Die Wirtschaftlichkeit von Rechenzentren im Zeitalter der KI: Die steigenden Kosten der Intelligenz

Abbildung: Ein Hyperscaler-Datenzentrum, das KI-Leistungsserver, Wasserinfrastruktur, Stromracks und erneuerbare Energiequellen (Solar und Wind) zeigt.

1. Einführung: KI und die Infrastruktur hinter Intelligenz

Der aktuelle Anstieg der Fähigkeiten der künstlichen Intelligenz (KI) – von großen Sprachmodellen über generative Werkzeuge bis hin zu Echtzeit-Übersetzungssystemen und Automatisierung in Smart Cities – hängt von etwas weniger Sichtbarem ab: einer schnell wachsenden physischen Infrastruktur, die aus Hyperscale-Datenzentren besteht. Diese Datenzentren sind nicht nur Speicherzentren oder Cloud-Relais; sie sind die Motoren der KI. Während KI oft für ihr Versprechen gelobt wird, Klimaherausforderungen zu lösen, die Landwirtschaft zu verbessern und intelligentere Städte zu ermöglichen, werfen ihre steigenden Energie- und Ressourcenanforderungen einen langen ökologischen und sozialen Schatten.

Heutige KI-Modelle benötigen erhebliche Rechenressourcen, insbesondere während der Trainingsphase. Das Training eines einzelnen großen Modells kann die Verarbeitung von Petabytes an Daten über Tausende von Hochleistungs-GPUs über Wochen oder sogar Monate hinweg erfordern. Diese Rechenintensität übersetzt sich direkt in einen erhöhten Strom- und Wasserverbrauch – zwei wichtige Umweltfaktoren, die mit der Standortwahl, dem Betrieb und der Erweiterung moderner Datenzentren verbunden sind.

2. Datenzentren im Zeitalter der KI

Historisch gesehen wurden Datenzentren entworfen, um verschiedene Server unterzubringen, die Webhosting, E-Mail und Unternehmenssoftware verwalteten. Diese Systeme waren zwar wichtig, aber in Bezug auf Energie- und Kühlanforderungen relativ bescheiden. Die KI-Revolution hat jedoch dieses Paradigma verändert. Neue Datenzentren werden zunehmend gebaut, um Hochleistungs-Computercluster zu unterstützen, die für das Training von KI-Modellen, die Bereitstellung von Inferenz und die Echtzeit-Datenverarbeitung optimiert sind.

Laut Zhou (2021) wird erwartet, dass das globale Datenvolumen von 41 Zettabyte im Jahr 2019 bis 2025 auf 175 Zettabyte ansteigt. Diese Entwicklung stimmt mit den Prognosen von Reinsel et al. (2017) überein, die erwarten, dass die Datenerstellung bis 2025 163 ZB erreichen wird, was einer Verzehnfachung im Vergleich zu 2016 entspricht. Diese Prognosen sind keine abstrakten Projektionen mehr. Sie spiegeln reale Veränderungen in der Infrastrukturinvestition wider, insbesondere durch die größten Technologieunternehmen – Amazon Web Services (AWS), Microsoft Azure, Google Cloud (Alphabet) und Meta AI – die gemeinhin als Hyperscaler bezeichnet werden.

Die architektonische Evolution von Datenzentren zur Unterstützung von KI-Workloads umfasst spezialisierte Hardware wie GPUs und TPUs, die erheblich mehr Energie benötigen als traditionelle CPUs. Infolgedessen sind Datenzentren, die generative KI unterstützen, nun einige der energieintensivsten Strukturen in der globalen Infrastruktur.

3. Hyperscaler: Die Titanen der KI-Infrastruktur

Der größte Teil dieses Wachstums wird von einer Handvoll mächtiger Akteure vorangetrieben. Amazon, Alphabet, Microsoft und Meta dominieren den globalen Markt für KI-Datenzentren. Diese Hyperscaler bauen und betreiben großangelegte Cloud-Plattformen, die KI-Modelle trainieren, Unternehmensdienste verwalten und verbraucherorientierte Anwendungen betreiben.

Bis 2025 beherbergt die Vereinigten Staaten über 5.426 Datenzentren, was sie zur am stärksten gesättigten Nation weltweit in Bezug auf digitale Infrastruktur macht (Cloudscene, 2025). Innerhalb der Vereinigten Staaten macht Virginia allein 13 Prozent der weltweiten Datenzentrumskapazität und fast 25 Prozent der gesamten nordamerikanischen Kapazität aus (Sickles et al., 2024). Auf globaler Ebene repräsentiert die Vereinigten Staaten 54 Prozent der gesamten Hyperscale-Kapazität, und Analysten prognostizieren, dass jährlich 130 bis 140 neue Hyperscale-Datenzentren gebaut werden (Synergy Research Group, 2025).

