Der eigene Fussabdruck der KI: Frisst generative KI die Nachhaltigkeitsfortschritte der Mode auf?

Im August 2025 veröffentlichte Google eine Zahl, die einen Streit beilegen sollte. Ein mittlerer Textprompt in den Gemini Apps verbrauche 0,24 Wattstunden Strom, verursache 0,03 Gramm CO2-Äquivalent und verbrauche 0,26 Milliliter Wasser, etwa fünf Tropfen, so das Unternehmen. Drei Monate zuvor hatte MIT Technology Review ein Open-Source-Videomodell durchgemessen: Ein einziger fünfsekündiger Clip kostete rund 3,4 Millionen Joule, mehr als das 700-Fache der Energie eines hochwertigen Bildes. Beide Zahlen stimmen. Sie beschreiben sehr unterschiedliche Nutzungen derselben Technologie.

Diese Differenz steht im Zentrum der Frage für die Modebranche. Die Industrie verspricht seit einem Jahrzehnt, Emissionen, Wasserverbrauch und Abfall zu senken, und setzt nun generative KI für Design, Bildwelten, Suche, Prognosen und Kundenservice ein. Die ehrliche Antwort auf die Frage, ob KI diese Fortschritte auffrisst, lautet: nicht auf der Ebene eines einzelnen Prompts und noch nicht im Massstab der Branche. Sie hängt aber davon ab, wofür ein Unternehmen KI einsetzt, wie oft und ob die Werkzeuge die physische Produktion und den Versand tatsächlich verringern. Der Hardware-Fussabdruck ist real und wächst. Die Einsparungen sind plausibel, aber grösstenteils nicht gemessen.

Das ist jetzt wichtig, weil sich die Zahlen in entgegengesetzte Richtungen bewegen. Die Effizienz pro Anfrage verbessert sich rasch, die Gesamtnachfrage nach Rechenleistung wächst jedoch noch schneller. Microsoft und Google meldeten 2025 beide, dass das Wachstum von KI und Cloud Teile ihres Fussabdrucks erhöht hat. Modeunternehmen, die Scope-3-Emissionen ausweisen, müssen künftig auch die eingekaufte Rechenleistung berücksichtigen und belegen, dass sie sich lohnt.

Wie viel Strom verbraucht KI tatsächlich?

Die umfassendste öffentliche Schätzung stammt von der Internationalen Energieagentur (IEA). Ihr im April 2025 veröffentlichter Bericht «Energy and AI» beziffert den weltweiten Stromverbrauch der Rechenzentren auf rund 415 TWh im Jahr 2024, etwa 1,5 % des globalen Stromverbrauchs. Im Basisszenario steigt dieser Wert bis 2030 auf rund 945 TWh und damit auf mehr als das Doppelte, etwas mehr, als Japan heute verbraucht. KI ist der wichtigste Treiber: Nach der Lesart von Scientific American entfielen 2024 15 % des Energiebedarfs der Rechenzentren auf KI-Server, und die USA, Europa und China zusammen auf 85 % des Verbrauchs.

Bei den Emissionen veranschlagt die IEA den Ausstoss der Rechenzentren auf rund 180 Mt CO2 pro Jahr aus dem verbrauchten Strom, ohne Notstromerzeugung. Das entspricht etwa 0,5 % des weltweiten CO2 aus der Verbrennung von Brennstoffen. Im Basisszenario steigen diese indirekten Emissionen über das Jahrzehnt um fast 80 % auf rund 1 % der Verbrennungsemissionen, im schnelleren «Lift-Off»-Szenario wachsen sie auf das 2,5-Fache und damit auf 1,4 %, das grösste Emissionswachstum aller Sektoren in diesem Szenario. Die Agentur betont, dass es sich um Szenarien und nicht um Prognosen handelt, externe Forschende halten den Anteil der KI jedoch für eher unterschätzt. Alex de Vries von der VU Amsterdam sagte gegenüber Scientific American, das KI-Wachstum «könnte ein ernstes Risiko für unsere Fähigkeit sein, die Klimaziele zu erreichen».

Wie viel Energie und Wasser kostet ein KI-Prompt, ein Bild oder ein Video?

Die Werte pro Aufgabe unterscheiden sich um eine Grössenordnung oder mehr, je nach Modell, Hardware, Rechenzentrum und Bilanzgrenze. Googles Wert von 0,24 Wh, veröffentlicht von Amin Vahdat und Jeff Dean im August 2025, schliesst im Standby gehaltene Maschinen, Host-Prozessoren und Arbeitsspeicher sowie den Mehraufwand des Rechenzentrums wie die Kühlung ein. Zählt man nur die aktiven KI-Chips, wäre derselbe Prompt laut Google 0,10 Wh, eine Methode, die das Unternehmen als «bestenfalls optimistisches Szenario» bezeichnet. Zudem meldet Google, dass die Energie pro mittlerem Prompt zwischen Mai 2024 und Mai 2025 um das 33-Fache und der CO2-Ausstoss pro Prompt um das 44-Fache gesunken sei. Die Daten seien nicht von einem unabhängigen Dritten verifiziert worden, hält das Unternehmen fest.

