Zehn Milliarden Token im Monat: Was unsere KI-Nutzung an Strom kostet

Wir kompensieren den Strom unseres Betriebs jedes Jahr. Für Rechner, Licht und Heizung liegen die Zahlen vor. Für die KI lag bis zum Sommer nur eine Schätzung vor, die auf den Daten von zwei Personen beruhte. Im August 2026 haben wir es richtig gemacht: Fünf von sechs haben ihre Nutzungsdaten exportiert.

Das Ergebnis: rund 10.000 Kilowattstunden im Jahr, etwa 4 Tonnen CO₂. Das ist der Stromverbrauch von drei Zwei-Personen-Haushalten, oder ein Mittelklassewagen auf 25.000 Kilometern. Unsere erste Schätzung lag bei einem Drittel davon.

Die ehrliche Spanne ist breiter: zwischen 5.000 und 30.000 Kilowattstunden, zwischen 2 und 20 Tonnen. Warum sie so breit ist, steht weiter unten. Wir kompensieren nach dem oberen Rand.

Wie wir gemessen haben

Jeder hat auf seinem Rechner ein kleines Werkzeug laufen lassen, das zusammenzählt, wie viel Text die KI im August für ihn gelesen und geschrieben hat. Diese Textmenge wird in Token gezählt, ein Token ist ungefähr ein halbes Wort. Bei fünf Personen kamen 9,7 Milliarden Token zusammen, in einem einzigen Monat.

Die Exporte hatten Lücken, weil nicht jeder an jedem Werktag am Rechner war. Diese Tage haben wir mit einem typischen Tag der jeweiligen Person aufgefüllt, so als hätte niemand Urlaub gehabt. Die sechste Person hat keine Daten geliefert und ist zwischen den mittleren Werten der anderen eingeordnet. Dann haben wir den August mit zwölf multipliziert.

Die Token haben wir mit veröffentlichten Faktoren in Strom umgerechnet. Dazu kommt ein Aufschlag von 60 Prozent für das, was vor unserer Nutzung passiert ist: das Training der Modelle und die Herstellung der Hardware. Der Strom für unsere Anfragen allein liegt bei rund 525 Kilowattstunden im Monat, mit Aufschlag bei 840, im Jahr bei 10.000.

Warum die Zahl so unsicher ist

Anthropic veröffentlicht keine Angaben dazu, wie viel Strom eine Anfrage an Claude braucht. Google hat das für Gemini getan, Mistral für seine Modelle. Für Claude rechnen wir mit Werten, die andere aus Messungen an vergleichbarer Hardware abgeleitet haben.

Die wichtigste Unbekannte steckt in einer Eigenart der Arbeitsweise. 98 Prozent unserer Token sind Wiederholungen. Ein Programmierassistent wie Claude Code arbeitet in Schritten, und vor jedem Schritt liest er das gesamte bisherige Gespräch noch einmal: jede Datei, jede Anweisung, jedes Zwischenergebnis. Anthropic verlangt für diese Wiederholungen ein Zehntel des Preises von neuem Text, und wir haben angenommen, dass sie auch ein Zehntel des Stroms kosten. Das ist eine Preisentscheidung, keine Messung. Die einzige Messung, die wir gefunden haben, kommt auf ein Viertel bis ein Drittel. Wenn das stimmt, verdoppelt sich unsere Zahl.

Die Unsicherheit geht in beide Richtungen. Große Rechenzentren bündeln tausende Anfragen gleichzeitig und arbeiten dadurch sparsamer als jede Testmessung. Google hat den Verbrauch pro Anfrage innerhalb eines Jahres auf ein Dreißigstel gesenkt. Unsere Zahl kann also auch zu hoch sein.

Auch der CO₂-Wert hängt an einer Annahme. Wo Claude rechnet, wissen wir nicht. Anthropic nutzt Rechenzentren von Amazon, Google und Microsoft in den USA. Je nach Standort liegt der Strom zwischen fast klimaneutral und Kohle. Wir rechnen mit 0,4 Kilogramm CO₂ je Kilowattstunde, das entspricht etwa dem amerikanischen Durchschnitt.

Warum es so viel ist

Die Zahl hat sich seit dem Sommer verdreifacht, und das liegt nur zum Teil daran, dass jetzt mehr Personen gemessen sind. Wir nutzen mehr. Deutlich mehr.

Eine Person allein steht für 36 Prozent des Verbrauchs, zwei Personen zusammen für 60. Zwei von uns waren an fast jedem Wochenendtag im August aktiv. Bei drei von fünf entfallen rund drei Viertel des Monatsverbrauchs auf nur fünf Tage. Der stärkste Tag einer Person liegt bis zu 146-mal über ihrem schwächsten.

Das sieht aus wie ein Labor, und genau das ist es gerade. Wir probieren viel aus: neue Modelle, neue Arbeitsweisen, mehrere Assistenten parallel, lange Sitzungen, in denen Kontext aufgebaut und wieder verworfen wird. Ein Tag in den Daten zeigt das Muster: 440.000 Token an neuem Kontext geladen, 400 Token Antwort erzeugt. Da wurde eingelesen und dann abgebrochen.

Ein Teil davon ist Lernkurve und wird sich legen. Ein Teil ist Bequemlichkeit: das größte Modell für jede Kleinigkeit, weil es im Abo drin ist. Praktisch der gesamte Verbrauch im August lief über das größte verfügbare Modell.

Drei Dinge bestimmen den Verbrauch: die Länge des Kontexts, die Zahl der parallelen Sitzungen und die Wahl des Modells. Die Zahl der Anfragen spielt kaum eine Rolle.

Selbst nachrechnen in fünf Minuten

Wer Claude Code nutzt, bekommt seine Zahlen mit einem Befehl. Er liest die lokalen Protokolle und zeigt pro Monat die Token und den Dollar-Gegenwert an, auch wenn ein Abo läuft und keine Rechnung entsteht.

Die Faustregel ist die eigentliche Erkenntnis aus dem August. Bei allen fünf Personen kam pro Dollar Gegenwert fast dieselbe Strommenge heraus, obwohl die eine sechsmal so viel nutzte wie die andere. Der Preis berücksichtigt schon, welches Modell lief und wie viel davon Wiederholung war. Für unser Team: 10.700 Dollar Gegenwert im Monat mal zwölf mal 0,07 ergibt 9.000 Kilowattstunden. Die ausführliche Rechnung kam auf 10.000. Für eine Kompensationsentscheidung reicht die Zeile.

Was die Faustregel nicht enthält: die Nutzung im Browser-Chat, die das Werkzeug nicht sieht, und alles, was außerhalb von Claude läuft. Bei uns ist beides klein. Wer viel im Chat arbeitet, liegt höher.

Was wir uns wünschen würden: eine Zahl von Anthropic. Google hat 2025 vorgemacht, wie das geht, mit Messungen im laufenden Betrieb und einer offengelegten Methode. Solange das fehlt, rechnen alle Nutzer mit geliehenen Faktoren, und jede Zahl in diesem Text ist eine Größenordnung, keine Messung.

Quellen: Simon Couch, Electricity use of AI coding agents (Januar 2026) · Alex Bradbury, Per-query energy consumption of LLMs (2026) · Google, Measuring the environmental impact of delivering AI at Google Scale (August 2025) · Ma, Eitzinger, Köstler, Irminsul (arXiv 2605.05696, Messung der Cache-Wiederholungen) · Watershed, An open framework for AI emissions measurement (Juli 2026) · Oviedo et al., Energy use of AI inference, Joule (2026)