Energieverbrauch von KI-Agenten: Warum komplexe Arbeitsprozesse den Strombedarf erhöhen

Wenn aus einer Anfrage ein Arbeitsprozess wird

Die Debatte über den Energiebedarf künstlicher Intelligenz hat lange mit einer scheinbar einfachen Einheit gearbeitet: dem einzelnen Prompt. Eine Nutzerin oder ein Nutzer stellt eine Frage, ein Modell erzeugt eine Antwort, und für diesen Vorgang lässt sich ein durchschnittlicher Energieverbrauch angeben. Für klassische Chatbot-Interaktionen kann diese Betrachtung eine grobe Orientierung liefern.

Bei modernen KI-Agenten greift sie jedoch zu kurz. Ein Agent beantwortet eine Aufgabe nicht zwangsläufig in einem einzigen Modellaufruf. Er kann zunächst einen Arbeitsplan erstellen, Dateien durchsuchen, Code analysieren, Werkzeuge verwenden, Zwischenergebnisse bewerten, Fehler korrigieren und weitere Modellaufrufe starten. Nach außen sieht dieser Vorgang möglicherweise wie eine einzelne Anweisung aus. Im Hintergrund entsteht daraus jedoch eine Kette von Berechnungen.

Programmieragenten wie Claude Code machen diesen Unterschied besonders deutlich. Sie arbeiten mit lokalen Verzeichnissen, Quelltexten, Dokumentationen und Ausführungsumgebungen. Für eine scheinbar einfache Anforderung wie „Überprüfen Sie dieses Modul und beheben Sie die Tests“ kann der Agent zahlreiche Dateien einlesen, Abhängigkeiten nachvollziehen, Änderungen vorschlagen, Tests ausführen und die Ergebnisse erneut interpretieren.

Der entscheidende Klimafaktor ist deshalb nicht allein die Länge der sichtbaren Eingabe. Maßgeblich sind die Zahl der internen Arbeitsschritte, die Menge des verarbeiteten Kontexts, die Größe des verwendeten Modells und die Infrastruktur, auf der die Berechnungen ausgeführt werden.

Eine Analyse mit deutlich höheren Verbrauchswerten

Der Klimawissenschaftler Zeke Hausfather hat den Energiebedarf einer intensiven Nutzung des Programmieragenten Claude Code untersucht. Hausfather ist unter anderem für Stripe und Berkeley Earth tätig. Für seine Berechnung stützte er sich auf Ansätze aus Arbeiten zur Messung von Emissionen bei KI-Systemen sowie auf Untersuchungen zur Nutzung und Kostenstruktur von KI-Agenten.

Über einen Zeitraum von acht Wochen erfasste er nach den vorliegenden Angaben 1.138 eigene Eingaben in Claude Code. Diese Eingaben führten zu mehr als 14.000 Anfragen an das zugrunde liegende Modell. Insgesamt wurden dabei rund 3,2 Milliarden Token verarbeitet beziehungsweise erzeugt.

Auf dieser Grundlage schätzt Hausfather den Stromverbrauch auf etwa 170 Kilowattstunden. Daraus ergibt sich ein Durchschnitt von ungefähr 150 Wattstunden je Eingabe. Dieser Wert ist nicht als allgemeingültiger Verbrauchswert für jede Claude-Code-Sitzung zu verstehen. Er beschreibt vielmehr eine konkrete, intensive Nutzung unter bestimmten technischen und methodischen Annahmen.

Gerade diese Einschränkung ist für die Einordnung wichtig. Ein Prompt ist bei einem Agenten lediglich der Startpunkt. Ob daraus zwei oder mehrere hundert Modellaufrufe entstehen, hängt von der Aufgabenstellung, dem Projektumfang, den verfügbaren Werkzeugen und dem Verhalten des Agenten ab. Auch die Menge der eingelesenen Dateien und die Länge des Gesprächskontexts können den Bedarf erheblich verändern.

Die Analyse weist deshalb eine breite Unsicherheitsspanne aus. Für die acht Wochen werden je nach Berechnungsweise etwa 70 bis 330 Kilowattstunden genannt. Die Differenz zeigt, wie schwierig es derzeit ist, den Energieverbrauch einzelner KI-Nutzungen präzise zu bestimmen.

