Eine neue KI-Kennzahl für mehr Nachhaltigkeit

GreenPT stellt einen Denkanstoß zu einer transparenzorientierten Kennzahl für KI-Nachhaltigkeit vor: mWh pro 100 Tokens. GreenPT-Nutzer erhalten in Echtzeit geschätzte Rückmeldung zum Energieverbrauch, was eine effizientere, emissionsärmere KI-Nutzung fördert.

Das System erlaubt es, die CO₂-Wirkung auf Sitzungs- oder Eingabeebene zu berechnen, und ist darauf ausgelegt, die Berichterstattung nach Software Carbon Intensity (SCI) zu unterstützen. Durch die Ausrichtung an ISO-Standards sorgt GreenPT für klare, nachvollziehbare und umsetzbare Orientierung, um die Nachhaltigkeit intelligenter Systeme zu verbessern.

Einleitung

Der KI-Sektor beginnt endlich zu messen, was er verbraucht. Jüngste Arbeiten von Google zu Energie, CO₂ und Wasser auf Prompt-Ebene für Gemini sowie Mistrals erste durchgängige Offenlegung der Umweltwirkungen von LLMs haben die Debatte über grobe Überschlagsschätzungen hinausgebracht.

Doch vieles bleibt undurchsichtig: Rechenzentren boomen, die Wattzahl der Inferenz steigt weiter, und dennoch kann niemand mit Sicherheit sagen, was eine echte Interaktion tatsächlich kostet oder wie sich Läufe über Modelle und Setups hinweg vergleichen lassen.

Mit GreenPT stoßen wir den Deckel vollständig auf, auch wenn dies ein erster Schritt ist und nicht das letzte Wort.

Weil wir unsere Modelle und Messgeräte selbst hosten, können wir die wahren Betriebskosten offenlegen: die guten, die schlechten und die unangenehmen. Das Ziel ist nicht Perfektion. Es ist radikale Transparenz, die andere nachbilden, kritisieren und verbessern können. Wenn das Feld verantwortungsvoll skalieren soll, brauchen wir eine Kennzahl, die Effizienz zur Produktentscheidung macht und nicht zum nachträglichen Gedanken. Heute beginnen wir mit einer, die du ausführen, prüfen und danach handeln kannst.

Ein neuer Van, eine unbekannte Straße

Emma hatte gerade ihren nagelneuen Elektro-Van abgeholt: schnittig, leise und voller Versprechen. Sie folgte keinem GPS. Es gab keine Karte, keinen Zeitplan, nur eine einzige Absicht: zu fahren, bis eine Aussicht sie anhalten ließ, nicht weil sie musste, sondern weil es sich wie das Ziel anfühlte.

Ihre ersten Schritte waren zögerlich auf Stadtstraßen, die vor Bewegung und Ungeduld pulsierten. Ampeln blinkten zu oft rot, und jeder Stau zwang ihren Fuß zwischen Bremse und Gas. Sie beobachtete, wie die Verbrauchsanzeige, kWh pro 100 km, mit jedem ineffizienten Manöver nach oben kletterte. Sie log nicht. Sie sagte ihr, dass Eco-Fahren nicht nur an der Batterie des Vans lag, sondern an ihr. Wie sie beschleunigte, wie oft sie im Leerlauf stand, wie bewusst sie den Schwung nutzte. In der stillen Kabine wurde ihr klar, dass sie nicht nur den Van fuhr, sondern ihre Entscheidungen maß.

Als sie das Getümmel der Stadt hinter sich ließ, glitt sie in vorstädtische Schleifen und schließlich auf die offene Straße. Mit weniger Stopps und besserer Geschwindigkeitskontrolle sank der Energieverbrauch. Ein Obststand am Straßenrand tauchte auf, ein heller Ausbruch von Farbe und Leben. Das ältere Paar, das ihn führte, bot mehr als Erdbeeren; es teilte alte Straßengeschichten und Einblicke in die lokale Fahrkultur. Emma verweilte und lernte, wie regionale Bedingungen, Straßensteigungen und sogar die Windrichtung die Effizienz verändern konnten.

Sie fuhr weiter und experimentierte. Konnte sie das nächste Gefälle ohne Rekuperationsbremse ausrollen? Wie würde der Tempomat mit den kurvigen Nebenstraßen umgehen? Sie schaltete die Klimaanlage aus, um deren Wirkung zu sehen, beobachtete den leicht sinkenden Verbrauch und spürte doch das steigende Unbehagen. Fahren wurde zum Dialog. Jede Handlung hatte eine Folge.

