Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
oecd7. August 2023 · Q009565

Three steps for businesses to make AI data and compute more sustainable

oecd.ai · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Der Artikel beschreibt den CO₂- und Energieaufwand, der mit KI-Daten und Recheninfrastruktur verbunden ist, und empfiehlt drei Maßnahmen: den Datenbedarf bewusst planen, Daten effizient verwalten und vorab prüfen, ob KI überhaupt nötig ist. Seine Zahlen stammen aus externen Quellen; eine eigene Messung bietet der Beitrag nicht, und die angegebene Berechnungsformel ist uneindeutig.

Mittel

Der Beitrag argumentiert, dass KI nicht nur durch das Training und den Betrieb von Modellen Energie verbraucht: Auch Erhebung, Übertragung, Nutzung und Speicherung der dafür benötigten Daten verursachen laut Text CO₂-Emissionen. Mit der wachsenden Nutzung generativer KI könne der Bedarf an Daten und Rechenleistung steigen. Umweltschutz solle deshalb neben Fairness, Transparenz, Verantwortlichkeit und Sicherheit Teil von KI-Leitplanken werden.

Unternehmen empfiehlt der Artikel drei Schritte: Sie sollten erstens Datenbedarf, Herkunft, Kopien und Aktualisierungsrhythmus prüfen und möglichst nachhaltige Datenflüsse wählen. Zweitens sollten sie Datenbestände minimieren, effizient speichern und nicht mehr benötigte Daten löschen, damit weniger „Dark Data“ Energie beansprucht. Drittens sollten sie abwägen, ob ein Projekt tatsächlich KI benötigt oder einfachere Analyseverfahren ausreichen. Falls KI erforderlich ist, könnten gezieltere Datensätze und energieeffizientere Technik den Verbrauch senken.

Der Beitrag belegt seine Argumentation mit Zahlen und Werkzeugen aus externen Quellen, führt aber keine eigene Messung durch. Eine abgedruckte Formel zur Berechnung von Speicheremissionen ist uneindeutig dargestellt. Die am Ende angefügten Bildunterschriften wirken thematisch unverbunden.

Ausführlich lesen

Der Beitrag „Three steps for businesses to make AI data and compute more sustainable“ behandelt den oft übersehenen Energie- und CO₂-Aufwand, der mit den Daten und der Recheninfrastruktur für KI verbunden ist. Er argumentiert, dass Daten nicht klimaneutral seien: Schon ihre Erhebung oder Erzeugung, Übertragung, Nutzung und Speicherung könne Emissionen verursachen. Mit dem Wachstum datenintensiver Anwendungen und generativer KI steige daher auch der Bedarf an Rechenleistung und Energie. Die Autorinnen und Autoren stellen diese Umweltfolgen neben die üblichen Themen von KI-Leitplanken wie Fairness, Transparenz, Verantwortlichkeit und Sicherheit.

Zur Einordnung nennt der Beitrag verschiedene Zahlen aus externen Quellen. Unter anderem gibt er an, Rechenzentren verursachten mindestens 2,5 Prozent der menschengemachten CO₂-Emissionen und lägen damit über dem für die Luftfahrt genannten Wert von 2,1 Prozent vor der Pandemie. Außerdem wird die Behauptung angeführt, eine Senkung der PUE-Werte bestimmter europäischer Rechenzentren könnte jährlich genug Energie für eine Stadt in der Größe Hamburgs einsparen. Diese Angaben dienen als Beispiele für die mögliche Größenordnung und Unterschiede im Energieverbrauch; der Beitrag präsentiert dazu keine eigene Messung oder unabhängige Prüfung.

Als praktische Antwort schlägt der Text drei miteinander kombinierbare Maßnahmen vor. Erstens sollten Organisationen Daten nachhaltig auswählen und nutzen: Sie sollten prüfen, welche Datenmenge und Aktualisierungsfrequenz das Vorhaben tatsächlich erfordert, ob Daten am Ursprungsort genutzt werden können und wie Kopien vermieden werden. Werkzeuge wie die „Data Carbon Ladder“ könnten helfen, den CO₂-Aufwand geplanter Datenflüsse abzuschätzen. Der Beitrag verbindet diesen Ansatz mit Datenschutz, ethischer Datenbeschaffung und Datenkreisläufen.

Zweitens empfiehlt er verantwortungsvolles Datenmanagement. Dazu zählt, Datenbestände zu minimieren, effizient zu speichern und nicht mehr benötigte Daten geordnet zu löschen. Andernfalls könnten redundante, veraltete oder triviale Bestände als „Dark Data“ weiter Energie beanspruchen. Eine externe Untersuchung wird mit der Schätzung angeführt, bis zu 80 Prozent der primären Unternehmensdaten vor Ort könnten in diese Kategorie fallen. Eine im Beitrag wiedergegebene Formel soll den CO₂-Aufwand von Übertragung und Speicherung abschätzen; ihre Darstellung im Quelltext ist jedoch uneindeutig, sodass sie sich daraus nicht zuverlässig berechnen lässt.

