{"id":8343,"date":"2025-08-06T16:12:43","date_gmt":"2025-08-06T16:12:43","guid":{"rendered":"https:\/\/floodlightglobal.com\/?p=8343"},"modified":"2025-08-06T16:12:45","modified_gmt":"2025-08-06T16:12:45","slug":"data-center-economics-in-the-age-of-ai-the-rising-cost-of-intelligence","status":"publish","type":"post","link":"https:\/\/floodlightglobal.com\/de\/data-center-economics-in-the-age-of-ai-the-rising-cost-of-intelligence\/","title":{"rendered":"Wirtschaftlichkeit von Rechenzentren im Zeitalter der KI: Die steigenden Kosten der Intelligenz"},"content":{"rendered":"
\"\"<\/figure>\n\n\n\n

Figur<\/strong>: Ein Hyperscaler-Rechenzentrum mit KI-Stromversorgungsservern, Wasserinfrastruktur, Stromracks und erneuerbaren Energiequellen (Solar- und Windenergie).<\/em><\/p>\n\n\n\n

1. Einleitung: KI und die Infrastruktur hinter der Intelligenz<\/strong><\/p>\n\n\n\n

Der aktuelle Anstieg der F\u00e4higkeiten der k\u00fcnstlichen Intelligenz (KI) \u2013 von gro\u00dfen Sprachmodellen \u00fcber generative Tools und Echtzeit-\u00dcbersetzungssysteme bis hin zur Automatisierung intelligenter St\u00e4dte \u2013 beruht auf etwas weniger Sichtbarem: einer schnell wachsenden physischen Infrastruktur aus Hyperscale-Rechenzentren. Diese Rechenzentren sind nicht nur Speicherknotenpunkte oder Cloud-Relays; sie sind die Motoren der KI. W\u00e4hrend KI oft f\u00fcr ihr Versprechen gelobt wird, Klimaprobleme zu l\u00f6sen, die Landwirtschaft zu verbessern und intelligentere St\u00e4dte zu erm\u00f6glichen, wirft ihr steigender Energie- und Ressourcenbedarf lange Schatten auf Umwelt und Gesellschaft.<\/p>\n\n\n\n

Moderne KI-Modelle erfordern erhebliche Rechenressourcen, insbesondere w\u00e4hrend der Trainingsphase. Das Training eines einzigen gro\u00dfen Modells kann die wochen- oder sogar monatelange Verarbeitung von Petabytes an Daten auf Tausenden von Hochleistungs-GPUs erfordern. Diese Rechenintensit\u00e4t f\u00fchrt direkt zu einem erh\u00f6hten Strom- und Wasserverbrauch \u2013 zwei wichtige Umweltfaktoren, die mit der Standortwahl, dem Betrieb und der Erweiterung moderner Rechenzentren zusammenh\u00e4ngen.<\/p>\n\n\n\n

2. Rechenzentren im Zeitalter der KI<\/strong><\/p>\n\n\n\n

In der Vergangenheit waren Rechenzentren f\u00fcr die Unterbringung verschiedener Server konzipiert, die Webhosting, E-Mail und Unternehmenssoftware verwalteten. Diese Systeme waren zwar unverzichtbar, ben\u00f6tigten aber relativ wenig Strom und K\u00fchlung. Die KI-Revolution hat dieses Paradigma jedoch ver\u00e4ndert. Neue Rechenzentren werden zunehmend f\u00fcr die Unterst\u00fctzung hochdichter Computercluster gebaut, die f\u00fcr das Training von KI-Modellen, die Bereitstellung von Inferenzen und die Echtzeit-Datenverarbeitung optimiert sind.<\/p>\n\n\n\n

Laut Zhou (2021) wird das globale Datenvolumen voraussichtlich von 41 Zettabyte im Jahr 2019 auf 175 Zettabyte bis 2025 steigen. Diese Entwicklung deckt sich mit den Prognosen von Reinsel et al. (2017), die davon ausgehen, dass die Datenmenge bis 2025 163 ZB erreichen wird \u2013 eine Verzehnfachung gegen\u00fcber 2016. Diese Prognosen sind keine abstrakten Hochrechnungen mehr. Sie spiegeln reale Ver\u00e4nderungen bei den Infrastrukturinvestitionen wider, insbesondere bei den gr\u00f6\u00dften Technologieunternehmen \u2013 Amazon Web Services (AWS), Microsoft Azure, Google Cloud (Alphabet) und Meta AI \u2013, die gemeinhin als Hyperscaler bezeichnet werden.<\/p>\n\n\n\n

