Was KI wirklich kostet – Energie, Wasser und Gigafactories hinter dem KI-Boom

Der Stromverbrauch der KI-Rechenzentren weltweit wird bis 2030 auf das Elffache ansteigen – von 50 auf rund 550 Milliarden Kilowattstunden (Öko-Institut, 2025). Das ist nicht irgendeine abstrakte Prognose. Das ist die Infrastruktur, die hinter jeder Anfrage an ChatGPT, Gemini oder Claude steckt.

Wenn über KI gesprochen wird, geht es meistens um Anwendungsfälle, Produktivitätsgewinne oder die Frage, wer das Rennen macht – die USA, China, Europa. Was dabei selten mitgedacht wird: Jedes dieser Modelle braucht eine physische Heimat. Und diese Heimat ist keine Cloud. Es sind Gebäudekomplexe mit dem Energiehunger von Kleinstädten, eigenem Kraftwerk inklusive.

In unserer neuen Podcastfolge nimmt Marina diesen Maschinenraum genauer unter die Lupe: Wer baut gerade was – und wer setzt dabei die Regeln? → Jetzt reinhören

Was ist eine Gigafactory?

Klassische Rechenzentren kennt man: Sie hosten Software, speichern Daten, stellen Cloud-Dienste bereit. Irgendwo dort liegen auch eure Google Drive-Dateien. Ihr Energiebedarf bewegt sich typischerweise im Bereich von 10 bis 50 Megawatt.

KI-Rechenzentren – auch Gigafactories genannt – sind eine andere Kategorie. Nicht eine Verbesserung, sondern ein Kategorienwechsel. Der Name ist Programm: Giga steht für gigantische Ausmaße und gigantischen Ressourcenverbrauch. Factory, weil dort nicht nur gerechnet wird, sondern weil ein ganzes Ökosystem aus Kraftwerk, Strominfrastruktur, Kühlsystemen und Notstromversorgung zusammenkommt – alles an einem Ort, alles für einen Zweck.

Der Grund für diese Dimension: Große Sprachmodelle wie GPT-4 oder Gemini brauchen spezialisierte Chips – vorwiegend von Nvidia, dem derzeit marktdominierenden Anbieter – und davon nicht ein paar, sondern bis zu 200.000 Stück pro Anlage. Diese Chips rechnen kontinuierlich, erzeugen dabei enorme Hitze und sind gleichzeitig extrem empfindlich gegenüber Temperatur- und Spannungsschwankungen. Das zieht eine ganze Kette an Anforderungen nach sich, die wir in den nächsten Abschnitten durchgehen.

Energie: Warum Gigafactories ihr eigenes Kraftwerk brauchen

Ein einzelnes KI-optimiertes Rechenzentrum kann laut IEA so viel Strom verbrauchen wie 100.000 Haushalte. Besonders große, derzeit im Bau befindliche Anlagen bis zu 20-mal so viel (IEA Electricity, 2024).

Zum Vergleich: Klassische Rechenzentren bewegen sich im Megawatt-Bereich. Gigafactories im Gigawatt-Bereich. Das klingt nach einem graduellen Unterschied – ist es nicht. Ein Gigawatt entspricht 1.000 Megawatt. Das öffentliche Stromnetz gibt diesen Bedarf schlicht nicht her, und selbst wenn es die Kapazität hätte, wären die Spannungsschwankungen für die hochempfindlichen Chips ein Problem.

Die Konsequenz: Diese Anlagen brauchen eine eigene, stabile Stromversorgung. Deshalb schließt Google Verträge mit Atomkraftwerkbetreibern ab, kauft sich Jahresproduktionen von Kraftwerken, oder setzt auf modulare Kernkraftwerke, sogenannte Small Modular Reactors (SMRs). Andere Big-Tech-Unternehmen reaktivieren stillgelegte Gas- und Kohlekraftwerke oder bauen ihre Gigafactories direkt neben bestehende Kraftwerksstandorte. Das ist keine Kuriosität, das ist gängige Standortstrategie.

