2,7 Milliarden Token, so viel Strom wie ein Kühlschrank

Wir kompensieren den Strom unseres Betriebs jedes Jahr. Dafür braucht man Zahlen, und für Rechner, Licht und Heizung liegen die vor. Für die KI-Nutzung lag keine vor. Also haben wir gerechnet.

Das Ergebnis: rund 3.443 Kilowattstunden pro Jahr für sechs Personen, das entspricht etwa 1,4 Tonnen CO₂-Äquivalent. Die Bandbreite reicht von 1,1 bis 3,0 Tonnen. Zertifizierte Kompensation dieser Menge kostet zwischen 180 und 740 Euro im Jahr.

Vorweg der wichtigste Satz zu dieser Zahl: sie stimmt wahrscheinlich nicht. 37 Prozent davon sind gemessen, 63 Prozent geschätzt. Wir veröffentlichen sie trotzdem, weil eine Größenordnung mit offengelegten Annahmen mehr wert ist als das Achselzucken, das die Frage sonst bekommt.

Die Token-Zahl ist als Verbrauchsanzeige wertlos

Zwei von uns haben in ihren Beobachtungsfenstern zusammen 2,7 Milliarden Token durch Claude Code geschoben. Das klingt nach Industrieanlage. Der Strom dafür: 116 Kilowattstunden, etwa so viel wie ein Kühlschrank im selben Zeitraum.

Der Grund steckt in der Zusammensetzung. Bei der schwereren der beiden Nutzungen verteilen sich 2,41 Milliarden Token so:

Ein halbes Prozent der Token verursacht knapp ein Viertel der Energie. Erzeugte Token kosten etwa zwölfmal so viel Strom wie gelesene, weil die Textgenerierung an der Speicherbandbreite hängt, während die Verarbeitung der Eingabe als gebündelte Matrixmultiplikation läuft. Wer über KI-Stromverbrauch schreibt und nur Token zählt, nennt eine beliebige Zahl.

Die Physik war nie das Problem

Die Energiefaktoren stammen aus drei Quellen, die beim wichtigsten Wert unabhängig voneinander auf dasselbe Ergebnis kommen. Simon Couch skalierte im Januar 2026 Schätzungen von Epoch AI auf echte Claude-Code-Sitzungsprotokolle und kam auf 1.950 Wattstunden pro Million Ausgabe-Token. Alex Bradbury leitete aus Benchmark-Messungen von SemiAnalysis 1.980 Wattstunden ab. Eine arXiv-Veröffentlichung nennt 2.000 Wattstunden inklusive Rechenzentrums-Overhead. Drei Wege, ein Wert.

Der schwächste Punkt der Rechnung liegt woanders. Der Faktor für Cache-Reads, 25 Wattstunden pro Million Token, ist abgeleitet und nicht gemessen, und er trägt 57 Prozent der Energie. Wenn dieser Wert falsch ist, ist das Ergebnis falsch.

Gemessen wurde nur, wie viel wir nutzen

Zwei Personen haben ihre Nutzungsdaten exportiert, zusammen 66 vollständige Tage. Daraus: 1.169 und 1.887 Wattstunden pro aktivem Tag im Mittel.

Die Streuung dahinter ist enorm. Bei der ersten Person liegt der stärkste Tag 120 Mal über dem schwächsten, ein einzelner Tag macht 29 Prozent des Monatsverbrauchs aus. Der Mittelwert liegt bei beiden deutlich über dem Median. Für eine Jahresrechnung ist der Mittelwert richtig, aber eine Stichprobe von drei Tagen ist wertlos.

Ein Muster ist dagegen in beiden Datensätzen identisch, über unterschiedlich lange Zeiträume: 100 Prozent der verfügbaren Werktage aktiv, 50 Prozent der Wochenendtage. Kein einzelner Arbeitstag ohne KI-Nutzung, über zehn Wochen. Daraus haben wir 261 aktive Tage im Jahr angesetzt.

Das ist der Befund, der uns am meisten überrascht hat. Nicht die Höhe des Verbrauchs, sondern die Ausnahmslosigkeit.

Die Rechnung, Zeile für Zeile

Bei 0,40 Kilogramm CO₂ pro Kilowattstunde ergibt das 1,38 Tonnen. Der größte Einzelposten der Rechnung, 1.182 Kilowattstunden für vier Personen, ist eine Annahme. Kein Messwert, eine Zahl, die wir gesetzt haben.

Wie die Zahl sechs Mal gewandert ist

Interessanter als das Ergebnis ist, wie es zustande kam. Sieben Runden Dialog, und das Ergebnis bewegte sich um den Faktor 2,5, bei unveränderten physikalischen Faktoren.