Im Hochland zog Nebel auf. Emma schaltete die Nebelscheinwerfer ein. Dann die Heizung. Dann die Scheibenwischer. Sie war warm, sicher und verbrauchte mehr Strom. Die kWh/100-km-Anzeige kroch wieder nach oben. Sie machte an einem multikulturellen Foodtruck-Platz Pause, wo sie mit einem Lieferfahrer sprach, der erklärte, wie Gelände und Reifendruck, ja, sogar das, seine täglichen Batterieprognosen beeinflussten. Nun neugierig, prüfte Emma ihre eigenen.

Inzwischen sah sie die Anzeige nicht als Leistungswert, sondern als Geschichte der Interaktion. Windwiderstand auf dem Küstenabschnitt. Gegenwind gegen Rückenwind. Schwere Snacks auf dem Rücksitz? Selbst diese zusätzliche Last hatte eine Wirkung. Jede Entscheidung, ihre oder die der Natur, schrieb eine weitere Zeile in die Kennzahl. Die Fahrt war zu einer Leinwand für Lernen, Anpassung und Achtsamkeit geworden.

Schließlich hielt sie auf einer windzerzausten, in goldenes Licht getauchten Wiese an. Nicht weil sie laden musste. Nicht weil sie sich verirrt hatte. Sondern weil etwas in der weiten, offenen Stille zu ihr sprach.

Sie war angekommen. Und diesmal war es nicht nur ein malerischer Stopp. Es war die Belohnung dafür, bewusst gefahren zu sein.

Von der Straße zur Laufzeit: die Energie-Reise der KI verstehen

Bei Emmas Reise ging es nie nur darum, ein Ziel zu erreichen. Es ging darum, wie sie dorthin kam und was es kostete: nicht nur in Batterieprozenten, sondern in Wirkung. Jede Umdrehung des Lenkrads formte die kWh-pro-100-km-Kennzahl ihres Elektro-Vans, und jeder Stopp fügte Erkenntnis hinzu. Sie begann, Energieverbrauch nicht nur als Zahl zu sehen, sondern als Beziehung zwischen Entscheidungen, Kontext und Folge.

Wir glauben, dass intelligente Systeme dieselbe Transparenz verdienen. Deshalb haben wir einen neuen Standard entwickelt:

mWh pro 100 Tokens (erfasst in 1-Sekunden-Intervallen)

Es ist nicht nur eine Leistungskennzahl; es ist eine Karte der Reise, zugeschnitten auf KI.

Wir laden die Community ein, diese Kennzahl zu nutzen, sie an ihren eigenen Workloads zu testen und die Ergebnisse mit uns zu teilen. Breitere Beteiligung ist entscheidend, um über Energiesummen hinaus zu workload-basierten, vergleichbaren und transparenten KI-Energiemessungen zu gelangen.

Tokens = Distanz

In Emmas Van markierten Kilometer den physischen Fortschritt. In der KI sind Tokens unser Maß für die Rechendistanz: die Menge an Inhalt, die dein System verarbeitet. So wie längere Fahrten mehr Energie verlangen, erhöhen längere Eingaben oder Ausgaben naturgemäß den Verbrauch. Aber wie effizient diese „Distanz” zurückgelegt wird, hängt von der Route ab: Modellarchitektur, Eingabestruktur und Systemeinstellungen.

Den Token-Umfang klären

Bei GreenPT beziehen sich alle Verweise auf „Tokens” ausdrücklich auf Ausgabe-Tokens, die das Modell während der Inferenz erzeugt. Eingabe-Tokens sind in der Kennzahl nicht enthalten. So spiegelt mWh pro 100 Tokens die Energiekosten der Erzeugung neuer Modellausgabe wider und macht Vergleiche über Eingaben, Workloads und Modelle hinweg konsistent.

mWh = Energie

Das ist unser Energieverbrauch: die elektrische Arbeit, die verrichtet wird, um KI-Ausgaben zu erzeugen. So wie Emma den Batteriestand ihres Vans in Echtzeit wandern sah, können KI-Teams nun die Live-Energiesignatur jeder Eingabe sehen, direkt ausgedrückt in Milliwattstunden.

