KI und Nachhaltigkeit bilanzieren

Diesen aiMOOC als Battle spielen: Deutsch, Klasse 9-10, G-Niveau

Einleitung

Künstliche Intelligenz kann Texte zusammenfassen, Bilder auswerten, Maschinen steuern, Stromnetze unterstützen oder beim Lernen helfen. Gleichzeitig braucht jede digitale Anwendung eine physische Grundlage: Rechenzentren, Prozessoren, Speicher, Stromnetze, Kühlsysteme, Rohstoffe und am Ende Wege für Wiederverwendung oder Recycling. Wenn Du die Nachhaltigkeit von KI beurteilen willst, reicht deshalb weder der Satz „KI spart Energie“ noch der Satz „KI verbraucht zu viel Energie“.

In diesem aiMOOC lernst Du, eine KI-Anwendung als System zu bilanzieren. Dabei untersuchst Du direkte Umweltwirkungen, vorgelagerte Wirkungen der Hardwareproduktion, mögliche Einsparungen durch die Anwendung, gesellschaftliche Folgen, Unsicherheiten und Verantwortungsfragen. Ziel ist keine einfache Antwort wie „KI ist nachhaltig“ oder „KI ist nicht nachhaltig“. Du sollst am Ende begründet entscheiden können, unter welchen Bedingungen eine konkrete KI-Anwendung sinnvoll, vertretbar oder abzulehnen ist.

Der Kurs richtet sich besonders an Klasse 9 und verbindet Informatik, Deutsch, Mathematik, Technik, Wirtschaft, Geschichte, Ethik und Gemeinschaftskunde. Für zwei Unterrichtsstunden ist ein Umfang von etwa 80 bis 90 Minuten vorgesehen. Für eine einzelne Unterrichtsstunde kannst Du die Vertiefungen zu Rohstoffen und Regulierung kürzen und direkt mit der Anwendungssituation arbeiten.

Stand der Daten und Quellen: September 2026. Gerade bei KI verändern sich Hardware, Modelle, Nutzungsmengen und Rechenzentren schnell. Deshalb ist eine Zahl nur dann aussagekräftig, wenn Du Quelle, Zeitraum, Systemgrenze und Unsicherheit mitprüfst.

Das Bild zeigt Serverracks in einem Rechenzentrum. Für Deine Bilanz ist wichtig: Ein sichtbarer Server ist nur ein Teil des Systems. Stromversorgung, Kühlung, Netztechnik, Gebäude, Chipfertigung und spätere Entsorgung gehören je nach Fragestellung ebenfalls dazu.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Das Video der Internationalen Energieagentur führt in die wechselseitige Beziehung von Energie und KI ein: KI benötigt Energie, kann aber zugleich in bestimmten Anwendungen Energiesysteme optimieren.

Lernziele

Nach dem Kurs kannst Du:

1. Systemgrenze: erklären, warum die Nachhaltigkeitsbilanz einer KI davon abhängt, welche Teile des Systems einbezogen werden.
2. Rechenleistung: Training und Inferenz unterscheiden und ihren Zusammenhang mit Hardware und Strombedarf beschreiben.
3. Lebenszyklusanalyse: Rohstoffgewinnung, Herstellung, Betrieb, Infrastruktur und End-of-Life gemeinsam betrachten.
4. Datenkompetenz: Messwerte, Hochrechnungen, Szenarien und Werbeaussagen voneinander unterscheiden.
5. Mathematik: Anteile, relative Veränderungen und einfache Effizienzkennzahlen berechnen und interpretieren.
6. Technikfolgenabschätzung: Nutzen, Risiken, Nebenwirkungen und Rebound-Effekte einer KI-Anwendung abwägen.
7. Ethik: Verteilungsfragen, Fairness, Verantwortung und die Interessen verschiedener Betroffener berücksichtigen.
8. Urteilskompetenz: eine Entscheidung transparent begründen und an Bedingungen knüpfen, statt KI pauschal zu befürworten oder abzulehnen.

Kursfahrplan für 1–2 Unterrichtsstunden

Phase	Zeit	Tätigkeit	Schwerpunkt
Aktivierung und Diagnose	5–8 Minuten	Aussagen prüfen und Unsicherheiten markieren	Vorwissen, Quellenkritik
Einführung	15 Minuten	Systemgrenze, Lebenszyklus, Training und Inferenz verstehen	Informatik, Technik
Daten und Kennzahlen	15 Minuten	IEA- und ITU-Daten einordnen, Prozentrechnung und PUE anwenden	Mathematik, Wirtschaft
Vertiefung	15 Minuten	Hardware, Rohstoffe, Wasser, Infrastruktur, Nutzen und Rebound bewerten	Technik, Ethik, Geschichte
Anwendungssituation	20 Minuten	Schulentscheidung mit Kriterienmatrix bearbeiten	Gemeinschaftskunde, Deutsch
Selbstkontrolle und Transfer	10–15 Minuten	Quiz, Reflexion und neue Entscheidungssituation	Urteilskompetenz, Human Agency

Aktivierung und Diagnose

Lies die vier Aussagen. Entscheide zuerst allein, ob die Aussage belegt, zu pauschal, eine Prognose oder eine Wertung ist. Tausche Dich danach mit einer anderen Person aus.

1. Aussage prüfen: „Eine KI-Anfrage verbraucht immer gleich viel Strom.“
2. Prognose erkennen: „Der Stromverbrauch von Rechenzentren wird bis 2030 ungefähr auf einen bestimmten Wert steigen.“
3. Systemgrenze prüfen: „Der gesamte weltweite Elektroschrott entsteht durch KI.“
4. Wertung erkennen: „Wenn KI Energie spart, ist ihr Einsatz automatisch nachhaltig.“

Diagnosehilfe: Die erste Aussage ist zu pauschal, weil Modell, Aufgabe, Hardware, Auslastung und Rechenzentrum eine Rolle spielen. Die zweite kann als Szenario oder Projektion sinnvoll sein, ist aber kein sicherer Messwert der Zukunft. Die dritte verwechselt den gesamten Elektroschrott mit dem nicht separat ausgewiesenen KI-Anteil. Die vierte ignoriert weitere Umwelt- und Sozialwirkungen.

