Rund 20 Watt. So viel Leistung benötigt das menschliche Gehirn ungefähr im laufenden Betrieb. Diese Zahl wird regelmäßig herangezogen, wenn es um den Energieverbrauch künstlicher Intelligenz geht.
Auf der einen Seite steht dann das biologische Gehirn: kompakt, anpassungsfähig und mit dem Energiebedarf einer kleinen Lampe. Auf der anderen Seite stehen große Rechenzentren mit Tausenden spezialisierten Chips, aufwendiger Kühlung und einem erheblichen Strombedarf.
Der scheinbar eindeutige Schluss lautet: Der Mensch ist der künstlichen Intelligenz energetisch haushoch überlegen.
Doch dieser Vergleich greift zu kurz. Denn er betrachtet lediglich die Energie, die das fertige menschliche Gehirn in einem bestimmten Moment benötigt. Er lässt außer Acht, wie lange ein Mensch lernen muss, wie viel Energie sein gesamter Organismus während dieser Zeit verbraucht – und dass menschliches Wissen nicht einfach milliardenfach kopiert werden kann.
Genau auf diesen Denkfehler weist der KI-Forscher Prof. Marcus Hutter in einem ausführlichen Interview mit Everlast AI hin.
Ein Gehirn ist mehr als ein 20-Watt-Prozessor
Die Größenordnung von 20 Watt ist wissenschaftlich durchaus begründet. Das Gehirn macht nur ungefähr zwei Prozent des menschlichen Körpergewichts aus, beansprucht im Ruhezustand aber etwa 20 Prozent des Sauerstoffverbrauchs des Körpers. Sein metabolischer Energiebedarf liegt ungefähr bei 20 Watt. Das beschreibt unter anderem das medizinische Standardwerk Basic Neurochemistry im [NCBI Bookshelf](https://www.ncbi.nlm.nih.gov/books/NBK28194/).
Die Zahl ist also nicht das Problem.
Problematisch wird es, wenn aus diesen 20 Watt ein vollständiger Vergleich zwischen Mensch und KI konstruiert wird.
Ein Gehirn existiert schließlich nicht losgelöst vom Körper. Damit ein Mensch eine anspruchsvolle berufliche Aufgabe erledigen kann, müssen über viele Jahre hinweg zahlreiche Voraussetzungen geschaffen werden:
- Der Mensch muss geboren, ernährt und versorgt werden.
- Er benötigt Wohnraum, Kleidung, Mobilität und medizinische Betreuung.
- Er durchläuft Schule, Ausbildung oder Studium.
- Lehrer, Eltern und andere Menschen investieren ebenfalls Zeit und Energie.
- Das erworbene Wissen muss individuell in jedem einzelnen Menschen entstehen.
- Ruhezeiten, Schlaf, Freizeit und Erholung bleiben notwendig.
Der Energiebedarf des Gehirns während einer konkreten Denkaufgabe bildet daher nur einen kleinen Ausschnitt aus dem Gesamtsystem „arbeitsfähiger Mensch“ ab.
Zwanzig Jahre lernen – für einige Jahrzehnte Arbeit
Im [Interview mit Everlast AI](https://www.youtube.com/watch?v=VNo8fQtdCeo&t=2184s) argumentiert Marcus Hutter deshalb, man müsse die gesamte Ausbildung und Lebenshaltung eines Menschen in die Betrachtung einbeziehen.
Ein Mensch brauche ungefähr 20 Jahre, bis er umfassend ausgebildet sei. Danach könne er sein Wissen über einige Jahrzehnte produktiv einsetzen. Jeder weitere Mensch müsse diesen Lern- und Entwicklungsprozess jedoch erneut durchlaufen.
Bei künstlicher Intelligenz ist die Struktur eine andere.
Auch das Training eines großen KI-Modells kann außerordentlich viel Energie und Rechenleistung beanspruchen. Ist das Modell aber einmal trainiert, lässt sich sein erworbenes Wissen auf sehr viele technisch identische Instanzen verteilen. Es muss nicht für jeden Nutzer von Grund auf neu trainiert werden.
Ein einziges trainiertes Modell kann gleichzeitig:
- Millionen oder Milliarden Menschen unterstützen,
- rund um die Uhr verfügbar sein,
- in unterschiedlichen Ländern eingesetzt werden,
- auf vielen Rechnern als identische Kopie laufen,
- aktualisiertes Wissen auf alle Instanzen übertragen,
- sehr viele Aufgaben nacheinander oder parallel bearbeiten.
