Kurs: KI und Nachhaltigkeit | OnCourse UB

  • Lektion 4

    • Welche Ansatzpunkte gibt es, um damit umzugehen?

      Angesichts der beschriebenen Ungleichheiten stellt sich zum Schluss die zentrale Frage:

      Was lässt sich tun?

      Die Antwort liegt nicht in einer einzigen „Lösung“, sondern in einem Bündel von Ansatzpunkten, die auf unterschiedlichen Ebenen ansetzen, technisch, politisch, institutionell und kulturell.

    • Eine wichtige Einsicht stammt aus der Forschung zu Infrastruktur: Technik ist nicht neutral, sondern tief in alltägliche Routinen, Institutionen und Machtverhältnisse eingebettet (Star & Ruhleder 1997). Das gilt besonders für KI-Infrastrukturen. Wer nachhaltiger und gerechter gestalten will, muss daher nicht nur die Effizienz von Algorithmen verbessern, sondern die Einbettung der Systeme in

      • Energie-,
      • Wasser- und
      • Rohstoffnetze sowie in
      • politische Entscheidungsprozesse mitdenken.

      Das kann ganz konkret bedeuten, KI-Anwendungen anders zu konzipieren: nicht immer „größer, schneller, datenhungriger“, sondern bewusst kleiner, angepasster und ressourcenschonender. Studien zur CO₂-Bilanz großer Modelle zeigen, dass kleinere, gut trainierte Modelle für viele Anwendungsfälle ausreichen und deutlich weniger Ressourcen benötigen (Luccioni et al. 2023, 2024).

      Zugleich stellen sich Fragen der Standortwahl und Energieversorgung. Chip- und Rechenzentrumsproduktion ist derzeit häufig noch stark fossil geprägt; Analysen zu Ostasien zeigen, dass der wachsende Strombedarf der Halbleiterindustrie teilweise durch neue fossile Kraftwerke gedeckt werden soll (Greenpeace East Asia 2025). Ein Ansatzpunkt wäre hier, Investitionsentscheidungen an strikte Vorgaben zu knüpfen:

      Ausbau nur dort, wo erneuerbare Energien existieren oder konsequent mit ausgebaut werden, Verpflichtung zu Energie- und Wassereffizienzstandards, und klare Obergrenzen für Wasserentnahmen aus sensiblen Ökosystemen.

      Auf politischer Ebene spielen Lieferkettenregulierungen eine Schlüsselrolle. Unternehmen, die von Rohstoffen und Hardware für KI profitieren, sollten rechtlich verpflichtet werden, Risiken entlang ihrer gesamten Lieferkette zu identifizieren, zu minimieren und darüber zu berichten. Dazu gehören Menschenrechts- und Umweltstandards im Bergbau, aber auch Vorgaben für Recycling und Rücknahme von Hardware. Aus Gerechtigkeitsperspektive geht es dabei um mehr als Compliance: Es geht um Umverteilung von Verantwortung und um die Möglichkeit, dass betroffene Gemeinschaften rechtlich gegen Verstöße vorgehen können.

      Ganz zentral sind zudem partizipative Verfahren: Wenn neue Minen, Rechenzentren oder Fabriken geplant werden, sollten diejenigen, die vor Ort leben – insbesondere marginalisierte und indigene Gruppen, nicht nur „informiert“, sondern aktiv in Entscheidungen einbezogen werden. Das kann in Form von Konsultationsverfahren, Bürger*innenräten oder verbindlichen Zustimmungsrechten für indigene Territorien geschehen.

      In solchen Verfahren kann auch das Erfahrungswissen über lokale Ökosysteme eingebracht werden, das bei rein technokratischen Entscheidungen oft fehlt. Auf gesellschaftlicher Ebene braucht es eine Stärkung derjenigen Akteure, die Ungleichheiten sichtbar machen und Alternativen formulieren können:

      • zivilgesellschaftliche Organisationen,
      • lokale Initiativen,
      • Wissenschaft,
      • kritische Medien.

      Sie können Daten erheben, Missstände dokumentieren, internationale Aufmerksamkeit erzeugen und so Druck auf Unternehmen und Politik ausüben. Gerade für stark marginalisierte Gruppen, z.B. informelle Arbeiter*innen in E-Waste-Hubs, sind solche Unterstützungsstrukturen entscheidend.

      Ein weiterer, oft unterschätzter Ansatzpunkt liegt in der normativen Ausrichtung von Forschung und Entwicklung. Teams, die KI-Systeme entwerfen, können Gerechtigkeitsfragen früh berücksichtigen: Schon beim Problemverständnis („Welches Ziel verfolgen wir mit dieser Anwendung?“), bei der Wahl von Daten und Modellgrößen, bis hin zur Frage, ob eine Anwendung bestimmte extraktive Geschäftsmodelle überhaupt weiter stärken sollte. Klimagerechtigkeits- und Multispecies-Perspektiven können hier als heuristische Fragen dienen:

      Wer wird von dieser Anwendung profitieren, wer verliert? Welche Ökosysteme werden durch die dafür nötige Infrastruktur belastet? Kann eine alternative, ressourcenschonendere Lösung denselben Nutzen bringen?

    • Literatur

      Banza Lubaba Nkulu, C., Casas, L., Haufroid, V., De Putter, T., Saenen, N. D., Kayembe-Kitenge, T., Decrée, S., Nkulu, C. B. L., Mukoma, D. K. W., Ilunga, J.-M. L., & Nemery, B. (2018). Sustainability of artisanal mining of cobalt in DR Congo. Nature Sustainability, 1(9), 495–504. https://doi.org/10.1038/s41893-018-0139-4

      Celermajer, D. (2022). Multispecies justice: Theories, challenges, and a research agenda for environmental politics. Environmental Politics, 31(1), 1–20. https://doi.org/10.1080/09644016.2021.1993682

      Forti, V., Baldé, C. P., Kuehr, R., & Bel, G. (2024). The Global E-waste Monitor 2024. United Nations Institute for Training and Research; International Telecommunication Union; International Solid Waste Association.

      Greenpeace East Asia. (2025). Chipping point: Tracking electricity consumption and emissions from AI chip manufacturing [Report]. Greenpeace.

      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

      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., Jernite, Y., & Strubell, E. (2024). Power hungry processing: Watts driving the cost of AI deployment? In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (pp. 85–99). https://doi.org/10.1145/3630106.3658542

      Mohai, P., Pellow, D., & Roberts, J. T. (2009). Environmental justice. Annual Review of Environment and Resources, 34, 405–430. https://doi.org/10.1146/annurev-environ-082508-094348

      Njoku, A., Agbalenyo, M., Laude, J., Ajibola, T. F., Attah, M. A., & Sarko, S. B. (2023). Environmental injustice and electronic waste in Ghana: Challenges and recommendations. International Journal of Environmental Research and Public Health, 21(1), 25. https://doi.org/10.3390/ijerph21010025

      Schlosberg, D., & Collins, L. B. (2014). From environmental to climate justice: Climate change and the discourse of environmental justice. Wiley Interdisciplinary Reviews: Climate Change, 5(3), 359–374. https://doi.org/10.1002/wcc.275

      Maskey, Gyanu & Satyal, Poshendra & Giri, Monika & Pradhan, Prajal. (2024). Applying a Climate Justice Framework to Understand Inequities in Urban Water Governance Amid Climate Change Challenges in Nepal. 10.4324/9781003371175-28.

      Okeme, J. O., & Arrandale, V. H. (2019). Electronic waste recycling: occupational exposures and work-related health effects. Current environmental health reports, 6(4), 256-268.

Vorherige Lektion Nach oben Nächste Lektion