KI – Ist es der Saft wert, ihn auszupressen?

Der Energiebedarf von künstlicher Intelligenz (KI) in Verbindung mit den Auswirkungen der Reindustrialisierung sowie der Umstellung auf Elektrofahrzeuge und erneuerbare Energien schafft beträchtliche Investitionsmöglichkeiten in der gesamten Wertschöpfungskette, einschließlich der Infrastruktur von Rechenzentren und Stromnetzen sowie den Endmärkten der Elektrifizierung.

Dabei kommt es jedoch immer darauf an, auch die potenziellen Risiken zu bedenken und zu hinterfragen. Das gilt vor allem in Bezug auf die physikalischen Wachstumsgrenzen und die Frage, wie der unersättliche Energiehunger von KI gestillt werden soll. Außerdem könnten die damit verbundenen Emissionen neue Klimaprobleme verursachen.

Wodurch wird KI erst möglich?

Der Fortschritt von KI wird vor allem durch die immer leistungsfähigeren Grafikprozessoren (GPUs) des US-amerikanischen Chip-Herstellers Nvidia ermöglicht. Abbildung 1 zeigt die Entwicklung der GPUs von „Pascal“ (2016) bis zur neuesten Version „Blackwell“ (2024) sowie die Effizienzgewinne in Form von TeraFLOPS pro GPU und pro Watt.

Um den ChatGPT-4 von OpenAI in nur zehn Tagen zu trainieren, bräuchte man derzeit 10.000 Blackwell-GPUs, die Kosten von rund 400 Millionen US-Dollar verursachen würden. Im Vergleich dazu wären noch vor sechs Jahren für das Training eines so großen Sprachmodells (Large Language Model, LLM) Millionen des älteren GPU-Typs erforderlich gewesen – konkret über sechs Millionen Volta-Grafikprozessoren,mit Kosten von 61,5 Milliarden US-Dollar unbezahlbar. Dieser Unterschied unterstreicht nicht nur die erheblichen Kosten, die mit den Blackwell-Vorgängern verbunden waren, sondern auch den enormen Energieaufwand, den man für das Trainieren von LLMs wie ChatGPT-4 benötigt.

Bislang beliefen sich die potenziellen Energiekosten für das Trainieren eines solchen LLMs auf bis zu 140 Millionen US-Dollar, was wirtschaftlich völlig unrentabel war. Der deutliche Sprung in der Rechenleistung dieser Chips, vor allem in Sachen Energieeffizienz, hat es erst wirtschaftlich möglich gemacht, LLMs zu trainieren.

Dieser Punkt wird in Abbildung 1 durch die Kennziffer „Inferenz Joules/Token“ veranschaulicht, die zur Messung der Energieeffizienz bei der Verarbeitung natürlichsprachlicher Aufgaben verwendet wird, insbesondere im Zusammenhang mit LLMs, wie sie zur Erzeugung oder zum Verstehen von Texten verwendet werden (z. B. Chatbots, Übersetzungssysteme). Hier sehen wir eine Effizienzsteigerung um das 25-fache zwischen Nvidias GPU „Hopper“ (10) und dem Nachfolger „Blackwell“ (0,4).

Geht die Rechnung am Ende auf?

Die Innovationen von Nvidia bei der Energieeffizienz seiner Chips haben in der Tat Fortschritte bei KI ermöglicht. Allerdings gibt es einen wichtigen Vorbehalt. Obwohl wir die Kosteneffizienz dieser Chips häufig anhand der Rechenleistung pro Energieeinheit (Fließkomma-Operationen pro Sekunde (FLOPS) pro Watt) beurteilen, ist es wichtig zu wissen, dass die neueren Chips eine höhere Leistung aufweisen (Abbildung 2). Das bedeutet, dass diese neuen Chips in absoluten Zahlen mehr Strom verbrauchen als ihre Vorgänger.

Hinweis: Stromverbrauch pro Server (unter der Annahme von vier Chips pro Server).

Zusammen mit dem starken Umsatzwachstum von Nvidia – das eine schier bodenlose Nachfrage nach Rechenleistung von Unternehmen wie Alphabet (Google), OpenAI, Microsoft und Meta erkennen lässt, angetrieben durch immer größere Datensätze zur Entwicklung von KI-Technologien – veranlassen die Auswirkungen der raschen Expansion von KI auf den Energiebedarf nun viele, einen kritischen Blick darauf zu werfen.