Drittens sollten Unternehmen vor einem KI-Projekt prüfen, ob fortgeschrittene KI-Analytik wirklich erforderlich ist oder deskriptive, prädiktive beziehungsweise präskriptive Verfahren genügen. Falls KI nötig ist, könnten kleinere, gezielter ausgewählte Datensätze sowie energieeffizientere Hardware und Software den Verbrauch verringern. Der Text verweist hierzu auf eine „Data Carbon Scorecard“.

Abschließend fordert der Beitrag gemeinsame Anstrengungen aller Beteiligten im KI-Ökosystem, damit ökologische Auswirkungen in KI-Leitplanken und Nachhaltigkeitsziele einbezogen werden. Es handelt sich vor allem um einen argumentierenden Beitrag mit Handlungsempfehlungen und Verweisen auf externe Zahlen und Werkzeuge, nicht um eine eigene empirische Untersuchung. Die angehängten Bildunterschriften zu weiteren Abbildungen scheinen thematisch nicht zum beschriebenen Artikel zu gehören.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Lunas Zusammenfassungen sind sachlich korrekt und enthalten keine erkennbar erfundenen Angaben, lassen aber die zentralen Zahlen des Berichts aus. Die Einordnung ist durchgehend niedrig, weil der Bericht sich auf Umweltkosten von KI-Daten und Rechenleistung konzentriert und die Sammelfragen zu Sicherheit, Modellverhalten und menschlicher Aufsicht kaum berührt.

Im Bericht, aber nicht in der Zusammenfassung

  • Die konkreten Zahlen des Berichts: Rechenzentren verursachen laut Text mindestens 2,5 % der menschengemachten CO2-Emissionen, und bis zu 80 % der Unternehmensdaten gelten als Dark bzw. ROT-Daten.
  • Die Annahme, Daten würden oft als CO2-neutral gelten, obwohl die Datenmenge etwa alle zwei Jahre doppelt so schnell wächst.
  • Die Nennung konkreter Werkzeuge des Digital Decarbonization Toolkit, etwa data carbon ladder und data carbon scorecard.
  • Die Kritik, dass Umweltfragen in aktuellen Regierungsnarrativen zur KI weitgehend fehlen.

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
Fähigkeiten messen
Unabhängig prüfen
  1. SF-P4 Wie lässt sich die Größe von Trainingsläufen überprüfen, ohne Modelldetails offenzulegen?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 50 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 65 %gleiches Oberthema, hilft nicht
    • d3-ultra 51 %gleiches Oberthema, hilft nicht
Tempo und Grenzen
  1. SF-T1 Welche messbaren Schwellen sollen eine Pause auslösen, und wer prüft sie?
    • clef 100 %kein Bezug
    • Luna 73 %Hintergrund, keine Belege
    • JEV 42 %Hintergrund, keine Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 58 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

    • SF-T1-T02 Welche messbaren Schwellen halten die weitere Skalierung von KI-Modellen automatisch an, wer prüft sie, und wie bleiben diese Auslöser bindend, wenn der Wettbewerb drückt? Luna: Stufe 3 · 36 % · Hintergrund, keine Belege
    • SF-T1-T08 Wenn ein Sicherheitsprojekt mit KI-Hilfe zugleich die allgemeine Fähigkeit des Modells oder die für sein Training genutzte Rechenleistung steigert: Wie hält man beide Wirkungen fest, und wie entscheidet man, ob der daraus entstehende Fähigkeitszuwachs eine neue Sicherheitsprüfung braucht, bevor die Arbeit weitergeht? Luna: Stufe 3 · 40 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 0 · kein Bezug
  2. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 27 %gleiches Oberthema, hilft nicht
    • amos 32 %nur am Rande erwähnt
    • SubQ 64 %gleiches Oberthema, hilft nicht
    • drex 52 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

Vertrauen in Modelle
  1. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 26 %Hintergrund, keine Belege
    • JEV 32 %einzelne zitierbare Belege
    • amos 41 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 62 %einzelne zitierbare Belege
    • JEV 54 %beantwortet teilweise oder widerspricht
    • amos 29 %nur am Rande erwähnt
    • SubQ 52 %gleiches Oberthema, hilft nicht
    • drex 32 %gleiches Oberthema, hilft nicht
    • d3-ultra 45 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung nur am Rande erwähnt

