Prognosen zum weltweiten Strombedarf von Rechenzentren
Der Energiebedarf von Rechenzentren ist laut Berichten der IEA seit 2022 steil angestiegen. Während herkömmliche Google-Suche-Anfragen einen geringen Stromverbrauch haben, benötigen KI-gestützte Antworten ein Vielfaches an Rechenleistung. Dies führt dazu, dass die Stromlast pro Server drastisch zunimmt.
Die IEA prognostiziert, dass der weltweite Stromverbrauch von Rechenzentren bis 2026 auf ein Niveau steigen könnte, das dem Strombedarf eines mittelgroßen Industrielandes entspricht. In den USA führt dies in Regionen wie Nord-Virginia zu Engpässen. Dort meldeten Netzbetreiber bereits Verzögerungen bei der Anschlussgenehmigung für neue Anlagen, da die vorhandene Netzinfrastruktur die Lastspitzen nicht mehr abfangen kann.
Die Hardware-Entwicklung verschärft das Problem. NVIDIA-Chips der Blackwell-Serie und deren Nachfolger bieten zwar eine höhere Effizienz pro Rechenoperation, doch die schiere Menge an installierten GPUs in den Clustern von Meta und Microsoft übersteigt diese Einsparungen.
Strategien der Tech-Giganten zur Energieunabhängigkeit
Um die Stromversorgung für ihre KI-Modelle zu garantieren, setzen die großen Technologieunternehmen auf eine Strategie der vertikalen Integration. Sie verlassen sich nicht mehr allein auf die öffentlichen Versorger, sondern sichern sich eigene Energiequellen.
Microsoft hat mit Constellation Energy eine Vereinbarung getroffen, um die Einheit 1 des Kernkraftwerks Three Mile Island wieder in Betrieb zu nehmen. Das Ziel ist es, ab 2028 eine konstante Stromzufuhr von etwa 800 Megawatt direkt für Microsoft-Rechenzentren zu erhalten.
Google verfolgt einen anderen Ansatz und investiert in die nächste Generation der Kernkraft. Das Unternehmen unterzeichnete einen Vertrag mit Kairos Power, um bis 2030 eine Flotte von kleinen modularen Reaktoren (SMR) in Betrieb zu nehmen. Diese SMR sind kleiner als traditionelle Kraftwerke und können flexibler in der Nähe von Rechenzentren platziert werden.
Die Partnerschaft mit Kairos Power ist ein wichtiger Schritt, um die wachsende Nachfrage nach kohlenstofffreier Energie für unsere KI-Infrastruktur zu decken.Google-Sprecher
Amazon Web Services (AWS) hat ebenfalls in die Kernenergie investiert, indem das Unternehmen ein Rechenzentrums-Campus in der Nähe eines bestehenden Kernkraftwerks in Pennsylvania erwarb. Der Deal mit Talen Energy ermöglicht den direkten Zugriff auf Strom aus dem Susquehanna-Kraftwerk, wodurch das öffentliche Stromnetz entlastet wird.
Spannungsfeld zwischen Klimazielen und Grundlastbedarf
Die massive Ausweitung der Rechenzentren kollidiert mit den Klimazielen vieler Staaten. In der Europäischen Union setzt die Energieeffizienz-Richtlinie (Energy Efficiency Directive) strengere Grenzwerte für die Kühlung und den Energieverbrauch von Rechenzentren fest.
In den USA führt die Nachfrage zu einem Konflikt zwischen der Dekarbonisierung und der Versorgungssicherheit. Viele Versorger mussten die Stilllegung von Kohlekraftwerken verschieben, um die Last der KI-Cluster auszugleichen. Ein Vergleich der Strategien zeigt: Während die USA massiv auf die Wiederbelebung der Kernkraft setzen, fokussiert sich die EU stärker auf regulatorische Effizienzvorgaben und den Ausbau erneuerbarer Energien.
Die Herausforderung liegt in der Grundlastfähigkeit. Wind- und Solarenergie sind volatil. Da KI-Modelle rund um die Uhr trainiert und bedient werden, benötigen die Betreiber eine konstante Stromquelle, die nicht vom Wetter abhängt. Dies erklärt die plötzliche Renaissance der Atomkraft in der Tech-Branche.
Technologische Optimierung versus exponentielles Wachstum
Die Industrie argumentiert, dass KI langfristig dabei helfen wird, das Energieproblem zu lösen. Durch die Optimierung von Stromnetzen und die Entdeckung neuer Materialien für Batterien könnten KI-Systeme ihre eigenen Energiekosten amortisieren.
Kritiker verweisen jedoch auf das Jevons-Paradoxon: Technologische Effizienzsteigerungen führen oft nicht zu einem geringeren Gesamtverbrauch, sondern dazu, dass die Technologie noch häufiger und in größerem Umfang genutzt wird. Je effizienter ein LLM (Large Language Model) wird, desto mehr Anwendungen werden darauf aufgebaut, was den Gesamtstrombedarf weiter in die Höhe treibt.
Die Hardware-Hersteller versuchen gegenzusteuern. Die Integration von Flüssigkühlung (Liquid Cooling) in Rechenzentren ersetzt zunehmend die energieintensive Luftkühlung. Dies senkt den PUE-Wert (Power Usage Effectiveness), also das Verhältnis zwischen dem gesamten Energieverbrauch des Rechenzentrums und der Energie, die tatsächlich in die IT-Hardware fließt.
Dennoch bleibt die Lücke zwischen Effizienzgewinn und Lastanstieg bestehen. Die kommenden Jahre werden zeigen, ob SMRs schnell genug in Serie gehen können, um die Lücke zu schließen, oder ob die physischen Grenzen der Stromnetze das Wachstum der KI-Entwicklung bremsen.
Find more reporting in our Technik und Wissenschaft section.