Mini-Regel für den ganzen Kurs

Bevor Du eine spektakuläre Zahl weitergibst, frage:

1. Quelle: Wer hat die Zahl erhoben oder modelliert?
2. Systemgrenze: Was ist enthalten und was fehlt?
3. Zeitraum: Geht es um eine Messung, ein Jahr, einen Lebenszyklus oder eine Prognose?
4. Vergleich: Wird KI mit einem fairen Alternativverfahren verglichen?
5. Unsicherheit: Wie stark kann der Wert je nach Modell, Ort oder Nutzung schwanken?

Was bedeutet „bilanzieren“?

Bilanzieren bedeutet hier, Wirkungen systematisch gegenüberzustellen. Eine Nachhaltigkeitsbilanz ist keine einzelne magische Zahl. Je nach Ziel musst Du mehrere Dimensionen betrachten: Energie, Treibhausgasemissionen, Wasser, Materialien, Lebensdauer, Elektroschrott, Kosten, Nutzen, Fairness und gesellschaftliche Folgen.

Die OECD unterscheidet bei digitalen Technologien zwischen direkten Wirkungen, ermöglichenden Wirkungen und systemischen Wirkungen. Direkte Wirkungen entstehen etwa durch Herstellung, Betrieb und Entsorgung von Hardware. Ermöglichende Wirkungen entstehen, wenn KI Prozesse außerhalb der IT verändert, etwa ein Stromnetz besser steuert. Systemische Wirkungen entstehen, wenn sich Verhalten, Nachfrage oder Wirtschaftsstrukturen verändern, zum Beispiel durch einen Rebound-Effekt.

Eine Lebenszyklusanalyse betrachtet nicht nur den Betrieb eines Produkts, sondern mehrere Lebensphasen. Für KI-Computing empfiehlt die OECD ausdrücklich, Produktion, Transport, Betrieb und End-of-Life mitzudenken.

Die Systemgrenze als Denkwerkzeug

Stufe	Leitfrage	Mögliche Wirkung
Rohstoffe	Welche Materialien werden für Chips, Leiterplatten, Kabel, Gebäude und Stromtechnik benötigt?	Bergbau, Flächenverbrauch, Wasser, soziale Konflikte
Herstellung	Wie werden Halbleiter, Server und Netztechnik produziert?	Energie- und Wasserbedarf, Chemikalien, Ausschuss
Rechenzentrum	Welche Server, Speicher, Netzwerke, Stromversorgung und Kühlung sind nötig?	Strombedarf, Abwärme, Wasserbedarf, Flächennutzung
Training	Wie wird ein Modell erstellt oder weitertrainiert?	Rechenzeit, Speicher, Datentransfer
Inferenz	Wie oft wird das trainierte Modell für konkrete Aufgaben genutzt?	laufender Strombedarf; abhängig von Aufgabe und Modell
Endgeräte und Netze	Welche Datenwege und Geräte sind zusätzlich beteiligt?	Energie, Hardwareverschleiß, Netzinfrastruktur
End-of-Life	Wird Hardware weiterverwendet, repariert oder recycelt?	Elektroschrott, Rückgewinnung von Materialien
Nutzen und Folgewirkungen	Was wird durch KI tatsächlich verbessert oder zusätzlich ausgelöst?	Einsparungen, neue Nachfrage, Rebound, soziale Veränderungen

Das Umweltprogramm der Vereinten Nationen fordert deshalb, die Umweltwirkungen von KI über den gesamten Lebenszyklus und nicht nur anhand des Stromverbrauchs eines einzelnen Rechenvorgangs zu bewerten.

Was passiert technisch? Training, Inferenz und Rechenleistung

Ein KI-System besteht nicht nur aus „Software in der Cloud“. Modelle laufen auf realer Hardware. Moderne KI nutzt häufig spezialisierte Prozessoren, die sehr viele Rechenoperationen parallel ausführen können. Dazu kommen Speicher, Netzwerke und Stromversorgung.

Training bedeutet vereinfacht: Ein Modell wird mit Daten und Rechenverfahren so angepasst, dass seine Parameter nützliche Muster abbilden. Inferenz bedeutet: Das trainierte Modell verarbeitet eine neue Eingabe und erzeugt daraus eine Ausgabe. Bei häufig genutzten Diensten kann die Summe vieler Inferenzvorgänge über längere Zeit sehr bedeutend werden.

Das Schema eines künstlichen neuronalen Netzes zeigt eine stark vereinfachte Modellstruktur. Die tatsächliche Rechenarbeit moderner Systeme kann erheblich komplexer sein.

Auf einem Wafer werden viele Halbleiterstrukturen gefertigt. Eine Nachhaltigkeitsbilanz muss deshalb nicht nur die spätere Nutzung von Prozessoren, sondern auch die Herstellung der Hardware berücksichtigen.

Die IEA weist 2026 auf zwei gleichzeitig laufende Entwicklungen hin: Die Energieeffizienz pro KI-Aufgabe verbessert sich sehr schnell, zugleich wächst die Nutzung und es entstehen rechenintensivere Anwendungen. Deshalb kann ein effizienterer einzelner Vorgang mit einem steigenden Gesamtverbrauch zusammenfallen.

Warum „Energie pro Prompt“ oft keine gute Universalzahl ist

Eine einzelne Anfrage kann je nach Situation sehr unterschiedlich ausfallen. Relevant sind unter anderem:

1. Modellgröße: Ein größeres oder aufwendigeres Modell kann mehr Rechenarbeit benötigen.
2. Aufgabentyp: Kurzer Text, lange Analyse, Bild- oder Videogenerierung haben unterschiedliche Anforderungen.
3. Hardwareeffizienz: Neuere oder spezialisierte Chips können dieselbe Aufgabe mit weniger Energie erledigen.
4. Auslastung: Ein gut ausgelastetes System verteilt Infrastrukturkosten anders als ein schlecht ausgelastetes.
5. Rechenzentrum: Kühlung, Stromversorgung und Standort beeinflussen den Gesamtbedarf.
6. Strommix: Gleiche elektrische Energie kann je nach Erzeugung mit unterschiedlichen Emissionen verbunden sein.
7. Messmethode: Manche Angaben zählen nur den Prozessor, andere auch Kühlung und Stromwandlung mit.

