Efficiency vs Demand in AI Electricity: Implications for Post-AGI Scaling

Die Studie integriert den KI-Sektor in das GCAM-Modell und zeigt, dass der zukünftige Strombedarf von KI weniger von Preissignalen als vielmehr von der Geschwindigkeit der Effizienzsteigerungen und dem Wirtschaftswachstum abhängt, was zu entweder moderierten oder stark steigenden Nachfragepfaden führt.

Das Wesentliche

Titel: KI und Strom – Ein Wettlauf zwischen Effizienz und Gier

Stellen Sie sich vor, die Künstliche Intelligenz (KI) ist wie ein riesiger, hungriger Drache, der gerade erst aus dem Ei geschlüpft ist. Dieser Drache frisst nicht Gold, sondern Strom. In den letzten Jahren haben sich viele Sorgen gemacht: Wird dieser Drache bald so viel Strom fressen, dass wir alle im Dunkeln sitzen und die Umwelt darunter leidet?

Diese neue Studie von Forschern des KAIST in Südkorea versucht, diese Frage zu beantworten. Sie haben ein riesiges Computer-Modell (ein digitales „Kristallkugel"-System namens GCAM) benutzt, um zu simulieren, wie sich der Stromverbrauch der KI bis zum Jahr 2050 entwickeln könnte.

Hier ist die einfache Erklärung ihrer Ergebnisse, gemischt mit ein paar bildhaften Vergleichen:

1. Das große Missverständnis: Mehr KI bedeutet nicht automatisch mehr Strom

Viele denken: „Wenn wir mehr KI nutzen, brauchen wir automatisch mehr Strom." Das ist wie zu glauben, dass ein Auto, das schneller fährt, zwangsläufig mehr Benzin verbraucht.

Die Forscher sagen: Nicht unbedingt! Es kommt darauf an, wie effizient der Motor ist.

• Der Drache wird schlanker: Die KI-Hardware (die „Chips") wird jedes Jahr immer besser. Sie können immer mehr Arbeit mit immer weniger Energie erledigen. Das ist wie ein Sportler, der trainiert und immer schneller läuft, aber dabei weniger Kalorien pro Meter verbraucht.
• Das Ergebnis: Wenn die KI-Hardware schnell genug effizienter wird, kann der Drache zwar immer mehr Aufgaben erledigen (mehr „KI-Services"), aber der Stromverbrauch bleibt trotzdem moderat.

2. Der eigentliche Feind: Unser Geldbeutel (Einkommen)

Wenn die Effizienz der KI nicht schnell genug steigt, passiert etwas anderes. Hier kommt der zweite Akteur ins Spiel: Unser wachsendes Einkommen.

Stellen Sie sich vor, KI ist wie ein Luxusgut. Wenn die Menschen mehr Geld verdienen, kaufen sie nicht nur mehr davon, sie nutzen es auch für völlig neue Dinge (z. B. KI, die ihr Haus verwaltet, Ihren Unterricht plant oder Ihre Kunst macht).

• Die Erkenntnis: Die Studie zeigt, dass der Stromverbrauch der KI nicht stark auf den Strompreis reagiert (wenn Strom teurer wird, nutzen wir KI trotzdem weiter, weil sie zu wichtig ist).
• Aber: Wenn die Menschen reicher werden, explodiert die Nachfrage nach KI. Das ist wie bei einem Auto: Wenn Strom teurer wird, fahren wir vielleicht ein bisschen weniger. Aber wenn wir plötzlich viel mehr Geld haben, kaufen wir uns drei Autos und fahren trotzdem überall hin.

3. Zwei mögliche Zukunftsszenarien (Der Wettlauf)

Die Forscher haben zwei Hauptpfade für die Zukunft identifiziert:

• Szenario A: Der „Effizienz-Sieger" (Die gute Nachricht)
  Wenn die Technologie-Entwickler weiterhin rasante Fortschritte machen (die Chips werden jedes Jahr doppelt so effizient), dann hält die KI den Stromverbrauch in Schach. Der Drache wird zwar größer, aber er frisst pro Bissen weniger. Wir können die KI nutzen, ohne die Stromnetze zu sprengen.

• Szenario B: Der „Nachfrage-Sieger" (Die Warnung)
  Wenn die Effizienz-Verbesserungen langsamer werden oder stagnieren (der Drache wird nicht mehr schlanker), dann gewinnt die Gier nach mehr KI. Da wir reicher werden, wollen wir immer mehr KI-Dienste. In diesem Fall würde der Stromverbrauch bis 2050 explodieren und könnte bis zu 10 % des gesamten US-Stromverbrauchs ausmachen.