Warum Agenten wesentlich mehr Rechenleistung benötigen

Viele Modellaufrufe statt einer Antwort

Ein einfacher Chat-Prompt kann mit einem einzelnen Aufruf an ein Sprachmodell beantwortet werden. Ein Agent arbeitet dagegen häufig iterativ. Er erhält ein Ziel und entscheidet anschließend, welche Schritte zur Bearbeitung notwendig sind. Nach jedem Schritt kann eine neue Bewertung durch das Modell folgen.

Ein typischer Ablauf beim Programmieren kann beispielsweise so aussehen:

• Analyse der Nutzeranforderung und Erstellung eines Plans
• Suche nach relevanten Dateien und Funktionen
• Einlesen von Quelltext, Konfigurationsdateien und Dokumentation
• Entwurf einer Änderung
• Ausführung von Tests oder anderen Werkzeugen
• Auswertung der Ergebnisse
• Korrektur fehlerhafter Änderungen
• Erneute Prüfung und Zusammenfassung der Resultate

Jeder dieser Schritte kann einen weiteren Modellaufruf auslösen. Selbst wenn viele Operationen automatisiert wirken, benötigen sie Rechenzeit in den Rechenzentren des jeweiligen Anbieters.

Der Kontext wächst mit der Aufgabe

Ein weiterer Faktor ist der Kontext. Damit ein Agent in einem Softwareprojekt sinnvoll arbeiten kann, muss er wissen, welche Dateien relevant sind, welche Änderungen bereits vorgenommen wurden und welche Ergebnisse Tests oder Werkzeuge geliefert haben. Diese Informationen werden häufig bei späteren Modellaufrufen erneut berücksichtigt.

Die wiederholte Verarbeitung bereits vorhandener Informationen wird in Analysen zum Agentenverbrauch teilweise als besonders relevanter Kostenfaktor beschrieben. Auch wenn Anbieter technische Verfahren wie Caching einsetzen, verschwindet der Ressourcenbedarf dadurch nicht vollständig. Je größer das Projekt und je länger die Sitzung, desto mehr Daten können in den Arbeitskontext einfließen.

Leistungsfähige Modelle sind nicht für jede Aufgabe erforderlich

Viele Agenten greifen für sämtliche Schritte auf ein besonders leistungsfähiges Modell zurück. Das kann bei komplexen Programmieraufgaben, anspruchsvoller Recherche oder schwierigen Planungsprozessen sinnvoll sein. Für einfache Klassifikationen, kurze Zusammenfassungen oder begrenzte Transformationsaufgaben ist ein Spitzenmodell jedoch nicht zwingend erforderlich.

Nach der vorliegenden Analyse kann die Nutzung kleinerer Modelle für einfache Aufgaben den Energiebedarf je Token gegenüber einem besonders großen Frontier-Modell um den Faktor fünf bis sieben reduzieren. Diese Größenordnung ist als Orientierung zu verstehen, nicht als fester Wert für alle Anbieter und Einsatzszenarien. Die tatsächliche Differenz hängt unter anderem von Modellarchitektur, Hardware, Auslastung und Rechenzentrum ab.

Vom einzelnen Prompt zum Energieprofil eines Arbeitstags

Für reguläre Nutzerinnen und Nutzer werden in der Analyse Claude-Code-Sitzungen mit einem Verbrauch zwischen etwa 0,2 und 1,2 Kilowattstunden angegeben. Bei einer besonders intensiven Nutzung kann der Wert für einen Arbeitstag zwischen etwa 1,2 und 5,9 Kilowattstunden liegen.

Diese Angaben verdeutlichen, dass der persönliche Verbrauch stark vom Einsatzmuster abhängt. Wer gelegentlich eine kleine Codeänderung prüfen oder eine Datei umstrukturieren lässt, erzeugt ein anderes Lastprofil als ein Entwicklungsteam, das mehrere Agenten parallel auf eine umfangreiche Codebasis ansetzt. Auch automatisierte Prozesse, die Agenten ohne direkte menschliche Begleitung wiederholt ausführen, können den Verbrauch deutlich erhöhen.

