Ist das Ende der Rechenleistung die Elektrizität? Eine Betrachtung der KI-Infrastruktur ausgehend von den ersten Prinzipien

Ein Serverschrank von der Größe eines Kühlschranks wiegt mehr als ein Pickup; bis 2027 wird seine Spitzenleistung dem gleichzeitigen Stromverbrauch von 65 Haushalten entsprechen; um eine Überhitzung zu vermeiden, muss jeder Schrank eine Wärmemenge abführen, die der von 30 Gaskesseln entspricht.

Diese scheinbar science-fictionhafte Aussage ist in Wirklichkeit die Beschreibung von nächster KI-Generation von Rechenzentren in einem Bericht der Internationalen Energieagentur (IEA) vom April 2026. Dieser Bericht enthält weitere Zahlenangaben: Im Jahr 2025 überstiegen die Kapitalausgaben von fünf Technologiegiganten 400 Milliarden US-Dollar, und 2026 sollen sie um weitere 75 % steigen – diese Summe übersteigt bereits die gesamten jährlichen Investitionen der globalen Öl- und Gasförderung.

In den letzten zwei Jahren ist die Aussage „Das Ende der Rechenleistung ist die Elektrizität“ fast zum Branchenkonsens geworden. Diese Aussage ist nicht falsch, aber nur zur Hälfte richtig. Strom ist zwar eine notwendige Bedingung, aber was die Expansion der KI tatsächlich hemmt, ist oft nicht nur die Frage „ob Strom verfügbar ist“, sondern eine gesamte Kette, die aus Stromerzeugung, Stromnetzen, Transformatoren, Wärmeabfuhr, Speicherung, Gehäusen und Kapital besteht, sowie die völlig unterschiedlichen Baugeschwindigkeiten jedes Glieds in dieser Kette.

Um diese Kette klar zu erkennen, ist es am besten, die fertigen Narrative wie „GPU-Wettlauf“ und „Stromangst“ vorübergehend beiseite zu legen, zu den grundlegendsten physikalischen Tatsachen zurückzukehren und die Rechnung von Grund auf neu zu berechnen.

Wie wird Intelligenz „verbrannt“?

Wenn man alle kommerziellen Verpackungen abstreift, betrachtet man auf physikalischer Ebene, dass das, was KI tut, im Wesentlichen folgendes ist: Man leitet elektrische Energie in Transistoren, treibt das Umschalten von Bits an, vollzieht Matrixmultiplikationen und gibt schließlich Tokens aus.

Auf dieser Grundlage zerlegt, lässt sich die „effektive Intelligenz“, die ein Land oder ein Unternehmen erzeugen kann, grob als Produkt von vier Faktoren schreiben:

Verfügbare Elektrizität × Hardware-Effizienz (wie viele Operationen pro Joule ausgeführt werden können) × Algorithmus-Effizienz (wie viele nützliche Tokens pro Operation erzeugt werden) × Auslastungsgrad (der Anteil der Zeit, in der die Maschine tatsächlich arbeitet)

Diese Formel ist nicht präzise, hat aber den Vorteil, dass jeder Faktor einer konkreten Infrastrukturebene entspricht. Elektrizität entspricht Kraftwerken und Stromnetzen, Hardware-Effizienz entspricht Chips, Arbeitsspeicher, Gehäusen und Verbindungen, Algorithmus-Effizienz entspricht Modellarchitekturen und Inferenzsoftware, und Auslastungsgrad entspricht Planungssystemen, Wärmeabfuhr und der Zuverlässigkeit der Stromversorgung.

Wenn nur einer der Faktoren ausfällt, werden die anderen drei, selbst wenn sie perfekt funktionieren, mitgezogen. Aus diesem Grund wandern die Engpässe der KI-Infrastruktur ständig: Vor zwei Jahren gab es keine GPUs zu kaufen, später waren fortschrittliche Gehäuse und Hochgeschwindigkeitsspeicher nicht lieferbar, heute sind es Transformatoren, Gasturbinen und die Warteschlange für den Netzanschluss.

Zuerst betrachten wir zwei physikalische Tatsachen.

Die erste ist der Energieerhaltungssatz. Der Strom, der in das Rechenzentrum fließt, wird fast vollständig in Wärme umgewandelt, abgesehen von einem winzigen Teil, der zu optischen Signalen und mechanischen Schwingungen wird. Das bedeutet, dass „Stromversorgung“ und „Wärmeabfuhr“ im Wesentlichen zwei Seiten desselben Problems sind: Wie viele Kilowatt Sie in den Schrank einspeisen, müssen Sie auch als Wärme aus dem Schrank abführen. Später werden wir sehen, dass der sprunghafte Anstieg der Leistungsdichte der Schränke gleichzeitig die traditionellen Stromverteilungs- und Luftkühlungssysteme überlastet.