Folgerung: Eine Zahl ohne Systemgrenze ist keine vollständige Bilanz.

Energie: groß denken, aber korrekt vergleichen

Die IEA schätzt den weltweiten Stromverbrauch von allen Rechenzentren für 2025 auf rund 485 TWh. In ihrer zentralen Projektion steigt dieser Wert bis 2030 auf rund 950 TWh, also auf etwa drei Prozent des weltweiten Stromverbrauchs. Die IEA betont zugleich große Unsicherheiten und weist darauf hin, dass nicht der gesamte Rechenzentrumsstrom KI zugeordnet werden darf.

Wichtig: 485 TWh sind kein „KI-Stromverbrauch“. Rechenzentren betreiben auch klassische Cloud-Dienste, Datenbanken, Streaming, Webseiten, Unternehmenssoftware und viele andere Anwendungen.

Mathematik-Check: relative Veränderung

Für die zentrale IEA-Projektion kannst Du rechnen:

Relative Veränderung = (neuer Wert − alter Wert) / alter Wert × 100 %

Mit 485 TWh im Jahr 2025 und 950 TWh im Jahr 2030 ergibt sich:

(950 − 485) / 485 × 100 % ≈ 96 %

Die Aussage „ungefähr Verdopplung“ beschreibt also die Größenordnung der Projektion. Sie bleibt aber eine Projektion, kein bereits gemessener Zukunftswert.

PUE: eine wichtige, aber begrenzte Kennzahl

Die Power Usage Effectiveness, kurz PUE, setzt den gesamten Stromverbrauch eines Rechenzentrums ins Verhältnis zum Stromverbrauch der IT:

PUE = Gesamtenergie des Rechenzentrums / Energie der IT

Beispiel: Benötigt die IT 100 Energieeinheiten und das gesamte Rechenzentrum 125 Energieeinheiten, beträgt die PUE 1,25.

Eine niedrigere PUE kann auf effizientere Infrastruktur hindeuten. Sie sagt aber nicht automatisch etwas über die Herkunft des Stroms, die Produktion der Hardware, den Wasserverbrauch oder den tatsächlichen Nutzen der Berechnung aus. Das deutsche Energieeffizienzgesetz sieht für Rechenzentren unter anderem Berichte über Stromverbrauch, erneuerbare Energien, Abwärme, PUE und Wassernutzungskennzahlen vor.

Kühlung, Wasser und Infrastruktur

Rechenchips wandeln einen großen Teil der aufgenommenen elektrischen Energie in Wärme um. Deshalb müssen Rechenzentren Wärme zuverlässig abführen. Dafür gibt es unterschiedliche technische Lösungen, etwa Luftkühlung, Flüssigkeitskühlung oder Kombinationen verschiedener Verfahren.

Das Schema zeigt das Prinzip von kalten und warmen Gängen. Solche technischen Details sind relevant, weil ein Rechenzentrum nicht nur aus Prozessoren besteht.

Kühltürme können Teil eines Kühlsystems sein. Wasserbedarf ist nicht überall gleich: Klima, Kühltechnik, Standort und Stromerzeugung verändern die Bilanz. Die OECD bezeichnet Wasserwirkungen digitaler Technologien als häufig übersehen und wegen fehlender Daten nur unvollständig verstanden.

Das bedeutet für Deine Bewertung: Die Aussage „KI verbraucht pro Anfrage genau X Milliliter Wasser“ sollte nur übernommen werden, wenn Messmethode, Standort, Modell und Systemgrenze klar angegeben sind.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Dieses Video von Google Cloud erklärt Grundlagen eines Rechenzentrums. Quellenkritik-Aufgabe: Das Video ist informativ, stammt aber von einem Unternehmen, das selbst Rechenzentren betreibt. Notiere nach dem Ansehen eine technische Information, die Du übernehmen würdest, und eine Nachhaltigkeitsaussage, die Du zusätzlich mit einer unabhängigen Quelle prüfen würdest.

Hardware, Rohstoffe und globale Lieferketten

KI-Rechenleistung braucht physische Geräte. Server enthalten unter anderem Halbleiter, Leiterplatten, Kupferleitungen, Aluminium, Kunststoffe und viele weitere Stoffe. Je nach Bauteil kommen zusätzliche kritische oder seltene Materialien hinzu. Welche Materialien genau relevant sind, hängt vom Gerät ab. Deshalb ist die pauschale Aussage „KI besteht aus seltenen Erden“ ebenso ungenau wie die Aussage „nur Strom zählt“.

Die Herstellung beginnt lange vor dem Rechenzentrum: Rohstoffe werden gewonnen, aufbereitet, transportiert und zu hochreinen Materialien sowie elektronischen Bauteilen verarbeitet. Die OECD nennt für die Produktionsphase mögliche Umweltwirkungen wie Boden- und Wasserverschmutzung, Flächenveränderungen, Wasserverbrauch und Biodiversitätsverluste. Zugleich ist eine genaue Zuordnung zu „KI allein“ oft schwierig, weil dieselbe Infrastruktur für viele digitale Aufgaben genutzt wird.

Kupfer ist unter anderem für Strom- und Dateninfrastruktur wichtig. Das Bild macht sichtbar, dass digitale Technik materielle Voraussetzungen hat.

Globale Gerechtigkeit

Die Vorteile digitaler Dienste können an einem anderen Ort entstehen als ihre Umwelt- und Sozialkosten. Rohstoffgewinnung, Chipfertigung, Rechenzentren und Entsorgung liegen häufig in verschiedenen Regionen. Eine ethische Bilanz fragt deshalb nicht nur wie viel Belastung entsteht, sondern auch wer Nutzen und Belastung trägt.