Die architektonische Weiterentwicklung von Rechenzentren zur Unterst\u00fctzung von KI-Workloads erfordert spezialisierte Hardware wie GPUs und TPUs, die deutlich mehr Energie ben\u00f6tigen als herk\u00f6mmliche CPUs. Infolgedessen geh\u00f6ren Rechenzentren, die generative KI unterst\u00fctzen, heute zu den energieintensivsten Strukturen in der globalen Infrastrukturlandschaft.<\/p>\n\n\n\n

3. Hyperscaler: Die Titanen der KI-Infrastruktur<\/strong><\/p>\n\n\n\n

Der gr\u00f6\u00dfte Teil dieses Wachstums wird von einer Handvoll m\u00e4chtiger Akteure vorangetrieben. Amazon, Alphabet, Microsoft und Meta dominieren den Bereich der KI-Rechenzentren weltweit. Diese Hyperscaler entwickeln und betreiben gro\u00dfe Cloud-Plattformen, die KI-Modelle trainieren, Unternehmensdienste verwalten und verbraucherorientierte Anwendungen betreiben.<\/p>\n\n\n\n

Bis 2025 werden die USA \u00fcber 5.426 Rechenzentren beherbergen und damit die weltweit am st\u00e4rksten mit digitaler Infrastruktur ausgestattete Nation sein (Cloudscene, 2025). Allein Virginia verf\u00fcgt innerhalb der USA \u00fcber 13 Prozent der weltweiten Rechenzentrumskapazit\u00e4t und fast 25 Prozent der gesamten nordamerikanischen Kapazit\u00e4t (Sickles et al., 2024). Weltweit repr\u00e4sentieren die USA 54 Prozent der gesamten Hyperscale-Kapazit\u00e4t, und Analysten prognostizieren den Bau von 130 bis 140 neuen Hyperscale-Rechenzentren pro Jahr (Synergy Research Group, 2025).<\/p>\n\n\n\n

KI-Modelle, die in Hyperscale-Umgebungen eingesetzt werden, bevorzugen tendenziell geografische Regionen mit g\u00fcnstiger Steuerpolitik, billigem Strom und gem\u00e4\u00dfigten Klimabedingungen. Diese Entscheidungen f\u00fchren oft zu Clustern riesiger Rechenzentren in Regionen, die m\u00f6glicherweise nicht \u00fcber die nat\u00fcrlichen Ressourcen oder die Infrastruktur verf\u00fcgen, um sie nachhaltig zu betreiben.<\/p>\n\n\n\n

4. Rechenzentrums\u00f6konomie im Zeitalter der KI: Die steigenden Kosten der Intelligenz<\/strong><\/p>\n\n\n\n

Da KI in alle Branchen vordringt \u2013 von der Finanz- und Pharmabranche bis hin zu Logistik und Verteidigung \u2013, w\u00e4chst die Infrastruktur, die sie erm\u00f6glicht, rasant, um den beispiellosen Rechenleistungsanforderungen gerecht zu werden. Das Herzst\u00fcck dieser Infrastruktur bildet das Rechenzentrum: der physische Ort, an dem Daten verarbeitet, gespeichert und analysiert werden.<\/p>\n\n\n\n

Doch mit dem zunehmenden KI-Boom steigen auch der Energieverbrauch und die betriebliche Komplexit\u00e4t moderner Rechenzentren. Neue Forschungs- und Politikans\u00e4tze befassen sich mit den wirtschaftlichen, \u00f6kologischen und standortbezogenen Auswirkungen KI-gest\u00fctzter digitaler Infrastrukturen. Der \u00dcbergang von traditionellen Computer-Workloads zu KI-spezifischen Aufgaben ver\u00e4ndert das Energieprofil von Rechenzentren grundlegend. Im Gegensatz zu herk\u00f6mmlichen Cloud-Diensten sind KI-Workloads rechenintensiv und erfordern eine massive parallele Verarbeitung \u00fcber l\u00e4ngere Zeitr\u00e4ume. Das Training eines gro\u00dfen Sprachmodells kann beispielsweise mehrere Megawattstunden Strom verbrauchen.<\/p>\n\n\n\n

