SI/502781

Schlussbericht

Die rasante Verbreitung künstlicher Intelligenz (KI) bringt nicht nur grosse Chancen, sondern auch wachsende ökologische Herausforderungen mit sich. Insbesondere steigen der Energieverbrauch und der Bedarf an Materialien deutlich an, was wiederum zu höheren Treibhausgasemissionen und weiteren Umweltbelastungen führt. Die genaue Bewertung dieser Auswirkungen ist jedoch schwierig. Das liegt unter anderem daran, dass KI-Systeme sehr komplex und vielfältig sind und sich ständig weiterentwickeln. Zudem fehlen oft verlässliche Daten von den Entwicklern, und es gibt noch keine einheitlichen Methoden zur Bewertung. Unterschiedliche Einsatzbereiche von KI benötigen ausserdem sehr unterschiedliche Energiemengen, was Vergleiche zusätzlich erschwert. Um diese Probleme anzugehen, wurde das SAFE-AI-Framework entwickelt. Es bietet eine strukturierte Grundlage, um die Umweltwirkungen von KI besser zu verstehen und zu bewerten. Dabei konzentriert es sich auf vier zentrale Aspekte: die wichtigsten Ursachen für Energieverbrauch zu identifizieren, geeignete Bewertungsmethoden vorzuschlagen, sinnvolle Vergleichseinheiten zu definieren und einen klaren Ablauf für die Bewertung von KI-Systemen bereitzustellen. Ein zentrales Element des Frameworks ist die Unterscheidung zwischen drei Ebenen: dem KI-Modell, dem KI-System und der individuellen KI-Nutzung. Besonders bei den weit verbreiteten grossen Sprachmodellen (large language models, LLMs) liegt die Verantwortung für die Bewertung auf Seiten der Anbieter, da nur sie Zugriff auf relevante Daten wie den Energieverbrauch beim Training und bei der Nutzung haben. Unternehmen, die solche Modelle über Schnittstellen nutzen, müssen sich daher auf veröffentlichte Daten stützen und diese auf ihre eigenen Anwendungen übertragen. Auf Ebene des KI-Systems werden hingegen alle weiteren Komponenten betrachtet, etwa eigene Modelle, sowie weitere Bestandteile des KI-Ökosystems. Diese lassen sich oft direkt messen und sind daher für Unternehmen besonders relevant. Der Bericht richtet sich deshalb vor allem an Praktikerinnen und Praktiker, die KI-Systeme einsetzen und deren Energieverbrauch besser verstehen möchten. Ein wichtiger Punkt ist die Frage, wie man Nutzung sinnvoll misst. Durchschnittswerte können täuschen, da einzelne Anfragen sehr unterschiedlich sind. Der Bericht zeigt, dass sich insbesondere die Anzahl der verarbeiteten Ein- und Ausgabeeinheiten (Tokens) gut eignet, um den Energieverbrauch abzuschätzen. Auf dieser Basis schlägt der Bericht einen unmittelbar anwendbaren Ablauf für Bewertungen auf Ebene des KI-Systems vor. Dieser ist generisch angelegt und kann auf eine Vielzahl von KI-Systemen angewendet werden. Für nicht unmittelbare messbare externe KI-Modelle stützt sich der Ablauf auf eine stochastische Analyse der Tokenverteilung pro Anfrage. Dies ermöglicht robustere Aggregationen auf Systemebene, wenn lediglich die Gesamtzahl der Anfragen und Tokens bekannt ist. Anhand verschiedener Systemarchitekturen wird gezeigt, wie unterschiedliche KI-Systeme aufgebaut sein können. Ein konkretes Beispiel ist ein Nachhaltigkeits-Chatbot der Stadt Zürich. Die Analyse zeigt, dass in diesem Fall der Grossteil des Energieverbrauchs nicht durch die externen KI-Modelle entsteht, sondern durch das lokale System selbst – vor allem wegen dessen geringer Auslastung. Diese Erkenntnis macht deutlich, dass eine ganzheitliche Betrachtung entscheidend ist: Wer die Umweltwirkungen von KI verstehen will, darf nicht nur auf einzelne Modelle schauen, sondern muss das gesamte System berücksichtigen. Über ihrem direkten Fussabdruck hinaus, verursachen KI-Systeme jedoch auch indirekte Umweltfolgen in ihren jeweiligen Anwendungsgebieten, welche sowohl positiv wie auch negativ sein können. Diese sind in der Regel vielfältig, komplex und eng miteinander verwoben; daher lassen sie sich nur schwer allgemein bewerten. Der Bericht führt zwei solche Bewertungen durch: für denselben Nachhaltigkeits- Chatbot der Stadt Zürich sowie für einen klinischen KI-Konversationsagenten. Sie zeigen, wie KI in zwei unterschiedlichen Sektoren – Kreislaufwirtschaft bzw. Gesundheitswesen – Umweltvorteile bewirken kann, aber auch, wie stark solche Bewertungen vom jeweiligen Kontext abhängen.