Fragen für Ethik und Gemeinschaftskunde:

1. Verteilungsgerechtigkeit: Wer profitiert von einer KI-Anwendung und wer trägt Umweltkosten?
2. Mitbestimmung: Werden betroffene Gemeinden bei großen Infrastrukturprojekten beteiligt?
3. Transparenz: Können Öffentlichkeit und Kunden zentrale Umweltkennzahlen prüfen?
4. Generationengerechtigkeit: Werden kurzfristige Vorteile gegen langfristigen Rohstoff- und Klimadruck abgewogen?

Elektroschrott und Kreislaufwirtschaft

Der Global E-waste Monitor 2024 von ITU und UNITAR berichtet, dass 2022 weltweit 62 Millionen Tonnen Elektroschrott entstanden. Davon wurden 22,3 Prozent dokumentiert formal gesammelt und umweltgerecht recycelt.

Quellenkritisch entscheidend: Diese 62 Millionen Tonnen sind der Elektroschrott aller erfassten Elektro- und Elektronikgeräte, nicht der Elektroschrott von KI. Die Zahl zeigt den größeren materiellen Kontext der Digitalisierung, darf aber nicht einfach KI zugerechnet werden.

Das Bild zeigt Elektroschrott in Ghana. Informelle Entsorgung und offene Verbrennung können Menschen und Umwelt gefährden. Die WHO weist besonders auf Risiken durch gefährliche Stoffe bei unsachgemäßer Behandlung von Elektroschrott hin.

Video laden

YouTube

YouTube sammelt möglicherweise persönliche Daten. Datenschutzrichtlinie

Fortfahren Ausblenden

Das auf einer ITU-Seite eingebundene Video zur Elektroschrott-Praxis in Malawi eignet sich als Perspektivwechsel: Nachhaltigkeit digitaler Technik endet nicht am Bildschirm.

Mathematik-Impuls: Anteil richtig lesen

Wenn 22,3 Prozent von 62 Millionen Tonnen dokumentiert formal gesammelt und recycelt wurden, kannst Du den zugehörigen Massenanteil mit

62 Millionen t × 0,223

berechnen. Vergleiche Dein Ergebnis mit der im Bericht genannten Größenordnung von etwa 13,8 Millionen Tonnen. Frage anschließend: Welche Aussage wäre trotzdem unzulässig? Antwort: Aus diesen Daten lässt sich der KI-Anteil am Elektroschrott nicht bestimmen.

Möglicher Nutzen: KI kann Nachhaltigkeit unterstützen

Eine faire Bilanz betrachtet nicht nur Belastungen. KI kann in bestimmten Anwendungen helfen, Energie- und Stoffströme besser zu steuern. Die IEA beschreibt beispielsweise Anwendungen für Stromnetze, Wartung, Wettervorhersage, industrielle Prozesse, Gebäude und Verkehrssteuerung. Solche Anwendungen können Energie sparen oder vorhandene Infrastruktur besser auslasten. Die tatsächlichen Vorteile hängen jedoch von Datenqualität, Umsetzung, digitaler Infrastruktur und menschlichen Entscheidungen ab.

Ein intelligentes Stromnetz verbindet Erzeugung, Netze, Speicher und Verbraucher. KI kann Teil solcher Systeme sein, aber sie ist nicht die einzige Voraussetzung und ersetzt keine Netze, Speicher, Fachkräfte oder politische Entscheidungen.

Erneuerbare Energien können die Emissionen des Strombetriebs senken. Trotzdem verschwinden dadurch Rohstoff-, Hardware-, Wasser- oder Flächenfragen nicht. Außerdem kann zusätzliche Nachfrage neue Stromerzeugung und Netzinfrastruktur nötig machen.

Rebound: Wenn Effizienz allein nicht reicht

Ein Rebound-Effekt tritt auf, wenn eine effizientere oder günstigere Technik stärker genutzt wird und dadurch ein Teil der erwarteten Einsparung wieder verloren geht. Historisch wird dieser Gedanke häufig mit dem Jevons-Paradoxon verbunden. Das bedeutet nicht, dass jede Effizienzsteigerung automatisch scheitert. Es bedeutet: Gesamtverbrauch = Effizienz pro Vorgang × Anzahl und Art der Vorgänge.

Für KI ist das besonders wichtig. Wenn einzelne Aufgaben effizienter werden, aber sehr viel häufiger oder für neue rechenintensive Zwecke eingesetzt werden, kann der Gesamtbedarf trotzdem steigen. Die IEA beschreibt genau dieses Spannungsfeld zwischen schneller Effizienzsteigerung und wachsender Nutzung.

Gesellschaftliche Folgen, Risiko und Verantwortung

Nachhaltigkeit umfasst mehr als Umweltkennzahlen. Eine KI-Anwendung kann auch Auswirkungen auf Bildung, Arbeit, Zugang, Datenschutz, Fairness und demokratische Entscheidungen haben. UNESCO verbindet die Bewertung von KI und Umwelt deshalb mit ethischen Prinzipien und fordert, negative Umweltwirkungen sowie mögliche positive Anwendungen gemeinsam zu betrachten.

Human Agency bedeutet hier: Menschen behalten Verantwortung für Ziele, Regeln und Entscheidungen. Ein KI-System kann Informationen liefern oder Optionen berechnen, aber es entscheidet nicht selbst, welche Werte eine Schule, Stadt oder Gesellschaft verfolgen soll.

Fünf Verantwortungsfragen

1. Zweck: Welches Problem soll gelöst werden, und ist KI dafür überhaupt nötig?
2. Evidenz: Welche Messdaten oder seriösen Studien zeigen Nutzen und Belastung?
3. Alternativen: Gibt es eine einfachere, energiesparendere oder sozial bessere Lösung?
4. Kontrolle: Wer prüft Fehler, Verzerrungen, Datenschutz und unerwartete Folgen?
5. Rechenschaft: Wer muss erklären können, warum die Anwendung eingesetzt, begrenzt oder beendet wird?

Quellenkritik: Von der Zahl zum belastbaren Urteil

Nicht jede Quelle beantwortet dieselbe Frage gleich gut.