Interessanterweise hat sich der weltweite Stromverbrauch von Rechenzentren dank Effizienzsteigerungen in den letzten zehn Jahren relativ konstant entwickelt – obwohl sich der Internet-Datenverkehr verzwölffacht und die Arbeitslast in den Rechenzentren verachtfacht hat.¹ In einem Bericht der Internationalen Energieagentur (IEA) wurde hervorgehoben, dass Rechenzentren im Jahr 2022 schätzungsweise einen Verbrauch von 460 Terawattstunden (TWh) verzeichneten, was etwa 2% des weltweiten Energiebedarfs² entspricht und weitgehend dem Niveau von 2010 entspricht.

Doch mit dem Aufkommen von KI und ihrem Hunger nach Strom wird der Energieverbrauch von Rechenzentren zwangsläufig in die Höhe schnellen. Tatsächlich geht die IEA in ihren Schätzungen davon aus, dass sich der Gesamtstromverbrauch von Rechenzentren mehr als verdoppeln und im Jahr 2026 auf über 1.000 TWh steigen könnte – was in etwa dem Stromverbrauch Japans entspricht.³ Daran wird deutlich, wie die Nachfrage nach KI einen Paradigmenwechsel beim Wachstum der Stromnachfrage bewirkt. Seit der globalen Finanzkrise ist die Stromnachfrage in den USA jährlich um  % gesunken – bis vor kurzem.⁴ Angetrieben durch KI, die zunehmende Produktion in der Industrie und die allgemeinen Elektrifizierungstrends wird die Stromnachfrage in den USA künftig voraussichtlich jährlich um 2,4 % steigen.⁵ Eine Analyse der verfügbaren Angaben von Technologieunternehmen, öffentlichen Rechenzentrumsanbietern und Versorgungsunternehmen sowie von Daten der Environmental Investigation Agency durch Barclays Research zeigt, dass heute schätzungsweise 3,5 % des Stromverbrauchs in den USA auf Rechenzentren entfallen und dass dieser Anteil bis 2027 auf mehr als 5,5 % und bis 2030 auf mehr als 9 % steigen könnte.⁶

Das Paradoxon von Innovation, Effizienz und Nachhaltigkeit

Dieser Paradigmenwechsel führt uns zu dem Konzept des Jevons-Paradoxons, das Auswirkungen auf den Energieverbrauch und die ökologische Nachhaltigkeit hat. Es besagt, dass eine bloße Verbesserung der Effizienz der Ressourcennutzung nicht ausreicht, um den Ressourcenverbrauch insgesamt zu reduzieren.

Das Paradoxon ist nach William Stanley Jevons benannt, einem englischen Wirtschaftswissenschaftler, der dieses Phänomen erstmals im 19. Jahrhundert während der industriellen Revolution beobachtete. In seinem Buch „The Coal Question“ stellte Jevons im Jahr 1865 fest, dass der technologische Fortschritt bei Dampfmaschinen eine effizientere Kohlenutzung ermöglichte. Doch hatten die Effizienzsteigerungen keine Reduzierung des Kohleverbrauchs zur Folge, sondern einen Anstieg der mit Dampfkraft betriebenen Anwendungen, was wiederum zur Folge hatte, dass der Gesamtverbrauch von Kohle dramatisch stieg.

Dieses Paradoxon scheint auch heute zu greifen, da wir an der Schwelle zu einer neuen, KI-gestützten industriellen Revolution stehen. Da die Innovationen der Chip-Hersteller einen raschen Anstieg der Rechenleistung und Effizienz der Chips bewirken, führen die potenziellen Produktivitätsvorteile durch KI in verschiedenen Branchen dazu, dass die Nachfrage nach der Technologie weiterwächst, was wiederum den Energieverbrauch insgesamt, trotz Effizienzsteigerungen, in die Höhe treibt.

Um dies zu verdeutlichen: Theoretisch sollte der Wechsel eines Rechenzentrums von einer Hopper- auf eine Blackwell-Plattform zu einer Reduzierung des Stromverbrauchs um das Vierfache führen. Wie die Daten in Abbildung 3 zeigen, ist jedoch das Gegenteil der Fall. Der Grund dafür ist, dass große KI-Unternehmen und Hyperscaler die Nutzung dieser leistungsfähigeren und effizienteren Chips maximieren. Dies hat zur Folge, dass die Zahl der GPUs in einem Rechenzentrum gestiegen ist, was die Essenz des Jevons-Paradoxon untermauert, wonach eine höhere Effizienz zu einem höheren Gesamtverbrauch aufgrund einer erweiterten Nutzung führt.