Die zweite Regel lautet: „Daten zu bewegen ist teurer als Daten zu berechnen“. Im Bereich des Chipdesigns gibt es eine klassische Berechnung: Bei einem 45-nm-Prozess verbraucht eine 32-Bit-Gleitkomma-Addition etwa 0,9 Pikojoule, während das Lesen von Daten gleicher Länge aus dem externen DRAM Hunderte von Pikojoule verbraucht – ein Unterschied von zwei bis drei Größenordnungen.

Nach Fortschritten in der Fertigung haben sich die absoluten Werte geändert, aber diese Größenordnungsbeziehung hat sich nicht grundlegend geändert. Mit anderen Worten: Der Hauptteil des Energieverbrauchs moderner KI-Chips liegt oft nicht im „Berechnen“, sondern im „Bewegen“. Von Hochgeschwindigkeitsspeicher (HBM), fortschrittlichem CoWoS-Gehäuse, über NVLink-Hochgeschwindigkeitsverbindungen, gemeinsam gehäuster Optik bis hin zu „Superknoten“ – die grundlegende Logik fast aller Hardware-Innovationen der letzten Jahre ist ein und dieselbe Sache: Die Distanz, die Daten zurücklegen müssen, zu verkürzen.

Wo liegt dann die physikalische Grenze? Nach dem Landau-Prinzip beträgt der Mindestenergieverbrauch zum Löschen eines Bits bei Raumtemperatur etwa 3×10⁻²¹ Joule. Am Beispiel des NVIDIA Rubin GPU: Mit einer FP4-Inferenzleistung von etwa 50 PFLOPS pro Gehäuse und einem Leistungsverbrauch von etwa 2 Kilowatt liegt der Energieverbrauch grob gerechnet bei einigen Dutzend Femtojoule pro FP4-Operation. Selbst wenn man eine Operation in hunderten Bitoperationen zerlegt, haben heutige Chips noch einen Spielraum von mehreren Größenordnungen unterhalb der theoretischen Untergrenze (grobe Schätzung, nur als Größenordnungsreferenz).

Tweet von Ming-Chi Kuo, Analyst bei Tianfeng International Securities in Hongkong

Daher ist das Energieverbrauchsproblem der KI nicht, dass sie an eine „physikalische Wand“ stößt, sondern ein Problem von Ingenieurwesen, Lieferkette und Institutionen. Diese Einschätzung ist sehr wichtig, denn sie bestimmt, wohin wir blicken sollten: Die echten Einschränkungen liegen schließlich in den Produktionsplänen der Fabriken, den Stromnetzplanungen und den Sitzungsprotokollen der lokalen Parlamente.

Nachfrage: Die Effizienz steigt jährlich um das Zehnfache – warum steigt der Stromverbrauch trotzdem immer mehr?

Sehen wir uns zuerst die andere Seite der Bilanz an: die Nachfrage.

Neueste Berechnungen der IEA zeigen, dass der Stromverbrauch globaler Rechenzentren 2025 um 17 % gestiegen ist, wobei der Stromverbrauch von Rechenzentren, die hauptsächlich auf KI ausgerichtet sind, um 50 % explodierte, während der gesamte globale Stromverbrauch im gleichen Zeitraum nur um 3 % wuchs. Nach ihrem Basisszenario wird der Stromverbrauch von Rechenzentren von 485 Terawattstunden im Jahr 2025 auf 950 Terawattstunden im Jahr 2030 verdoppelt, was etwa 3 % des globalen Stromverbrauchs ausmacht; der Stromverbrauch von dedizierten KI-Rechenzentren wird sich im gleichen Zeitraum verdreifachen.

Das Paradoxe ist, dass derselbe Bericht auch darauf hinweist, dass die Steigerungsrate der Energieeffizienz der KI, gemessen pro Aufgabe, in der Energiegeschichte beispiellos ist. Fortschritte in Hard- und Software haben den Energieverbrauch jeder KI-Aufgabe in den letzten Jahren jährlich um mindestens eine Größenordnung gesenkt.

Die Effizienz steigt rasant, aber die Gesamtmenge steigt noch schneller – das ist das klassische Jevons-Paradoxon. Die IEA zerlegt es in drei gleichzeitig beschleunigende Kräfte: Effizienzsteigerung, sprunghafter Anstieg der Nutzung und neue Anwendungsfälle, die durch Leistungssteigerungen freigesetzt werden.

Der Energieverbrauch pro Anfrage bei Videogenerierung, Inferenzmodellen und Agentenaufgaben kann Hunderte bis Tausende Male so hoch sein wie bei einfacher Textgenerierung. Wenn KI von „eine Frage beantworten“ zu „eine halbe Stunde lang eine Aufgabe für Sie erledigen“ wechselt, gehört der Rechenleistungsverbrauch pro Interaktion nicht mehr zur gleichen Größenordnung.

