte demgegenüber eher stagnieren, da neue Rechenzentren meist mit geschlossenen Kühlkreisläufen ausgeführt werden. Und aufgrund der höheren Rückkühltemperaturen können sie häufig auch auf eine aktive Kühlung mit Kältemaschinen verzichten.“

„In Deutschland müssen alle Rechenzentren ab 2027 bilanziell mit 100 Prozent erneuerbarem Strom betrieben werden [5]. Aktuell gibt es einen Wettbewerb verschiedenster Branchen um erneuerbaren Strom. Denn auch die anderen Industrien wollen Strom zur Dekarbonisierung einsetzen. Von besonderer Bedeutung ist deshalb der Ausbau der erneuerbaren Stromerzeugung und der Stromnetze, um den Strom von den Erzeugern zu den Verbrauchern zu transportieren.“

Echte Einsparpotenziale

„Jede Art von wirtschaftlicher Aktivität geht mit negativen Nebenwirkungen einher. Dies gilt für Rechenzentren, aber auch für alle anderen Sektoren. Diese Nebenwirkungen zu reduzieren oder ganz zu vermeiden, sollte stets im Interesse der Akteure stehen. Im Bereich Rechenzentren bedeutet dies, die Effizienz und Auslastung zu erhöhen, den Wasserverbrauch zu minimieren, den Betrieb netzdienlich zu gestalten und die Abwärme für die Bereitstellung des Raumwärmebedarfs zu nutzen. Der UN-Bericht geht auf diese Aspekte nicht oder nur unzureichend ein.“

► Prof. Dr. Petra Döll

Professorin für Hydrologie, Institut für Physische Geographie, Fachbereich Geowissenschaften/Geographie, Johann Wolfgang Goethe-Universität, Frankfurt am Main

Allgemeine Bewertung des Berichts

„Meiner Einschätzung nach entspricht der Bericht nicht wissenschaftlichen Standards der Nachvollziehbarkeit oder der Reproduzierbarkeit. Offensichtlich wird für die Berechnung des Wasserfußabdrucks pro Kilowattstunde (kWh) von Datenzentren der nationale Energiemix verwendet. Es werden aber keine Angaben dazu gemacht, wie vom Energiemix auf den Wasserfußabdruck geschlossen wurde. Zudem scheint der Kühlwasserverbrauch nicht berücksichtigt worden zu sein, nur die Wassernutzung für die Stromversorgung der Datenzentren. Ich sehe keine relevanten Literaturzitate bezüglich des Wasserfußabdrucks von Datenzentren.“

Bewertung des Abschnitts zum Wasserfußabdruck

„Wasserentnahmen und konsumtive Nutzung werden in dem Bericht nicht unterschieden. Konsumtive Nutzung ist der Teil des entnommenen Wassers, der während der Nutzung verdunstet. Ich kann die Richtigkeit der genannten Wasserfußabdrücke nicht abschätzen. Allerdings kann ich sie in ein anderes Verhältnis setzen als im Bericht getan: ‚Data centers’ 2025 electricity consumption had a water footprint of 4.5 trillion liters of water – enough to fill 1.8 million Olympic-sized pools or meet the annual basic domestic water needs of over 600 million people in Sub-Saharan Africa.‘ ‚4.5 trillion liters‘ entsprechen 4,5 mal zehn hoch zwölf Litern Wasser. Das sind also 4,5 Kubikmeter Wasser pro Jahr. Mit unserem globalen Wassermodell WaterGAP schätzen wir die globalen Wasserentnahmen auf 3800 Kubikmeter pro Jahr [6]. Davon entfallen etwa 600 Kubikmeter pro Jahr auf die Kühlung von Wärmekraftwerken.“