Kritische Fragen

Ein Hindernis für die Entwicklung von KI waren bislang die Energiekosten. Angesichts der vorherrschenden Trends und ihrer Auswirkungen auf den Energieverbrauch stellt sich daher eine entscheidende Frage: Woher soll die zusätzliche Energie kommen und welche Auswirkungen hat das auf die Emissionen?

Bei der Untersuchung dieser Frage kristallisieren sich drei Schlüsselbereiche als Schwerpunkte heraus:

1. Wertschöpfungskette der Elektrifizierung

Der Energiebedarf von KI in Verbindung mit den Auswirkungen der Reindustrialisierung sowie der Umstellung auf Elektrofahrzeuge und erneuerbare Energien schafft für Unternehmen, die sich mit Elektrifizierung befassen, ein starkes Marktumfeld. Beispiele dafür sind die Energieversorger Vistra und Constellation Energy, deren Aktien mit einem Kurssprung von mehr als 282 % bzw. 105 % seit Jahresbeginn (Stand Redaktionsschluss) zu den US-Aktien mit der besten Performance gehörten.7

2. Physikalische Hemmnisse

Ebenfalls zu untersuchen sind die möglichen physikalischen Hemmnisse für das KI-Wachstum. Dabei geht es nicht nur um die Grenzen der aktuellen Technologien und Infrastrukturen, sondern auch um die Verfügbarkeit der Ressourcen, die benötigt werden, um den schnell steigenden Energiebedarf der Technologie zu decken.

3. Emissionsprofil

Um diesen Herausforderungen zu begegnen, haben die großen Hyperscaler ihre Verpflichtungen zur Dekarbonisierung bekräftigt, wobei sich einige in Richtung Kernenergie bewegen, was jedoch mit eigenen Umweltaspekten verbunden ist. Wir müssen das Emissionsprofil der KI und die allgemeinen Umweltauswirkungen des erhöhten Stromverbrauchs berücksichtigen. Dabei geht es nicht nur um die unmittelbaren Emissionen der Stromerzeugung, sondern auch um ihre langfristige Nachhaltigkeit. Das Emissionsvolumen der großen Technologieunternehmen ist in den letzten Jahren kaum gesunken. Zugleich ist der Energiebedarf mit dem Aufstieg von KI weitergewachsen. Einer Studie des KI-Startups Hugging Face und der Carnegie Mellon University zufolge verbraucht generative KI zur Erstellung eines einzigen Bildes so viel Energie wie das vollständige Aufladen eines Smartphones.⁸

Kernenergie zur Deckung des KI-Strombedarfs

Die Auswirkungen des steigenden Energiebedarfs von KI in der realen Welt werden außerdem daran deutlich, dass Microsoft kürzlich einen Vertrag mit Constellation Energy über die Wiederinbetriebnahme eines 835 Megawatt (MW)-Kernreaktors am Standort Three Mile Island in Pennyslyvania bekanntgegeben hat.⁹

Dieses Geschäft verdeutlicht, welche Anstrengungen unternommen werden, um den wachsenden KI-Energiebedarf zu decken, und es ist Teil des umfassenderen Engagements von Microsoft auf seinem Weg zur Dekarbonisierung. Es zeigt zudem die Schnittstelle zwischen dem Energiebedarf des Unternehmens und seiner Suche nach nachhaltigen Energielösungen.

Die Kosten für die Wiederinbetriebnahme des Kernreaktors werden auf 1,6 Milliarden US-Dollar geschätzt, und es wird davon ausgegangen, dass es drei Jahre dauern wird, bis der Reaktor wieder betriebsbereit ist, wobei Microsoft einen Fertigstellungstermin im Jahr 2028 anstrebt.