Würde die intensive Nutzung aus der Untersuchung über ein ganzes Jahr unverändert fortgesetzt, ergäbe sich eine Größenordnung von rund 1,1 Megawattstunden. Unter den zugrunde gelegten Annahmen entspräche dies etwa 370 Kilogramm CO₂-Emissionen. Zum Vergleich werden in der Analyse rund 262 Kilogramm für den jährlichen Betrieb eines Wäschetrockners und etwa 686 Kilogramm für ein Elektroauto genannt, das ein Jahr lang in Kalifornien genutzt wird.

Solche Vergleiche machen abstrakte Energiemengen verständlicher. Sie dürfen jedoch nicht darüber hinwegtäuschen, dass die Emissionen von der Stromerzeugung am jeweiligen Standort abhängen. Eine Kilowattstunde aus einem Stromnetz mit hohem Anteil fossiler Energieträger verursacht mehr CO₂ als dieselbe Energiemenge in einer Region mit einem weitgehend erneuerbaren oder emissionsarmen Strommix.

Warum die Zahlen nur begrenzt vergleichbar sind

Die Angabe von 150 Wattstunden pro Eingabe wirkt im Vergleich zu häufig zitierten Werten für einfache Chat-Anfragen besonders hoch. In der öffentlichen Debatte wird für eine normale ChatGPT-Anfrage unter Berufung auf eine Aussage von OpenAI-Chef Sam Altman ein Wert von ungefähr 0,34 Wattstunden genannt. Zwischen diesem Wert und der Agentenschätzung liegt ein erheblicher Unterschied.

Die Zahlen beziehen sich allerdings nicht auf denselben Vorgang. Bei einer einfachen Chat-Anfrage wird typischerweise eine einzelne Antwort betrachtet. Bei einer Agentensitzung kann eine Nutzereingabe zahlreiche Folgeaktionen auslösen. Die geeignete Vergleichseinheit wäre daher nicht unbedingt der Prompt, sondern der vollständig erledigte Arbeitsauftrag.

Auch bei der Berechnung selbst bestehen offene Fragen. Nicht immer ist klar, welche Teile des Stromverbrauchs einbezogen werden. Dazu zählen etwa die Rechenleistung für die eigentliche Modellausführung, Speicherzugriffe, Kühlung, Netzwerkkomponenten und der sogenannte Overhead der Rechenzentrumsinfrastruktur. Hinzu kommen Unterschiede zwischen dem Energiebedarf während des Trainings eines Modells und dem Bedarf während seiner Nutzung, der sogenannten Inferenz.

Für Unternehmen bedeutet das: Einzelne Modellangaben oder allgemeine Durchschnittswerte reichen nicht aus, um den ökologischen Fußabdruck eines KI-Prozesses zu bewerten. Notwendig ist eine Betrachtung des gesamten Workflows. Dabei sollten sowohl die Zahl der Aufgaben als auch die durchschnittliche Dauer, die verwendeten Modelle, die Token-Mengen und die Infrastruktur berücksichtigt werden.

Die Bedeutung für Unternehmen und IT-Verantwortliche

KI-Agenten können in Unternehmen erhebliche Produktivitätsgewinne ermöglichen. Sie können Softwaretests vorbereiten, Dokumente strukturieren, Informationen aus internen Quellen zusammenführen oder wiederkehrende Arbeitsschritte automatisieren. Der steigende Energiebedarf stellt diesen Nutzen nicht grundsätzlich infrage. Er erweitert jedoch die Kriterien, nach denen ein KI-Einsatz geplant und bewertet werden sollte.

Für B2B-Anwender ist zunächst eine klare Unterscheidung zwischen Anwendungsfällen erforderlich. Nicht jede Aufgabe benötigt autonome Planung und wiederholte Werkzeugaufrufe. Ein kurzer Entwurf, eine Übersetzung oder eine einfache Zusammenfassung kann häufig mit einem weniger komplexen Modell und einem begrenzten Kontext bearbeitet werden.

Bei anspruchsvolleren Aufgaben sollten Unternehmen definieren, wann ein Agent zusätzliche Schritte ausführen darf. Dazu gehören maximale Laufzeiten, begrenzte Zahl von Modellaufrufen, kontrollierte Dateizugriffe und Abbruchbedingungen. Solche Vorgaben dienen nicht nur der Kosten- und Sicherheitskontrolle. Sie können zugleich den Energieverbrauch begrenzen.

