Kurz gesagt: KI-Agenten wie Claude Code benötigen deutlich mehr Energie als klassische Chatbots, weil ein einzelner Prompt zahlreiche weitere Modellanfragen auslösen kann. Klimaforscher Zeke Hausfather schätzt den Verbrauch in seinem eigenen Nutzungsszenario auf durchschnittlich rund 150 Wattstunden pro Prompt. Für einfache Aufgaben können kleinere Modelle den Energiebedarf erheblich senken.
KI-Agenten übernehmen zunehmend komplexe Aufgaben, planen mehrere Arbeitsschritte und greifen dabei wiederholt auf Sprachmodelle zurück. Genau diese agentische Arbeitsweise kann den Stromverbrauch gegenüber einer normalen Chatbot-Anfrage deutlich erhöhen. Wie groß ist der Unterschied im praktischen Einsatz?
Hausfather, Klimaforscher bei Stripe und Berkeley Earth, hat seine eigene Nutzung von Claude Code über acht Wochen ausgewertet. Grundlage seiner Berechnungen waren die Arbeiten „An open framework for AI Emissions Measurement“ von Watershed sowie „How Do AI Agents Spend Your Money?“.
In dem untersuchten Zeitraum gab Hausfather 1.138 Prompts in Claude Code ein. Daraus entstanden mehr als 14.000 Anfragen an das zugrunde liegende Modell und rund 3,2 Milliarden generierte Token. Den daraus resultierenden Stromverbrauch schätzt er auf etwa 170 Kilowattstunden. Abhängig von Methodik und zugrunde gelegten Annahmen nennt er einen möglichen Bereich zwischen 70 und 330 Kilowattstunden.
Umgerechnet entspricht das im Mittel rund 150 Wattstunden pro Prompt. Zum Vergleich verweist Hausfather auf eine frühere Aussage von Sam Altman, wonach eine gewöhnliche Anfrage an ChatGPT ungefähr 0,34 Wattstunden benötige. Für klassische Chatbot-Nutzung hält Hausfather diesen Wert grundsätzlich für plausibel.
Ein Prompt kann viele weitere Rechenschritte auslösen
Der Vergleich zeigt zugleich, warum der Energiebedarf eines KI-Agenten nur schwer mit einem einzelnen Prompt beschrieben werden kann. Ein Prompt bildet häufig lediglich den Ausgangspunkt. Anschließend führt der Agent weitere Modellanfragen aus, verarbeitet große Kontextmengen und erledigt mehrere Teilschritte selbstständig.
Hausfather zählt sich nach eigener Einschätzung zu den intensiven Claude-Code-Nutzern. Reguläre Sessions sollen durchschnittlich etwa 0,2 bis 1,2 Kilowattstunden verbrauchen. Sein eigener typischer Arbeitstag komme dagegen auf ungefähr 1,2 bis 5,9 Kilowattstunden.
Auf ein Jahr hochgerechnet entspräche seine Nutzung rund 1,1 Megawattstunden Strom. Das wären ungefähr zehn Prozent des jährlichen Verbrauchs eines durchschnittlichen US-Haushalts. Die damit verbundenen Emissionen beziffert Hausfather auf rund 370 Kilogramm CO₂. Zum Vergleich nennt er 262 Kilogramm für einen Wäschetrockner und 686 Kilogramm für ein Elektroauto, das ein Jahr lang in Kalifornien gefahren wird.
Modellwahl wird zum Faktor beim Energieverbrauch
Hausfather plädiert deshalb nicht für einen generellen Verzicht auf KI-Agenten. Entscheidend sei vielmehr, Modellgröße und Aufgabe sinnvoll aufeinander abzustimmen. Für komplexe Forschungsarbeiten könnten mehrere parallel arbeitende Agenten gerechtfertigt sein, bei einfachen Fragestellungen sei der Einsatz eines leistungsfähigen Frontier-Modells dagegen häufig unnötig.
Nach seiner Analyse benötigen kleinere Modelle für einfache Aufgaben etwa fünf- bis siebenmal weniger Energie pro Token. Damit wird die Auswahl des eingesetzten Modells nicht nur zu einer Frage von Leistung und Kosten, sondern auch des Energieverbrauchs.
Hinzu kommt die Infrastruktur hinter den Anwendungen. Hausfather sieht deshalb auch Betreiber von Rechenzentren in der Verantwortung. Erneuerbare Energien und Standorte mit bereits niedrigen Emissionen könnten dazu beitragen, die Klimabelastung durch steigende KI-Nutzung zu reduzieren.
Für Unternehmen und Anwender, die KI-Agenten produktiv einsetzen, wird damit eine weitere Abwägung relevant: Nicht jede Aufgabe benötigt das größte verfügbare Modell. Ein bewusster Einsatz passender KI-Systeme kann Ressourcen sparen, ohne auf agentische Funktionen grundsätzlich zu verzichten.
Der Newsletter „Beratung-KI“ greift Entwicklungen rund um KI-Agenten, Modelle und deren praktische Auswirkungen regelmäßig auf und ordnet sie für den Einsatz in Unternehmen ein.
Effizienz durch Innovation: Teile der textlichen und visuellen Ausgestaltung dieser Seite wurden durch generative KI-Systeme unterstĂĽtzt.