Durstige Server, hungrige Investoren: Wie nachhaltig ist KI?

Der rasante Aufstieg der künstlichen Intelligenz (KI) verändert Branchen, Volkswirtschaften und Anlagestrategien. Hinter dieser technologischen Revolution verbirgt sich jedoch ein komplexes Geflecht aus ökologischen und finanziellen Risiken – insbesondere im Zusammenhang mit dem Wasser- und Energieverbrauch. Für Investoren ist es entscheidend, diese Dynamiken zu verstehen, um sowohl die Chancen als auch die Schwachstellen zu erkennen, die sich aus den Infrastrukturanforderungen und Geschäftsmodellen der KI ergeben.

Der übersehene Wasserverbrauch der KI

Während die Energieintensität der KI breite Aufmerksamkeit gefunden hat, wird ihr Wasserverbrauch nach wie vor unterschätzt. Rechenzentren – das Rückgrat der KI – verbrauchen direkt und indirekt enorme Mengen an Wasser. Der direkte Verbrauch entsteht durch Kühlsysteme, insbesondere durch Verdunstungskühlung, bei der bis zu 80 % des verwendeten Wassers verloren gehen. Der indirekte Verbrauch entsteht durch die Stromerzeugung und die Herstellung von Grafikprozessoren (GPUs) oder Chips – beides wasserintensive Prozesse.

Im Jahr 2024 hatten Rechenzentren weltweit einen direkten Verbrauch von 95 Milliarden Liter Wasser. Dies ist zwar im Vergleich zur landwirtschaftlichen Bewässerung verschwindend gering, aber die prognostizierte durchschnittliche jährliche Wachstumsrate von 80 % bedeutet, dass der Wasserverbrauch von Rechenzentren bis 2028 über eine Billion Liter erreichen könnte – genug, um 400.000 olympische Schwimmbecken zu füllen. Kritisch ist, dass sich viele Rechenzentren in Regionen mit mittlerem bis hohem Wasserstress befinden, was die lokalen Umwelt- und Betriebsrisiken verstärkt. Die Wassernutzungseffizienz (WUE) ist eine Kennzahl, mit deren Hilfe die Wassereffizienz von Rechenzentren gemessen werden kann. Sie kann besonders nützlich sein, um die Effizienz verschiedener Standorte und Kühltechnologien zu vergleichen.

Kompromisse zwischen Energie und Wasser sowie Einschränkungen bei der Kühlung

Kühltechnologien stellen einen Kompromiss zwischen Energie- und Wassereffizienz dar. Verdunstungskühlung ist energieeffizient, aber wasserintensiv, während luftgekühlte Systeme mehr Energie, aber weniger Wasser verbrauchen. Innovationen wie Trockenkühler, Meerwasser-Kühlung und die Wiederverwendung von Abwärme sind im Kommen, aber sie sind stark standortabhängig und oft mit höheren Investitionskosten (Capex) und einer höheren betrieblichen Komplexität verbunden.

Rechenzentren bestehen im Wesentlichen aus Server-Racks. Die Kühlung auf Serverebene entwickelt sich weiter, da KI-Workloads (insbesondere die dafür erforderlichen GPU-Chips) den Energieverbrauch innerhalb dieser Racks (Rack-Leistungsdichte) auf über 100 Kilowatt steigern. Da die Racks mehr Strom verbrauchen, erzeugen sie mehr Wärme, was bedeutet, dass die herkömmliche Luftkühlung nicht mehr ausreicht. Flüssigkeitskühlung – angefangen bei Direct-to-Chip-Systemen bis hin zu Immersionskühlung -Kühlung für die modernsten GPUs, die in den nächsten Jahren auf den Markt kommen werden – wird wahrscheinlich unverzichtbar werden. Diese Systeme bergen jedoch neue Risiken, darunter höhere Investitionskosten, komplexe Flüssigkeitswartung, mögliche Kühlungsausfälle, behördliche Kontrollen [1] und Herausforderungen bei der Umsetzung.

Das „Fremium”-Modell: Monetarisierung versus Infrastrukturkosten

Das vorherrschende Geschäftsmodell der KI im Verbraucherbereich ist als „Freemium“ bekannt. Dabei handelt es sich um eine Geschäftsstrategie, bei der ein Unternehmen eine Basisversion eines Produkts oder einer Dienstleistung kostenlos anbietet und für Premium-Funktionen, Nutzungs- oder Zugangs-Gebühren erhebt. Dies stellt Unternehmen jedoch vor eine besondere finanzielle Herausforderung. Während Plattformen wie ChatGPT hunderte Millionen Nutzer vorweisen können, ist nur ein Bruchteil davon zahlende Kunden. Dies führt zu einer Diskrepanz zwischen Nutzerwachstum und monetarisierter Nachfrage. Dies wirft Fragen hinsichtlich der Nachhaltigkeit der massiven Infrastrukturinvestitionen auf, die für KI erforderlich sind, insbesondere da neuere und teurere Kühltechnologien benötigt werden, um KI-Systeme weiterzuentwickeln.