J\u00fcngste Erkenntnisse von Chen et al. (2024) zeigen, dass KI-Workloads der n\u00e4chsten Generation den Strombedarf pro Rack um mehr als 300% erh\u00f6hen. Hyperscaler wie Microsoft, Google (Alphabet), Amazon Web Services und Meta liefern sich derzeit ein Wettrennen um die Modernisierung ihrer globalen Pr\u00e4senz mit KI-f\u00e4higer Infrastruktur, die sich durch h\u00f6here W\u00e4rmedichte, fortschrittliche K\u00fchlsysteme und die N\u00e4he zu erneuerbaren Energiequellen auszeichnet.<\/p>\n\n\n\n

Die makro\u00f6konomischen Auswirkungen sind klar: Strom ist zu einem Kostenfaktor und zunehmend zu einem Engpass geworden. In den Vereinigten Staaten ist die Situation noch akuter. Das Energieministerium (2023) berichtet, dass Rechenzentren bis Ende 2023 bis zu 8 Prozent des nationalen Strombedarfs decken k\u00f6nnten. Manche einzelne Rechenzentren ben\u00f6tigen mittlerweile so viel Energie wie ganze Kleinst\u00e4dte. Eine Anlage mit einer Leistung von 11.951 Kilowatt kann so viel Strom verbrauchen wie 10.000 Wohnh\u00e4user (Bast et al., 2022). Wie Berger (2025) feststellt, machen die Energiekosten in einigen US-Regionen mittlerweile 401 bis 601 TP7B der Betriebskosten in KI-Rechenzentren aus.<\/p>\n\n\n\n

Die Auswirkungen auf die CO2-Emissionen sind gravierend. Hyperscaler werben zwar mit ihrem Engagement f\u00fcr erneuerbare Energien, viele ihrer Betriebe sind jedoch immer noch auf Netzstrom aus fossilen Brennstoffen angewiesen. Selbst wenn erneuerbare Energien Teil des Energiemixes sind, reduziert sich die CO2-Intensit\u00e4t nicht immer, insbesondere nicht in Spitzenlastzeiten. Zudem werden Emissionen \u2013 beispielsweise aus der GPU-Herstellung und dem Bau von Rechenzentren \u2013 in den Klimaversprechen der Unternehmen selten ber\u00fccksichtigt (Ananth & Malige, 2024). Diese Scope-3-Emissionen sind zwar indirekt, tragen aber am st\u00e4rksten zum CO2-Fu\u00dfabdruck der KI-Infrastruktur bei.<\/p>\n\n\n\n

5. Wasserverbrauch und lokale Umweltbelastung<\/strong><\/p>\n\n\n\n

Energie ist nur ein Teil der Umweltbelastung. Rechenzentren ben\u00f6tigen ebenfalls enorme Mengen Wasser, vor allem f\u00fcr die K\u00fchlung und indirekt durch die Stromerzeugung. Unter Ber\u00fccksichtigung des direkten und indirekten Verbrauchs k\u00f6nnen Rechenzentren zwischen 1 und 205 Liter Wasser pro Gigabyte verarbeiteter Daten verbrauchen (Ristic, Madani & Makuch, 2015).<\/p>\n\n\n\n

Hyperscaler errichten ihre Anlagen h\u00e4ufig in Gebieten, die bereits unter Wasserknappheit leiden. Laut JLARC (2017) verbraucht ein typisches Rechenzentrum j\u00e4hrlich 27 Millionen Liter Wasser \u2013 vergleichbar mit einem gro\u00dfen B\u00fcrogeb\u00e4ude. Die Ansammlung von Dutzenden oder gar Hunderten von Rechenzentren in einer einzigen Region wie Virginia oder Phoenix kann jedoch die lokalen Grundwasserleiter, Fl\u00fcsse und kommunalen Wassersysteme erheblich belasten.<\/p>\n\n\n\n