OpenAI-Chef Sam Altman schrieb im Juni 2025, eine durchschnittliche ChatGPT-Anfrage verbrauche rund 0,34 Wh und 0,000085 Gallonen Wasser, etwa ein Fünfzehntel Teelöffel, erklärte aber nicht, wie die Zahlen berechnet wurden. Unabhängig messen lässt sich nur bei offenen Modellen. MIT Technology Review ermittelte gemeinsam mit Forschenden, dass Metas Llama 3.1 405B rund 6'706 Joule pro Antwort benötigte, ein Bild von Stable Diffusion 3 Medium rund 2'282 Joule (etwa 0,63 Wh) und ein fünfsekündiger Clip des Videomodells CogVideoX rund 3,4 Millionen Joule, was einer Mikrowelle entspricht, die über eine Stunde läuft. Sasha Luccioni von Hugging Face brachte das Problem in dieser Recherche auf den Punkt: «Wir sollten aufhören, Zahlen auf der Grundlage von Hörensagen rückwärts zu rekonstruieren.»

Für ein Modeunternehmen bedeutet das praktisch: Textarbeit ist pro Aufgabe günstig, Bildgenerierung kostet ein Mehrfaches, Video spielt in einer anderen Liga. Ein Merchandising-Team mit 50 Personen, die an einem Arbeitstag je 100 Prompts im Gemini-Stil absetzen, würde nach Googles Wert rund 1,2 kWh pro Tag verbrauchen. Ein einziges fünfsekündiges Video des von MIT getesteten Modells braucht fast so viel. Die Wahl der Aufgabe fällt stärker ins Gewicht als die Wahl des Chatbots.

Warum steigen die Emissionen der Tech-Konzerne, obwohl jeder Prompt sauberer wird?

Weil das Volumen schneller wächst als die Effizienz. Laut dem Nachhaltigkeitsbericht 2025 von Microsoft lagen die Gesamtemissionen über die Scopes 1, 2 und 3 um 23,4 % über dem Basisjahr 2020, getrieben von «wachstumsbedingten Faktoren wie dem Ausbau von KI und Cloud». Der Energieverbrauch stieg im selben Zeitraum um 168 %. Die direkten Emissionen und jene aus zugekaufter Energie sanken um 29,9 %, die Scope-3-Emissionen in der Wertschöpfungskette stiegen dagegen um 26 %. Googles Umweltbericht 2025 zeigte einen um 27 % höheren Strombedarf der Rechenzentren im Jahr 2024. Das Unternehmen gab an, die energiebedingten Emissionen der Rechenzentren seien dennoch um 12 % gesunken, während die Emissionen der Lieferkette (Scope 3) um 22 % zugelegt hätten.

Das ist der bekannte Rebound-Effekt. Günstigere und sauberere Anfragen laden zu mehr Anfragen, grösseren Modellen und neuen Anwendungen wie Video und autonomen Agenten ein. Die IEA weist darauf hin, dass Rebound-Effekte die Effizienzgewinne der KI in anderen Teilen der Wirtschaft aufzehren könnten. Für Modeunternehmen, die KI-Dienste einkaufen, heisst das: Ein sinkender Fussabdruck pro Anfrage garantiert keinen sinkenden Gesamtwert, und die in Chips und Gebäuden gebundenen Emissionen werden mit der Zeit in ihren eigenen Scope-3-Bilanzen auftauchen.

Dazu kommt eine geografische Dimension. Die IEA erwartet, dass die USA und China bis 2030 fast 80 % des Zuwachses beim Strombedarf der Rechenzentren ausmachen, und die Strommixe unterscheiden sich zwischen und innerhalb dieser Länder stark. Dieselbe Rechenlast kann daher je nach Standort des Anbieters sehr unterschiedliche Emissionen verursachen. Danach fragen heute nur wenige Modeunternehmen, die KI-Dienste einkaufen.

Wie schneidet der KI-Fussabdruck im Vergleich zu den Emissionen der Mode ab?

