Can We Test Jevons Paradox in AI Inference? A Longitudinal Audit of Token Prices, Demand, and Energy (2022–2026)
Dieses Paper konstruiert einen longitudinalen Datensatz und einen neuen analytischen Rahmen, um zu demonstrieren, dass aktuelle öffentliche Daten nicht über die notwendige Granularität und kausale Identifikation verfügen, um zu verifizieren, ob die Effizienz der KI-Inferenz ein Jevons-Paradoxon vorantreibt, da die beobachtete Preisstabilität und das unverifizierte Volumenwachstum eine definitive Schlussfolgerung darüber verhindern, ob die Effizienz den Gesamtenergiebedarf letztlich begrenzen oder erhöhen wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich eine Welt vor, in der die Tatsache, dass wir eine Maschine intelligenter und kostengünstiger im Betrieb machen, dazu führt, dass wir sie tatsächlich so viel häufiger nutzen, dass ihr gesamter Energieverbrauch in die Höhe schießt. Dies ist der Kern einer Frage, die Ökonomen seit über einem Jahrhundert vor Rätsel stellt und als Jevons-Paradoxon bekannt ist. Es legt nahe, dass wir eine Ressource nicht unbedingt einsparen, wenn wir effizienter im Umgang mit ihr werden; stattdessen ermutigt der niedrigere Preis uns dazu, sie so aggressiv zu nutzen, dass unser Gesamtverbrauch wächst. Heute hat diese Frage die Kohleminen verlassen und sich in den digitalen Bereich verlagert, mit dem Fokus auf künstliche Intelligenz. Während KI-Modelle immer schneller und kostengünstiger im Betrieb werden, gibt es eine heftige Debatte darüber, ob diese Effizienz den massiven Energiehunger der Branche begrenzen oder im Gegenteil eine Explosion der Nachfrage anheizen wird, die unsere Fähigkeit zur Stromerzeugung übertrifft. Um dies zu klären, müssen drei Dinge gleichzeitig geschehen: der Preis für die Nutzung der KI, das Volumen dessen, wie viel sie genutzt wird, und die tatsächlich verbrauchte Energie.
Ein Forscher namens Eugen Spivak setzte sich zum Ziel, diese drei Teile des Puzzles für die Jahre 2022 bis 2026 zu finden. Das Ziel war es, ein einziges, einheitliches Verzeichnis zu erstellen, das den Preis für KI-Texte, die Menge des generierten Textes und die zur Erstellung erforderliche Energie für dieselben Dienste und Zeiträume verfolgt. Spivak verbrachte Jahre damit, Daten aus öffentlichen Quellen zu sammeln, darunter archivierte Versionen von Preisseiten von elf großen KI-Entwicklern, Erklärungen darüber, wie viele Token (die Basiseinheiten von Text) verarbeitet wurden, und veröffentlichte Zahlen zum Energieverbrauch. Das Ergebnis war ein massives Register, das über tausend Preispunkte, Dutzende von Mengenangaben und mehr als hundert Energieangaben enthielt. Die bedeutendste Erkenntnis dieser Arbeit ist jedoch nicht die Bestätigung des Paradoxons, sondern eine Enthüllung über die Daten selbst: Der öffentliche Datensatz enthält schlichtweg nicht die Informationen, die benötigt werden, um die Frage zu beantworten.
Die Untersuchung ergab, dass wir zwar reichlich Zahlen haben, diese aber selten so zusammenpassen, dass sie einen fairen Vergleich ermöglichen. Wenn Forscher beispielsweise die Preise spezifischer KI-Modelle im Zeitverlauf untersuchten, stellten sie fest, dass sich die Kosten für ein einzelnes Modell selten änderten. In fast 700 Fällen, in denen dasselbe Modell zu verschiedenen Zeiten überprüft wurde, blieb der Preis exakt gleich. Die oft in den Nachrichten zitierten dramatischen Preisstürze waren nicht darauf zurückzuführen, dass Entwickler die Kosten bestehender Werkzeuge senkten, sondern darauf, dass neue, günstigere Modelle auf den Markt kamen, während die alten teuer blieben. Diese Unterscheidung ist entscheidend, denn sie bedeutet, dass sich der „Preis“ der KI durch Produktänderungen verschiebt und nicht nur durch Effizienzgewinne.