Dar\u00fcber hinaus kann das erhitzte Abwasser aus Rechenzentren lokale \u00d6kosysteme ver\u00e4ndern, die aquatische Artenvielfalt sch\u00e4digen und zur W\u00e4rmeverschmutzung beitragen. Die wachsende Nachfrage nach KI bedeutet, dass die Anzahl und Intensit\u00e4t solcher Anlagen ohne starke regulatorische Eingriffe wahrscheinlich nicht abnehmen wird.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

6. Scope 2- und Scope 3-Emissionen stehen unter der Lupe<\/strong><\/p>\n\n\n\n

In der Vergangenheit konzentrierte sich die Emissionsbilanzierung von Rechenzentren auf Scope 2 \u2013 indirekte Emissionen aus dem Strombezug. Immer mehr wissenschaftliche Studien lenken den Fokus jedoch auf Scope 3-Emissionen, die vorgelagerte Lieferkettenfaktoren wie Halbleiterherstellung, Servertransport und Baumaterialien umfassen. Abbildung 2 zeigt die Treibhausgasemissionen eines typischen Rechenzentrums in Scope 1, 2 und 3.<\/p>\n\n\n\n

Eine umfassende Studie von Ananth und Malige (2024) zeigt, dass die Scope-3-Emissionen von Hyperscale-Rechenzentren die Scope-2-Emissionen um das Doppelte \u00fcbersteigen k\u00f6nnen, insbesondere w\u00e4hrend der Ausbauphase. Da KI-Systeme fortschrittlichere GPUs und schnellere Netzwerkkomponenten ben\u00f6tigen, steigt der in der Hardware enthaltene Kohlenstoff weiter an.<\/p>\n\n\n\n

Dies hat schwerwiegende Auswirkungen auf ESG-konforme Investoren und Unternehmenskunden. Mit dem Inkrafttreten der Richtlinie der Europ\u00e4ischen Union zur Nachhaltigkeitsberichterstattung von Unternehmen (CSRD) m\u00fcssen gro\u00dfe Unternehmen, die in oder mit der EU t\u00e4tig sind, nun Scope-3-Emissionen offenlegen, was Hyperscaler einer strengeren regulatorischen Kontrolle unterwirft.<\/p>\n\n\n\n

7. KI als Problem und L\u00f6sung zugleich<\/strong><\/p>\n\n\n\n

Ironischerweise kann KI selbst eine entscheidende Rolle bei der Reduzierung der Umweltauswirkungen ihrer Infrastruktur spielen. KI-gest\u00fctzte \u00dcberwachungssysteme k\u00f6nnen beispielsweise die K\u00fchlung in Rechenzentren optimieren und so den Energieverbrauch um bis zu 40 Prozent senken, wie Googles DeepMind zeigt. KI kann zudem vorausschauende Wartung, dynamischen Lastausgleich und energieeffiziente Arbeitslastplanung erm\u00f6glichen.<\/p>\n\n\n\n

Innovationen im Rechenzentrumsdesign, wie Fl\u00fcssigkeitsk\u00fchlung und Abw\u00e4rmer\u00fcckgewinnung, bieten zus\u00e4tzliches Potenzial. In nordischen L\u00e4ndern wird die Abw\u00e4rme von KI-Zentren nun zur Fernw\u00e4rmeversorgung Tausender Haushalte genutzt. Dieser Ansatz reduziert nicht nur die Energieverschwendung, sondern bietet auch soziale Vorteile.<\/p>\n\n\n\n

Unternehmen wie Meta und Microsoft haben ebenfalls begonnen, in geschlossene Wasserkreisl\u00e4ufe zu investieren, um bis 2030 einen Netto-Null-Wasserverbrauch zu erreichen. Diese Bem\u00fchungen sind zwar lobenswert, stellen aber noch immer eher die Ausnahme als die Regel dar.<\/p>\n\n\n\n

8. Wichtige Auswirkungen auf Investitionen<\/strong><\/p>\n\n\n\n

Unmittelbare Risiken (2024\u20132025)<\/strong><\/p>\n\n\n\n