Interessenkonflikte

Prof. Dr. Thorsten Wagener: „Ich kenne Kaveh Madani (einen der Autoren) zwar schon lange – wir sind in der gleichen Forschungscommunity – aber wir habe noch nie zusammengearbeitet. Die anderen Autoren kenne ich nicht und ich habe keine Verbindung zur UN. Ich sehe daher keinen Interessenkonflikt.“

Prof. Dr. Tilmann Rabl: „Keine Interessenkonflikte.“

Prof. Dr. Wolfgang Maaß: „Keine finanziellen Interessen an Hyperscalern oder Rechenzentrumsanbietern. Die eigene Forschungsinfrastruktur besteht ausschließlich aus HPC-Ressourcen der Universität des Saarlandes sowie des DFKI; die verwendeten universitären GPU-Server wurden zum Großteil vom Autor selbst beschafft und finanziert. Keine weiteren relevanten Interessenkonflikte.“

Dr. David Kappel: „Von meiner Seite bestehen keine Interessenkonflikte.“

Jens Gröger: „Nein, es bestehen keine Interessenkonflikte darin, die Studie zu kommentieren. Das Öko-Institut hat im Mai 2025 eine eigene Studie zum Thema Umweltwirkungen der KI herausgegeben. Derzeit arbeiten wir an einer weiteren Studie zur regionalen Verteilung der Umweltbelastung durch Rechenzentren, die im Juni 2026 veröffentlicht wird.“

Prof. Dr. Peter Radgen: „Ich habe keinen Interessenkonflikt. Transparenzhalber sollte aber meine Tätigkeit als Vorstand in der German Data Center Association angegeben werden. Die Einordnung des Berichts stellt aber keine Verbandsmeinung dar, sondern meine persönliche Meinung als Wissenschaftler der Universität.“

Prof. Dr. Petra Döll: „Ich habe keine Interessenkonflikte.“

Professor Geoff Webb is an Australian Laureate Fellow in the Department of Data Science and Artificial Intelligence at Monash University

"I welcome this comprehensive report on AI’s significant environmental impacts. As if they are not enough, these concerns should be considered alongside the major social and economic effects that the report mentions only briefly and does not address in its action plan.

Australia has deep structural incentives for replacing employees with automation. For example, someone on an average income receives $81,700 take home pay augmented by $12,792 superannuation, a total of $94,468 remuneration. In addition to paying this, an employer also pays the $22,768 income tax and, in Victoria, a further $5,170 payroll tax. On top of this 30% impost that the employer must pay on the income the employee receives, are all the further overheads of administration and of compliance with employment law. In contrast, automation is treated as an investment and receives tax incentives such as accelerated depreciation.

In addition to these structural factors, Big Tech has successfully removed the brakes of high capital costs and long times to deployment that have historically slowed the rate of automation. Big Tech is removing the capital cost of adoption by taking on the primary capital costs itself and providing pay-as-you-go models for AI deployment. By moving automation online instead of requiring physical equipment, deployment times are also greatly reduced.

As a result, unlike past technical revolutions, it seems likely that the speed at which jobs are lost will greatly outstrip the speed at which new jobs are created.

Further, AI embodies the North American culture and values of the text on which it is predominantly trained. As AI becomes increasingly ubiquitous, its use will inevitably lead to cultural and value seep and an acceleration of the current drift towards a planet-wide mono-culture.

We must act now to address these profound issues if we are to prevent extraordinary environmental degradation, social disruption and cultural decline."

Geoff has not declared any conflicts of interest.
He is contactable on +61 409 805 607 and geoff.webb@monash.edu

-----

Niusha Shafiabady is a Professor of Computational Intelligence and Head of the IT Discipline at the Australian Catholic University

"Artificial intelligence may feel weightless and virtual, but this report makes clear that it is firmly rooted in the physical world. Every prompt, every model and every data centre draws on energy, water, land and minerals, and the scale of that demand is growing as AI adoption accelerates. The study lays out the numbers with unusual clarity, showing how training frontier models, running billions of daily queries and expanding global data centre infrastructure all contribute to a measurable environmental footprint.