Eine belastbare Governance für agentische Systeme kann unter anderem folgende Punkte enthalten:

• Zuordnung jeder Aufgabe zu einem angemessenen Modell und einer passenden Qualitätsstufe
• Festlegung von Budgets für Token, Laufzeit und Modellaufrufe
• Protokollierung der Agentensitzungen und ihrer wichtigsten Zwischenschritte
• Automatische Beendigung bei Schleifen, wiederholten Fehlern oder ungewöhnlich langen Prozessen
• Vorrang für lokale oder kleinere Modelle bei vertraulichen und zugleich einfachen Aufgaben
• Regelmäßige Messung von Energieverbrauch, Kosten, Qualität und Bearbeitungszeit

Ein weiterer Hebel liegt in der Gestaltung der Eingaben. Präzise Anforderungen können unnötige Rückfragen, wiederholte Korrekturschleifen und umfangreiche Suchprozesse vermeiden. Das bedeutet nicht, dass besonders lange Prompts automatisch effizienter sind. Entscheidend ist, dass der Agent die Aufgabe, die verfügbaren Datenquellen und die gewünschten Grenzen möglichst eindeutig versteht.

Effizienzgewinne können durch mehr Nutzung verloren gehen

Technische Verbesserungen senken den Energiebedarf einzelner Modellaufrufe. Dazu gehören effizientere Chips, kleinere Modelle, bessere Kühlung, optimierte Software und Verfahren zur Wiederverwendung bereits verarbeiteter Informationen. Diese Fortschritte können den Verbrauch pro Anfrage reduzieren.

Gleichzeitig kann eine sinkende Nutzungsschwelle dazu führen, dass KI deutlich häufiger eingesetzt wird. Wenn ein Agent kostengünstiger und schneller arbeitet, werden möglicherweise auch Aufgaben automatisiert, die zuvor manuell erledigt oder gar nicht durchgeführt wurden. Dieser Rebound-Effekt kann Einsparungen teilweise ausgleichen.

Für die Bewertung eines KI-Systems ist deshalb nicht nur die Effizienz eines einzelnen Vorgangs relevant. Entscheidend ist der Gesamtverbrauch des Unternehmens oder Dienstes. Ein System, das pro Aufgabe 50 Prozent weniger Energie benötigt, kann insgesamt mehr Strom verbrauchen, wenn sich die Zahl der ausgeführten Aufgaben verdreifacht.

Diese Entwicklung ist besonders für agentische Systeme relevant. Sobald Agenten in Geschäftsprozesse integriert und mit weitreichenden Berechtigungen ausgestattet werden, können sie dauerhaft im Hintergrund arbeiten. Automatisierte Recherche, Überwachung, Softwarewartung oder Kundenkommunikation erzeugen dann eine kontinuierliche Nachfrage nach Rechenleistung.

Rechenzentren als zentrale Stellschraube

Die Verantwortung liegt nicht allein bei den Nutzern. Einen wesentlichen Einfluss haben die Betreiber der Modelle und Rechenzentren. Sie entscheiden über die verwendete Hardware, die Auslastung der Systeme, die Kühltechnik, den Standort und den Bezug von Strom.

Ein Strommix mit einem hohen Anteil erneuerbarer Energien kann die direkten CO₂-Emissionen der Inferenz deutlich reduzieren. Allerdings reicht der Einkauf von Ökostromzertifikaten allein nicht zwangsläufig aus, um die tatsächliche zeitliche und regionale Wirkung des Stromverbrauchs abzubilden. Für eine belastbare Bilanz ist relevant, wann und wo der Strom verbraucht wird und welche Erzeugungskapazitäten tatsächlich zur Verfügung stehen.

Auch die Standortwahl spielt eine Rolle. Rechenzentren in Regionen mit emissionsarmer Stromversorgung können eine bessere Klimabilanz aufweisen. Gleichzeitig müssen Wasserbedarf, Netzstabilität, Flächenverbrauch und die lokale Belastung der Infrastruktur berücksichtigt werden. Die ökologische Bewertung eines Rechenzentrums besteht daher nicht nur aus der Frage, ob der bezogene Strom als erneuerbar ausgewiesen wird.

