Die Erwartungen an Anwendungen der Künstlichen Intelligenz (KI) und automatisierter Entscheidungsfindung sind aller Orten hoch. Ob Spracherkennung, Gesichtserkennung oder Empfehlungssysteme, ob autonomes Fahren, medizinische Diagnostik oder vorausschauende Wartung: Viele Akteure wittern hier Möglichkeiten für Produktinnovationen, neue Märkte und den Ausbau von Wettbewerbschancen, aber auch neue Forschungsperspektiven oder schlicht eine Verbesserung des täglichen Komforts.
Auch im Zusammenhang mit Nachhaltigkeitszielen werden positive Beiträge von KI-basierten Systemen erwartet. Dazu zählen beispielsweise die Chancen vernetzter Energie- und Verkehrsinfrastrukturen, eine genauere Erdbeobachtung für Klimaveränderungen, neue Warn- und Prognosesysteme oder verbesserte Lösungen für das Abfall- und Ressourcenmanagement.
Ob es darum geht, Wachstum und Wettbewerb zu erhöhen oder Komfort zu steigern: Die neuen technischen Werkzeuge sind nie Selbstzweck. Sie sollten stets in Bezug zu gesellschaftlich erwünschten Entwicklungen gesetzt werden. Dazu gehört das Gemeinwohl und die Erhaltung unserer natürlichen Lebensgrundlagen. Inwiefern aber mithilfe von KI-basierten Anwendungen komplexe ökologische Probleme wirklich gelöst werden können, ist bislang offen. In diesem Beitrag wollen wir anhand der Chancen und Risiken von KI für eine nachhaltige Entwicklung eine differenzierte Einschätzung vornehmen und Gestaltungsmöglichkeiten für die Politik aufzeigen.
KI kann dem Umweltschutz nutzen, wenn die Politik mitmacht
Für welche Herausforderungen der Nachhaltigkeit lassen sich KI-Systeme einsetzen? Die Palette ist vielfältig. Um den Übergang auf ein vollständig durch erneuerbare Energien gespeistes Energiesystem zu unterstützen, gibt es einige Anwendungsmöglichkeiten: So könnten KI-basierte Systeme durch Mustererkennung bei Anlagensteuerungsdaten dabei helfen, dezentral verteilte Energiesystemkomponenten (Energieerzeuger, Verbraucher, Speicher) in Smart Grids besser zu koordinieren und dadurch die Netzauslastung zu optimieren. Auf Basis von Datenströmen aus Wettermesssystemen und Energieerzeugungsanlagen sollen KI-basierte Anwendungen Prognosen zur Einspeisung erneuerbarer Energien ins Stromnetz ermöglichen. Auch eine gesteigerte Energieeffizienz in Gebäuden durch eine optimierte Steuerung von Klima- und Beleuchtungsanlagen ist denkbar.
Potenziell gibt es vielfältige weitere Anwendungsmöglichkeiten von KI-basierten Systemen im Umwelt- und Klimaschutzbereich. In verschiedenen Projekten und Programmen wird bereits begonnen, KI für das Monitoring, die Modellierung und das Management von Ökosystemen und Biodiversität, etwa in Forst- und Landwirtschaft sowie der Fischerei, einzusetzen.
Allerdings hängen die positiven Umweltwirkungen von KI oftmals auch davon ab, ob und in welcher Form parallel gesellschaftliche Transformationsprozesse stattfinden. So bringt beispielsweise die beste KI-basierte Optimierung des Energiesystems wenig, wenn nicht auch der Ausbau von erneuerbaren Energien rasch vorangetrieben wird. Dies wiederum hängt von einer Vielzahl gesellschaftlicher Faktoren ab, die mit technischen Mitteln allein nicht zu bewerkstelligen sind: vom Überwinden der Skepsis in der Bevölkerung gegen Windkraftanlagen bis zur politischen Entscheidung, Kohlekraftwerke abzuschalten.