What matters most for the public conversation is perspective. AI is not the largest environmental threat we face. The far greater risks come from fossil fuel emissions, land degradation, industrial agriculture and global supply chains. One of the biggest dangers is our collective ignorance about the relative scale of these issues. Without that context, it is easy to overestimate the impact of AI and underestimate the sectors that drive the majority of global environmental harm.

This study is valuable because it brings clarity rather than alarm. It helps Australians understand where AI fits in the broader hierarchy of environmental pressures and why responsible planning, transparency and efficiency matter as AI adoption accelerates."

Niusha has declared she has no conflicts of interest.
She is contactable on +61 437 623 419 and niusha.shafiabady@acu.edu.au

-----

Associate Professor Walayat Hussain is Director of the AI for Decision Excellence (AIDX) Lab in the Peter Faber Business School at the Australian Catholic University

"The environmental impact of AI is real, but it needs to be discussed with technical accuracy. Data centres, cloud services, social media, video streaming, e-commerce and large-scale digital storage were already using electricity, water, land and cooling resources long before generative AI became widely used. AI is in increasing demand, and that should be measured and managed, but it is not accurate to blame AI alone for a much broader digital infrastructure problem.

I am also cautious about the idea that AI simply benefits wealthy countries while poorer countries carry the costs. That is a risk if AI is governed badly, but it is not the whole story. In education, AI may be particularly valuable for developing and lower-resource countries, including Pakistan and India, where students can face teacher shortages, remote schooling, disrupted education, language barriers and limited access to specialist support.

The UNICEF and Google education partnership, which includes countries such as Brazil, India, Kenya and Pakistan, is one example of how AI-powered tools can be directed toward personalised learning and teacher support in underserved settings. AI will not replace good teachers or strong public education systems, but it can extend support to students who currently receive too little.

The priority should be responsible AI: reducing wasteful use while protecting applications that improve education, healthcare and opportunity."

Walayat has declared he has no conflicts of interest. 
An extended version of Walayat's comment is available on Scimex.
He is contactable on +61 469 615 371 and walayat.hussain@acu.edu.au

-----

Daswin De Silva is a Professor of AI and Analytics and Co-Director of the La Trobe AI Institute at La Trobe University

"This new UN report from the UNU-INWEH provides a comprehensive assessment of the environmental impact of the development and adoption of AI, across the full supply chain from chips and data centres to e-waste.

The report acknowledges the transformative potential of AI; however, given that the authorship team is predominantly from the environmental sciences, it is likely that the full spectrum of benefits of AI, such as the extent of the generational productivity uplift, is not adequately captured in this report. The report briefly mentions how technical advances in AI research, just within the last two years since the release of ChatGPT, such as model compression, pruning, quantisation, knowledge distillation, etc., are helping to reduce the energy footprint.

However, this deserves more visibility as we are currently in the growth/hype phase of AI, where frontier AI companies and data centres themselves are actively experimenting with energy-efficient, low-compute methods that reduce their production and service cost. In some ways, we experience this change in how free versions of most frontier models provide highly accurate and useful responses. Once we pass the growth phase, we could be having a different conversation about AI in a complex, dynamic ecosystem, where small variables add up.

The report should have also unpacked how data centres are significantly more efficient compared to energy-intensive sectors like mining, manufacturing and transport. The report concludes by recommending guidelines for a responsible and transparent AI and data centre sector, where capability and stewardship co-exist. This is an important message to ensure we bring all stakeholders together for informed and sustainable decision-making, also perhaps for the next iteration of this report. 