Die Mode ist ein weit grösserer Emittent. McKinsey und die Global Fashion Agenda schätzten 2020, dass die Branche 2018 rund 2,1 Milliarden Tonnen Treibhausgase ausstiess, etwa 4 % des weltweiten Totals. Die Vereinten Nationen nannten im März 2025 unter Verweis auf eine breitere Spanne von Schätzungen einen Anteil von bis zu 8 % der globalen Treibhausgasemissionen und einen Wasserverbrauch von rund 215 Billionen Litern pro Jahr. Damit sind die Emissionen der Mode etwa zwölfmal so hoch wie die 180 Mt CO2, welche die IEA dem Strom aller Rechenzentren weltweit zuschreibt. Die beiden Schätzungen beruhen jedoch auf unterschiedlichen Jahren, Bilanzgrenzen und Methoden und sind nicht als exaktes Verhältnis zu lesen.

Beim Wasser zeigt sich dasselbe Bild in anderem Massstab. Nach Googles Wert von 0,26 ml pro mittlerem Prompt verbrauchen eine Million Prompts rund 260 Liter Wasser. Die UNO schätzt den Wasserverbrauch der Modeindustrie auf rund 215 Billionen Liter pro Jahr, das entspricht 86 Millionen olympischen Schwimmbecken. Die Wasserwerte pro Prompt lassen das Wasser für die Stromerzeugung und die Chipherstellung aus, die tatsächliche Summe liegt also höher, und Rechenzentren können in trockenen Regionen die lokale Versorgung belasten, auch wenn ihr globaler Anteil klein ist. Für ein Modeunternehmen, das seine Prioritäten setzt, ist das Wasser in Fasern und Fabriken aber um ein Vielfaches grösser als das Wasser in der Software.

Der grösste Teil des Fussabdrucks der Mode entsteht vorgelagert, bei Faserproduktion, Färbung und Konfektion. Deshalb sind die wichtigsten Hebel physischer Natur: erneuerbare Energie in den Fabriken, bessere Materialien und weniger unverkaufte Ware. McKinseys Analyse ergab, dass nur 60 % der Kleidungsstücke ohne Preisnachlass verkauft werden, und schätzte, dass die Geschäftstätigkeit der Marken, einschliesslich des Abbaus von Überproduktion, 2030 rund 308 Mt CO2-Äquivalent einsparen könnte. Hier könnte KI am meisten bewirken, sofern Prognose- und Sortimentstools zu kleineren statt nur schnelleren Produktionsmengen führen.

Wo kann KI den Fussabdruck der Mode senken?

Die stärkste Evidenz gibt es bisher bei den Retouren. Zalando, die Berliner Online-Modeplattform, nennt für Europa Retourenquoten im Online-Modehandel von bis zu rund 50 %, wobei bis zur Hälfte auf Grösse und Passform entfällt. Die Grössen- und Passformtools des Unternehmens, die Grössenhinweise, Empfehlungen, ein von mehr als 1,5 Millionen Kundinnen und Kunden getestetes Körpermasstool und eine virtuelle Umkleidekabine kombinieren, verhinderten 2025 8 % der grössenbedingten Retouren, wie es in einem Unternehmensupdate vom Juni 2026 heisst. Pilotversuche mit der virtuellen Umkleidekabine senkten die Retourenquote um bis zu 40 %, und Zalando will sie dieses Jahr allen Kundinnen und Kunden zur Verfügung stellen. Es handelt sich um Unternehmensangaben, die eingesparte CO2-Menge wird nicht ausgewiesen.

Retouren sind stark konzentriert, was gezielte Werkzeuge wertvoller macht. Eine Studie der Vrije Universiteit Brussel mit knapp 10'000 europäischen Konsumentinnen und Konsumenten, über die FashionUnited im Juni 2026 berichtete, ergab, dass 15 % der Kundschaft mit übermässig vielen Rücksendungen für fast 60 % der retourenbedingten CO2-Emissionen verantwortlich sind. Sie verursachen durch Retouren fast 20 kg CO2 pro Jahr und Person, gegenüber rund 3 kg bei anderen Käufern. Anbieter von Grössensoftware machen grössere Versprechen für ihre Produkte, doch nur wenige wurden unabhängig geprüft.

Der zweite Hebel ist die Überproduktion. Die IEA schätzt, dass bestehende KI-Anwendungen in den Endverbrauchssektoren bei breiter Einführung 2035 rund 1'400 Mt CO2 einsparen könnten, ein Mehrfaches dessen, was Rechenzentren hinzufügen würden. Die Agentur fügt jedoch eine Warnung an, die direkt auf die Mode zutrifft: «Derzeit gibt es keine Dynamik, die eine breite Einführung dieser KI-Anwendungen sicherstellen könnte.» Bessere Prognosen senken die Emissionen nur, wenn Einkaufs- und Produktionspläne darauf reagieren.