KI-Modelle, die in Hyperscale-Umgebungen eingesetzt werden, tendieren dazu, geografische Regionen zu bevorzugen, die günstige Steuerpolitik, günstige Elektrizität und moderate Klimabedingungen bieten. Diese Entscheidungen führen oft zu Clustern von massiven Datenzentren in Regionen, die möglicherweise nicht über die natürlichen Ressourcen oder die Infrastruktur verfügen, um sie nachhaltig zu unterstützen.

4. Datenzentrum-Ökonomie im Zeitalter der KI: Die steigenden Kosten der Intelligenz

Da KI in jeden Sektor eindringt – von Finanzen und Pharmazeutika bis hin zu Logistik und Verteidigung – wächst die Infrastruktur, die sie ermöglicht, schnell, um den beispiellosen Rechenanforderungen gerecht zu werden. Im Kern dieser Infrastruktur liegt das Datenzentrum: der physische Standort, an dem Daten verarbeitet, gespeichert und analysiert werden.

Doch während der KI-Boom eskaliert, steigt auch die Energieintensität und die operationale Komplexität moderner Datenzentren. Ein neuer Forschungs- und Politikbereich entsteht rund um die wirtschaftlichen, ökologischen und standortspezifischen Implikationen der KI-gesteuerten digitalen Infrastruktur. Der Übergang von traditionellen Computer-Workloads zu KI-spezifischen Aufgaben verändert grundlegend das Energieprofil von Datenzentren. Im Gegensatz zu herkömmlichen Cloud-Diensten sind KI-Workloads rechenintensiv und erfordern massive parallele Verarbeitung über längere Zeiträume. Das Training eines großen Sprachmodells kann beispielsweise mehrere Megawattstunden Strom verbrauchen.

Aktuelle Erkenntnisse von Chen et al. (2024) zeigen, dass die nächsten Generationen von KI-Workloads die Stromnachfrage pro Rack um mehr als 300 % erhöhen. Hyperscaler wie Microsoft, Google (Alphabet), Amazon Web Services und Meta sind nun dabei, ihre globalen Standorte mit KI-fähiger Infrastruktur aufzurüsten, die durch höhere thermische Dichte, fortschrittliche Kühlsysteme und Nähe zu erneuerbaren Energiequellen gekennzeichnet ist.

Die makroökonomische Implikation ist klar: Elektrizität ist zu einem Kostenfaktor geworden und zunehmend auch zu einer Einschränkung. In den Vereinigten Staaten ist die Situation noch akuter. Das Energieministerium (2023) berichtet, dass Datenzentren bis Ende 2023 bis zu 8 Prozent des nationalen Strombedarfs ausmachen könnten. Einige einzelne Datenzentren benötigen mittlerweile so viel Energie wie ganze kleine Städte. Eine Einrichtung mit einer Kapazität von 11.951 Kilowatt kann so viel Strom verbrauchen wie 10.000 Haushalte (Bast et al., 2022). Wie Berger (2025) anmerkt, machen die Energiekosten in einigen US-Regionen mittlerweile 40 % bis 60 % der Betriebskosten in KI-gewidmeten Datenzentren aus.

Die Implikationen für die Kohlenstoffemissionen sind tiefgreifend. Während Hyperscaler ihre Verpflichtungen zu erneuerbaren Energien loben, sind viele ihrer Operationen immer noch auf Netzenergie angewiesen, die aus fossilen Brennstoffen stammt. Selbst wenn erneuerbare Energien Teil des Mixes sind, wird die gesamte Kohlenstoffintensität nicht immer reduziert, insbesondere während Spitzenlastzeiten. Darüber hinaus werden verkörperte Emissionen – wie die von der GPU-Herstellung und dem Bau von Datenzentren – in Unternehmensklimaplänen selten berücksichtigt (Ananth & Malige, 2024). Diese Scope-3-Emissionen, obwohl indirekt, gehören zu den bedeutendsten Beiträgen zum CO2-Fußabdruck der KI-Infrastruktur.

5. Wasserverbrauch und lokale Umweltbelastung

Energie ist nur ein Teil der Umweltbelastung. Datenzentren benötigen auch große Mengen Wasser, hauptsächlich für Kühlzwecke und indirekt durch die Stromerzeugung. Wenn man sowohl direkte als auch indirekte Verwendungen berücksichtigt, können Datenzentren zwischen 1 und 205 Litern Wasser pro Gigabyte verarbeiteten Daten verbrauchen (Ristic, Madani, & Makuch, 2015).