Transparenz ist eine weitere Voraussetzung. Anbieter sollten nachvollziehbar ausweisen, wie viel Energie unterschiedliche Modelle und Betriebsmodi benötigen. Sinnvoll wären standardisierte Angaben pro Token, pro Modellaufruf und pro vollständig ausgeführter Agentenaufgabe. Ohne einheitliche Messverfahren bleiben Vergleiche zwischen Anbietern und Technologien schwierig.

Was sich aus der Debatte für den praktischen KI-Einsatz ableiten lässt

Unternehmen müssen KI-Agenten nicht grundsätzlich vermeiden, wenn sie deren Energiebedarf berücksichtigen wollen. Entscheidend ist ein bedarfsgerechter Einsatz. Die komplexeste verfügbare Lösung sollte nicht automatisch für jede Aufgabe verwendet werden.

Für die Praxis bietet sich eine gestufte Architektur an. Ein kleines Modell kann zunächst prüfen, ob eine Anfrage einfach zu beantworten ist. Nur wenn die Aufgabe bestimmte Kriterien erfüllt, wird ein leistungsfähigeres Modell oder ein autonomer Agent aktiviert. Nach demselben Prinzip können Unternehmen Agenten zunächst mit begrenzten Rechten und kurzen Laufzeiten testen.

Auch die Zahl paralleler Agenten sollte begründet sein. Mehrere Agenten können eine Recherche beschleunigen oder unterschiedliche Perspektiven liefern. Sie vervielfachen jedoch auch die Zahl der Modellaufrufe und damit den Ressourcenbedarf. Eine parallele Verarbeitung ist daher vor allem dann sinnvoll, wenn der zusätzliche Nutzen gegenüber einer sequenziellen Bearbeitung messbar ist.

Für Entwicklerteams ist die Trennung von Planung, Ausführung und Kontrolle hilfreich. Ein Agent sollte nicht bei jedem kleinen Arbeitsschritt den gesamten Projektkontext neu verarbeiten müssen. Gut strukturierte Speicher, gezielte Dateiauswahl und kompakte Zwischenzusammenfassungen können unnötige Wiederholungen vermeiden.

Plattformen wie Mindverse können in diesem Zusammenhang als zentrale Arbeitsumgebung dienen, in der unterschiedliche KI-Anwendungen, Modelle und Arbeitsprozesse gebündelt werden. Für Unternehmen ist dabei besonders relevant, den Einsatz nicht nur nach Funktionsumfang, sondern auch nach Transparenz, Kontrollmöglichkeiten und effizienter Modellzuordnung zu beurteilen. Ein KI-Partner unterstützt die Organisation dann nicht allein bei der Texterstellung oder Recherche, sondern auch bei der strukturierten Gestaltung von Workflows.

Zwischen Produktivität, Kosten und Klimawirkung

Der Energieverbrauch von KI-Agenten ist ein Zielkonflikt zwischen mehreren Unternehmensinteressen. Ein leistungsfähiger Agent kann Arbeitszeit sparen, Fehler reduzieren und neue Dienstleistungen ermöglichen. Gleichzeitig verursacht jeder zusätzliche Modellaufruf Kosten und benötigt Rechenleistung. Die wirtschaftliche und ökologische Bewertung sollte deshalb gemeinsam erfolgen.

Ein sinnvoller Maßstab ist nicht allein der Verbrauch pro Prompt, sondern der Ressourcenbedarf pro abgeschlossenem Ergebnis. Wenn ein Agent für eine Aufgabe zwar mehr Strom benötigt als ein Chatbot, dafür aber mehrere Stunden manueller Arbeit ersetzt und ein qualitativ besseres Resultat liefert, muss diese Gesamtwirkung separat bewertet werden. Dabei sollten mögliche Folgeeffekte wie zusätzliche Prüfungen, Korrekturen und Speicherbedarf einbezogen werden.