4. Was bedeutet das für uns?

Die wichtigste Botschaft der Studie ist: Wir können nicht einfach nur auf den Strompreis hoffen, um den Verbrauch zu drosseln.
Wenn KI-Preise steigen, werden die Leute sie trotzdem nutzen, weil sie zu nützlich geworden sind. Der einzige echte Hebel, um den Stromverbrauch niedrig zu halten, ist die technologische Effizienz.

Zusammenfassend:
Die Zukunft der KI-Energie hängt von einem Wettlauf ab.

• Auf der einen Seite rennt die Technologie (Effizienz).
• Auf der anderen Seite rennt die Gier (mehr KI durch mehr Geld).

Wenn die Technologie schneller läuft als die Gier, gewinnen wir eine grüne Zukunft. Wenn die Gier schneller ist, brauchen wir dringend neue Kraftwerke und saubere Energiequellen, sonst wird der Drache uns alle im Dunkeln sitzen lassen.

Die Studie sagt also nicht: „Es wird so oder so passieren." Sie sagt: „Es kommt darauf an, wie schnell wir die KI effizienter machen können."

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „EFFICIENCY VS DEMAND IN AI ELECTRICITY: IMPLICATIONS FOR POST-AGI SCALING" auf Deutsch:

Titel: Effizienz vs. Nachfrage bei AI-Stromverbrauch: Implikationen für das Post-AGI-Skalieren

Autoren: Doyi Kim, Jiseok Ahn, Haewon McJeon, Changick Kim (KAIST)
Veröffentlicht: ICLR 2026 Workshop on Post-AGI Science and Society

---

1. Problemstellung

Mit dem raschen Fortschritt der Künstlichen Intelligenz (KI) hin zu einer Ära nach der Allgemeinen Künstlichen Intelligenz (Post-AGI) wächst die Sorge um den enormen Stromverbrauch und die damit verbundenen CO2-Emissionen von Rechenzentren.

• Lücken in der Modellierung: Bisherige langfristige Szenarien für Energie, Wirtschaft und Klima (Energy-Economy-Climate-Models) berücksichtigen den KI-Strombedarf oft nicht explizit.
• Die Spannung: Es besteht ein fundamentaler Zielkonflikt: Einerseits steigt die Nachfrage nach KI-Diensten exponentiell, andererseits verbessert sich die Recheneffizienz (z. B. durch fortschrittlichere Hardware) historisch gesehen jährlich um ca. 1,3-fach.
• Die Frage: Unter welchen Bedingungen führt das Wachstum der KI-Dienste zu einem unkontrollierbaren Anstieg des Stromverbrauchs, und wann kann Effizienzsteigerung diesen Trend bremsen? Insbesondere wird untersucht, ob die Stromversorgungssysteme in einer Post-AGI-Welt zu einem primären Engpass für die digitale Infrastruktur werden könnten.

2. Methodik

Die Autoren erweitern das Global Change Analysis Model (GCAM), ein makroökonomisches Partialgleichgewichts-Modell, um einen expliziten Sektor für KI-Computing.

• Integration des KI-Sektors:

  • Der KI-Sektor wird als neuer industrieller Subsektor innerhalb des GCAM-Moduls implementiert.
  • Output-Messung: Der KI-Dienstoutput wird in Floating-Point-Operations (FLOP) gemessen, was als Proxy für die Rechenlast dient.
  • Stromnachfrage-Formel: Die elektrische Nachfrage $E(t)$ wird als Produkt aus dem Dienstoutput $S(t)$ (in YottaFLOP) und einem systemweiten Energieintensitätskoeffizienten $\gamma(t)$ (Joule pro FLOP) berechnet:
    $$E(t) = S(t) \times \gamma(t)$$
    Dabei erfasst $\gamma(t)$ sowohl die Chip-Effizienz als auch Overhead-Faktoren wie Kühlung, Netzwerk und Speicherverwaltung (PUE).

• Szenario-Design:

  • Basis-Szenario (Baseline): Feste Energieintensität ($\gamma$).
  • Effizienz-Szenarien:
    • Rapid: Verdopplung der Rechenleistung alle 2,34 Jahre bis 2035, danach Sättigung.
    • Slow: Stetige Verbesserung von ca. 180% pro Jahrzehnt (ähnlich historischen NVIDIA-Chip-Trends).
  • Sensitivitätsanalysen: Variation der Preiselastizität (-0,2 bis -1,2) und der Einkommenselastizität (1,6 bis 3,5), um die Reaktion der Nachfrage auf wirtschaftliche Faktoren zu testen.