Ein Netz trainieren = ein Flug Berlin-Madrid
Ein Punkt wird in der Debatte jedoch oft unterschätzt: Die Diskussion über mögliche KI-Anwendungsbereiche berücksichtigt nur selten, wie viel Energie und Ressourcen die KI-Systeme selbst für Rechenprozesse verbrauchen. Durch KI-Einsatz entsteht ein erhöhter Energieaufwand gegenüber herkömmlichen mathematischen Methoden (z.B. Regressionen) – sogar dann, wenn die zunehmende Energieeffizienz von Rechenzentren berücksichtigt wird. Besonders viel Strom verbraucht das sogenannte Deep Learning, bei dem große Datenmengen in künstlichen neuronalen Netzen (KNN) analysiert, selbstständig Muster erkannt und Prognosen erstellt werden können. Einer exemplarischen Studie zufolge verursacht das Trainieren eines leistungsstarken und modernen KNN, welches zur Spracherkennung eingesetzt wird, 0,65 Tonnen CO2. Das entspricht einem Hin- und Rückflug von Berlin nach Madrid. Das Trainieren immer komplexerer Deep Learning-Modelle ist dementsprechend mit wachsender Rechen- und Energieintensität verbunden (siehe Grafik).
Bei jeder KI-Anwendung kann nur im Einzelfall entschieden werden, ob der Energieverbrauch der Trainings- und Nutzungsphase geringer ist als die Energie- und Ressourceneinsparungen, die letztlich durch das Verfahren erzielt werden. Ein Blick auf die allgemeine Diskussion über die große Zahl an sehr unterschiedlichen KI-Einsatzgebieten – von der Optimierung von Online-Werbung bis zur Medizintechnik – legt allerdings den Schluss nahe, dass der allergrößte Teil von KI-Anwendungen nicht einmal mit dem Ziel antritt, Energie oder Ressourcen (etwa durch geschlossene Produktkreisläufe) einzusparen, und im Ergebnis daher zu einem steigenden globalen Energieverbrauch beiträgt. Hinzu kommt, dass das Verbessern der Genauigkeit eines KNN oder das Lernen einer neuen Aufgabe mit einem energieintensiven Trial-und-Error-Prozess verbunden sind, dem eine vergleichsweise geringe Leistungssteigerung des Netzes gegenübersteht.
In bestimmten Anwendungsfällen, bei denen KI eingesetzt wird oder werden soll, können statistische Analyseverfahren wie lineare Regressionen oder einfache neuronale Netze mit einem deutlich geringeren Energieverbrauch zu ähnlich guten Ergebnissen führen. Durch Anreize wie zum Beispiel eine CO2-Steuer auf Strom könnte die Entwicklung von weniger komplexen und energiesparenden Modelle attraktiver werden – vorausgesetzt, Programmierer:innen und ihre Auftraggeber:innen sind offen für eine Abwägungen zwischen Energiekosten und Leistungsnutzen.
Neben dem hohen Stromverbrauch sind auch die materiellen Voraussetzungen von KI-Anwendungen problematisch. Denn die Hardware in den Rechenzentren und Endgeräten kann in der Herstellung sehr ressourcenintensiv sein. Metalle wie Zinn, Silber, Platin oder Wolfram werden in Sensoren und Leiterplatten verbaut und sind mit ökologischen und sozialen Problemen, insbesondere im globalen Süden, verbunden.
Was die Politik tun kann
Wie wir gezeigt haben, ist es aus ökologischer Sicht nicht nur von Bedeutung, sich mit möglichen Einsparpotentialen durch KI-Anwendungen zu beschäftigen. Auch der Energieverbrauch der Trainingszyklen sowie der Ressourceneinsatz in der nötigen Hardware müssen im Blick behalten werden. Die folgenden Gestaltungsoptionen können dazu beitragen, dass die Umweltpotenziale von KI möglichst groß ausfallen.
- KI-Systeme nachhaltiger gestalten. KI-basierte Verfahren, die Umwelt- und Klimaschutz adressieren, sind bislang noch wenig verbreitet. Um ökologische Bewertungsmaßstäbe an KI-Anwendungen anzulegen und eine umweltpolitische Lenkungswirkung zu erzielen, müssen zunächst die Auswirkungen von KI-Systemen auf Mensch, Umwelt und Wirtschaft systematisch erfasst werden. Deshalb sollten Kriterien für nachhaltige KI-Verfahren erarbeitet und an neue KI-Entwicklungen angelegt werden.
- Regulierende Datenpolitik. Die Verfügbarkeit und Qualität von maschinenlesbaren Daten spielt bei der Entwicklung von KI-basierten Systemen eine große Rolle. Datenpolitik muss sich deshalb sowohl mit dem Schutz personenbezogener Daten als auch mit der Verwendung von großen Datenmengen kritisch auseinandersetzen. Datenpools, deren Nutzung gemeinwohlorientiert erfolgt, sollten vor allem für unterrepräsentierte Akteursgruppen wie zivilgesellschaftliche und kommunale Akteure verfügbar gemacht werden.
