Generative Künstliche Intelligenz ist fester Bestandteil der Wertschöpfung in Unternehmen, im öffentlichen Sektor und in Forschungseinrichtungen. Sie gilt als Schlüsseltechnologie für Produktivität, Innovation und Wettbewerbsfähigkeit und kann zur Optimierung und Automatisierung von Prozessen verwendet werden.
Neben den beachtlichen Vorzügen verursacht der Einsatz von KI – und generative KI im Besonderen – aber auch einen erheblichen Ressourcenverbrauch. Große Sprachmodelle, auf denen Anwendungen wie ChatGPT, Gemini oder Claude basieren, benötigen Rechenleistung, Energie, Infrastruktur und Kühlung.
Hinzu kommt: Die Nutzung findet häufig in der Cloud statt. Für Anwenderinnen und Anwender fühlt sich eine KI-Anfrage deshalb oft ökonomisch und ökologisch kostenlos an. Der zugrundeliegende Ressourcenbedarf, d.h. der Strom- und Wasserverbrauch, bleibt weitgehend unsichtbar.
Ist mehr Transparenz nötig?
In der Forschung wurde daher zunehmend diskutiert, inwiefern mehr Transparenz notwendig ist, um ein nachhaltiges Nutzerverhalten zu fördern. Wir haben diese Fragestellung in unserer aktuellen Studie aufgegriffen, und experimentell untersucht, inwieweit erhöhte Transparenz nachhaltiges Nutzungsverhalten fördern kann und mit welchen unbeabsichtigten Nebenwirkungen zu rechnen ist.
In einem Experiment mit 365 Teilnehmenden ließen wir Personen zwischen einem leistungsstarken, aber energieintensiveren Sprachmodell und einem kleineren, energieeffizienteren Sprachmodell wählen.
Die Kontrollgruppe erhielt nur Leistungsinformationen. Die Experimentalgruppe erhielt zusätzlich ein an das europäische Energielabel angelehnte Effizienzlabel (siehe Abbildung 1). Im Hintergrund liefen beide scheinbar unterschiedlichen Modelle auf derselben technischen Grundlage, sodass wir Erwartungseffekte untersuchen konnten.
Energielabel beeinflussen Nutzungsentscheidungen
Das Ergebnis zeigt, dass Transparenz über den Energiebedarf der Modelle effektiv die Entscheidung von Nutzenden beeinflusst. Ohne Energiehinweis entschieden sich nur 4,7 Prozent der Teilnehmenden für das kleinere, energieeffizientere Modell. Mit Energielabel waren es 39,3 Prozent. Nutzende sind also nicht zwangsläufig gleichgültig gegenüber dem Ressourcenverbrauch digitaler Technologien. Wenn relevante Informationen verständlich bereitgestellt werden, passen Nutzende ihr Verhalten an.
Für Plattformbetreiber, Unternehmen und öffentliche Verwaltungen ist das ein wichtiger Befund: Nachhaltige KI-Nutzung muss nicht allein über abstrakte Nachhaltigkeitsziele oder komplexe technische Lösungen wie das Model Routing gefördert werden. Schon die Gestaltung der Benutzeroberfläche kann Entscheidungen in eine ressourcenschonendere Richtung lenken.
Kein Rebound-Effekt festgestellt
Neben den positiven Effekten im Hinblick auf die Nachhaltigkeit wurde untersucht, ob die Wahl eines kleineren Modells negative Auswirkungen haben kann. Die gute Nachricht: Einen Rebound-Effekt stellen wir nicht fest. Das heißt, Personen, die ein kleineres Modell wählen, tendieren nicht dazu, mehr oder längere Prompts zu verwenden.
Allerdings stellten wir fest, dass Personen, die das vermeintlich nachhaltigere Modell gewählt hatten, die Zufriedenheit und die wahrgenommene Qualität schlechter einschätzten, obwohl alle teilnehmenden Personen das gleiche KI-Modell verwendet hatten. Der Unterschied in der Wahrnehmung lag somit ausschließlich in der Erwartungshaltung der Personen und nicht in der technischen Leistung.
Was das für Unternehmen bedeutet
Die Ergebnisse der Studie zeigen, dass Unternehmen über Gestaltungsmöglichkeiten verfügen, um eine nachhaltigere Nutzung zu steigern. Gleichzeitig sollte die Wahlmöglichkeit nicht als Verzicht, sondern als gute Alternative wahrgenommen werden. Auch nachhaltigere und effizientere Modelle müssen so dargestellt werden, dass ihre Vorteile deutlich werden und sie ebenso als bequem und zuverlässig wahrgenommen werden.
Wir sind auch überzeugt, dass Regulierung und Standardisierung eine wesentliche Rolle bei der Lösung des KI-Ressourcenproblems darstellen können. Bislang stehen Energie- und Nachhaltigkeitslabels für KI-Systeme noch am Anfang.
Eine der wenigen Ausnahmen ist das von Hugging Face eingeführte Label für Open-Weights-Modelle. Sollten solche Labels breiter eingesetzt werden, müssten sie unter anderem die folgenden Anforderungen erfüllen: Sie müssen verständlich, vergleichbar und glaubwürdig sein. Nur dann können sie Nutzende, Unternehmen und öffentliche Einrichtungen tatsächlich bei informierten Entscheidungen unterstützen.
Deutschland und Europa könnten hier eine Vorreiterrolle einnehmen und einheitliche Standards für die Messung, Dokumentation und Kommunikation des Energieverbrauchs von KI-Systemen einführen.
Der steigende Energiebedarf von KI stellt Unternehmen, Gesellschaft und Politik vor neue Herausforderungen. Anstatt ausschließlich auf die Leistungsfähigkeit zu achten, sollte zukünftig die Frage im Mittelpunkt stehen: Wie können nachhaltige KI-basierte Systeme gestaltet werden, die Aufgaben effizient und ressourcenschonend erfüllen?
Weitere Informationen finden Sie in unserer aktuellen Studie.
Kommentar schreiben