• Geografischer Fokus: Szenarien für die USA bis zum Jahr 2050 (Mitte des Jahrhunderts).

3. Wichtige Beiträge

1. Erste explizite Einbettung von KI in GCAM: Das Paper stellt einen der ersten Versuche dar, KI-Computing als endogenen, marktbasierten Sektor in ein globales Energie-Wirtschafts-Modell zu integrieren, anstatt externe Zeitreihen aufzuzwingen.
2. Identifikation von Regime-Schwellenwerten: Die Studie definiert Bedingungen, unter denen entweder Effizienzgewinne oder nachfragegetriebenes Wachstum den Stromverbrauch dominieren.
3. Unterscheidung von Elastizitäten: Es wird gezeigt, dass KI-Nachfrage stark einkommensabhängig, aber preisunelastisch ist. Dies widerspricht der Annahme, dass reine Preismechanismen (z. B. Strompreise) den KI-Verbrauch signifikant drosseln könnten.

4. Ergebnisse

• Nicht-linearer Zusammenhang: Das Wachstum von KI-Diensten führt nicht linear zu einem proportionalen Anstieg des Stromverbrauchs. Das Ergebnis hängt entscheidend von der Persistenz der Effizienzverbesserungen ab.
• Dominanz der Effizienz vs. Nachfrage:
  • Bei schnellen und anhaltenden Effizienzsteigerungen (Rapid-Szenario) bleibt der Stromverbrauch moderat, da die sinkende Energieintensität das Wachstum des Outputs kompensiert.
  • Bei langsameren oder stagnierenden Effizienzgewinnen (Slow-Szenario) dominiert der einkommensgetriebene Nachfrageanstieg bis Mitte des Jahrhunderts. In diesem Fall könnte der KI-Stromverbrauch bis 2050 etwa 10% des gesamten US-Stromverbrauchs ausmachen (ca. 830 TWh).
• Sensitivität gegenüber Preisen vs. Einkommen:
  • Preiselastizität: Änderungen der Strompreise haben einen vernachlässigbaren Effekt (Abweichung von nur ±5% zum Basisfall). KI-Systeme sind aufgrund hoher Fixkosten und des Bedarfs an kontinuierlichem Betrieb preisinflexibel.
  • Einkommenselastizität: Hier liegt der Haupttreiber. Eine hohe Einkommenselastizität führt zu einem nicht-linearen, starken Anstieg der Nachfrage. Im Szenario mit hoher Elastizität (3,5) könnte der Strombedarf bis Mitte des Jahrhunderts um ca. 150% im Vergleich zum Basisfall steigen.
• Regime-Übergänge: Abbildung 3 zeigt, dass bei langsamer Effizienzsteigerung bereits moderate Einkommenselastizitäten zu einem „nachfrage-dominierten Regime" führen, während bei schneller Effizienzsteigerung sehr hohe Einkommenselastizitäten nötig wären, um den Verbrauch explodieren zu lassen.

5. Bedeutung und Implikationen

• Strategische Planung: Die Studie warnt davor, KI-Strombedarf nur als lineare Extrapolation zu betrachten. Stattdessen müssen die langfristige Persistenz von Effizienzgewinnen und die Einkommenselastizität gemeinsam betrachtet werden.
• Politische Implikationen: Da Preismechanismen allein wenig Wirkung zeigen, sind andere Hebel notwendig:
  • Förderung von Hardware-Effizienz (Chips, Kühlung).
  • Regulierung des Wachstums oder der Art der KI-Anwendungen, falls die Stromnetze an ihre Grenzen stoßen.
• Post-AGI-Kontext: In einer Welt, in der KI in allen Wirtschaftssektoren allgegenwärtig ist, könnte die Dynamik des Stromnetzes zum ersten limitierenden Faktor für das Skalieren der digitalen Infrastruktur werden. Die Studie liefert ein kompaktes Template, um Szenarien für den langfristigen KI-Strombedarf und dessen Auswirkungen auf die Emissionen des Energiesektors zu bewerten.

Fazit: Die Zukunft des KI-Stromverbrauchs ist nicht vorherbestimmt, sondern hängt von einem kritischen Wettstreit zwischen der Geschwindigkeit der Effizienzsteigerungen und der Geschwindigkeit der wirtschaftlichen Expansion (Einkommenswachstum) ab. Ohne anhaltende Effizienzgewinne wird die Nachfrage den Strombedarf bis 2050 massiv treiben.