CO₂ = Kosten

Energie ist das eine, Wirkung das andere. Hier kommt unsere CO₂-Schicht ins Spiel. Ähnlich wie der Preis pro kWh je nach Region und Zeit variiert, berechnen wir die CO₂-Intensität dynamisch und berücksichtigen dabei:

• Netzstandort (z. B. kohlelastig vs. erneuerbar)
• Tageszeit (Spitzenlast vs. Überschussstunden)
• Graue Emissionen (die vorgelagerte Wirkung der Infrastruktur, auf der du läufst)

CO₂ wird zu einer Kostenschicht und wandelt Energie in Umweltfolgen um. Je sauberer der Kontext, desto niedriger das CO₂ pro mWh: genau wie das Laden außerhalb der Spitzenzeiten für E-Autos günstiger und grüner ist.

1-Sekunden-Erfassung = Live-Feedback

Die Echtzeit-Erfassung bietet fortlaufenden Einblick, wie sich geschätzte Energie und Token-Erzeugung während der Inferenz aufsummieren. So können Nutzer Eingaben anpassen, die Last steuern oder leichtere Modelle wählen, während das System läuft, und auf Effizienzänderungen reagieren, sobald sie auftreten.

Sitzungsdauer = Reisedauer

Eine einzelne Eingabe mag eine Etappe sein, aber eine Sitzung ist die ganze Reise. Die gesamte Sitzungsdauer spiegelt das aktive Nutzungsfenster der KI wider. Eine Sitzung, die mäandert oder im Leerlauf ist, verbraucht mehr, so wie ein E-Auto, das im geparkten Zustand läuft, seine Reserven leise leert.

Warum es wichtig ist

Dieser Kennzahlenrahmen verschiebt die KI-Nutzung von passiv zu beteiligt. Er sagt nicht nur, wie viel verbraucht wurde; er zeigt, warum. Er macht die Systeminteraktion zu einer transparenten Rückkopplungsschleife, in der:

• Distanz (Tokens) durch Eingabegestaltung minimiert werden kann
• Energie (mWh) durch Modellauswahl optimiert werden kann
• Kosten (CO₂) durch klügere Zeitwahl und Infrastrukturentscheidungen gesenkt werden können
• Dauer durch intelligente Orchestrierung verkürzt werden kann

Und genau wie bei Emmas Fahrt geht es bei der Reise nicht mehr nur um Leistung; es geht um Bewusstsein, Verantwortung und bewusste Navigation.

Mit Sichtbarkeit kommt Kontrolle. Mit Kontrolle wird KI nicht nur intelligent, sondern verantwortungsvoll.

Die Kennzahl verstehen: ein neuer Ansatz für KI-Energietransparenz

Die KI-Nutzungskennzahl von GreenPT drückt die geschätzte elektrische Energie aus, die nötig ist, um eine feste Rechendistanz von 100 Tokens zu erzeugen. Die Kennzahl ist zeitunabhängig; sie steht für Energie pro Ausgabeeinheit, während das 1-Sekunden-Erfassungsintervall nur dazu dient, zu beobachten, wie sich die geschätzte Gesamtenergie und die Gesamt-Tokens während der Inferenz aufsummieren.

Energie wird in Milliwattstunden (mWh) ausgedrückt. Die Energie wird geschätzt, indem ein dokumentierter Leistungswert für die Hardware angesetzt wird. Die geschätzte Energie ergibt sich, indem man die angenommene Leistung (in Watt) mit der verstrichenen Zeit (in Sekunden) multipliziert, diese Inkremente aufsummiert und das Ergebnis in mWh umrechnet.

Da 1 Wattstunde aus 3600 Wattsekunden besteht und 1 Wattstunde 1000 Milliwattstunden entspricht, lautet die Umrechnung von Wattsekunden in mWh:

mWh = Wattsekunden / 3,6

Tokens fungieren als Einheit der rechnerischen „Distanz”. Die Normierung der Kennzahl auf „pro 100 Tokens” erlaubt den direkten Vergleich zwischen verschiedenen Modellen, Workloads und Hardware-Konfigurationen. Die Effizienzkennzahl wird daher berechnet als:

mWh pro 100 Tokens = (verbrauchte mWh gesamt / erzeugte Tokens gesamt) x 100

An jedem Punkt während der Inferenz aktualisiert das System die kumulierten Summen einmal pro Sekunde. Das ergibt einen Live-, aber kumulativen Wert:

aktuelle Effizienz = (kumulierte mWh / kumulierte Tokens) x 100

Der Wert wird zunehmend stabil, während die Sitzung fortdauert, da er alle Energie und alle Tokens seit Beginn der Interaktion widerspiegelt. Das Erfassungsintervall taucht in der Formel selbst nicht auf; es ist ausschließlich die Beobachtungsfrequenz zur Aktualisierung der kumulierten Summen.