    • SF-V5-T01 Was sollte ein Modell schon heute tun, nicht erst bei rekursiver Selbstverbesserung (wenn KI ihre eigene Weiterentwicklung selbst vorantreibt), um äußerste Vorsicht angesichts rasch wachsender maschineller Intelligenz ernst zu nehmen? Luna: Stufe 3 · 42 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 1 · gleiches Oberthema, hilft nicht
Agenten und vernetzte Systeme
  1. SF-A1 Welche Befugnisse darf ein KI-Agent haben, also eine KI, die selbstständig mit Werkzeugen handelt? Wer entzieht sie ihm, und wie prüft man, dass er in seinem Auftrag bleibt?
    • clef 100 %kein Bezug
    • Luna 32 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 67 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-A2 Lassen sich KI-Systeme sicher anhalten, zurücksetzen, abschotten oder drosseln, und wer darf das anordnen?
    • clef 100 %kein Bezug
    • Luna 36 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 57 %gleiches Oberthema, hilft nicht
    • drex 73 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-A3 Welche Gefahren entstehen, wenn viele KI-Systeme zusammenwirken oder dieselbe Infrastruktur teilen?
    • clef 100 %kein Bezug
    • Luna 74 %Hintergrund, keine Belege
    • JEV 34 %gleiches Oberthema, hilft nicht
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 54 %gleiches Oberthema, hilft nicht
    • drex 63 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 39 %Hintergrund, keine Belege
    • JEV 46 %gleiches Oberthema, hilft nicht
    • amos 53 %gleiches Oberthema, hilft nicht
    • SubQ 69 %gleiches Oberthema, hilft nicht
    • drex 75 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 63 %einzelne zitierbare Belege
    • JEV 31 %nur am Rande erwähnt
    • amos 30 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 51 %gleiches Oberthema, hilft nicht
    • d3-ultra 57 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

  3. SF-H4 Was geschieht mit Modellen und Sicherheitspflichten, wenn ein Labor verkauft, aufgelöst oder ein Modell stillgelegt wird?
    • clef 100 %kein Bezug
    • Luna 43 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 51 %gleiches Oberthema, hilft nicht
    • drex 71 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Frieden und Sicherheit
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 41 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 68 %gleiches Oberthema, hilft nicht
    • drex 64 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht

Beteiligung und Gemeinwohl
  1. SF-E1 Welche echte Stimme bekommen weitere Staaten, kleine Labore, Hochschulen und Zivilgesellschaft bei den Regeln für KI?
    • clef 100 %kein Bezug
    • Luna 40 %Hintergrund, keine Belege
    • JEV 59 %gleiches Oberthema, hilft nicht
    • amos 37 %gleiches Oberthema, hilft nicht
    • SubQ 55 %gleiches Oberthema, hilft nicht
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 59 %gleiches Oberthema, hilft nicht

  2. SF-E2 In welchem Rahmen sollen Staaten KI regeln, und wo liegt eine gemeinsame Untergrenze?
    • clef 100 %kein Bezug
    • Luna 64 %Hintergrund, keine Belege
    • JEV 36 %einzelne zitierbare Belege
    • amos 35 %nur am Rande erwähnt
    • SubQ 50 %gleiches Oberthema, hilft nicht
    • drex 46 %gleiches Oberthema, hilft nicht
    • d3-ultra 52 %gleiches Oberthema, hilft nicht

  3. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 44 %Hintergrund, keine Belege
    • JEV 43 %gleiches Oberthema, hilft nicht
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 63 %gleiches Oberthema, hilft nicht
    • drex 62 %gleiches Oberthema, hilft nicht
    • d3-ultra 53 %gleiches Oberthema, hilft nicht
  4. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 83 %Hintergrund, keine Belege
    • JEV 45 %gleiches Oberthema, hilft nicht
    • amos 39 %gleiches Oberthema, hilft nicht
    • SubQ 66 %gleiches Oberthema, hilft nicht
    • drex 70 %gleiches Oberthema, hilft nicht
    • d3-ultra 61 %gleiches Oberthema, hilft nicht

  5. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 43 %einzelne zitierbare Belege
    • JEV 27 %Hintergrund, keine Belege
    • amos 32 %nur am Rande erwähnt
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 55 %gleiches Oberthema, hilft nicht
    • d3-ultra 70 %gleiches Oberthema, hilft nicht
    • Haiku-Prüfung gleiches Oberthema, hilft nicht

    • SF-E5-T02 Welche Entscheidungen müssen menschlich bleiben, auch wenn eine KI sie besser treffen könnte, und wie würden Staaten in Entscheidungsschleifen mit hohem Risiko prüfbar machen, dass ein Mensch die Ausgabe der KI wirklich beurteilt und nicht nur routinemäßig abgenickt hat? Luna: Stufe 3 · 51 % · Hintergrund, keine Belege · Haiku-Prüfung: Stufe 0 · kein Bezug
Wirtschaft und Haftung
Information und Öffentlichkeit

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →