KI macht vieles einfacher. Schnellere Analysen, bessere Prompts, mehr Output in weniger Zeit. Aber irgendwo zwischen dem dritten Tool-Test dieser Woche und dem zwanzigsten Prompt-Versuch für dasselbe Briefing taucht eine Frage auf, die die meisten kurz wegschieben: Was kostet das eigentlich?

Nicht in Euro. Sondern ökologisch.

Dieser Artikel ist kein Aufruf zur Askese und kein erhobener Zeigefinger. Er ist ein Denkanstoß, weil das Thema in der UX-Community noch kaum diskutiert wird, obwohl wir täglich mit den betreffenden Tools arbeiten.

📌 Das Wichtigste in Kürze

• KI-Infrastruktur verbraucht Ressourcen auf drei Ebenen: Training, tägliche Nutzung und Hardware-Produktion

• Individuelles Verhalten ist ein Teil des Puzzles, aber kein Freifahrtschein für Unreflektiertheit

• Das Dilemma ist real: Wer nicht mitmacht, verliert den Anschluss. Wer blind mitmacht, verbraucht ohne Reflexion

• Lange Chats sind selten eine gute Idee, weder für die Qualität noch für den Ressourcenverbrauch

• Klare Prompts, bewusste Tool-Auswahl und ein kritischer Blick auf Bild- und Videogenerierung sind konkrete Ansatzpunkte

• Perfektion ist nicht das Ziel. Bewusstsein schon.

  
  

Was macht KI-Nutzung eigentlich ressourcenintensiv?

KI-Nutzung ist kein homogenes Ding. Der Ressourcenverbrauch entsteht an drei verschiedenen Stellen, die oft in einen Topf geworfen werden.

Das Training eines großen Sprachmodells ist der offensichtlichste Kostentreiber. Wochen oder Monate auf tausenden spezialisierten Chips, in Rechenzentren, die je nach Standort mit sehr unterschiedlichem Strommix betrieben werden. Das passiert einmal, oder bei neuen Modellversionen erneut, und liegt komplett außerhalb unserer Kontrolle als Nutzer:innen.

Die tägliche Nutzung, also jede einzelne Anfrage an ein Modell, kostet deutlich weniger als ein Trainingsprozess. Aber sie passiert milliardenfach täglich. Kumuliert ist das relevant, auch wenn ein einzelner Prompt im Vergleich klein wirkt.

Die Hardware-Produktion ist der am wenigsten sichtbare Teil. GPUs und TPUs brauchen seltene Erden und energieintensive Fertigung. Die Refresh-Zyklen sind kurz, weil sich die Modelllandschaft so schnell entwickelt. Der ökologische Rucksack der Hardware hängt an jedem Tool, das wir nutzen, bevor wir auch nur einen Prompt geschrieben haben.

Hinzu kommt ein Faktor, der oft vergessen wird: Viele Rechenzentren kühlen ihre Server mit Wasser. Der Wasserverbrauch ist in manchen Regionen ein ernsthafteres Problem als der Strombedarf, wird aber in der öffentlichen Debatte kaum thematisiert.

Was all das in konkreten Zahlen bedeutet, lässt sich schwer sagen. Die großen KI-Unternehmen veröffentlichen keine konsistenten Lifecycle-Daten. Das ist selbst ein Problem, weil es reflektierte Entscheidungen erschwert.

Das Dilemma, das niemand gerne ausspricht

Hier wird es unbequem.

Wer im UX-Bereich arbeitet und KI ernsthaft nutzen will, kommt um eines nicht herum: Man muss die Tools kennen.

Neue Modelle, neue Fähigkeiten, neue Einschränkungen. Wer das nicht tut, berät schlechter, promptet schlechter, verliert den Anschluss an eine Entwicklung, die sich nicht verlangsamt.

Das gilt auf persönlicher Ebene. Es gilt noch stärker auf Unternehmensebene.

Ein Team, das bewusst auf den nächsten Modell-Hype verzichtet, riskiert, dass Wettbewerber schneller, günstiger oder überzeugender werden. Das ist keine Paranoia, das ist Marktlogik. Und diese Logik erzeugt einen strukturellen Sog in Richtung mehr Nutzung, mehr Tests, mehr Iterationen, unabhängig davon, ob das im Einzelfall sinnvoll ist.

Die ehrliche Antwort auf die Frage "Kann ich nachhaltig und wettbewerbsfähig mit KI arbeiten?" lautet: Ja, aber nur wenn Bewusstsein aktiv kultiviert wird. Es passiert nicht von selbst. Der Default ist Konsum, nicht Reflexion.

Das Dilemma lässt sich nicht wegdiskutieren. Aber es lässt sich bewusster navigieren.

Was wir tatsächlich beeinflussen können

Kein Bereich, in dem individuelle Entscheidungen die strukturellen Probleme lösen. Aber auch kein Bereich, in dem individuelle Entscheidungen keine Rolle spielen. Beides stimmt gleichzeitig.

Hier ist, was im eigenen Arbeitsalltag tatsächlich liegt.

Lange Chats sind selten eine gute Idee

Wer regelmäßig mit LLMs arbeitet, kennt das Phänomen: Ab einem gewissen Punkt im Gespräch wird die Qualität schlechter. Das Modell verliert den Faden, wiederholt sich, oder produziert Output, der immer weniger mit dem ursprünglichen Ziel zu tun hat. Der Kontext wird zu lang, zu diffus.

Die pragmatische Konsequenz ist ein neuer Chat. Frischer Kontext, klarerer Fokus, bessere Ergebnisse.

Was viele nicht bedenken: Dieser Neustart ist nicht nur methodisch sinnvoll. Ein langer, verfahrener Chat, der immer mehr Tokens verarbeitet ohne brauchbaren Output zu liefern, ist auch ressourcenintensiver als zwei kurze, fokussierte Gespräche mit klarem Ziel. Qualität und Effizienz fallen hier zusammen.

Klare Prompts statt Trial and Error

Schlechtes Prompten ist teuer, in jeder Hinsicht. Wer unklar fragt, bekommt unklar geantwortet, und iteriert dann fünfmal, um ans Ziel zu kommen. Wer präzise fragt, braucht weniger Versuche.

Das ist kein neues Argument für gutes Prompting. Aber es bekommt eine zusätzliche Dimension, wenn man Ressourcenverbrauch mitdenkt. Methodisch sauberes Arbeiten und nachhaltigeres Arbeiten sind hier dasselbe.

Ein hilfreicher Check vor dem Absenden: Würde ich diese Frage auch einem menschlichen Experten so stellen? Wenn die Antwort nein ist, lohnt es sich, den Prompt noch einmal zu schärfen.

Werkzeug wählen, nicht sammeln

Jedes neue Modell, das angekündigt wird, erzeugt einen Reflex: testen, vergleichen, einordnen. Das ist verständlich und professionell notwendig. Aber es gibt einen Unterschied zwischen informiertem Testen und reflexhafter Neugier.

Bewusste Tool-Auswahl bedeutet nicht, neue Entwicklungen zu ignorieren. Es bedeutet, sich zu fragen: Brauche ich das für meine konkrete Arbeit? Löst es ein Problem, das ich tatsächlich habe? Oder teste ich, weil alle anderen es auch tun?

Eine kleinere, gut bekannte Tool-Auswahl führt in der Regel zu besserem Output als das ständige Rotieren zwischen Modellen, weil man die Stärken und Grenzen der eigenen Tools kennt.

Bild- und Videogenerierung gesondert betrachten

Text-Prompts und Bildgenerierung sind nicht dasselbe. Bild- und besonders Videogenerierung ist deutlich ressourcenintensiver als die Verarbeitung von Text. Das ist kein Argument dagegen, diese Möglichkeiten zu nutzen, aber ein Argument dafür, sie bewusster einzusetzen.