Diese Formulierung deckt sich mit Praktiken aus Physik und Elektrotechnik, wo Energie durch Integration der Leistung über die Zeit gewonnen und Effizienz durch Division der kumulierten Energie durch die kumulierte Arbeit berechnet wird. Der Ansatz wahrt physikalische Klarheit, vermeidet die Vermengung von Messtakt und Kennzahlendefinition und sichert Reproduzierbarkeit.

Die Kennzahl unterstützt auch die Umweltanalyse, indem sie es ermöglicht, geschätzte Energie mit zeit- und ortsabhängigen CO₂-Intensitätsfaktoren zu kombinieren. Das ergibt CO₂-Äquivalentwerte, die für LCA, SCI-Berichterstattung und Nachhaltigkeitsaudits geeignet sind.

Weil die Kennzahl nach der Rechendistanz statt nach der Zeit normiert ist, ermöglicht sie stimmige Vergleiche über verschiedene Hardware-Architekturen und Inferenzbedingungen hinweg. Über längere Nutzung hinweg geben die kumulierten Daten Einblick in Modellverhalten, Effizienz der Token-Erzeugung, Schwankungen der Systemlast, Latenzeffekte und langfristige Betriebseigenschaften.

Aktueller Fokus: Transparenz auf GPU-Ebene

Derzeit liegt der Schwerpunkt der Messung auf GPU-Inferenz-Workloads, da sie in den meisten transformerbasierten KI-Systemen die dominierende Quelle des Echtzeit-Energieverbrauchs darstellen. Während unsere Benchmark-Berechnungen aus Gründen der Reproduzierbarkeit eine feste Leistungsannahme von 300 W verwenden, wird diese Konstante aus direkter Telemetrie der GPU-Management-Einheiten (z. B. NVIDIA NVML) abgeleitet und regelmäßig neu kalibriert. So spiegelt der feste Benchmark-Wert das reale Hardware-Verhalten wider und bleibt zugleich eine stabile, vergleichbare Kennzahl über Läufe und Modelle hinweg.

Künftige Erweiterung: ganzheitliche Systemverantwortung

In kommenden Iterationen soll sich unser Messrahmen erweitern, um Transparenz über den gesamten Stack zu bieten, darunter:

• Weitere Serverkomponenten: Einbindung von CPU-Nutzung, Speicherbandbreite, Storage-I/O und Interconnect-Leistungsaufnahme (z. B. PCIe, NVLink), um das gesamte Systemenergieverhalten abzubilden.
• Einfluss auf Rechenzentrumsebene: Berücksichtigung von Power Usage Effectiveness (PUE) und Kühl-Overheads, um die Energiefolgen der Infrastruktur im großen Maßstab besser abzubilden.
• Netzabhängige CO₂-Faktoren: Echtzeit-Datenfusion mit CO₂-Intensitätskarten regionaler Netzbetreiber, um zeitliche und geografische Schwankungen der Emissionen pro kWh zu erfassen.
• Graue Emissionen und LCA-Kennzahlen: Künftige Module werden Prinzipien der Ökobilanz (LCA) einbeziehen, um die eingebetteten Umweltkosten von Hardwareherstellung, Transport und Entsorgung abzubilden und so ein vollständigeres Bild des gesamten Umwelt-Fußabdrucks des Systems zu geben.

Um die Kennzahl greifbar zu machen, führt der folgende Anhang einen vollständigen, in sich geschlossenen Anwendungsfall ein. Er zeigt, wie die Eingaben, Validierungsschritte und die Argumentationsstruktur zusammenkommen, um das Energieverhalten in der Praxis sichtbar zu machen. Der Anhang enthält die vollständige Benchmark-Suite, die in diesem Dokument verwendet wird.

Den vollständigen Bericht herunterladen (PDF)

Autoren

• Wilco Burggraaf - Berater, GreenPT und HighTech Innovators
• Cas Burggraaf - CTO, GreenPT
• Robert Keus - CEO, GreenPT