Und innerhalb der Anlage selbst ist das eigentliche Rechenzentrum mit den Chips nur ein Teil des Komplexes. Dazu kommen: die Infrastruktur zur Stromverteilung, Module zur Spannungsstabilisierung, Dieselgeneratoren für den Notbetrieb. Eine Gigafactory ist buchstäblich eine Fabrik – mit allem, was dazugehört.

KI Wasserverbrauch: Viel Verbrauch, wenig Transparenz

Neben Strom ist Wasser die zweite kritische Ressource und gleichzeitig die am schlechtesten dokumentierte. Es gibt eine gewisse Ironie darin, dass über Data Center so wenig Daten verfügbar sind.

Was wir wissen: Kühlung durch Verdunstung ist nach wie vor das dominierende System, weil reine Luftkühlung bei der Chip-Dichte nicht funktioniert. Das Problem dabei ist nicht nur die Menge, sondern die Lokalität: Wasser ist eine lokale Ressource. Was verdunstet, kommt nicht zwingend dort wieder an, wo es entnommen wurde.

Forscher der University of California Riverside haben in der Studie „Making AI Less Thirsty" berechnet, dass allein das Training von GPT-3 in US-amerikanischen Rechenzentren 700.000 Liter Süßwasser direkt verdunstet hat. Auf globaler Ebene projizieren die Autoren einen KI-bedingten Wasserentzug von 4,2 bis 6,6 Milliarden Kubikmetern im Jahr 2027 – mehr als der gesamte jährliche Wasserverbrauch von vier bis sechs Dänemark (Li et al., 2023).

Fortschrittlichere Kühlsysteme, bei denen Wasser durch ein geschlossenes Kapillarsystem zirkuliert statt zu verdunsten, existieren bereits, sind aber teurer, noch nicht weit verbreitet und haben eigene Probleme: Das Wasser kommt erhitzt und mit Rückständen aus dem System zurück. Was damit passiert, ist ebenfalls kaum öffentlich dokumentiert.

KI Rechenzentrum Fläche: Von 4 auf 910 Hektar

Auch beim Platzbedarf ist der Unterschied zwischen klassischem und KI-Rechenzentrum kein gradueller. Ein standardisiertes Rechenzentrum von AWS oder Microsoft belegt etwa 4 Hektar.

Zum Vergleich: Hyperion, das KI-Rechenzentrum, das Meta derzeit in Louisiana baut, umfasst allein in der ersten Phase rund 910 Hektar – mit einer geplanten Leistung von bis zu 5 Gigawatt (Data Center Frontier, 2025). Zuckerberg selbst hat den Fußabdruck mit einem erheblichen Teil Manhattans verglichen. Das entspricht in etwa dem Energiebedarf New Yorks an einem Wintertag.

Diese Dimensionen erklären sich nicht allein aus dem Platzbedarf für die Chips. Der größte Teil der Fläche entfällt auf die Infrastruktur drumherum – Kraftwerk, Stromverteilung, Kühlanlagen, Notstromversorgung. Je mehr Leistung, desto überproportional mehr Infrastruktur.

KI Infrastruktur: Wer baut wo und warum?

Diese Standortanforderungen, riesige Flächen, eigene Kraftwerke, massiver Wasser- und Strombedarf, entstehen nicht zufällig irgendwo. Gigafactories entstehen dort, wo mehrere Bedingungen gleichzeitig erfüllt sind: verfügbares Land in großem Maßstab zu niedrigen Kosten, stillgelegte Kraftwerke in der Nähe, und – nicht unwichtig – eine staatliche Regulierung, die solche Bauprojekte zulässt oder zumindest nicht ernsthaft verhindert.

