Netto-Stromeinsparungen durch künstliche Intelligenz hängen von der Einsatz­effizienz im chinesischen Stromsystem ab

Warum intelligenterer Strom wichtig ist

Künstliche Intelligenz (KI) wird oft als unsichtbares Gehirn in der Cloud dargestellt, doch hinter jedem cleveren Chatbot oder Bildgenerator steht ein sehr reales Strom­aufkommen. Diese Studie stellt eine Frage mit großen Folgen für Klima- und Energieplanung: Können die Stromeinsparungen, die KI innerhalb des Stromsystems ermöglicht, den zusätzlichen Verbrauch in großen Rechenzentren überwiegen? Mit Fokus auf Chinas sich schnell wandelndes Netz verfolgen die Autorinnen und Autoren, wie KI sich von einer wachsenden elektrischen Belastung zu einem Netto­sparer entwickeln könnte – vorausgesetzt, sie wird effizient und weitreichend eingesetzt.

Zwei Seiten der künstlichen Intelligenz

Die Arbeit beginnt mit der Darstellung eines Spannungsfelds. Auf der einen Seite stehen KI‑Rechenzentren, deren spezialisierte Server sechs- bis achtmal mehr Strom verbrauchen können als herkömmliche Maschinen. Mit wachsender Modellgröße und intensiverer Nutzung werden diese Einrichtungen zu einer wichtigen neuen Nach­fragequelle für das Netz. Auf der anderen Seite werden KI‑Algorithmen im Stromsystem selbst verankert – sie helfen, Wind‑ und Solar­erträge zu prognostizieren, Kohlekraftwerke feiner zu steuern, Heizen und Kühlen von Gebäuden zu managen, industrielle Lasten auszubalancieren und Batterielebensdauer zu verlängern. Diese Anwendungen können Verschwendung reduzieren und Lastspitzen glätten. Das Kernrätsel ist, ob die Einsparungen durch KI im Netz den Stromverbrauch der KI‑Rechenleistung aufheben oder sogar übersteigen können.

Den Nettoeffekt über die Zeit messen

Um das zu beantworten, entwickeln die Forschenden ein dynamisches Bewertungsmodell für den Zeitraum 2025 bis 2060. Sie schätzen den eigenen Stromverbrauch der KI „von unten nach oben“, ausgehend von prognostizierten Liefermengen an KI‑Servern, deren Lebensdauer, dem Verbrauch während Training und Betrieb sowie der erwarteten Energieeffizienz von Rechenzentren im Zeitverlauf. Parallel werten sie ein Jahrzehnt an Studien zu KI‑basierten Stromsparmaßnahmen aus. Mithilfe einer Meta‑Analyse synthetisieren sie das Einsparpotenzial in sieben zentralen Praktiken, etwa der Verbesserung von Kohlekraftwerkswirkungsgraden, der Reduktion von Übertragungsverlusten, der Steigerung von Gebäude‑ und Industrieeffizienz sowie der Optimierung von Batteriespeichern. Diese Einsparungen werden dann für China unter drei Annahmen skaliert, wie tief solche KI‑Werkzeuge ins System vordringen.

Unterschiedliche Zukünfte für KI und das Netz

Das Modell kombiniert drei Erzählstränge für den Stromverbrauch der KI mit drei für ihre Einsparwirkung, was neun mögliche Zukunftsszenarien ergibt. Auf der Verbrauchsseite nimmt ein „technologiegetriebener“ Pfad ein rasches Wachstum der KI‑Rechenleistung bei gleichzeitig starken Verbesserungen bei Server‑Chips und Kühlsystemen an; ein „politik­geprägter“ Pfad geht von strengen Regeln aus, die Expansion begrenzen und gute Effizienz erzwingen; ein „Trägheits“-Pfad unterstellt langsamere Verbesserungen und lockerere Kontrollen. Auf der Einsparseite stellt ein „effizienter“ Pfad eine schnelle, breite Einführung leistungsfähiger KI‑Werkzeuge in Kraftwerken, Leitungen, Gebäuden, Fabriken und Speichern dar; ein „typischer“ Pfad bildet einen moderaten Einsatz ab; und ein „ineffizienter“ Pfad geht von langsamer oder lückenhafter Implementierung aus. Zusammen zeigen diese Szenarien, wie sowohl bessere Hardware als auch tiefere operative KI‑Nutzung das Gleichgewicht zwischen zusätzlicher Nachfrage und vermiedener Verschwendung bestimmen.