Eine solche Betrachtung verhindert zwei gegensätzliche Fehleinschätzungen. Einerseits wäre es unzureichend, KI nur anhand niedriger Durchschnittswerte für einfache Chats zu bewerten. Andererseits wäre es ebenso problematisch, die höchsten Verbrauchsschätzungen unkritisch auf jede Agentennutzung zu übertragen. Die tatsächliche Klimawirkung hängt vom konkreten Prozess ab.

Für die nächsten Jahre ist damit zu rechnen, dass agentische Systeme stärker in Softwareentwicklung, Wissensarbeit und Unternehmensprozesse integriert werden. Der absolute Strombedarf wird nicht nur davon abhängen, wie effizient die Modelle werden, sondern auch davon, wie viele Menschen und Organisationen sie wie häufig einsetzen. Die technische Entwicklung und die Nachfrage nach KI-Leistungen werden sich gegenseitig beeinflussen.

Fazit: Der relevante Maßstab ist der gesamte Arbeitsauftrag

KI-Agenten verändern die Einordnung des Energieverbrauchs künstlicher Intelligenz. Eine Eingabe ist bei ihnen häufig kein einzelner Modellaufruf, sondern der Beginn eines mehrstufigen Arbeitsprozesses. Wiederholte Anfragen, große Kontexte und der Einsatz leistungsfähiger Modelle können den Verbrauch im Vergleich zu einfachen Chat-Interaktionen erheblich erhöhen.

Die vorliegende Analyse liefert dafür einen konkreten, aber unsicheren Richtwert: Rund 150 Wattstunden pro Eingabe bei einer besonders intensiven Nutzung von Claude Code. Die breite Spanne der möglichen Werte zeigt zugleich, dass es noch an standardisierten Messverfahren und transparenten Anbieterangaben fehlt.

Für Unternehmen folgt daraus ein praktischer Handlungsauftrag. Sie sollten KI-Agenten nach dem tatsächlichen Nutzen des jeweiligen Arbeitsprozesses auswählen, Modelle differenziert einsetzen, Laufzeiten und Zugriffsrechte begrenzen und den Ressourcenbedarf systematisch dokumentieren. Die Betreiber der Infrastruktur müssen parallel die Effizienz ihrer Systeme verbessern, emissionsarme Energiequellen nutzen und belastbare Daten zur Verfügung stellen.

Die zentrale Frage lautet daher nicht, ob KI eingesetzt werden darf. Sie lautet, für welche Aufgabe welcher Agent mit welchem Modell und in welchem Umfang eingesetzt wird. Eine solche Differenzierung verbindet technologische Leistungsfähigkeit mit wirtschaftlicher Kontrolle und einer realistischeren Bewertung der Klimawirkung.

Quellen Marvin Fuhrmann: „Klimafaktor KI: Warum Agenten wie Claude Code echte Stromfresser sind“, heise online, 16. September 2026. https://www.heise.de/news/Klimafaktor-KI-Warum-Agenten-wie-Claude-Code-echte-Stromfresser-sind-11455300.html Matthias Bastian: „KI-Agenten verbrauchen etwa 600-mal mehr Energie als ein einfacher Chat-Prompt“, The Decoder, 8. August 2026. https://the-decoder.de/ki-agenten-verbrauchen-etwa-600-mal-mehr-energie-als-ein-einfacher-chat-prompt/ Marcus Hansson: „Umweltkosten durch Vibe Coding: Tool berechnet CO₂-Ausstoß für Claude Code“, heise online, 20. April 2026. https://www.heise.de/news/Umweltkosten-durch-Vibe-Coding-Tool-berechnet-CO-Ausstoss-fuer-Claude-Code-11264352.html Mindverse: „Energieverbrauch von KI-Agenten: Eine kritische Analyse der Auswirkungen“, 9. August 2026. https://www.mind-verse.de/news/energieverbrauch-ki-agenten-kritische-analyse-auswirkungen Joachim Wille: „Der Stromhunger der KI kann gebremst werden“, Klimareporter°, 15. September 2026. https://klimareporter.de/technik/der-stromhunger-der-ki-kann-gebremst-werden Watershed: „An Open Framework for AI Emissions Measurement“. „How Do AI Agents Spend Your Money?“, in den genannten Analysen als ergänzende Grundlage zur Bewertung agentischer Arbeitsabläufe und Modellaufrufe herangezogen.