Quelle	Besonders geeignet für	Grenze
Messdaten eines konkreten Systems	tatsächlicher Verbrauch in genau diesem Einsatz	nur übertragbar, wenn System und Nutzung vergleichbar sind
Standardisierte Lebenszyklusanalyse	Herstellung, Betrieb und End-of-Life	aufwendig; Annahmen müssen geprüft werden
IEA-Szenarien	globale und regionale Energieentwicklung	Projektionen sind keine sicheren Zukunftswerte
OECD- und UNEP-Rahmen	Systemgrenzen, Umweltwirkungen, Messmethoden	oft keine Zahl für einen einzelnen KI-Dienst
Herstellerangaben	technische Details eines Produkts	Eigeninteresse; unabhängige Prüfung sinnvoll
Social-Media-Post ohne Methode	Einstieg in eine Recherche	schwache Beleglage

In Deutsch kannst Du zusätzlich die Sprache untersuchen. Alarmistische Vergleiche wie „so viel wie ein ganzes Land“ können eine Größenordnung anschaulich machen, aber auch wichtige Unterschiede verschleiern. Gute Argumentation nennt Bezugsgröße, Zeitraum, Unsicherheit und Quelle.

Realistische Anwendungssituation: Soll unsere Schule einen KI-Lernassistenten einführen?

Die Schulkonferenz einer fiktiven Schule mit 700 Lernenden prüft drei Varianten für einen digitalen Schreib- und Lernassistenten. Alle Werte der folgenden Tabelle sind ein didaktischer, fiktiver Pilotdatensatz. Sie behaupten nichts über einen realen Anbieter. Das Ziel ist, eine transparente Entscheidungsmethode zu üben.

Kriterium	Variante A: universeller großer KI-Dienst	Variante B: kleineres Modell, gezielte Nutzung	Variante C: keine generative KI, klassische digitale Werkzeuge
Lernnutzen im Pilot	hoch bei vielen Aufgaben	gut bei klar begrenzten Aufgaben	gut bei Rechtschreibung, Recherche und Peer-Feedback
Energieindex für denselben Pilotumfang	100	45	12
Transparenz zu Energie und Hardware	teilweise	umfangreich	umfangreich
Zusätzliche lokale Hardware	keine	ein gemeinsam genutzter Server	keine
Menschliche Prüfung	erforderlich	erforderlich	erforderlich
Risiko falscher generierter Inhalte	vorhanden	vorhanden	gering
Datenschutz	noch zu prüfen	schulinterne Konfiguration vorgesehen	bekannte bestehende Verfahren
Barrierefreiheit	gute Sprachunterstützung	gute Sprachunterstützung	je nach Werkzeug unterschiedlich

Arbeitsauftrag zur Entscheidung

Du bist Mitglied der Schulkonferenz. Arbeite in einer Vierergruppe. Jede Gruppe vertritt zunächst eine Perspektive: Lernende, Lehrkräfte, Schulträger oder Datenschutz- und Nachhaltigkeitsbeauftragte.

1. Kriterien gewichten: Vergib für Lernnutzen, Energie, Hardware, Transparenz, Datenschutz, Fairness und Kosten jeweils ein Gewicht von 1 bis 5.
2. Unsicherheit markieren: Behandle „noch zu prüfen“ niemals wie eine Nullbelastung. Markiere fehlende Daten als offenen Prüfpunkt.
3. Risiko bewerten: Nenne mindestens ein Risiko mit hoher Tragweite und eine passende Schutzmaßnahme.
4. Alternative prüfen: Erkläre, ob die Aufgabe auch ohne generative KI sinnvoll lösbar wäre.
5. Entscheidung formulieren: Entscheide Dich für eine Variante, einen begrenzten Pilotversuch oder gegen eine Einführung.
6. Bedingungen nennen: Formuliere mindestens drei Bedingungen, unter denen Deine Entscheidung gelten soll.

Beispiel für eine gute Bedingung: „Ein Pilot startet nur, wenn der Anbieter nachvollziehbare Angaben zu Energiekennzahlen, Datenverarbeitung und Löschfristen liefert und die Schule nach acht Wochen Lernnutzen und tatsächliche Nutzung auswertet.“

Entscheidungs-Matrix

Eine Nutzwertanalyse kann Dir helfen, Argumente transparent zu machen:

Gesamtwert = Summe aus Gewicht × Bewertung

Doch Vorsicht: Ein hoher Gesamtwert beweist nicht automatisch, dass die Entscheidung „richtig“ ist. Die Gewichte enthalten Wertentscheidungen. Ein nicht akzeptables Datenschutz- oder Sicherheitsrisiko kann außerdem ein Ausschlusskriterium sein, selbst wenn andere Punkte gut abschneiden.

Kriterium	Gewicht 1–5	Bewertung 1–5	Produkt	Begründung
Lernnutzen
Energie und Klima
Hardware und Rohstoffe
Transparenz
Datenschutz und Sicherheit
Fairness und Zugang

Fächerübergreifende Bezüge

Fach	Beitrag zum Thema	Mögliche Frage
Informatik	Training, Inferenz, Algorithmen, Hardware, Daten	Welche Teile eines KI-Systems erzeugen Rechenlast?
Deutsch	Quellenkritik, Argumentation, Framing	Ist eine Schlagzeile mit spektakulärer Vergleichszahl sachgerecht?
Mathematik	Prozentrechnung, Verhältnisse, Indizes, Szenarien	Wie stark steigt ein Wert relativ und wie sicher ist die Projektion?
Technik	Kühlung, Chips, Stromversorgung, Abwärme	Welche technische Lösung senkt Belastungen, ohne neue Probleme zu erzeugen?
Wirtschaft	Investitionen, Betriebskosten, externe Kosten, Lieferketten	Wer bezahlt Infrastruktur und wer profitiert?
Geschichte	Technische Umbrüche, Effizienz und Rebound	Warum führen Effizienzgewinne historisch nicht immer zu weniger Gesamtverbrauch?
Ethik	Gerechtigkeit, Verantwortung, Generationen	Wer trägt Risiken und wer darf über sie entscheiden?
Gemeinschaftskunde	Regulierung, öffentliche Infrastruktur, Beteiligung	Welche Transparenzpflichten und Regeln braucht eine demokratische Gesellschaft?

