KI-Agenten sind keine Prompts: Warum ihr Stromhunger zählt

Ein Satz wie „eine KI-Anfrage braucht kaum Strom“ kann stimmen und trotzdem in die Irre führen. Entscheidend ist, welche Art von Anfrage gemeint ist. Ein kurzer Chat mit wenigen Sätzen ist etwas völlig anderes als ein KI-Agent, der über Stunden Code durchsucht, Dateien liest, Werkzeuge aufruft, Zwischenergebnisse bewertet und neue Schleifen startet. Genau diese Differenz rückt nun in den Mittelpunkt: Nicht jedes Sprachmodell ist ein Stromproblem, aber agentische Arbeit kann es in einer Größenordnung werden, die sich nicht mehr mit dem Bild vom schnellen Chat erklären lässt.

Auslöser ist die öffentlich gemachte Selbstmessung des Klimaforschers Zeke Hausfather zu seiner Nutzung von Claude Code, über die The Decoder berichtet. Demnach kamen in acht Wochen rund 3,2 Milliarden Token und etwa 170 Kilowattstunden Rechenzentrumsstrom zusammen. Das ist kein allgemeiner Verbrauchswert für Claude, ChatGPT oder irgendeinen Agenten. Es ist ein Extrembeispiel aus einer sehr intensiven Nutzung. Gerade deshalb ist es nützlich: Es zeigt, wie falsch der Vergleich wird, wenn man einen Dauerlauf mit einem einzelnen Prompt gleichsetzt.

Das Wichtigste in Kürze

• Ein kurzer Text-Chat und ein autonom arbeitender KI-Agent verursachen sehr unterschiedliche Rechenlast.
• Die viel zitierte Selbstmessung zu Claude Code ist ein Einzelfall, aber ein anschaulicher Hinweis auf die Größenordnung intensiver Agentennutzung.
• Die Internationale Energieagentur erwartet für energieintensive Anwendungen wie Reasoning und Agenten teils Hunderte oder Tausende Mal mehr Energie pro Anfrage als für einfache Textgenerierung.
• Für Nutzer und Unternehmen ist nicht der einzelne Prompt die wichtigste Kennzahl, sondern die Dauer, die Zahl der Werkzeugsprünge und die Modellwahl.

Warum der Prompt-Vergleich nicht trägt

Ein Sprachmodell erzeugt Text, indem es Token verarbeitet. Bei einem knappen Chat ist das eine überschaubare Folge von Eingabe und Antwort. Ein Agent arbeitet anders: Er zerlegt eine Aufgabe, ruft etwa eine Suche, einen Dateizugriff oder ein Terminal auf, prüft das Ergebnis und setzt mit neuem Kontext fort. So entstehen viele Modellaufrufe, oft mit langen Eingaben und Ausgaben. Bei Programmieraufgaben kommen große Codebasen, Testläufe und Korrekturschleifen hinzu.

Das erklärt, weshalb Zahlen pro „Anfrage“ so leicht missverstanden werden. Die Fachzeitschrift Nature Energy fasst eine Untersuchung zusammen, die unter realitätsnäheren Betriebsannahmen auf 0,31 Wattstunden pro Modellanfrage kam. Längere Anfragen, wie sie bei Programmierung und agentischen Abläufen vorkommen, benötigten darin fast dreizehnmal so viel Energie pro Anfrage. Das ist weit entfernt von einer universellen Rechnung: Modell, Hardware, Rechenzentrum, Antwortlänge und Auslastung verändern den Wert. Die Richtung ist aber klar: Mehr Rechenschritte und mehr Kontext schlagen sich physikalisch nieder.

Auch die von The Decoder dokumentierte Hausfather-Messung sollte man deshalb weder kleinreden noch aufblasen. Sie belegt nicht, dass jeder Agent täglich mehrere Kilowattstunden verbraucht. Sie beschreibt einen sehr hohen persönlichen Verbrauch mit einem Coding-Werkzeug. Als Fallstudie macht sie sichtbar, was im Tarifmodell leicht verschwindet: Flatrate-Oberflächen können dazu verleiten, lang laufende Aufgaben als kostenlos zu behandeln, obwohl im Hintergrund sehr reale Hardware arbeitet. Dass die Nachfrage nach Rechenleistung auch die Infrastrukturfrage verschärft, zeigt der kürzlich erschienene Beitrag über Anthropics eigenes Chip-Team.