Als der Forscher versuchte, diese Preise mit der tatsächlichen Nutzung der KI abzugleichen, wurde die Datenlage noch fragmentierter. Für die beiden größten Anbieter, Google und OpenAI, gibt es klare Aussagen, die zeigen, dass die Menge des auf ihren Plattformen generierten Textes unglaublich schnell gewachsen ist und sich zwischen 2025 und 2026 um mehr als das Vier- oder Fünffache vervielfacht hat. Gleichzeitig sanken die Preise für ihre Standardmodelle nicht; tatsächlich stiegen sie für viele Kategorien sogar an. Dies zeichnet ein verwirrendes Bild, in dem die Nutzung explodiert, obwohl die Kosten pro Einheit nicht sinken. Es bleibt jedoch eine kritische Lücke: Die Mengenangaben spezifizieren nicht genau, welche Art von Text sie zählen. Sie könnten Eingabetext, Ausgabetext oder gecachte Daten beinhalten, während die Preislisten nur spezifische Arten von Ausgaben abdecken. Oh own man nicht weiß, ob die Mengenzahlen und die Preiszahlen exakt dasselbe beschreiben, ist es unmöglich zu sagen, ob das Wachstum in der Nutzung eine direkte Reaktion auf einen Preissturz war.
Das fehlende Puzzleteil, das das gesamte Bild unvollständig macht, sind die Energiedaten. Zwar gibt es viele Behauptungen darüber, wie viel Energie eine KI verbraucht, doch die meisten von ihnen geben nicht die Grenzen ihrer Messung an. Einige Zahlen zählen nur die Computerchips, während andere das gesamte Gebäude, die Kühlsysteme und den Stromverbrauch berücksichtigen, der benötigt wird, um die Server auch im Leerlauf am Laufen zu halten. Da diese Messungen auf unterschiedlichen Skalen vorgenommen werden, können sie nicht zuverlässig miteinander verglichen werden, geschweige denn mit den Preis- und Mengendaten abgeglichen werden. Die Studie stellte fest, dass bei über der Hälfte der überprüften Energieangaben unklar war, was genau gemessen wurde. Ohne eine klare, konsistente Messung der Energie pro Arbeitseinheit und ohne eine klare Verknüpfung zwischen Preis und Menge können die Daten nicht zeigen, ob Effizienz zu einem höheren Verbrauch führt.
Letztendlich kommt diese strenge Prüfung zu dem Schluss, dass wir noch nicht sagen können, ob die KI unter dem Jevons-Paradoxon leidet. Der öffentliche Datensatz ist zu lückenhaft, um zu beweisen, dass Effizienzgewinne zu einem Anstieg des Gesamtenergieverbrauchs führen, noch kann er beweisen, dass Effizienz diesen Gebrauch letztlich begrenzen wird. Die Daten zeigen, dass die KI-Nutzung rasant wächst, aber sie zeigen nicht, dass dieses Wachstum durch niedrigere Preise oder bessere Effizienz verursacht wird. Der Forscher argumentiert, dass die Unternehmen, die diese Systeme bauen, mit der Veröffentlichung klarerer Daten beginnen müssen, um dieses Rätsel zu lösen. Sie müssen genau angeben, wann ein Preis in Kraft tritt, präzisieren, was ihre Mengenzahlen zählen, und die Grenzen ihrer Energiemessungen definieren. Bis diese Details bereitgestellt werden, wird die Debatte über die energetische Zukunft der KI eine Angelegenheit der Theorie statt der Fakten bleiben, was uns daran hindert zu wissen, ob die Maschine zu einem nachhaltigen Werkzeug oder zu einem unersättlichen Verbraucher von Energie wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.