IEA 4E EDNA: Modell zur Bewertung des globalen Energieverbrauchs von Rechenzentren: The Total Energy Model 4.0 - Data Centres (2025)

Der Bericht „Total Energy Model 4.0 – Data Centres", veröffentlicht im Mai 2025 im Rahmen des EDNA-Programms der Internationalen Energieagentur (IEA), stellt ein neues Modell zur Bewertung des globalen Energieverbrauchs von Rechenzentren vor. Das sogenannte Total Energy Model (TEM) 4.0 verfolgt einen innovativen, bottom-up-basierten Ansatz: Anstelle traditioneller Methoden, die auf extrapolierten Verkaufszahlen von IT-Geräten oder Datenverkehr beruhen, basiert TEM auf der Berechnung der verfügbaren Rechenkapazität und deren Energieeffizienz. Die Grundlage bilden hierbei vor allem standardisierte Leistungskennzahlen aus dem SERT-Test (Server Efficiency Rating Tool) für klassische Server sowie MLPerf-Benchmarks für KI-Systeme.

Das Modell segmentiert den Rechenzentrumsmarkt in vier Typen – traditionelle, Cloud-, Hyperscale- und KI-Rechenzentren – und berücksichtigt regionale Unterschiede in fünf Weltregionen. Es unterscheidet außerdem zwischen allgemeinen Rechenlasten („General Compute") und KI-spezifischen Workloads. Ein besonderer Fokus liegt auf der Modellierung von politischen Eingriffsmöglichkeiten, wie etwa Mindeststandards für Servereffizienz, Anforderungen an die Auslastung, Verbesserungen der Infrastruktur (z. B. PUE-Werte) oder die Verlagerung von Workloads in effizientere Cloud-Umgebungen.

Die Ergebnisse des Modells zeigen, dass der Energieverbrauch von Rechenzentren in den nächsten Jahren erheblich steigen könnte – insbesondere durch das rapide Wachstum von KI-Anwendungen. Während der Stromverbrauch im Jahr 2023 mit etwa 323 TWh noch im Rahmen anderer Studien liegt, explodiert er in der Standardprojektion des TEM bis 2030 auf bis zu 2.510 TWh. Dieser drastische Anstieg ergibt sich allerdings aus einer ungebremsten Fortschreibung aktueller Wachstumstrends in der KI, ohne Berücksichtigung realer Begrenzungen wie Chip-Verfügbarkeit, Kapital, Stromversorgung oder regulatorischer Eingriffe. Andere Studien – etwa von Goldman Sachs oder SemiAnalysis – prognostizieren deutlich niedrigere Verbrauchswerte, da sie solche Einschränkungen einbeziehen.

In einer umfangreichen Sensitivitätsanalyse wurden alternative Szenarien durchgerechnet, die unterschiedliche Annahmen zur Effizienzsteigerung, zur Lebensdauer von KI-Hardware oder zum Wachstum der Rechenkapazität berücksichtigen. Dabei zeigt sich, dass vor allem die Parameter „AI-Effizienz" und „AI-Wachstum" den größten Einfluss auf den Gesamtenergieverbrauch haben. Im günstigsten Fall könnte der Verbrauch im Jahr 2030 auch bei rund 750 bis 1.200 TWh liegen – was das große Maß an Unsicherheit unterstreicht.

Die Autoren betonen, dass das Modell insbesondere als Instrument zur politischen Entscheidungsunterstützung gedacht ist, nicht als exakte Prognose. Vor allem für klassische Rechenzentren bietet es eine solide Datenbasis und realistische Annahmen. Im Bereich KI hingegen besteht aufgrund der Dynamik des Markts, der geringen Datenlage und geopolitischer Einflussfaktoren derzeit nur eingeschränkte Vorhersagekraft. Die Modellstruktur ist jedoch so konzipiert, dass sie durch neue Daten – etwa durch Berichtspflichten nach der EU-Energieeffizienzrichtlinie – fortlaufend verbessert werden kann.

Insgesamt stellt TEM 4.0 einen wichtigen Fortschritt im Verständnis und in der Analyse des Energieverbrauchs von Rechenzentren dar und liefert eine wertvolle Grundlage für die Entwicklung und Bewertung energiepolitischer Maßnahmen in einem zunehmend digitalisierten und KI-getriebenen Zeitalter.