- Zusammenarbeit institutionell verankern. Die Zusammenarbeit und Wissensvermittlung zwischen Entwickler:innen, Umweltbewegten und kritischen Tech-Akteur:innen muss langfristig institutionell gestärkt werden. Damit könnten systematisch Fragen der Nachhaltigkeit bei der Entwicklung und dem Einsatz von KI-Systemen in den Fokus rücken.
- Anreizinstrumente für sparsamen Energie- und Ressourcenverbrauch. Generelle Maßnahmen für eine möglichst ökologisch nachhaltige Digitalisierung, wie etwa CO2‑, Energie‑, Ressourcensteuern, eine nachhaltigkeitsorientierte nationale (oder EU-weite) Ressourcenpolitik, öffentliche Beschaffungsrichtlinien und andere allgemeine Ansätze, die bereits an anderen Stellen diskutiert und entwickelt werden, sind für den Einsatz der vergleichsweise energie- und ressourcenintensiven KI-Modelle von besonderer Bedeutung. Auch das Reporting der CO2-Emissionen von Deep-Learning-Modellen wie es der „CO2-Impact Calculator“ anstrebt sind wichtige Ansatzpunkte.
Darüber hinaus sehen wir es als wichtig an, eine gesellschaftliche Debatte über die Notwendigkeit und den Einsatz von KI-Anwendungen zu führen und zu hinterfragen, in welchen Fällen eine „intelligente“, automatisierte Entscheidungsfindung überhaupt notwendig und – mit Blick auf andere gemeinwohlorientierte Ziele wie zum Beispiel Datenschutz, Transparenz oder Teilhabe – wünschenswert ist. In einer kritischen Distanz zu den technikoptimistischen „Heilsversprechen“ über die Leistungsfähigkeit von KI-Modellen müssen jene Einsatzzwecke herausgearbeitet werden, für die besonders große ökologische Chancen realisiert werden können. Dabei dürfen die inhärenten Risiken dieser Technologieentwicklung für Menschen, Umwelt und Gesellschaft nicht aus den Augen verloren werden. Flankierende Maßnahmen sind dementsprechend von vornherein mitzudenken.
Friederike Rohde ist Techniksoziologin beschäftigt sich mit dem Zusammenspiel von gesellschaftlichem und technologischen Wandel. Sie arbeitet zu Themen wie der Digitalisierung des Energiesystems und Smart Cities. Seit 2018 forscht sie am IÖW im Rahmen der Nachwuchs-Forschungsgruppe „Digitalisierung und sozial-ökologische Transformation“ zu technologiebezogenen Zukunftsvorstellungen und ihrer Rolle bei der Nutzung digitaler Technologien und Dienste.
Josephin Wagner ist Ökonomin mit kommunikationswissenschaftlichem Hintergrund. Seit 2019 unterstützt sie am IÖW die Nachwuchs-Forschungsgruppe „Digitalisierung und sozial-ökologische Transformation“ als Forschungsassistentin.
Maike Gossen ist wissenschaftliche Mitarbeiterin am IÖW und an der TU Berlin. Ihre Themenschwerpunkte sind nachhaltiges Konsumverhalten und digitales Nachhaltigkeitsmarketing. Sie promoviert im Rahmen der Nachwuchs-Forschungsgruppe „Digitalisierung und sozial-ökologische Transformation“ zu den Auswirkungen der Digitalisierung auf ein Marketing zur Förderung suffizienz-orientierter Lebens- und Konsumstile.
Tilman Santarius ist Professor für Sozial-Ökologische Transformation und Nachhaltige Digitalisierung an der Technischen Universität Berlin und am Einstein Center Digital Futures. Er forscht und publiziert zu den Themen Klimapolitik, Handelspolitik, nachhaltiges Wirtschaften und globale Gerechtigkeit. Tilman Santarius leitet die Nachwuchs-Forschungsgruppe „Digitalisierung und sozial-ökologische Transformation“ an der TU Berlin und dem Institut für ökologische Wirtschaftsforschung (IÖW) gefördert vom BMBF im Rahmen der sozial-ökologischen Forschung.