Auch die Trainingsseite wächst gleichzeitig. Laut Statistik des Forschungsinstituts Epoch AI ist die Trainingsrechenleistung von Spitzenmodellen seit 2020 jährlich um das 4- bis 5-fache gestiegen. Nach Abzug der Auswirkungen von Hardware-Effizienzsteigerungen und längeren Trainingsdauern steigt die Leistung, die für ein einzelnes Spitzentraining benötigt wird, immer noch mit einer jährlichen Rate von etwa 2,2-fach an; derzeit überschreitet das größte Training 100 Megawatt. Wenn sich dieser Trend fortsetzt, könnte ein einzelnes Training bis 2030 4 bis 16 Gigawatt benötigen.

Eine weitere Verfolgung von Epoch zeigt, dass die gesamte Rechenleistung des globalen Bestands an KI-Chips jährlich um etwa das 3,4-fache wächst.

Chinesische Daten liefern eine weitere Erläuterung auf der Inferenzseite. Yu Ying, stellvertretender Direktor des Nationalen Datenamts, enthüllte im Mai 2026, dass bis Ende März das tägliche Volumen an Token-Aufrufen in China bereits 140 Billionen überschritten hat, was einem Anstieg von mehr als dem Tausendfachen gegenüber Ende 2024 entspricht; Anfang 2024 lag diese Zahl nur bei etwa 100 Milliarden. Das Angebot an Rechenleistung expandierte gleichzeitig: Bis Ende Juli 2026 erreichte die gesamte intelligente Rechenleistung in China 2,45 Millionen PFLOPS.

Es ist bemerkenswert, dass der globale Anteil von 3 % nicht besonders einschüchternd wirkt. Der tatsächliche Druck kommt von der Konzentration. Nach Berechnungen der IEA in ihrem Bericht von 2025 werden US-amerikanische Rechenzentren bis 2030 fast die Hälfte des gesamten Stromverbrauchswachstums in den USA ausmachen, und der Stromverbrauch für Rechenzentren wird den aller energieintensiven Industrien wie Aluminium, Stahl, Zement und Chemie zusammen übersteigen.

Strom: Wenn die nach Quartalen aktualisierte Nachfrage auf ein nach Jahrzehnten geplantes Stromnetz trifft

Wenn man nur fragt, ob die Welt genug Strom hat, lautet die Antwort ja. Das Problem liegt in der Geschwindigkeit.

Die Bauzyklen von KI-Rechenzentren verkürzen sich drastisch. Nach Beobachtungen von Epoch AI kann ein Gigawatt-Rechenzentrum in etwa zwei Jahren fertiggestellt werden; die IEA spricht von zwei bis drei Jahren. Der Rhythmus des Stromsystems ist völlig anders: Die Lieferzeit für große Leistungstransformatoren hat sich in den USA auf bis zu vier Jahre verlängert, die Lieferzeit für Gasturbinen überschreitet drei Jahre, und der Bau neuer Kernkraftwerke wird in Jahrzehnten gemessen.

Der tiefste Widerspruch der KI-Infrastruktur ist die Fehlausrichtung von drei Uhren: Chips werden jährlich aktualisiert, Rechenzentren werden in zwei Jahren fertiggestellt, und Stromnetze werden nach Jahrzehnten geplant. Der IEA-Bericht stellt fest: Der Kontrast zwischen der Geschwindigkeit der KI-Revolution und der Geschwindigkeit der physischen, sozialen und wirtschaftlichen Systeme, die sie stützen, wird immer größer.

Gasturbinen sind das anschaulichste Beispiel für diese Fehlausrichtung. Die globalen Bestellungen von Gasturbinen sind 2025 um 70 % sprunghaft gestiegen. Branchenführer GE Vernova enthüllte in seinem Finanzbericht für das zweite Quartal 2026, dass die offenen Bestellungen plus Kapazitätsreserven für seine Gasgeräte bereits 116 Gigawatt erreicht haben, und es wird erwartet, dass sie bis zum Jahresende mindestens 125 Gigawatt erreichen werden; gleichzeitig wird seine Jahreskapazität erst im dritten Quartal 2026 auf 20 Gigawatt, 2028 auf 24 Gigawatt und 2030 auf 30 Gigawatt ansteigen.

Einfach dividiert, entspricht der aktuelle Rückstand etwa der Produktion von fast sechs Jahren. Da große Aggregate bis nach 2028 ausgebucht sind, haben sich einige Entwickler bereits „zweitbesten Lösungen“ wie Kolben-Verb