Regulierung und öffentliche Verantwortung

In Deutschland enthält das Energieeffizienzgesetz einen eigenen Abschnitt zu Rechenzentren. Betreiber müssen bestimmte Informationen melden; dazu gehören unter anderem Stromverbrauch, Anteil erneuerbarer Energien, Abwärme, PUE und eine Kennzahl zur Wassernutzung. Das Umweltbundesamt stellt zusätzlich Kriterien und Beschaffungsleitfäden für energie- und ressourceneffiziente Rechenzentren bereit.

Für Gemeinschaftskunde ist daran interessant: Nachhaltigkeit hängt nicht nur vom Verhalten einzelner Nutzerinnen und Nutzer ab. Regeln für Infrastruktur, Transparenz, Beschaffung, Stromnetze und Kreislaufwirtschaft beeinflussen die Möglichkeiten vieler Akteure gleichzeitig.

Selbstkontrolle vor dem Transfer

Prüfe Dich selbst. Du bist bereit für die Transferaufgabe, wenn Du alle fünf Fragen mit „Ja“ beantworten kannst:

1. Systemblick: Kann ich mindestens vier Teile des KI-Lebenszyklus nennen?
2. Datenblick: Kann ich Messwert, Projektion und Werbeaussage unterscheiden?
3. Vergleich: Kann ich eine KI-Anwendung mit einer realistischen Alternative vergleichen?
4. Unsicherheit: Kann ich fehlende Daten sichtbar machen, statt sie wegzurechnen?
5. Verantwortung: Kann ich eine Entscheidung begründen und Bedingungen für einen verantwortlichen Einsatz nennen?

Transfer-Challenge: Neue Situation

Eine Gemeinde möchte ihre Straßenbeleuchtung mit einem KI-System steuern. Sensoren sollen Verkehr, Wetter und Helligkeit erfassen. Die Software könnte Lampen bedarfsgerechter dimmen und Wartungsfehler früher erkennen. Gleichzeitig sind Sensoren, Datenübertragung, Rechenleistung und neue Steuergeräte nötig. Einige Bürgerinnen und Bürger befürchten außerdem, dass Bewegungsdaten für andere Zwecke genutzt werden könnten.

Deine Aufgabe: Entscheide, ob die Gemeinde einen Pilotversuch starten soll.

Deine Begründung muss:

1. Systemgrenze: direkte, vorgelagerte und systemische Wirkungen nennen.
2. Datenbedarf: mindestens vier Messwerte oder Informationen benennen, die vor der Entscheidung fehlen.
3. Alternativenvergleich: KI-Steuerung mit einer einfacheren zeit- oder sensorgesteuerten Lösung vergleichen.
4. Risikoabwägung: Umwelt-, Datenschutz- und Sicherheitsrisiken berücksichtigen.
5. Nutzenprüfung: erklären, woran nach sechs Monaten erkennbar wäre, ob der Pilot tatsächlich nützt.
6. Human Agency: festlegen, wer kontrolliert, wer entscheidet und unter welchen Bedingungen der Versuch beendet wird.

Formuliere am Ende ein Urteil in der Form: „Wir empfehlen …, weil …; diese Empfehlung gilt nur, wenn …“

Interaktive Aufgaben

Quiz: Teste Dein Wissen

Warum ist die Aussage „Eine KI-Anfrage verbraucht immer gleich viel Energie“ methodisch schwach? (Der Verbrauch hängt unter anderem von Modell Aufgabe Hardware Auslastung und Rechenzentrum ab) (!Jede KI-Anfrage nutzt weltweit exakt denselben Server) (!Nur die Länge des eingegebenen Satzes bestimmt den Verbrauch) (!Energie spielt bei digitaler Technik keine Rolle)

Was beschreibt die PUE eines Rechenzentrums? (Das Verhältnis von Gesamtenergie des Rechenzentrums zur Energie der IT) (!Den Anteil korrekt beantworteter KI-Fragen) (!Die Recyclingquote aller Server) (!Den Anteil erneuerbarer Rohstoffe in einem Prozessor)

Wie müssen die IEA-Werte von etwa 485 TWh im Jahr 2025 und 950 TWh im Jahr 2030 eingeordnet werden? (Sie beziehen sich auf alle Rechenzentren und der Wert für 2030 ist eine Projektion) (!Sie messen ausschließlich den Stromverbrauch von Schul-KI) (!Beide Werte sind bereits gemessene historische Daten) (!Sie geben den weltweiten Wasserverbrauch von KI an)

Was bedeutet die Zahl von 62 Millionen Tonnen Elektroschrott aus dem Global E-waste Monitor 2024? (Sie beschreibt den weltweiten Elektroschrott aller erfassten Elektro- und Elektronikgeräte im Jahr 2022) (!Sie beschreibt ausschließlich ausrangierte KI-Prozessoren) (!Sie ist eine Schätzung für nur ein Rechenzentrum) (!Sie ist die Masse aller weltweit eingesetzten Daten)

Was ist ein Rebound-Effekt? (Effizienzgewinne werden teilweise durch zusätzliche oder intensivere Nutzung wieder aufgehoben) (!Ein Computer schaltet sich nach einem Fehler automatisch aus) (!Ein Server wird nach dem Recycling wieder an den Hersteller geschickt) (!Ein Modell gibt immer dieselbe Antwort zurück)

Warum reicht der Stromverbrauch allein für eine Nachhaltigkeitsbilanz von KI nicht aus? (Auch Herstellung Rohstoffe Wasser End-of-Life Nutzen und gesellschaftliche Folgen können relevant sein) (!Weil Strom grundsätzlich keine Umweltwirkung hat) (!Weil Hardware bei KI nicht benötigt wird) (!Weil nur die Textqualität bewertet werden darf)

Welche Aussage über den möglichen Nutzen von KI ist am besten begründet? (KI kann bestimmte Systeme optimieren aber der tatsächliche Nutzen muss gemessen und mit Alternativen verglichen werden) (!KI spart bei jeder Anwendung automatisch Energie) (!KI ist nur dann nachhaltig wenn sie keine Menschen beteiligt) (!Jede KI-Anwendung ersetzt ein Kraftwerk)