Daswin has declared he has no conflicts of interest.
He is contactable on +61 432 575 949 and d.desilva@latrobe.edu.au

  

2026年06月01日
國立成功大學研究發展基金會兼任研究員 洪綾君

洪綾君指出，這份報告揭露AI時代對能源的大量需求：不只電力，水和土地也都是AI資料中心建置的資源；企業即使能用綠電達成零碳，水足跡與土地足跡仍不容忽視。洪綾君也提醒，「在地承擔、遠方得利」是未來AI資料中心衝突的核心，過去台灣地面型光電在魚塭、濕地引發的「綠色衝突」可能再次上演。洪綾君建議，未來討論應延伸到企業與區域的責任用電分配，或採「全資源視角的整合資源規劃」，提升規劃透明度與包容性。

2026年06月01日
NIRAS資深經濟顧問 王穎達

王穎達指出，這份報告把AI耗能議題從「一次查詢耗多少電」拉回基礎設施層次，納入訓練、推論、資料中心、電力結構、冷卻水、土地、關鍵礦物與電子廢棄物。王穎達也提醒，AI公司揭露不足，部分用電仍屬推估；報告採全球平均電力足跡，難反映台灣電網時段、北部壅塞與科學園區水區的具體限制。王穎達建議，台灣應建立高耗能數位基礎設施的區域審查制度，把用電、併網容量、能源來源、備援、水資源、土地與地方回饋一起評估。

2026年06月01日
國立政治大學地政學系教授 鄭安廷

鄭安廷指出，這份報告以各國資料中心的用水、用電與土地足跡比較，提供評估環境影響的具體視角；土地足跡對台灣尤其值得關注，因國土有限、開發密度高，太陽光電與離岸風電已多次引發土地利用競合。鄭安廷也提醒，地方政府握有空間規劃權限、多將園區開發視為執政目標，把電力供應視為中央責任，形成跨區供電、由其他地區設置再生能源來支應的區域不平等。鄭安廷建議，可在國土計畫審查中要求地方政府承擔淨零義務與發電責任。

2026年06月01日
國立臺灣大學氣候變遷與永續發展國際學位學程兼任助理教授 趙家緯

趙家緯指出，台灣資料中心電力使用效率門檻僅1.3仍偏寬鬆，應趨近1.2，並揭露契約容量、實際用電、電力與水使用效率、冷卻、再生能源採購與需量反應。趙家緯也提醒，台灣2030年資料中心用電預估介於51億至122.3億度，後者達全國3.6%、超過全球平均；單看碳指標可能掩蓋環境負擔轉移。趙家緯建議，可參考德國《能源效率法案》分階段加嚴電力使用效率與再生能源比例，並規劃「能源園區」整合算力、再生能源、儲能與再生水。

• 한국과학기술미디어센터 초대 이사장에 노정혜 서울대 교수(조선일보)
• 한국과학기술미디어센터장에 이근영 사회평론아카데미 기획위원(연합뉴스)
• 언론-과학자 잇는 ‘가교’ 되겠다…한국과학기술미디어센터 개소(매일경제)
• 대형 산불 때 정치인 찾아가던 기자들이 달라졌다… 과학기술미디어센터, 과학 보도를 바꿔놓다(한국일보)

• 과학자, 연구자에게는 의견과 해설이 온전한 맥락과 함께 제공되는 안전한 발언 공간이 돼줍니다. 선의를 위해 한 논평이 기사화 과정에서 왜곡되거나 부정확하게 변질될 우려를 줄이는 완충 작용을 합니다. 
• 기관 홍보 담당자에게는 기관의 성과를 기자들에게 보다 객관적이고 정교하게 알리고, SMC 글로벌 네트워크를 통해 영향력을 높일 기회를 제공합니다. 
• 기자에게는 사안을 해석하는 데 도움이 될 치우침 없는 종합적인 정보를 빠르고 풍성하게 제공하고, 이를 통해 기사에서 과학과 기술을 보다 자유롭고 편리하게 활용하도록 돕습니다.

지속적으로 SMCK의 전문가 해설 및 의견을 받아보길 원하신다면 아래 링크에 등록해주세요.
📌 기자 등록하고 전문가 의견 받기 >