KI-Ressourcenrechner

Schätzt Energie-, Wasser- und CO₂-Verbrauch einer KI-Textanfrage – transparent und nachvollziehbar.

Schätzung, keine Messung. Anbieter veröffentlichen keine Werte pro Anfrage – das Tool rechnet mit offengelegten Annahmen und zeigt immer eine Spanne. Warum? Siehe FAQ unten.

Eingaben

Tokens
Grobe Schätzung: ca. 1 Token je 4 Zeichen.

Geschätzter Verbrauch

Energie
–
Wh
Wasser
–
ml
CO₂e
–
g

Werte & Spanne

Energie-Aufteilung

Zur Einordnung (typischer Wert)

    Wie das Tool rechnet

    Aus Modellgröße und Token-Anzahl wird die Rechenarbeit (FLOPs) bestimmt, daraus über GPU-Effizienz und Rechenzentrums-Overhead der Strombedarf:

    Energie = 2 × aktive Parameter × Tokens ÷ (GPU-Effizienz × Auslastung) × PUE

    Wasser und CO₂ folgen daraus über Kühl-/Strom-Wasserfaktor und den Strommix der Region. Alle Faktoren sind offengelegt (siehe „Annahmen & Quellen").

    Warum nur eine Schätzung?

    Die größten Einflussgrößen – GPU-Auslastung, konkretes Rechenzentrum, Kühlung und Strommix – sind von außen unbekannt. Anbieter nennen keine Werte pro Anfrage.

    Deshalb zeigt das Tool eine Spanne statt einer Scheingenauigkeit und markiert je Modell die Datenqualität (Konfidenz-Ampel). Open-Weight-Modelle sind genauer als kommerzielle mit geschätzten Parametern.

    FAQ – Fachbegriffe einfach erklärt

    KI-Anbieter veröffentlichen nicht, wie viel Strom oder Wasser eine einzelne Anfrage kostet. Der reale Wert hängt von Modellgröße, Auslastung der Hardware, Rechenzentrum, Kühlung und Strommix ab – all das ist von außen nicht messbar. Das Tool rechnet daher mit einem physikalischen Modell und offengelegten Annahmen und zeigt bewusst eine Spanne.

    Ein Token ist die kleinste Texteinheit, mit der ein KI-Modell arbeitet – ungefähr 4 Zeichen oder ¾ eines Wortes. Deine Eingabe (Prompt) und die Antwort werden in Tokens zerlegt. Je mehr Tokens, desto mehr Rechenschritte und desto höher der Verbrauch. Wenn du keine Zahlen kennst, füge einfach den Text ein – das Tool schätzt die Tokens.

    Parameter sind die gelernten „Stellschrauben" eines Modells. Moderne Modelle nutzen oft eine Mixture-of-Experts-Architektur (MoE): Sie besitzen sehr viele Parameter, aktivieren pro Anfrage aber nur einen Teil davon – die „aktiven Parameter". Für den Energieverbrauch zählen nur die aktiven, weil nur sie tatsächlich rechnen.

    FLOPs stehen für „Gleitkomma-Rechenoperationen" – also die Menge an Rechenarbeit. Faustregel: Pro Token braucht ein Modell etwa 2 Rechenoperationen je aktivem Parameter. Aus dieser Rechenarbeit und der Effizienz der GPU ergibt sich der Strombedarf.

    Ein Rechenzentrum braucht nicht nur Strom für die Chips, sondern auch für Kühlung, Stromversorgung und Netzwerk. Dieser Zusatzbedarf heißt Overhead und wird als PUE (Power Usage Effectiveness) angegeben. PUE 1,2 bedeutet: Für 1 kWh Rechenstrom fallen 0,2 kWh zusätzlich an. Gute Rechenzentren liegen bei 1,1–1,2.

    Wasser wird an zwei Stellen verbraucht: direkt zur Kühlung im Rechenzentrum und indirekt bei der Stromerzeugung (z. B. Kühlwasser in Kraftwerken). Das Maß dafür ist die WUE (Water Usage Effectiveness) in Litern pro kWh. Die Werte schwanken stark je nach Anbieter und Region – deshalb ist die Wasser-Spanne besonders breit.

    CO₂e (CO₂-Äquivalent) fasst alle Treibhausgase in einer Zahl zusammen. Wie viel CO₂e der Stromverbrauch verursacht, hängt vom Strommix der Region ab – also dem Verhältnis aus fossilen und erneuerbaren Quellen. Strom aus Frankreich (viel Atomkraft) verursacht z. B. viel weniger CO₂ als der weltweite Durchschnitt.

    Inferenz ist das Benutzen eines fertig trainierten Modells – also der Moment, in dem du eine Frage stellst und eine Antwort bekommst. Dieses Tool schätzt nur die Inferenz, nicht das (einmalige, sehr aufwändige) Training des Modells.

    Sie zeigt, wie verlässlich die zugrunde liegenden Daten sind. Grün (hoch): Open-Weight-Modell mit offiziell bekannten Parametern. Gelb (mittel): kommerzielles Modell, aber mit einem veröffentlichten Verbrauchs-Anker als Referenz. Rot (niedrig): kommerzielles Modell, dessen Parameter nur grob geschätzt sind.

    Weil die wichtigsten Einflussgrößen (GPU-Auslastung, Rechenzentrum, Kühlung, Strommix) von außen unbekannt sind. Eine einzelne Zahl würde eine Genauigkeit vortäuschen, die es nicht gibt. Die Spanne umfasst einen günstigen bis ungünstigen Fall; der „typische" Wert liegt dazwischen.