In vielen Fällen platzieren Hyperscaler ihre Einrichtungen in bereits wasserbelasteten Gebieten. Laut JLARC (2017) kann ein typisches Datenzentrum jährlich 6,7 Millionen Gallonen Wasser verbrauchen – vergleichbar mit einem großen Bürogebäude. Die Aggregation von Dutzenden oder sogar Hunderten von Zentren in einer einzigen Region, wie Virginia oder Phoenix, kann jedoch die lokalen Aquiferen, Flüsse und kommunalen Wassersysteme erheblich belasten.

Darüber hinaus kann das erhitzte Abwasser, das aus Datenzentren abgeleitet wird, lokale Ökosysteme verändern, die aquatische Biodiversität schädigen und zur thermischen Verschmutzung beitragen. Die wachsende Nachfrage nach KI bedeutet, dass solche Einrichtungen wahrscheinlich nicht in Anzahl oder Intensität abnehmen werden, ohne starke regulatorische Eingriffe.

6. Scope-2- und Scope-3-Emissionen stehen unter dem Mikroskop

Historisch gesehen hat sich die Emissionsberichterstattung von Datenzentren eng auf Scope 2 – indirekte Emissionen aus gekaufter Elektrizität – konzentriert. Eine wachsende Anzahl wissenschaftlicher Studien lenkt jedoch die Aufmerksamkeit auf Scope 3-Emissionen, die upstream-Lieferkettenfaktoren wie die Halbleiterherstellung, den Transport von Servern und Baumaterialien umfassen. Abbildung 2 zeigt die Treibhausgasemissionen eines typischen Datenzentrums in den Bereichen Scope 1, 2 und 3.

Eine umfassende Studie von Ananth und Malige (2024) zeigt, dass die Scope-3-Emissionen von Hyperscale-Datenzentren die Scope-2-Emissionen um das Zweifache übersteigen können, insbesondere während der Ausbauphase. Da KI-Systeme zunehmend fortschrittlichere GPUs und schnellere Netzwerkkomponenten benötigen, steigt der verkörperte Kohlenstoff in der Hardware weiter an.

Dies hat ernsthafte Implikationen für ESG-konforme Investoren und Unternehmensklienten. Mit dem Inkrafttreten der Corporate Sustainability Reporting Directive (CSRD) der Europäischen Union müssen große Unternehmen, die in der EU tätig sind oder mit der EU zusammenarbeiten, nun ihre Scope-3-Emissionen offenlegen, was Hyperscaler einer strengeren regulatorischen Kontrolle unterwirft.

7. KI als Problem und Lösung

Ironischerweise kann die KI selbst eine entscheidende Rolle bei der Bewältigung der Umweltauswirkungen ihrer Infrastruktur spielen. KI-gestützte Überwachungssysteme können beispielsweise die Kühloperationen in Datenzentren optimieren und den Energieverbrauch um bis zu 40 Prozent senken, wie von Googles DeepMind demonstriert. KI kann auch vorausschauende Wartung, dynamisches Lastenmanagement und energieeffiziente Arbeitslastplanung erleichtern.

Innovationen im Design von Datenzentren, wie Flüssigkeitskühlung und Abwärmerückgewinnung, bieten zusätzliche Versprechen. In den nordischen Ländern wird Abwärme aus KI-Zentren mittlerweile genutzt, um Tausende von Haushalten mit Fernwärme zu versorgen. Dieser Ansatz reduziert nicht nur den Energieabfall, sondern bietet auch soziale Mitvorteile.

Unternehmen wie Meta und Microsoft haben auch begonnen, in geschlossene Wassersysteme zu investieren, um bis 2030 eine Netto-Wasserverwendung von null zu erreichen. Diese Bemühungen sind zwar lobenswert, stellen jedoch immer noch Ausnahmen und nicht die Norm dar.

8. Wichtige Investitionsimplikationen

Unmittelbare Risiken (2024-2025)

Stranded Assets: Traditionelle Datenzentren (CPU) könnten obsolet werden, da KI-Workloads eine 3-fache Leistungsdichte (GPU/TPU-Cluster) erfordern. Dies deutet darauf hin, dass ältere, niedrigdichte Datenzentren Schwierigkeiten haben könnten, die nächste Generation von KI-Infrastruktur unterzubringen und das Risiko besteht, dass sie zu stranded assets werden, während sich die Kundenpräferenzen ändern.
Volatilität der Energiekosten: Da Datenzentren energieintensiver werden (insbesondere KI-fokussiert), sehen sich Betreiber einem erhöhten Risiko durch die Volatilität der Energiepreise und Margenkompression gegenüber – ein erhebliches Anliegen in einer Welt steigender Strompreise. Etwa 40-60 % der Betriebskosten sind jetzt energieabhängig, was das Risiko der Margenkompression erhöht
Regulatorische Exposition: Die Corporate Sustainability Reporting Directive (CSRD) der EU verlangt ausdrücklich die Offenlegung der Scope-3-Treibhausgasemissionen für betroffene Unternehmen, zu denen große öffentliche EU-Unternehmen und Nicht-EU-Unternehmen mit erheblichem EU-Geschäft gehören, das die Bewertungen der Hyperscaler beeinflusst.