Welche Quelle ist für den tatsächlichen Stromverbrauch eines konkreten Schul-Pilotprojekts besonders nützlich? (Nachvollziehbare Messdaten des konkreten Systems mit klarer Systemgrenze) (!Ein anonymer Kommentar ohne Messmethode) (!Eine Werbeaussage ohne Zeitraum) (!Eine Zahl über ein völlig anderes Rechenzentrum ohne Vergleichbarkeit)

Was bedeutet Human Agency bei einer KI-Entscheidung? (Menschen legen Ziele Regeln Kontrollen und Verantwortung fest) (!Das KI-System erhält allein die politische Entscheidungsgewalt) (!Menschen müssen jede Empfehlung der KI übernehmen) (!Verantwortung entfällt wenn ein Algorithmus beteiligt ist)

Was ist die wichtigste Funktion einer Systemgrenze? (Sie legt fest welche Teile und Wirkungen in einer Bilanz einbezogen werden) (!Sie bestimmt die maximale Länge einer KI-Antwort) (!Sie trennt immer Schule und Rechenzentrum geografisch) (!Sie legt automatisch fest welche Wertentscheidung richtig ist)

Memory

Training	Anpassung eines Modells mit Daten und Rechenverfahren
Inferenz	Anwendung eines trainierten Modells auf neue Eingaben
PUE	Verhältnis von Gesamtenergie des Rechenzentrums zu IT-Energie
Rebound	Mehrnutzung kann einen Teil von Effizienzgewinnen aufzehren
Lebenszyklus	Rohstoffe Herstellung Betrieb und End-of-Life gemeinsam betrachten
Systemgrenze	Festlegung welche Teile einer Bilanz berücksichtigt werden

Drag and Drop

Ordne die richtigen Begriffe zu.	Thema
Direkte Wirkung	Strom für Rechenoperationen und Kühlung
Vorgelagerte Wirkung	Rohstoffgewinnung und Chipfertigung
Ermöglichende Wirkung	KI optimiert ein Stromnetz oder eine Heizungsanlage
Systemische Wirkung	Zusätzliche Nachfrage durch einfachere und billigere Nutzung
Governance	Regeln Transparenz Kontrolle und Verantwortlichkeit

Kreuzworträtsel

Inferenz	Wie heißt die Anwendung eines trainierten Modells auf neue Eingaben?
Rebound	Wie heißt der Effekt bei dem Mehrnutzung Effizienzgewinne teilweise aufzehrt?
Kühlung	Welche technische Funktion führt Wärme aus einem Rechenzentrum ab?
Rohstoffe	Was wird vor der Herstellung elektronischer Hardware aus natürlichen Lagerstätten gewonnen?
Transparenz	Wie heißt die Nachvollziehbarkeit von Daten Methoden und Entscheidungen?
Recycling	Wie heißt die Rückgewinnung und Wiederverwertung von Materialien aus Abfällen?

Lückentext

Vervollständige den Text.

Eine belastbare Nachhaltigkeitsbewertung beginnt mit einer klaren .

Beim werden Modellparameter mit Daten und Rechenverfahren angepasst.

Die Anwendung eines trainierten Modells auf neue Eingaben heißt .

Die Kennzahl vergleicht die Gesamtenergie eines Rechenzentrums mit der Energie seiner IT.

Die IEA schätzt den Stromverbrauch aller Rechenzentren für 2025 auf etwa .

Der Wert von rund 950 TWh für 2030 ist eine .

Der Global E-waste Monitor betrachtet weltweiten und nicht ausschließlich KI-Hardware.

Der Wasserbedarf hängt unter anderem von Standort und ab.

Wenn Effizienz zu zusätzlicher Nutzung führt kann ein entstehen.

Bei verantwortlichem KI-Einsatz bleibt die bei Menschen.

Offene Aufgaben

Leicht

1. Quellenampel: Suche drei Aussagen über den Energiebedarf von KI und ordne sie als grün, gelb oder rot ein. Begründe Deine Einstufung anhand von Quelle, Zeitraum, Systemgrenze und Messmethode.
2. Systembild: Zeichne eine Wirkungskette von Rohstoffgewinnung über Chipfertigung und Rechenzentrum bis zur Nutzung und Entsorgung.
3. Medienanalyse: Wähle eines der Bilder im Kurs und erkläre in fünf Sätzen, welchen Teil der Nachhaltigkeitsbilanz es sichtbar macht und welchen Teil es nicht zeigt.
4. Begriffe erklären: Erstelle ein einminütiges Erklärvideo zu Training, Inferenz und Rebound. Verwende ein eigenes Alltagsbeispiel.

Standard

1. Datencheck: Rechne die relative Veränderung von 485 TWh auf 950 TWh nach und erkläre anschließend, warum das Ergebnis keine sichere Vorhersage und kein reiner KI-Wert ist.
2. Interview: Befrage die IT-Verantwortlichen Deiner Schule zu Servern, Cloud-Diensten, Gerätelebensdauer, Reparatur und Entsorgung. Formuliere vorher fünf neutrale Fragen.
3. Nutzwertanalyse: Bearbeite die Schul-Anwendungssituation mit eigenen Gewichten und vergleiche Dein Ergebnis mit einer anderen Gruppe. Diskutiert, welche Unterschiede auf Fakten und welche auf Werte zurückgehen.
4. Argumentationsanalyse: Schreibe einen kurzen Kommentar zu der Aussage „KI ist entweder Klimaretter oder Klimakiller“. Ersetze die Zuspitzung durch eine differenzierte, quellenbasierte Position.

Schwer

1. Lebenszyklusprojekt: Entwickle für eine konkrete KI-Anwendung eine Bilanz mit mindestens sechs Lebenszyklus- oder Wirkungskategorien. Markiere Datenlücken ausdrücklich.
2. Politikwerkstatt: Entwirf vier Regeln für die nachhaltige Beschaffung eines KI-Dienstes durch eine Schule oder Gemeinde. Begründe jede Regel aus Sicht von Umwelt, Wirtschaft und Grundrechten.
3. Rebound-Szenario: Entwickle zwei Szenarien für dieselbe KI-Anwendung: eines mit sinkendem Gesamtenergiebedarf und eines mit steigendem Gesamtenergiebedarf trotz höherer Effizienz. Erkläre die Unterschiede.
4. Transferentscheidung: Bearbeite die Straßenbeleuchtungs-Challenge als zweiseitiges Entscheidungspapier. Vergleiche KI, eine einfachere technische Alternative und den Status quo und formuliere überprüfbare Abbruchkriterien für einen Pilotversuch.

