Das Nachhaltigkeitsparadoxon der städtischen KI-Infrastruktur: Wenn intelligente Städte auf Energie- und Wasserengpässe stoßen

Das exponentielle Wachstum der Rechenzentren

Laut der Studie mit dem Titel „Strategies and design for increasing AI sustainability“ wird die Anzahl der Racks in Rechenzentren weltweit zwischen 2023 und 2028 voraussichtlich um das Zwei- bis Dreifache steigen, wobei der zusätzliche Strombedarf bei etwa 650 Terawattstunden pro Jahr liegt – das entspricht dem jährlichen Stromverbrauch Frankreichs. Für jede Stadt mit einem Hyperscale-Rechenzentrum bedeutet dies eine enorme Belastung für das lokale Stromnetz. Der Fall von Nord-Virginia (dem weltweit größten Rechenzentrums-Hub) zeigt, dass die lokale Stromverbrauchsstruktur durch KI-Workloads neu geformt wird, wobei der Großteil des Stroms weiterhin aus fossilen Brennstoffen stammt.

Graue Emissionen: Die vernachlässigten städtischen Kosten

Die Studie weist darauf hin, dass mehr als die Hälfte der CO₂-Emissionen großer KI-Rechenzentren auf „graue Emissionen“ zurückzuführen sind – also den CO₂-Fußabdruck, der bei der Herstellung von Chips, Servern und dem Bau der Rechenzentren selbst entsteht. Das bedeutet, dass Städte bei der Auswahl von KI-Hardware nicht nur auf die Betriebseffizienz achten können. Der Einsatz von recycelten Komponenten oder Chips der vorherigen Generation kann die Gesamtemissionen um 10 bis 20 Prozent senken. Für lokale Regierungen, die eine „nahezu CO₂-freie“ Smart City anstreben, ist dies ein praktikabler Ansatz: priorisieren Sie die Beschaffung von refurbished oder energieeffizienter Inferenz-Hardware, anstatt blind den neuesten Trainingschips hinterherzulaufen.

Wasser-Kohlenstoff-Abwägung: Das Dilemma der Stadtbetreiber

KI ist ein „Wasserschlucker“. Die Kühlsysteme beim Training und der Inferenz von Modellen verbrauchen große Mengen an Süßwasser. Die Studie offenbart eine für Stadtverwalter beunruhigende Abwägung: Maßnahmen zur Reduzierung des Wasserverbrauchs (z. B. Umstellung von Verdunstungskühlung auf Luftkühlung) können zu einem Anstieg der CO₂-Emissionen um über 10 Prozent führen. In wasserarmen Städten der Arabischen Halbinsel oder im Südwesten der USA hat der Wasserschutz oft Priorität vor der CO₂-Reduktion; in nordischen Städten ist es genau umgekehrt. Daher muss jede Stadt auf der Grundlage ihrer lokalen Wasserressourcen und des CO₂-Intensitätsfaktors ihres Stromnetzes eine differenzierte Betriebsstrategie für KI-Infrastrukturen entwickeln.

Zeitliche und räumliche Steuerung: KI im Einklang mit erneuerbaren Energien

Im Gegensatz zu herkömmlichen Rechenzentren, die ständig unter Volllast laufen, sind KI-Trainingsaufgaben zeitlich flexibel.Zeitliche und räumliche Orchestrierung: KI im Takt erneuerbarer Energien

Im Gegensatz zu traditionellen Rechenzentren, die ständig unter hoher Last stehen, sind KI-Trainingsaufgaben zeitlich flexibel. Studien zeigen, dass die Verlagerung von Trainingsaufgaben in Zeiten mit überschüssiger erneuerbarer Energie (z. B. windige Nächte) die Kohlenstoffintensität des Modelltrainings um etwa 10 % senken kann. Für Städte bedeutet dies, dass sie mit Betreibern von Stromnetzen zusammenarbeiten können, um einen „kohlenstoffbewussten Scheduling"-Mechanismus zu etablieren: KI-Arbeitslasten werden dynamisch basierend auf Echtzeit-Kohlenstoffsignalen des Netzes verlagert oder pausiert. Dieses Modell wird derzeit in Kalifornien und Irland pilotiert, doch für eine großflächige Bereitstellung werden Edge-Computing-Knoten und 5G-Netze benötigt.

Fragmentierung der Inferenz: Potenzial für stadtweite Verteilung

Während KI-Training in großen Rechenzentren konzentriert ist, wandert die Inferenzlast zunehmend an den Rand. Die Forschung weist darauf hin, dass die Inferenz 40 % bis 60 % der äquivalenten Kohlenstoffemissionen im Lebenszyklus eines Modells ausmacht, jedoch auf leistungsschwächerer Hardware ausgeführt werden kann. Städte können Inferenzaufgaben auf intelligente Straßenlaternen, Verkehrsampeln oder Gebäudeenergiemanagement-Controller verteilen – im Wesentlichen wird zentrale Rechenleistung durch Edge-Geräte ersetzt. Das Projekt „AI at the edge“ in Amsterdam, Niederlande, validiert diesen Ansatz: Tausende von stromsparenden Endgeräten verarbeiten Verkehrsvideoanalysen und reduzieren so die Abhängigkeit von der zentralen Cloud.

Größere Herausforderungen: Systemische Abwägungen und Governance

Es muss anerkannt werden, dass die Umweltauswirkungen von KI kein isoliertes technisches Problem sind. Sie betreffen städtische Energiesysteme, Wassernetze, Raumplanung und digitale Souveränität. Wenn eine Stadt beispielsweise „Kohlenstoffneutralität bis 2030“ ausruft, aber gleichzeitig den Bau großer KI-Rechenzentren fördert, müssen Kohlenstoff- und Wasserbudgets bereits in der Planungsphase berücksichtigt werden. Singapurs „Green Data Centre Roadmap“ schreibt vor, dass neue Rechenzentren eine PUE (Power Usage Effectiveness) von unter 1,2 haben müssen, und zwingt zur Nutzung indirekter Verdunstungskühlung, um den Wasserverbrauch zu senken. Ähnliche politische Instrumente werden zum neuen Standard im Wettbewerb um digitale Infrastruktur zwischen Städten.

Fazit: Städte brauchen eine neue „Infrastruktur-Bilanz“

KI wird nicht verschwinden, und intelligente Städte sind unumkehrbar. Aber Städte müssen sich bewusst sein, dass hinter jeder Codezeile reale physische Kosten stehen. Die erfolgreichen Smart Cities der Zukunft sind nicht diejenigen mit den meisten KI-Sensoren, sondern diejenigen, die die Kohlenstoff-, Wasser- und Netzauswirkungen von KI präzise messen und nachhaltig managen können. Wie der Übersichtsartikel betont: Technische Effizienz reicht niemals aus, um das Wachstum der Skalierung auszugleichen – Städte müssen die Beziehung zwischen KI-Arbeitslasten und lokalen Ressourcen auf systemischer Ebene neu gestalten.

Dies ist nicht nur eine technische Herausforderung, sondern auch eine Prüfung der Governance-Kunst.