Spart KI-generierte Bildwelt mehr, als sie kostet?

Bei Bildwelten ist der KI-Einsatz der Mode am sichtbarsten. Zalando erklärte gegenüber Reuters im Mai 2025, dass rund 70 % der redaktionellen Kampagnenbilder im vierten Quartal 2024 KI-generiert waren. Das habe die Produktionszeit von sechs bis acht Wochen auf drei bis vier Tage und die Kosten um 90 % gesenkt, so Matthias Haase, Vice President Content Solutions. Haase begründete den Wandel mit Tempo und Relevanz: «Wir nutzen KI, um reaktionsfähig zu sein.» Zalando veröffentlichte keinen Umweltvergleich, und keine der für diesen Artikel geprüften Quellen beziffert den Fussabdruck eines herkömmlichen Modeshootings.

Die Rechnung legt nahe, dass Standbilder eine kleine Position sind. Nach der Messung von MIT Technology Review würden 1'000 Bilder von Stable Diffusion 3 Medium rund 0,63 kWh verbrauchen, weniger als ein einziges fünfsekündiges Video des von MIT getesteten Modells. Das Risiko liegt woanders: Schnellere und günstigere Inhalte laden zu weit mehr Inhalten ein, und der Wechsel zu KI-Video vervielfacht den Energieverbrauch um das Hundertfache. Unternehmen, die ein Shooting durch Tausende generierter Varianten und Videos ersetzen, könnten am Ende eine grössere Rechenrechnung haben als die vermiedenen Reisen, ohne dass jemand beide Seiten gemessen hätte.

Welche Risiken, Grenzen und Gegenargumente gibt es?

• Die Datenlage ist dünn und von den Unternehmen kontrolliert. Die detailliertesten Werte pro Prompt stammen von Google und OpenAI selbst, und nur Google hat eine Methodik veröffentlicht. Keines der Unternehmen legt die gesamten Anfragevolumen offen, die Werte pro Anfrage lassen sich daher nicht auf einen realen Fussabdruck hochrechnen.
• Bilanzierungsentscheide verändern das Ergebnis. Googles CO2-Wert beruht auf einer marktbasierten Bilanzierung, die den Zukauf von Ökostrom berücksichtigt. MIT Technology Review verweist auf ein Harvard-Preprint, wonach der Strom der US-Rechenzentren um 48 % CO2-intensiver war als der US-Durchschnitt.
• Wasser und Hardware werden unterschätzt. Die Wasserwerte pro Prompt erfassen meist nur die Kühlung, nicht das Wasser für die Stromerzeugung oder die Chipherstellung, und es waren die Scope-3-Emissionen, bei Microsoft um 26 % gestiegen, die das Gesamtergebnis nach oben trieben.
• Die Einsparungen sind meist nur Potenzial. Die wichtigsten KI-Vorteile der Mode, weniger Retouren und weniger Überproduktion, werden selten in Tonnen CO2 beziffert, und die 1'400 Mt der IEA setzen eine Verbreitung voraus, die derzeit nicht stattfindet.
• Das Gegenargument hat Gewicht. Für Text und Analysen ist der Fussabdruck pro Aufgabe tatsächlich klein im Vergleich zu dem eines Kleidungsstücks. Ein Team, das mit KI einige tausend unverkaufte Einheiten vermeidet, schneidet mit hoher Wahrscheinlichkeit besser ab.

Was sollten Modeunternehmen jetzt tun?

1. KI-Workloads erfassen Listen Sie auf, welche Teams Text-, Bild- und Videogenerierung nutzen und wie oft, bevor Sie Ziele setzen.
2. Lieferanten nach offengelegten Zahlen fragen Verlangen Sie Daten zu Energie, Wasser und Emissionen pro Aufgabe samt Methodik, auch dazu, ob die Werte markt- oder standortbasiert sind.
3. Video als eigenes Budget behandeln Generiertes Video verbraucht hundertmal mehr Energie als Bilder; verlangen Sie dafür einen Business Case.
4. Einsparungen in physischen Einheiten messen Erfassen Sie vermiedene Retouren, nicht produzierte Einheiten und reduzierte Preisnachlässe und rechnen Sie sie mit derselben Sorgfalt in CO2 um wie Emissionen.
5. Prognosen mit Einkaufsentscheiden verknüpfen Stellen Sie sicher, dass bessere Nachfrageprognosen die Bestellmengen senken und nicht nur die Lieferzeiten.
6. KI in Scope 3 ausweisen Beziehen Sie eingekaufte Cloud- und KI-Dienste in die Emissionsbilanzen ein, damit Rebound-Effekte mit der Zeit sichtbar werden.