IEA 4E EDNA: Energieverbrauch von Rechenzentren: Kritische Überprüfung von Modellen und Ergebnissen (2025)

Die vorliegende Untersuchung beschäftigt sich mit dem Energieverbrauch von Rechenzentren – einem Thema von wachsender Relevanz angesichts der zunehmenden Digitalisierung und dem steigenden Energiebedarf digitaler Infrastrukturen. Im Zentrum der Studie steht die kritische Analyse bestehender Schätzungen und Modelle, um ein realistisches Bild des aktuellen und zukünftigen Stromverbrauchs zu zeichnen. Dabei konzentriert sich die Untersuchung nicht auf eine vollständige Lebenszyklusanalyse, sondern gezielt auf den Energieverbrauch während des Betriebes - die Betriebskosten. Berücksichtigt werden verschiedene Typen von Rechenzentren, darunter Hyperscale-, Colocation- und Enterprise-Zentren. Ziel ist es, verlässliche Aussagen über deren Energiebedarf zu treffen und Entscheidungsträger:innen fundierte Grundlagen für politische und wirtschaftliche Maßnahmen zu bieten.

Über 100 internationale Studien aus der Zeit seit 2014 wurden systematisch gesichtet, kategorisiert und bewertet. Die Autor:innen unterscheiden dabei fünf Modelltypen: Bottom-up-Modelle, aggregierte Gesamtdaten (eine Form der „Top-down"-Analyse), Temporale Proxy-Extrapolation, hybride Modelle sowie sonstige Ansätze. 

Ein zentrales Ergebnis: Studien mit gering bewerteter Qualität (v.a. Proxy-Extrapolation) zeigen stark variierende Ergebnisse für 2023 (480–2.000 TWh), während hochwertige Studien einen deutlich engeren Bereich angeben (190–560 TWh). Der realistischste Energieverbrauchbereich für 2023 liegt laut dieser Analyse bei 300–380 TWh.

Die Bewertung erfolgte auf Basis der Datenqualität, der Transparenz der Methodik sowie der zeitlichen Aktualität. Besonderes Augenmerk lag auf der Nachvollziehbarkeit und wissenschaftlichen Fundierung der jeweiligen Schätzungen.

Im Rahmen einer kritischen Überprüfung wurden globale und regionale Energieverbrauchsschätzungen analysiert, mit besonderem Fokus auf Nordamerika (insbesondere die USA), Europa und China. Darüber hinaus wurde der Einfluss von Künstlicher Intelligenz (KI) – insbesondere generativer KI – auf den Energiebedarf beleuchtet. Verschiedene Szenarien bis 2030 wurden einbezogen, um mögliche Entwicklungen greifbar zu machen. Die KI-bezogenen Energieverbräuche sind bislang noch vergleichsweise gering, könnten sich jedoch in den kommenden Jahren vervielfachen.

Aktuell liegt der KI-bezogene Energieverbrauch bei 10–50 TWh, könnte aber bis 2030 auf 200–400 TWh steigen – also 35–50% des erwarteten Gesamtenergieverbrauchs.

Auf Basis der qualitativ hochwertigsten Datenquellen erarbeiteten die Autor:innen eine eigene Schätzung des globalen Energieverbrauchs von Rechenzentren im Jahr 2023. Diese liegt zwischen 300 und 380 TWh und stützt sich sowohl auf globale als auch auf regionale und unternehmensspezifische Daten. Allein die vier größten Rechenzentrumsbetreiber haben ihren Stromverbrauch seit 2018 mehr als verdreifacht – ein Trend, der das wachsende Energiebedürfnis dieser Branche eindrücklich belegt.

In der anschließenden Diskussion werden zentrale Einflussfaktoren auf die Modellunsicherheiten erörtert. Dazu zählen unterschiedliche Annahmen, methodische Herangehensweisen sowie institutionelle Hintergründe der Studien. Auch frühere übermäßige Zukunftsprojektionen oder Fehleinschätzungen in der öffentlichen Debatte werden kritisch reflektiert, um ein realistisches Gesamtbild zu fördern.

Abschließend sprechen die Autoren konkrete Empfehlungen aus, wie zukünftige Studien verbessert werden können. Dazu gehören die Förderung von Datentransparenz, die Entwicklung standardisierter methodischer Ansätze sowie eine vorsichtige und differenzierte Interpretation von Projektionen – insbesondere im Hinblick auf langfristige Entwicklungen und den Einfluss neuer Technologien wie KI. Die Studie ruft dazu auf, faktenbasierte Grundlagen zu schaffen, um der komplexen Realität des Energieverbrauchs von Rechenzentren gerecht zu werden.

Die Studie ruft zur sorgfältigen Bewertung von Schätzungen auf, insbesondere durch Medien, und fordert mehr Transparenz und Datenbereitstellung durch Unternehmen und Regierungen sowie methodisch fundierte Modellierungen ohne übermäßige Zukunftsprojektionen.