Die Investitionsausgaben für KI boomen, und jeden Tag gibt es neue Ankündigungen von Unternehmen wie OpenAI, NVIDIA, Oracle, SoftBank und anderen. Die Monetarisierung dieser Plattformen bleibt jedoch ungewiss, was einige Investoren dazu veranlasst, Vergleiche mit der Dotcom-Blase der frühen 2000er Jahre anzustellen. Eine weitere Komplikation ist das Entstehen einer „Schatten-KI-Wirtschaft”, in der Mitarbeiter sich dafür entscheiden, kostenlose KI-Tools für Verbraucher zu nutzen, die sie für effektiv halten, anstatt die von ihren Unternehmen bezahlten Lösungen für Unternehmen. Dieses Verhalten untergräbt die Akzeptanz in Unternehmen und das Umsatzwachstum, was den Investitionszyklus verlangsamen und es für Anbieter schwieriger machen könnte, weitere Infrastrukturinvestitionen zu rechtfertigen.

Investitionsintensität und finanzielle Belastung

Das Ausmaß der Investitionen in KI-Infrastruktur ist atemberaubend. Bain & Co schätzt, dass zur Deckung des weltweiten Computerbedarfs jährlich 500 Milliarden US-Dollar an Investitionen erforderlich sind. Selbst wenn Unternehmen alle Technologieausgaben auf die Cloud verlagern und ihre Budgets für Vertrieb, Marketing und Forschung und Entwicklung (F&E) um 20 % kürzen, entsteht bis 2030 immer noch eine Lücke von 800 Milliarden US-Dollar an Einnahmen, die zur Untermauerung der Investitionen in KI-Infrastruktur benötigt werden.

Diese finanzielle Belastung zeigt sich möglicherweise in der Rechnungslegung. Hyperscaler (große Cloud-Dienstleister) verlängern in ihren Finanzberichten die angenommene Nutzungsdauer von Server-Assets – ein Ansatz, der die Rentabilität durch die Verteilung der Kosten über einen längeren Zeitraum stärker erscheinen lassen kann. Amazon hat sich kürzlich diesem Trend widersetzt und in seinem letzten Jahresabschluss seine vorherige Entscheidung, die Lebensdauer von Servern zu verlängern, rückgängig gemacht und stattdessen den Abschreibungszeitraum verkürzt, wobei ausdrücklich KI-Investitionen als Grund genannt wurden. Diese Veränderung könnte darauf hindeuten, dass die KI-Infrastruktur kapitalintensiver ist als bisher angenommen und dass frühere Verlängerungen der Nutzungsdauer die tatsächlichen Kosten möglicherweise unterschätzt haben. Bemerkenswert ist, dass andere Hyperscaler dem früheren Beispiel von Amazon bei der Verlängerung der Serverlebensdauer gefolgt sind, was Fragen darüber aufwirft, ob die aktuellen Annahmen das Tempo des Hardware-Wechsels im KI-Zeitalter genau widerspiegeln.

Strategische Implikationen und Chancen

Trotz der Risiken bietet das Wachstum der KI-Infrastruktur Chancen für Investoren in angrenzenden Sektoren – nicht nur in großen Technologieunternehmen, sondern auch in Lieferketten. Unternehmen aus den Bereichen saubere Technologien, Energieversorgung und Komponentenlieferanten dürften von der steigenden Stromnachfrage und den höheren Hardwareanforderungen profitieren.

Die Wettbewerbslandschaft verändert sich jedoch rasant. Die Entscheidung von Amazon Web Services, eine eigene interne Kühllösung für die Blackwell-GPUs von NVIDIA zu entwickeln, anstatt sich auf traditionelle externe Anbieter zu verlassen, unterstreicht das schnelle Innovationstempo in diesem Sektor. Dieser Schritt zeigt, dass große Akteure zunehmend maßgeschneiderte Infrastrukturen zur Leistungsoptimierung priorisieren, was etablierte Lieferketten stören und konventionelle Anbieter zu einer schnellen Anpassung zwingen könnte. Auch Regierungen könnten eine Rolle spielen, indem sie KI als strategische Infrastruktur behandeln und Unterstützung anbieten, die kurzfristige wirtschaftliche Erwägungen überwiegt. Dies könnte Unternehmen, die sich an nationalen Prioritäten ausrichten, Rückenwind verschaffen.

Abschließende Gedanken…

Anleger sollten weiterhin wachsam sein und auf Anzeichen von Stress im KI-Ökosystem achten. Das transformative Potenzial der KI ist unbestreitbar, aber ihre Infrastrukturanforderungen – insbesondere in Bezug auf Wasser und Energie – erfordern eine ganzheitliche Risikobetrachtung. Anleger müssen Umwelt-, Technologie- und Finanzindikatoren in ihren Due-Diligence-Prozess und ihre Portfoliokonstruktion integrieren. Das Zusammentreffen von Wasserstress, Energieintensität und Monetarisierungsherausforderungen schafft ein komplexes Umfeld. Mit sorgfältiger Analyse und proaktivem Engagement können Anleger jedoch widerstandsfähige Akteure identifizieren und langfristigen Wert in einer KI-getriebenen Zukunft erzielen.