Im Oktober hat außerdem Alphabet sieben kleine modulare Reaktoren (SMRs) bei dem kalifornischen Unternehmen Kairos Power in Auftrag gegeben, um angesichts der steigenden Nachfrage nach KI und Cloud-Speicher eine CO₂-arme Lösung für die Stromversorgung seiner Rechenzentren umzusetzen. Der erste dieser SMRs soll bis 2030 fertiggestellt und die übrigen bis 2035 in Betrieb genommen werden.¹⁰ Zudem gab Amazon die Unterzeichnung von drei neuen Vereinbarungen zur Unterstützung der Entwicklung von Kernenergieprojekten bekannt, darunter der Bau mehrerer neuer SMRs zur Deckung des wachsenden Energiebedarfs.¹¹

Diese Initiativen machen deutlich, wie massiv und mit welch ambitionierten Zeitfenstern in die Sicherung zusätzlicher Stromkapazitäten investiert wird, um den steigenden Energiebedarf moderner Computing- und KI-Technologien zu decken. Und es ist damit zu rechnen, dass weitere Initiativen folgen werden, da die Nachfrage nach Rechenzentrumskapazitäten am US-Markt in den nächsten fünf Jahren voraussichtlich um 10 % pro Jahr steigen wird.¹² Dieses Wachstum könnte dazu führen, dass im Jahr 2030 bis zu 10 % der gesamten US-Energieversorgung auf Rechenzentren entfallen – was beträchtlich ist, wenn man bedenkt, dass Prognosen von Rystad Energy zufolge die gesamte Stromnachfrage in den USA von 2023 bis 2030 um 175 TWh auf fast 4.500 TWh steigen dürfte.¹³

Obwohl Microsoft zur Erreichung seiner Dekarbonisierungsziele die Kernenergie als CO₂-freie Stromquelle nutzen will, bleiben wir vorsichtig in Bezug auf die Frage, wie die Energielücke zur Unterstützung des Wachstums in den Bereichen KI und Rechenzentren geschlossen werden soll.

Die künftig maßgeblichen Kräfte

Zu Jahresbeginn hatten wir uns bereits mit Microsoft über den Anstieg der Emissionen und die Verpflichtung zur Beschaffung erneuerbarer Energien für Rechenzentren unterhalten, und wir haben uns gefreut, dass Microsoft im August bei seiner Präsentation vor dem „Australian Senate Select Committee on Adopting AI“ den steigenden Energiebedarf von KI und die daraus resultierende Umstellung auf nachhaltige Praktiken in der gesamten Branche kritisch angesprochen hat.¹⁴

Der Hyperscaler hat erkannt, dass KI-Modelle und damit verbundene Dienste sehr viel mehr Leistung benötigen als herkömmliche Cloud-Dienste und dass dies ein zentrales Thema ist, das die Branche angehen muss. Zudem erklärte Microsoft, man sei weiterhin fest auf Kurs, um die Ziele der Nachhaltigkeitsstrategie für 2030 in Sachen Netto-Null und Wasserpositivität zu erreichen. Auch wenn der erhöhte Strombedarf im Jahr 2020, als die Ziele festgelegt wurden, noch nicht bekannt war, sollte die Verpflichtung durch den Einsatz von erneuerbaren Energien und von Kernenergie nachhaltig erfüllt werden können.

Microsoft-Gründer Bill Gates hat die politischen Entscheidungsträger der Welt aufgefordert, ihre Besorgnis über den Energie-Fußabdruck von KI nicht zu übertreiben und darauf hingewiesen, dass die Technologie eine entscheidende Rolle bei der Erreichung der Netto-Null-Ziele spielen dürfte, indem sie die globale Nachfrage reduziert.

KI und Energiewende

Die Fortschritte bei KI, könnten in Verbindung mit Innovationen im Bereich erneuerbare Energien der Schlüssel dazu sein, den steigenden Energiebedarf nachhaltig zu decken. Einem Bericht der IEA zufolge dürften die Investitionen des Stromsektors in Photovoltaik (PV) im Jahr 2024 auf mehr als 500 Milliarden US-Dollar steigen. Das ist mehr als die Investitionen in alle anderen Stromerzeugungsquellen zusammen.¹⁵ Durch die Integration von KI in verschiedene Sonnenenergieanwendungen, wie der Einsatz von Technologie zur Analyse von Wetterdaten für genauere Wettervorhersagen, kann die Unterbrechung der Energieversorgung abgeschwächt werden.¹⁶ Außerdem setzen Forscher auf KI, um Innovationen bei den Energiespeichersystemen zu beschleunigen, da die bestehenden konventionellen Lithiumbatterien die Anforderungen an Effizienz und Kapazität nicht erfüllen.¹⁷ Auch wenn KI zusätzliche Nachfrage nach Energie erzeugt, hat sie auch das Potenzial, die Herausforderungen im Zusammenhang mit der Umstellung auf Netto-Null zu lösen.