In einigen US-Bundesstaaten sind die Umweltauflagen so niedrig oder die Strafzahlungen so gering, dass sie als kalkulierbare Betriebsausgabe eingepreist werden. Kein Witz – das ist dokumentierte Praxis. Die Folge: In bestimmten Regionen entstehen gerade Cluster von Gigafactories, während die lokale Bevölkerung zunehmend mit den Konsequenzen konfrontiert wird: Lärm, veränderte Ökosysteme, steigende Strompreise für Privathaushalte.

Was das in der Praxis bedeutet, lässt sich am Beispiel von xAI in Memphis zeigen. Für den Betrieb von Colossus 2 installierte das Unternehmen 27 Gasturbinen – ohne eine einzige Genehmigung. Es war nicht das erste Mal: Bereits beim ersten Standort Colossus 1 betrieb xAI bis zu 35 ungenehmigt laufende Gasturbinen (SELC, 2026). SELC-Anwalt Patrick Anderson erklärte dazu öffentlich, dass xAI erneut ein Kraftwerk ohne jegliche Genehmigungen und ohne Ankündigung an die betroffenen Anwohner gebaut habe und kündigte rechtliche Schritte an (Data Center Dynamics, Feb. 2026). NAACP und Earthjustice klagten schließlich – woraufhin xAI nicht etwa die Turbinen abschaltete, sondern sechs weitere hinzufügte und damit auf insgesamt 33 erhöhte (Earthjustice, 2026).

Ein weiteres, weniger offensichtliches Problem betrifft die Netzstabilität. Kleinere KI-Rechenzentren sind noch ans öffentliche Netz angeschlossen. Wenn ein solches Rechenzentrum, das oft denselben Strombedarf hat wie eine Kleinstadt, plötzlich abgeschaltet wird, muss die lokale Netzinfrastruktur diesen Lastsprung aushalten. Szenarien, für die die bestehende Energieinfrastruktur in vielen Ländern schlicht nicht ausgelegt ist. Staatliche Antworten darauf fehlen bislang weitgehend. Fakten werden von privaten Unternehmen geschaffen.

Der eigentliche Preis von KI: Eine strukturelle Frage

„20 KI-Anfragen verbrauchen eine Flasche Wasser" – solche Vergleiche kursieren. Das Problem daran ist nicht, dass sie falsch wären. Das Problem ist der implizite Rahmen: als wäre KI-Nutzung eine moralische Einzelentscheidung, die man mit dem richtigen Konsumverhalten korrigieren könnte.

Das greift zu kurz. Hinter dem aktuellen KI-Boom steckt ein strukturelles Dogma: dass der Weg zu künstlicher allgemeiner Intelligenz (AGI) über immer größere neuronale Netze führt und dass derjenige, der zuerst dort ankommt, die Regeln setzt. Diese Überzeugung, getrieben von einigen wenigen großen Tech-Unternehmen, ist der eigentliche Motor hinter den Gigafactories, den reaktivierten Kraftwerken und dem Wasserverbrauch im Milliardenbereich.

Das bedeutet nicht, dass individuelle Reflexion sinnlos wäre – KI nicht für jede Trivialaufgabe zu nutzen, auf absurde Trends wie „Tokenmaxxing" zu verzichten, ist durchaus vernünftig. Aber die entscheidende Frage ist eine andere: Wer setzt gerade welche Regeln? Wer schafft Fakten und auf wessen Kosten? Das ist eine politische und gesellschaftliche Frage, keine Konsumfrage.

Fazit

Die Cloud ist keine Wolke. Sie ist Beton, Strom, Wasser und Fläche – in Dimensionen, die vor wenigen Jahren noch undenkbar waren. Wer KI nutzt und verstehen will, was das bedeutet, sollte zumindest einen Blick in diesen Maschinenraum geworfen haben.

Marina teilt in der aktuellen Podcastfolge ihre Gedanken dazu, inkl. weiterführender Quellen. Hört gerne rein → Zur Podcastfolge