Vier Dinge daran sind lehrreich.

Der Widerspruch führte zur Überkorrektur. Auf den Einwand, die erste Schätzung sei zu niedrig, verdoppelte sich die Nutzungsannahme. Die Messdaten zeigten dann, dass die ursprüngliche Schätzung näher lag. Wer keine Daten hat, korrigiert in Richtung des Drucks, nicht in Richtung Wahrheit. Das gilt für Menschen wie für Sprachmodelle.

Ein Satz schlug 74 Tage Telemetrie. Die wirksamste Korrektur war keine Messung, sondern die Angabe, dass nur zwei von sechs Personen intensiv nutzen. Sie verschob das Ergebnis um 27 Prozent. Der komplette zweite Messdatensatz bewegte es um 7 Prozent.

Das Gefühl war zeitlich richtig und energetisch falsch. Der Eindruck „wir arbeiten ständig mit KI" traf exakt zu, 100 Prozent aller verfügbaren Werktage. Für den Stromverbrauch sagt er fast nichts aus, weil 96 Prozent der Token Cache-Reads sind.

Die Unsicherheit ist gewandert, nicht verschwunden. Erst steckte sie in den Energiefaktoren, dann in der Zahl der Arbeitstage, am Ende in vier ungemessenen Kolleginnen und Kollegen.

Nachbauen in einer halben Stunde

Der gesamte Aufwand war ein Gespräch und zwei Exporte von je fünf Minuten. Kein Messgerät, kein Berater, kein Fragebogen. Wer es selbst versuchen will, exportiert zuerst seine Nutzungsdaten:

Die Datei enthält pro Tag die vier Token-Typen, die Formel darüber rechnet sie in Kilowattstunden um.

Danach kommen drei Angaben, die kein Werkzeug liefert und die den größten Teil der Unsicherheit tragen: an wie vielen Tagen im Jahr wirklich gearbeitet wird, wer wie intensiv nutzt, und wie viel über den Chat statt über die Kommandozeile läuft. Nur Letzteres erfasst das Auswertungswerkzeug nicht, wer es allein auswertet, unterschätzt also systematisch.

Was aus den Daten folgt

Cache-Writes sind der unterschätzte Posten, 19 Prozent der Energie bei 2,6 Prozent der Token. Ein Tag in den Daten ist das Lehrbeispiel: 703.000 Cache-Writes und 421 erzeugte Token. Da wurde Kontext aufgebaut und dann nicht genutzt. Häufiges Zurücksetzen des Kontexts erzeugt genau dieses Muster.

Die Zahl der Anfragen ist kein Hebel. Erzeugte Token und Kontext-Verwaltung sind es.

Für Folgeschätzungen hat sich eine Kennzahl als überraschend stabil erwiesen: rund 0,070 Kilowattstunden pro Dollar Token-Äquivalent, inklusive der Aufschläge für Training und Hardware. Über beide gemessenen Personen hinweg wichen die Werte um weniger als drei Prozent voneinander ab, obwohl die eine 1,6 Mal intensiver nutzte. Zur Klarstellung: Der Dollarwert ist hier nur ein Umrechnungsvehikel, weil das Auswertungswerkzeug ihn ausgibt. Bei uns läuft alles über Abos, es entstehen keine nutzungsabhängigen Kosten.

Der Modellwechsel macht die Prognose kaputt

In den letzten 14 aktiven Tagen des zweiten Datensatzes stammen 98 Prozent der Nutzung von einem Modell, das es beim Beginn der Messung noch nicht gab. Es kostet pro Token doppelt so viel wie das vorherige, was auf ein größeres Modell und damit mehr Energie pro Token hindeutet. Alle verwendeten Faktoren stammen aus Messungen an der älteren Generation.

Historische Verbrauchsdaten taugen bei diesem Tempo nicht als Prognose. Der Zuschlag von 50 Prozent in unserem pessimistischen Szenario ist eine Vermutung, keine Messung.

Was diese Zahl wert ist

Die Unsicherheit ist einseitig nach oben gerichtet. Bradbury weist darauf hin, dass Benchmark-Konfigurationen effizienter arbeiten als echte kommerzielle Systeme, realistisch um etwa den Faktor 2.

Wir kompensieren deshalb nach dem oberen Rand der Bandbreite und nicht nach dem Mittelwert. Bei Kosten in der Größenordnung eines Teamessens ist das die einfachste Antwort auf eine Unsicherheit, die wir nicht auflösen können.

Quellen: Simon Couch, Electricity use of AI coding agents · Alex Bradbury, Per-query energy consumption of LLMs · arXiv 2604.18566 · Epoch AI · SemiAnalysis InferenceMAX