Die Frage "Brauche ich hier wirklich ein KI-generiertes Bild, oder reicht ein Stock-Foto oder eine Skizze?" ist eine, die sich im UX-Alltag öfter stellen lässt als man denkt.

Können wir nachhaltig und wettbewerbsfähig arbeiten?

Keine einfache Antwort. Aber eine ehrliche.

Das strukturelle Dilemma, Wettbewerbsdruck gegen ökologische Verantwortung, löst sich nicht durch bessere Prompts oder kürzere Chats. Das wäre naiv. Es braucht Entscheidungen auf Unternehmens- und Branchenebene, transparentere Daten von den KI-Unternehmen selbst, und einen gesellschaftlichen Diskurs, der noch kaum begonnen hat.

Was wir als UX-Professionals beeinflussen können, ist unsere eigene Arbeitsweise, und die Art, wie wir das Thema in unsere Teams und Organisationen tragen.

Bewusstsein ist nicht dasselbe wie Lösung. Aber ohne Bewusstsein gibt es keine Lösung. Und im Moment arbeitet die überwiegende Mehrheit der KI-Nutzer:innen, in UX und anderswo, ohne dieses Bewusstsein auch nur ansatzweise mitzudenken.

Das ist der Ausgangspunkt.

Fazit

Nachhaltig prompten ist kein abgeschlossenes Konzept. Es ist eine Haltung, die sich in kleinen Entscheidungen manifestiert: klarere Prompts, kürzere Chats, bewusstere Tool-Auswahl, ein zweiter Gedanke vor der nächsten Bildgenerierung.

Das löst das strukturelle Dilemma nicht. Wettbewerbsdruck ist real, die Entwicklung wartet nicht, und die ökologischen Kosten von KI-Infrastruktur liegen größtenteils außerhalb individueller Kontrolle.

Aber Bewusstsein verändert Verhalten. Und veränderte Verhaltensweisen in einer Community, die täglich mit diesen Tools arbeitet, sind kein irrelevanter Faktor.

Der erste Schritt ist, aufzuhören, die Frage wegzuschieben.

FAQ

Macht es einen Unterschied, welches Modell ich nutze? 

Ja, aber die Daten dazu sind dünn. Kleinere, spezialisierte Modelle sind in der Regel ressourceneffizienter als große Frontier-Modelle, wenn sie die Aufgabe genauso gut erfüllen. Das Problem: Die Unternehmen veröffentlichen keine konsistenten Vergleichsdaten. Die pragmatische Empfehlung lautet, das kleinstmögliche Modell zu nutzen, das die Aufgabe zuverlässig erfüllt.

Ist es nachhaltiger, Modelle lokal auszuführen? 

Kommt drauf an. Lokale Modelle verlagern den Energieverbrauch auf das eigene Gerät und den eigenen Strommix. Wer mit erneuerbaren Energien arbeitet, hat hier einen echten Vorteil. Wer mit konventionellem Strom arbeitet, möglicherweise nicht. Außerdem sind lokal lauffähige Modelle aktuell noch deutlich kleiner und weniger leistungsfähig als Cloud-Modelle, was die Vergleichbarkeit erschwert.

Wie gehe ich mit dem Wettbewerbsdruck um, ohne blind jeden Trend mitzumachen? 

Eine hilfreiche Unterscheidung: Informiert bleiben ist Pflicht, jeden Trend sofort implementieren ist keine. Ein monatlicher strukturierter Check neuer Entwicklungen, kombiniert mit einer klaren Frage nach dem konkreten Nutzen für die eigene Arbeit, hilft, den Reflex vom reflektierten Handeln zu trennen.

Gibt es so etwas wie "grüne" KI-Anbieter? 

Einige Anbieter kommunizieren aktiv über ihren Einsatz erneuerbarer Energien in Rechenzentren. Ob diese Versprechen vollständig eingehalten werden und wie die gesamte Supply Chain bewertet wird, lässt sich von außen schwer überprüfen. Es ist ein Kriterium, das in die Tool-Auswahl einfließen kann, aber kein Freifahrtschein.