Im April veröffentlichte das US-Energieministerium einen Bericht, in dem es darlegt, wie KI eine entscheidende Rolle bei der Beschleunigung der Entwicklung eines zu 100 % sauberen Stromsystems spielen dürfte.¹⁸

Es wurden bedeutende Chancen in folgenden Bereichen aufgezeigt:

• Bessere Netzplanung: Nutzung detaillierter Klimadaten des National Renewable Energy Laboratory in Kombination mit hochentwickelten generativen maschinellen Lernverfahren, um schwankende erneuerbare Energiequellen besser zu integrieren.
• Stärkung der Widerstandsfähigkeit des Netzes: Die Fähigkeit von KI, riesige Datensätze schnell zu analysieren und komplizierte Muster zu erkennen, kann den Betreibern des Stromnetzes helfen, Probleme schnell zu erkennen und auf Unterbrechungen der Stromversorgung zu reagieren oder sie zu verhindern.
• Identifizierung innovativer Materialien: Eine beschleunigte Entdeckung neuer Materialien ist für saubere Energietechnologien unerlässlich. Dazu gehören Batterien, die mit weniger Lithium auskommen, neue Materialien, die in der Solarenergie wirksam sind, oder verbesserte Katalysatoren zur Steigerung der Wasserstoffproduktion.

Abgesehen vom Stromnetz kann KI aber auch eine bedeutende Rolle spielen, um eine Vielzahl von Anwendungen zu unterstützen, die zur Entwicklung einer fairen, sauberen Energiewirtschaft beitragen können, so das US-Energieministerium. Das Erreichen von Netto-Null-Treibhausgasemissionen in der Gesamtwirtschaft erfordert die Bewältigung unterschiedlicher Herausforderungen in verschiedenen Sektoren wie Verkehr, Gebäude, Industrie und Landwirtschaft.

Wir sehen Anzeichen für eine wachsende Nachfrage nach KI in verschiedenen Sektoren wie Gesundheit, Transport, Finanzen und Industrie, und wir gehen davon aus, dass es sich dabei um einen dauerhaften, langfristigen Trend handelt.

Als Team haben wir davon profitiert, dass wir in KI und den breiteren Trends zur Elektrifizierung und Reindustrialisierung investiert haben. Wir sind uns jedoch darüber im Klaren, dass das weitere KI-Wachstum zu einem Anstieg der CO₂-Emissionen führen kann. Wir beobachten daher genau, welche Fortschritte Unternehmen wie Nvidia und Microsoft bei ihren Dekarbonisierungsversprechen machen. Auch wenn wir mit einem kurzfristigen Anstieg der Emissionen rechnen, sind wir optimistisch, dass KI die Dekarbonisierung letztlich durch Innovation und Produktivitätssteigerungen unterstützen wird. Wir sind zuversichtlich, dass die gestiegene Nachfrage nach Energie durch verstärkte Investitionen in saubere Energie gedeckt werden kann.

Obwohl dieses Jahr von bedeutenden politischen Veränderungen weltweit geprägt war, schätzen wir die Aussichten für Investitionen in nachhaltige Aktien nach wie vor positiv ein. Der Inflationsdruck lässt nach, während die Geldpolitik eine eher stützende Richtung einzuschlagen scheint. Unabhängig von der politischen Landschaft werden die grundlegenden Trends, auf die wir uns konzentrieren, voranschreiten und sich weiterentwickeln.

WICHTIGE INFORMATIONEN

Verweise auf einzelne Wertpapiere stellen keine Empfehlung zum Kauf, Verkauf oder Halten eines Wertpapiers, einer Anlagestrategie oder eines Marktsektors dar und sollten nicht als gewinnbringend angesehen werden.  Janus Henderson Investors, sein verbundener Berater oder seine Mitarbeiter können eine Position in den genannten Wertpapieren halten.

Es gibt keine Garantie dafür, dass sich vergangene Trends fortsetzen oder prognostizierte Entwicklungen eintreten.

Die Wertentwicklung in der Vergangenheit ist kein zuverlässiger Indikator für die künftige Wertentwicklung.

Umwelt-, sozial- und governancebezogene (ESG) Anlagen beziehen Faktoren ein, die über die traditionelle Finanzanalyse hinausgehen. Das kann die Auswahl an verfügbaren Anlagen einschränken und dafür sorgen, dass Performance und Exposures vom allgemeinen Markt abweichen und in bestimmten Bereichen möglicherweise stärker konzentriert sind.