Der entscheidende Unterschied liegt damit nicht allein im Energieverbrauch eines einzelnen Denkprozesses. Er liegt in der Skalierbarkeit des zuvor erworbenen Wissens.
Menschen müssen individuell lernen – KI-Wissen ist kopierbar
Stellen wir uns eine Million hoch qualifizierte Fachkräfte vor. Jeder dieser Menschen muss individuell lernen, Erfahrungen sammeln und Fähigkeiten entwickeln. Die Ausbildung eines Menschen kann nicht einfach kopiert und auf einen anderen Menschen übertragen werden.
Bei einem KI-Modell wird der aufwendige Lernprozess dagegen zentral durchgeführt. Das fertige Modell kann anschließend sehr häufig eingesetzt werden. Die Trainingsenergie verteilt sich dadurch rechnerisch auf eine große Zahl von Anwendungen.
Das bedeutet nicht, dass jede KI-Anfrage kostenlos wäre. Jede Ausgabe benötigt weiterhin Rechenleistung. Server, Netzwerke, Speicher und Kühlsysteme verbrauchen Strom. Auch neuere Modelle müssen erneut entwickelt und trainiert werden.
Dennoch verändert die Kopierbarkeit die Rechnung grundlegend:
```text Mensch: individuelle Entwicklung + individuelle Ausbildung → begrenzte Arbeitszeit → Wissen bleibt an eine Person gebunden
KI: ein zentraler Trainingsprozess → sehr viele gleichzeitig nutzbare Instanzen → Wissen lässt sich technisch vervielfältigen ```
Ein Vergleich, der lediglich „20 Watt Gehirnleistung“ gegen „Rechenzentrum“ stellt, übersieht genau diesen Unterschied.
Ein einzelnes menschliches Gehirn wird mit einer technischen Infrastruktur verglichen, die möglicherweise gleichzeitig Millionen Menschen bedient.
Die richtige Bezugsgröße ist nicht Watt, sondern Leistung pro Aufgabe
Für einen sinnvollen Vergleich müsste zunächst definiert werden, was eigentlich verglichen werden soll:
- Energie pro beantworteter Frage?
- Energie pro Arbeitsstunde?
- Energie pro korrekt gelöster Aufgabe?
- Energie über die gesamte Ausbildung hinweg?
- Energie für eine Million gleichzeitige Nutzer?
- Energie einschließlich Gebäude, Kühlung und Netzwerken?
- Energie einschließlich menschlicher Ernährung, Mobilität und Infrastruktur?
Je nachdem, wo die Systemgrenze gezogen wird, verändert sich das Ergebnis.
Hutters Argument lautet deshalb nicht einfach, KI verbrauche grundsätzlich weniger Energie als ein Mensch. Seine zentrale Aussage ist vielmehr: Der häufig verwendete Vergleich zwischen einem 20-Watt-Gehirn und einem kompletten Rechenzentrum misst nicht dieselben Leistungen.
Interessanter ist die Frage, wie viel Energie benötigt wird, um eine klar definierte Aufgabe mit einer bestimmten Qualität zu erledigen – und wie oft sich die dafür aufgebaute Fähigkeit anschließend einsetzen lässt.
Aktuelle Untersuchungen zeigen zugleich, wie unterschiedlich KI-Systeme ausfallen können. Eine 2026 veröffentlichte Studie zur Energie von KI-Inferenz schätzte für optimierte Frontier-Modelle mit mehr als 200 Milliarden Parametern auf H100-Systemen unter definierten Annahmen einen Median von etwa 0,31 Wattstunden pro Anfrage. Der konkrete Verbrauch schwankte abhängig von Modell, Hardware, Ausgabelänge und Betriebsweise erheblich. Die [Studie zu Energieverbrauch und Effizienzpfaden](https://www.sciencedirect.com/science/article/pii/S2542435126001145) unterstreicht damit vor allem eines: Pauschale Angaben zum Energieverbrauch „der KI“ sind kaum sinnvoll.
Ein trainiertes Modell ist nicht wirklich „sofort kostenlos“
Die Skalierbarkeit darf allerdings nicht überzeichnet werden.
Eine weitere Modellinstanz benötigt weiterhin Chips, Strom und Infrastruktur. Bei Milliarden Anfragen kann selbst ein kleiner Energiebetrag pro Anfrage zu einem erheblichen Gesamtverbrauch anwachsen. Längere Antworten, komplexes logisches Schlussfolgern sowie autonome Agenten mit vielen aufeinanderfolgenden Arbeitsschritten können wesentlich mehr Energie benötigen als eine kurze Textanfrage.