Investitionsmöglichkeiten

Sektor/Thema	Investitionsmöglichkeit	Risikostufe	Zeitplan
Erneuerbare Energie REITs	Stromabnahmeverträge (PPAs) für Datenzentren	Mittel	1-3 Jahre
Kühltechnologie	Flüssigkeitskühlung, Abwärmerückgewinnung	Hoch	2-5 Jahre
Wasserinfrastruktur	Geschlossene Systeme, fortschrittliche Wasseraufbereitungstechnologie	Mittel	3-7 Jahre

Erneuerbare Energie REITs & PPAs: Der enorme Strombedarf von Datenzentren treibt Investitionen in erneuerbare Energien und Stromabnahmeverträge (PPAs) voran. Dies kann ein moderates Risiko, kurzfristig (1-3 Jahre) darstellen, da die Nachfrage und der regulatorische Druck für saubere Energie steigen[1].

Kühltechnologie: Da die Leistungsdichte von KI wächst, wird die traditionelle Kühlung nicht ausreichen. Investitionen in hochpotenzielle, aber technisch riskantere Lösungen wie Flüssigkeitskühlung und die Erfassung/Wiederverwendung von Abwärme werden in den nächsten 2-5 Jahren voraussichtlich zunehmen[2].

Wasserinfrastruktur: Effizientes Wassermanagement wird entscheidend, da die Kühlanforderungen steigen. Investitionen in geschlossene Kühlsysteme und fortschrittliche Wasseraufbereitungstechnologie entwickeln sich, wobei die Erträge voraussichtlich in 3-7 Jahren eintreffen[3].

Due Diligence-Checkliste

Energiebeschaffungsstrategie und PPA-Portfolio
Wasserverbrauchseffizienz und lokale Verfügbarkeit
Berichterstattungskapazität für Scope-3-Emissionen
Prozentsatz der KI-fähigen Infrastruktur
Geografische Diversifizierung vs. Klimarisiko

Floodlight empfohlene Maßnahmen zur Bewertung typischer Datenzentren.

Überprüfen Sie bestehende Technologieanlagen auf Datenzentrumsexposition und Energieeffizienz
Bewerten Sie ESG-Fonds auf Lücken in der Berichterstattung über Scope-3-Emissionen
Erwägen Sie Infrastrukturinvestitionen in erneuerbare Energien und Kühltechnologie

[1] https://netzeroinsights.com/resources/key-investment-trends-driving-data-center-sustainability-in-2025/

[2] https://www.bloomenergy.com/blog/powering-ai/

[3] https://fortune.com/asia/2025/07/22/data-centers-power-renewable-energy-brainstorm-ai-singapore/

Quellen:

Ananth, C., & Malige, L. K. (2024). Die Auswirkungen der künstlichen Intelligenz auf die moderne Datenzentrumsindustrie. SSRN. https://papers.ssrn.com/sol3/papers.cfm?abstract_id=4930505
Berger, A. (2025). Künstliche Intelligenz Datenzentren und in den USA ansässige Hyperscaler. Johns Hopkins University. https://jscholarship.library.jhu.edu/items/8792d5a5-91a3-4179-bc73-61fcc2ae1879
Bast, J., et al. (2022). Energieprofil der US-Datenzentren
Chen, D., Youssef, A., et al. (2024). Die Transformation der Hybrid-Cloud für aufkommende KI-Workloads. arXiv. https://arxiv.org/abs/2411.13239
Cloudscene. (2025). Globales Datenzentrum-Verzeichnis
Department of Energy. (2023). Energieverbrauchstrends von Datenzentren
Ferreboeuf, H. (2023). Übergang zu nachhaltigen digitalen Modellen. TU-Berlin.
JLARC. (2017). Wasserverbrauch von Datenzentren in Virginia
Lifset, R., et al. (2025). Environmental Law Review
Masanet, E., et al. (2020). Neukalibrierung der Schätzungen zum Energieverbrauch globaler Datenzentren
Sickles, K., et al. (2024). Energieungleichheiten von Datenzentren
Zhou, Y. (2021). Prognose des globalen Datenvolumens