Eine detaillierte Analyse der Nutzung von Claude Code legt nahe, dass KI-Agenten deutlich mehr Strom verbrauchen können als die einfachen Chat-Prompts, die oft zur Beschreibung des Energie-Fußabdrucks von KI herangezogen werden. Der Klimawissenschaftler Zeke Hausfather verfolgte acht Wochen lang seine eigene Aktivität mit einem Programmier-Agenten und schätzte für 1.138 getippte Eingaben rund 170 Kilowattstunden Stromverbrauch im Rechenzentrum.

Das entspricht etwa 150 Wattstunden pro Eingabe – ungefähr 600-mal so viel wie die von Google und OpenAI genannten 0,24 bis 0,34 Wattstunden für eine typische Textanfrage. Der Vergleich ist keine universelle Messung aller Agenten-Workloads, zeigt aber, wie viel Energie hinter einer einzelnen Nutzeranfrage verborgen sein kann, wenn Software-Agenten wiederholt Modellaufrufe ausführen, große Kontexte verarbeiten und autonom arbeiten.

Was Hausfather in Claude Code gemessen hat

Hausfather veröffentlichte seine Ergebnisse über The Climate Brink; The Decoder berichtete darüber. In seinen lokalen Claude-Code-Protokollen waren Token-Zahlen und Modellaufrufe über acht Wochen Nutzung aufgezeichnet. Die 1.138 Prompts lösten mehr als 14.000 Modellaufrufe aus – etwa 12 Aufrufe pro Eingabe – und verarbeiteten ungefähr 3,2 Milliarden Tokens.

Der größte Anteil dieser Verarbeitung entfiel auf das Kontextmanagement und nicht auf den dem Nutzer angezeigten Text. Laut der Analyse waren etwa 96 Prozent der Tokens Cache-Lesezugriffe, weil der Agent seinen angesammelten Kontext in aufeinanderfolgenden Schritten immer wieder neu einlas. Die auf dem Bildschirm sichtbare Modellausgabe machte nur etwa 0,4 Prozent der verarbeiteten Tokens aus.

Hausfather schätzte den Gesamtverbrauch auf 170 kWh, nannte aber eine breite Unsicherheitsspanne von 70 bis 330 kWh. Die Token-Zahlen stammten aus den Claude-Code-Logs; die Umrechnung dieser Zahlen in Stromverbrauch erforderte drei separate Schätzmethoden und Annahmen zum Energieverbrauch pro Token.

Der daraus resultierende Workload war ungleich verteilt. Eine mediane Sitzung verbrauchte etwa 0,6 kWh, während der durchschnittliche Tagesverbrauch 3,0 kWh erreichte, mit einer Spanne von 1,2 bis 5,9 kWh. Der intensivste Tag, an dem mehrere parallele Agenten an einer Geodatenanalyse arbeiteten, wurde auf 11 kWh geschätzt.

Warum einfache Prompt-Vergleiche zu kurz greifen

Google hat angegeben, dass ein medianer Gemini-Textprompt 0,24 Wattstunden verbraucht. OpenAI-CEO Sam Altman hat eine durchschnittliche ChatGPT-Anfrage auf 0,34 Wattstunden geschätzt. Diese Werte beschreiben enge Fragetypen und sind nicht unbedingt mit einem Coding-Agenten vergleichbar, der eine Aufgabe in vielen Schritten durchdenkt.

Der Unterschied ist wichtig, weil „ein Prompt“ ein Ereignis der Benutzeroberfläche ist, kein konsistenter Recheneinheit. Ein herkömmlicher Chat-Austausch kann laut Hausfathers Vergleich ungefähr tausend Tokens umfassen. Seine Claude-Code-Eingaben umfassten im Durchschnitt etwa 2,9 Millionen verarbeitete Tokens, einschließlich wiederholtem Kontext und Zwischenschritten.

Reasoning-Modelle, Websuche, Bild- und Audioverarbeitung, Codegenerierung und Multi-Agent-Workflows können den Rechenaufwand hinter einer Anfrage alle verändern. Ein Agent kann außerdem Operationen erneut versuchen, Dateien prüfen, Tests ausführen, Code überarbeiten und Werkzeuge aufrufen, bevor er ein Ergebnis zurückgibt. Ein Produkt-Dashboard, das nur den ersten Prompt meldet, könnte daher den tatsächlichen Workload verschleiern.

Das bedeutet nicht, dass jeder Einsatz von KI-Agenten 600-mal so viel Strom verbraucht wie eine Chat-Anfrage. Die Zahl ist eine Schätzung aus dem intensiven Nutzungsmuster eines einzelnen Claude-Code-Nutzers im Vergleich mit veröffentlichten niedrigen Schätzungen für Anfragen. Sie zeigt jedoch, warum Durchschnittswerte pro Prompt nicht als vollständige Abrechnung von agentenbasierter KI betrachtet werden sollten.

Belege, Unsicherheit und die Klimafrage

Die Analyse liefert ungewöhnlich konkrete Nutzungsdaten, misst aber nicht direkt den Strom im Rechenzentrum. Hausfathers Unsicherheitsbereich ist erheblich, und die Annahmen zum Energieverbrauch pro Token sind von außen nicht unabhängig überprüfbar. The Decoder weist außerdem darauf hin, dass Außenstehende die exakten Energiekosten pro Token für führende kommerzielle Modelle nicht kennen.