Der Energiehebel liegt in der Arbeitsweise

Die Internationale Energieagentur, IEA, formuliert die Unterscheidung ungewöhnlich deutlich: Einfache Textabfragen seien effizienter geworden, gleichzeitig nähmen Videoerzeugung, Reasoning und agentische Aufgaben zu. Solche Anwendungen könnten pro Anfrage Hunderte oder Tausende Mal mehr Energie als einfache Textgenerierung benötigen. Damit ist nicht gesagt, dass jeder Einsatz zu vermeiden wäre. Es heißt aber, dass eine Diskussion über „den“ Energieverbrauch von KI am falschen Objekt ansetzt.

Für die Praxis folgt daraus eine nüchterne Priorität. Ein Agent lohnt sich dort, wo er viele echte Arbeitsschritte ersetzt oder beschleunigt: beim Testen komplexer Software, bei wiederkehrender Recherche mit klaren Grenzen oder beim Durcharbeiten großer Dokumentmengen. Für eine kurze Umformulierung, eine Übersetzung oder eine einzelne Faktenfrage ist ein schweres Agenten-Setup meist unnötig. Das spart nicht nur Energie, sondern häufig auch Geld und Zeit. Gerade bei Coding-Agenten helfen präzise Aufgaben, begrenzte Verzeichnisse und feste Abbruchkriterien. Ein Agent, der ohne Ziel weiter sucht, kostet Tokens und Strom, ohne verlässlich besser zu werden.

Unternehmen sollten außerdem nicht bloß Anfragen zählen. Sinnvoller sind Kennzahlen pro erledigter Aufgabe: Wie viele Modellschritte brauchte ein Fehlerfix? Wie oft wurde derselbe Kontext erneut übertragen? Welches Modell war für die Teilaufgabe wirklich nötig? Diese Fragen passen zu der bereits sichtbaren Verschiebung hin zu ausgelagerter Rechenleistung, die wir bei den großen KI-Rechenverträgen eingeordnet haben. Effizienz ist dabei keine Tugendgeste, sondern Kapazitätsplanung.

Was Politik und Anbieter transparenter machen müssen

Die Verantwortung liegt nicht allein bei einzelnen Nutzern. Die IEA erwartet, dass der Stromverbrauch von Rechenzentren von rund 485 Terawattstunden im Jahr 2025 auf etwa 950 Terawattstunden 2030 steigen könnte; KI-orientierte Rechenzentren sollen in diesem Zeitraum deutlich schneller wachsen. Solche Projektionen sind keine Rechnung für den Laptop auf dem Schreibtisch. Sie sind ein Hinweis, dass sich Produktentscheidungen, Netzanschlüsse und Standorte zunehmend gegenseitig beeinflussen.

Umso wichtiger sind vergleichbare Angaben der Anbieter. Ein pauschaler Durchschnittswert pro Prompt hilft wenig, wenn ein Produkt aus Chat, Recherche, Werkzeugen und autonomer Ausführung besteht. Nötig wären Angaben nach Aufgabentyp, Modellklasse, Tokenmenge und Rechenzentrumsbetrieb. Die IEA fordert selbst eine systematischere Offenlegung des Energieverbrauchs. Sie würde Nutzer nicht mit moralischen Schuldgefühlen beladen, sondern ihnen eine bessere Wahl ermöglichen: leichtes Modell für leichte Aufgabe, intensiver Agent für einen nachweisbaren Nutzen.

Ausblick: Agenten brauchen ein Energiebudget

Der produktive Umgang mit KI-Agenten wird wahrscheinlich weniger darin bestehen, sie seltener zu benutzen, als sie gezielter einzusetzen. Ein Energiebudget gehört künftig neben Zeit-, Kosten- und Sicherheitsgrenzen in jede ernsthafte Agenten-Konfiguration. Das muss kein kompliziertes Öko-Dashboard sein: maximale Laufzeit, begrenzte Zahl von Werkzeugaufrufen, passendes Modell und eine Prüfung, ob das Ergebnis die Rechenarbeit rechtfertigt. Der kurze Chat bleibt meist günstig. Der autonom arbeitende Agent ist etwas anderes – und sollte auch so geplant werden.