Lernkontrolle

1. Systemgrenze begründen: Eine Studie zählt nur den Strom des Grafikprozessors, eine andere zusätzlich Kühlung, Hardwareherstellung und Strommix. Erkläre, warum beide zu unterschiedlichen Ergebnissen kommen können und welche Studie für welche Frage geeigneter ist.
2. Szenario bewerten: Ein neues Modell benötigt pro Aufgabe deutlich weniger Energie, wird aber zehnmal häufiger eingesetzt. Zeige ohne vorgegebene Lösung, welche zusätzlichen Angaben Du brauchst, um den Gesamteffekt zu beurteilen.
3. Beschaffung entscheiden: Zwei KI-Dienste haben ähnliche Qualität. Dienst A nennt genaue Energie- und Datenschutzkennzahlen, Dienst B ist etwas günstiger, veröffentlicht aber kaum Informationen. Entwickle eine begründete Beschaffungsentscheidung und nenne Bedingungen für eine erneute Bewertung.
4. Gerechtigkeit analysieren: Die Vorteile eines KI-Dienstes entstehen an einer europäischen Schule, während Rohstoffgewinnung und Elektroschrott andere Regionen belasten. Erkläre, welche Gerechtigkeitsfragen daraus entstehen und welche Handlungsmöglichkeiten Schule, Unternehmen und Politik haben.
5. Nutzen gegen Aufwand: Eine KI soll den Energieverbrauch eines Gebäudes senken. Entwickle einen Messplan, mit dem nach sechs Monaten geprüft werden kann, ob die eingesparte Energie den zusätzlichen digitalen Aufwand tatsächlich rechtfertigt.
6. Quellenkonflikt lösen: Zwei seriöse Quellen nennen unterschiedliche Zahlen zum Energiebedarf digitaler Infrastruktur. Nenne mindestens vier Gründe, warum die Zahlen trotzdem beide korrekt sein könnten, und beschreibe, wie Du den scheinbaren Widerspruch prüfst.

Lernnachweis

Für einen Lernnachweis zu KI und Nachhaltigkeit bilanzieren ist wichtig, dass Du nicht nur Einzelwissen wiedergibst, sondern ein nachvollziehbares Urteil entwickelst.

1. Systemverständnis: Du stellst Rohstoffe, Hardware, Rechenzentrum, Nutzung und End-of-Life in einen Zusammenhang.
2. Datenkompetenz: Du unterscheidest Messwerte, Projektionen, Schätzungen und Wertungen.
3. Mathematische Kompetenz: Du berechnest und interpretierst relative Veränderungen, Anteile oder einfache Effizienzkennzahlen korrekt.
4. Quellenkritik: Du nennst Quelle, Zeitraum, Systemgrenze und Unsicherheiten wichtiger Angaben.
5. Nutzen-Risiko-Abwägung: Du berücksichtigst mögliche Einsparungen ebenso wie Umwelt- und Sozialrisiken.
6. Alternativenvergleich: Du prüfst mindestens eine Lösung ohne oder mit weniger aufwendiger KI.
7. Verantwortung: Du legst fest, wer kontrolliert, entscheidet und bei Problemen eingreift.
8. Urteil: Du formulierst eine eigenständige Entscheidung mit klaren Bedingungen und überprüfbaren Kriterien.

Quellen und Datenbasis

Die wichtigsten Zahlen und Bewertungsrahmen dieses Kurses stammen aus institutionellen Quellen. Verwende sie nicht als Autoritätsargument, sondern prüfe immer, welche Frage die jeweilige Quelle tatsächlich beantwortet.

1. IEA 2026 – Key Questions on Energy and AI: aktuelle Daten und Projektionen zu Rechenzentren, Energie und KI; Lizenz CC BY 4.0.
2. IEA 2025 – Energy and AI: Grundlagen zu Energiebedarf und möglichen Anwendungen von KI im Energiesektor.
3. OECD 2022 – The AI Footprint: Messung direkter und indirekter Umweltwirkungen über den Lebenszyklus.
4. OECD 2024 – Digital technologies and the environment: direkte, ermöglichende und systemische Wirkungen sowie Wasser- und Rebound-Fragen.
5. UNEP 2024 – AI end-to-end: vollständiger Lebenszyklus statt isolierter Einzelkennzahlen.
6. ITU/UNITAR 2024 – Global E-waste Monitor: globale Elektroschrottdaten; nicht als KI-spezifische Zahl zu verwenden.
7. Umweltbundesamt 2025 – Beschaffungsleitfaden Rechenzentren: Kriterien für energie- und ressourcenschonende Rechenzentrumsleistungen.
8. Energieeffizienzgesetz: gesetzliche Anforderungen und Informationspflichten für Rechenzentren in Deutschland.
9. UNESCO – AI for Environment and Ecosystems Toolkit: Verbindung von Umweltwirkung, Nutzen, Ethik und Governance.

OERs zum Thema

Der Wikipedia-Artikel zu Green IT bietet einen Einstieg in die umwelt- und ressourcenschonende Gestaltung von Informations- und Kommunikationstechnik über den Lebenszyklus hinweg.

Weitere sinnvolle Vertiefungen sind Künstliche Intelligenz, Rechenzentrum, Elektroschrott, Lebenszyklusanalyse, Energieeffizienz und Rebound-Effekt.

Verknüpfte Lernbereiche

KI und Nachhaltigkeit bilanzieren Künstliche Intelligenz Green IT Rechenzentrum Lebenszyklusanalyse Energieeffizienz Rohstoffe Elektroschrott Rebound-Effekt Technikfolgenabschätzung Quellenkritik Nachhaltige Entwicklung Technikethik