Die Klimawirkung hängt von mehr ab als nur von der Strommenge. Hausfather schätzte, dass die Aufrechterhaltung dieses Nutzungsniveaus über ein Jahr etwa 1,1 Megawattstunden Strom im Rechenzentrum erfordern würde, mit einer Spanne von 0,4 bis 2,2 MWh. Unter Verwendung des durchschnittlichen US-Strommixes schätzte er rund 370 Kilogramm Kohlendioxidäquivalent pro Jahr.

Dieser Wert wäre in einem überwiegend sauberen Stromnetz niedriger und dort höher, wo der Strom aus kohlenstoffintensiver Erzeugung stammt. Hausfather schätzt, dass der Betrieb derselben Arbeitslast mit weitgehend sauberem Strom ihren CO2-Fußabdruck um etwa 90 Prozent senken könnte. Seine Schlussfolgerung lautet, dass die Stromquelle möglicherweise ein wichtigerer Hebel ist, als eine kleine Zahl besonders intensiver Nutzer dazu aufzufordern, Agenten gar nicht mehr zu verwenden.

Er argumentiert außerdem, dass kleinere Modelle für Routineaufgaben nützlich seien, weil sie pro Token etwa fünf- bis siebenmal weniger Energie verbrauchen als führende Modelle, so seine Analyse. Das ist eher eine Richtungsangabe als eine allgemeine Kaufregel: Modelleffizienz, Qualität, Latenz, Hardware und die Zahl der Wiederholungen beeinflussen das Endergebnis.

Was die Ergebnisse für KI-Entwickler und Käufer bedeuten

Für Entwickler lautet die unmittelbare Lehre, komplette Agentenläufe zu messen, statt nur Nutzerprompts zu zählen. Teams sollten Modellaufrufe, Eingabe- und Ausgabetokens, Cache-Lesezugriffe, Werkzeugaufrufe, Wiederholungen, parallele Arbeitsprozesse und die gesamte für eine Aufgabe aufgewendete Zeit erfassen. Diese Kennzahlen können zeigen, dass eine scheinbar günstige Funktion im Hintergrund erhebliche Arbeit erzeugt.

Die Ergebnisse machen auch Routing-Strategien bedeutsamer. Ein kleineres Modell könnte Klassifizierung, Dateisuche, Formatierung oder einfache Codeänderungen übernehmen, während ein leistungsfähigeres Modell für Aufgaben reserviert bleibt, die tatsächlich tiefere Schlussfolgerungen erfordern. Kontextkürzung, Retrieval-Design, Caching und Limits für autonome Schleifen können sowohl Kosten als auch Stromverbrauch senken, obwohl aggressive Begrenzungen auch die Zuverlässigkeit verringern können.

Unternehmenskunden sollten Anbieter fragen, wie sie Energie- und CO2-Angaben berechnen. Eine Zahl pro Anfrage kann verborgenes Reasoning, gecachten Kontext, Werkzeugaufrufe oder Rechenzentrum-Overhead auslassen. Käufer, die Coding-Assistenten oder Workflow-Agenten evaluieren, brauchen arbeitslastspezifische Schätzungen und nicht nur Durchschnittswerte aus leichtem Chat-Traffic.

Die Analyse wirft auch eine Bereitstellungsfrage für Produkte auf, die über Tage oder Wochen laufen sollen. Längere autonome Aufgaben könnten den Energiebedarf weit über das von Hausfather beobachtete Nutzungsmuster hinaus vervielfachen. Das ist keine Prognose, aber ein Grund, Energie, Kosten und Abbruchkontrollen in die Agentenarchitektur aufzunehmen, bevor der Einsatz in einer Organisation skaliert wird.

Worauf man als Nächstes achten sollte

Das nächste nützliche Signal wird die unabhängige Messung des Energieverbrauchs pro Token über Modellfamilien, Hardwarekonfigurationen und Agenten-Frameworks hinweg sein. Klarere Berichte von KI-Laboren könnten Anbieterangaben besser vergleichbar machen, insbesondere wenn Unternehmen offenlegen, ob ihre Zahlen Reasoning, Caching, Werkzeugaufrufe und Kühlungs-Overhead enthalten.

Produktteams sollten auch praktische Kontrollen im Blick behalten, etwa Modell-Router, Einstellungen für Kontextbudgets, Limits für Agentenschritte und Energie-Dashboards auf Workload-Ebene. Auf Infrastrukturebene wird der Anteil neuer Rechenzentrumsleistung aus Erdgas sowie Investitionen in saubere Energie, Netzausbau, Geothermie oder Kernenergie bestimmen, wie viel der zusätzlichen Elektrizität tatsächlich zu Emissionen führt.

Creati.ai-Perspektive

Hausfathers Analyse zeigt nicht, dass KI-Agenten von Natur aus verschwenderisch sind, und sie widerlegt auch nicht niedrigere Energieabschätzungen für einfachen Chat. Sie zeigt, dass die gemessene Einheit wichtig ist. Bei einem Agenten kann der Prompt des Nutzers nur der Anfang eines langen Rechen-Workflows sein.

Für Entwickler und Unternehmenskäufer lautet die praktische Antwort: besser bilanzieren – die gesamte Aufgabe messen, Arbeit an das kleinste geeignete Modell routen und Grenzen für autonome Ausführung festlegen. Die Energiedebatte wird nützlicher, wenn Berichte auf Produktebene widerspiegeln, was Agenten tatsächlich tun, statt nur das, was Nutzer eingeben.