Kurs: KI und Nachhaltigkeit | OnCourse UB

  • Lektion 4

    • KI und Wasserverbrauch

      Neben Energie und Materialien ist der Wasserverbrauch zu einem zentralen Bestandteil der ökologischen Debatte um KI geworden. Rechenzentren, die KI-Systeme betreiben, benötigen enorme Mengen Wasser, vor allem für Kühlung. In heißen oder wasserarmen Regionen kann der tägliche Verbrauch mehrere Millionen Liter betragen. Eine Studie zeigt, dass das Training eines einzelnen GPT-3-Modells in Microsofts US-Rechenzentren rund 700.000 Liter Süßwasser verdunstet (Li et al., 2025).

      Vertiefung

      Hochgerechnet wird der weltweite Wasserbedarf der KI-Industrie bis 2027 auf 4,2–6,6 Milliarden Kubikmeter geschätzt – mehr als der jährliche Wasserverbrauch von halb Großbritannien (Li et al., 2025). Dabei handelt es sich nicht nur um Trainingsphasen, sondern auch um den dauerhaften Wasserverbrauch der Inferenzdienste, die rund um die Uhr gekühlt werden müssen.

      Unternehmen wie Microsoft (+34 %) und Google (+20 %) verzeichnen bereits deutliche Zuwächse im Wasserverbrauch infolge KI-getriebener Rechenzentren (Li, 2025). Für Nutzer wird dieser Fußabdruck greifbar: Das Erzeugen von 10–50 GPT-3-Antworten entspricht etwa dem Inhalt einer 0,5-Liter-Wasserflasche. Die steigende Nachfrage nach Wasser verschärft bestehende Wasserstresssituationen, besonders in ohnehin trockenen Regionen (Rest of World, 2024). Selbst in wasserreichen Ländern wird KI zunehmend als wasserintensive Technologie diskutiert.

    • Fallbeispiele für Konflikte um Wasser Textseite

    • Interessante Links zum Weiterlesen

      Artikel von sustain: https://sustain.algorithmwatch.org/wasser-ist-das-neue-co2/

      Report von The Maybe: https://www.themaybe.org/research/data-center-report-where-cloud-meets-cement

    • Literatur

      Greenpeace East Asia. (2025). Chipping Point Tracking Electricity Consumption and Emissions from AI Chip Manufacturing.

      Gröger, J., Behrens, F., Gailhofer, P., & Hilbert, I. (o. J.-b). Umweltauswirkungen Künstlicher Intelligenz.

      Heller, B. (2020). Reimagining Reality: Human Rights and Immersive Technology (SSRN Scholarly Paper No. 4563877). Social Science Research Network. https://doi.org/10.2139/ssrn.4563877

      Hess, J. C. (o. J.). Chip Production’s Ecological Footprint: Mapping Climate and Environmental Impact.

      Jegham, N., Abdelatti, M., Elmoubarki, L., & Hendawi, A. (2025). How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference (No. arXiv:2505.09598). arXiv. https://doi.org/10.48550/arXiv.2505.09598

      Jerez, B., Garcés, I., & Torres, R. (2021). Lithium extractivism and water injustices in the Salar de Atacama, Chile: The colonial shadow of green electromobility. Political Geography, 87, 102382. https://doi.org/10.1016/j.polgeo.2021.102382

      Lambert, J. (2024, October 5). Electronics & public-health waste in Ghana: Phones, computers. NPR – Goats & Soda. https://www.npr.org/sections/goats-and-soda/2024/10/05/g-s1-6411/electronics-public-health-waste-ghana-phones-computers

      Li, P., Yang, J., Islam, M. A., & Ren, S. (2025). Making AI Less „Thirsty“: Uncovering and Addressing the Secret Water Footprint of AI Models (No. arXiv:2304.03271). arXiv. https://doi.org/10.48550/arXiv.2304.03271

      Luccioni, A. S., Viguier, S., & Ligozat, A.-L. (2022). Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model (No. arXiv:2211.02001). arXiv. https://doi.org/10.48550/arXiv.2211.02001

Vorherige Lektion Nach oben Nächste Lektion