Wo die größten Einsparungen liegen

Unter den vielen Wegen, wie KI helfen kann, identifiziert die Studie eine klare „bedeutende Minderheit“: etwa ein Fünftel der Praktiken liefert mehr als vier Fünftel des gesamten Einsparpotenzials. Besonders wirksam sind die Verbesserung von Gebäudebelastungen, die Reduzierung von Netzleitungsverlusten und präzisere Prognosen erneuerbarer Erzeugung. National gesehen könnte KI unter den optimistischsten Annahmen bis 2060 rund 15 % des projizierten Stromverbrauchs Chinas einsparen; unter typischen oder ineffizienten Annahmen sinkt dieser Anteil auf einstellige Prozentwerte. Eine regionale Analyse von fünf Provinzen zeigt, dass gebietsreiche Erzeugerregionen – etwa Innere Mongolei mit Kohle und Erneuerbaren – auf der Angebotsseite am meisten profitieren, während Industrie‑ und Dienstleistungszentren wie Guangdong und Jiangsu größere Gewinne durch Nachfragemanagement in Gebäuden und Fabriken erzielen.

Wann KI zum Netto­sparer wird

Die zentrale Kennzahl der Studie ist die „Netto‑Stromeinsparung“: das Verhältnis von durch KI eingespartem Strom zu dem Strom, den KI selbst verbraucht. Ein Wert über 100 % bedeutet, dass KI insgesamt die Belastung des Netzes reduziert. Von den neun Szenarien liefert nur die Kombination aus hoher Verbreitung von Einsparanwendungen und starkem technologischem Fortschritt in Rechenzentren – der Effizient‑Technologie‑getriebene Fall – dieses Ergebnis frühzeitig und erreicht bis 2040 etwa 130 %. In diesem Pfad ermöglichen die rasche Einführung von KI im Netz und in Gebäuden sowie hocheffiziente Chips und sehr niedrige Kühlaufwände, dass Einsparungen die eigene Nachfrage der KI übertreffen. Selbst dort flacht der Nutzen ab und fällt nach 2050 leicht, da Technologien ausreifen und einfache Gewinne aufgebraucht sind. In weniger ehrgeizigen Zukünften verzögert sich die Nettoeinsparung oder tritt im Untersuchungszeitraum gar nicht ein.

Was das für den Alltag bedeutet

Für Nicht‑Fachleute lautet die Schlussfolgerung: KI ist nicht automatisch gut oder schlecht fürs Klima. Wächst sie in verschwenderischen Rechenzentren mit begrenztem Einsatz im Netz, erhöht sie vor allem den Strombedarf. Wird sie aber mit strengen Effizienzstandards, besserer Hardware und breiter Anwendung in Kraftwerken, Leitungen, Gebäuden, Fabriken und Speichern gekoppelt, kann KI ihre eigene Stromrechnung in gespeicherten Kilowattstunden mehr als ausgleichen. Die Studie legt nahe, dass China – und damit auch andere Länder – kluge Politiken braucht, um KI in diese Richtung zu lenken: strikte Begrenzungen für ineffiziente Rechenzentren, Anreize für fortschrittliche Kühlung und Chips sowie starke Unterstützung für KI‑Werkzeuge, die Verschwendung im Stromsystem eindämmen. Richtig eingesetzt kann dieselbe Technologie, die das Netz zu überlasten droht, zu einem Motor werden, der es sauberer und verlässlicher macht.

Zitation: Zhou, K., Yang, Z. & Hu, R. Net electricity savings from artificial intelligence depend on deployment efficiency in China’s power system. Commun. Sustain. 1, 72 (2026). https://doi.org/10.1038/s44458-026-00080-4

Schlüsselwörter: künstliche Intelligenz und Energie, Effizienz von Rechenzentren, Optimierung des Stromnetzes, Stromnachfrage‑Prognosen, Integration erneuerbarer Energien