Hinzu kommt ein klassischer Rebound-Effekt: Wird eine einzelne KI-Anwendung effizienter und günstiger, wird sie häufig sehr viel öfter eingesetzt. Der Gesamtverbrauch kann dadurch steigen, obwohl jede einzelne Berechnung sparsamer wird.
Genau das zeigen auch die Größenordnungen der Internationalen Energieagentur. Nach Angaben der [IEA](https://www.iea.org/reports/energy-and-ai/energy-demand-from-ai) verbrauchten Rechenzentren 2024 weltweit rund 415 Terawattstunden Strom. Das entsprach etwa 1,5 Prozent des globalen Stromverbrauchs. Im Basisszenario der Agentur könnte sich dieser Wert bis 2030 auf ungefähr 945 Terawattstunden mehr als verdoppeln.
Der Anteil am weltweiten Stromverbrauch bliebe damit zwar unter drei Prozent. Lokal können große Rechenzentren Stromnetze, Wasserressourcen und die verfügbare Infrastruktur aber erheblich belasten. Gerade weil sich ihre Nachfrage räumlich konzentriert, dürfen diese Auswirkungen nicht mit einem globalen Durchschnitt kleingerechnet werden.
Ausbildung und Nutzung müssen getrennt betrachtet werden
Für eine faire Energiebilanz sollten mindestens zwei Phasen unterschieden werden.
1. Der Lernprozess
Beim Menschen umfasst er Kindheit, Schule, Ausbildung, Erfahrung und fortlaufende Weiterbildung. Bei einer KI umfasst er Datensammlung, Training, Nachtraining, Tests und technische Entwicklung.
Beide Prozesse sind energieintensiv, aber strukturell nicht direkt vergleichbar.
2. Die Nutzung des erworbenen Wissens
Ein Mensch kann sein Wissen nur innerhalb seiner eigenen verfügbaren Zeit einsetzen. Ein KI-Modell kann technisch vervielfältigt und parallel genutzt werden.
Hier besitzt die KI ihren entscheidenden Skalierungsvorteil: Nicht jede Kopie muss erneut jahrelang lernen.
Genau diese Eigenschaft gehört auch zu den möglichen Entwicklungspfaden von allgemeiner zu übermenschlicher künstlicher Intelligenz. Der von Marcus Hutter mitverfasste Google-DeepMind-Bericht [From AGI to ASI](https://deepmind.google/research/publications/239142/) beschreibt neben Skalierung und rekursiver Verbesserung auch große Kollektive miteinander arbeitender KI-Agenten als möglichen Weg zu deutlich leistungsfähigeren Systemen.
Was der Mensch-KI-Vergleich tatsächlich zeigt
Das menschliche Gehirn bleibt ein außergewöhnlich energieeffizientes biologisches System. Es lernt mit vergleichsweise wenigen Beispielen, passt sich flexibel an neue Situationen an und verbindet Denken, Wahrnehmung und körperliche Erfahrung.
Die Stärke künstlicher Intelligenz liegt an einer anderen Stelle: Ein einmal entwickeltes digitales Fähigkeitspaket kann kopiert, parallelisiert und sehr häufig eingesetzt werden.
Deshalb beantworten die 20 Watt des Gehirns nicht die eigentlich entscheidende Frage.
Die relevante Frage lautet:
Wie viel Energie kostet es insgesamt, eine bestimmte geistige Fähigkeit aufzubauen und sie anschließend millionen- oder milliardenfach in einer definierten Qualität verfügbar zu machen?
Erst auf dieser Ebene wird der Vergleich sinnvoll.
Dann zeigt sich: KI ist nicht automatisch umweltfreundlich. Ihr wachsender Gesamtverbrauch ist real und muss bei Stromerzeugung, Netzausbau, Hardware, Kühlung und Standortplanung berücksichtigt werden.
Aber ebenso falsch ist die Vorstellung, die 20 Watt eines einzelnen Gehirns ließen sich unmittelbar mit dem Stromverbrauch einer weltweit eingesetzten KI-Plattform vergleichen.
Der Mensch muss sein Wissen ein Leben lang individuell erwerben. Digitales Wissen kann – sobald es entwickelt wurde – in Sekunden vervielfältigt und weltweit eingesetzt werden.
Genau diese Skalierbarkeit ist der Punkt, an dem der einfache 20-Watt-Vergleich zusammenbricht.