Kann KI grün sein?

Bis zu 30 Minuten dauert es bei einem Kunden von Helbling Technik, bis ein Teil die Produktionslinie durchlaufen hat. Erst dann zeigt sich, ob die gewählten Einstellungen die geforderte Qualität liefern. Hunderte Parameter beeinflussen den Prozess. Für ein neues Produkt eine passende Parametrierung zu finden, kann deshalb mehrere Stunden beanspruchen und erfordert die Begleitung eines erfahrenen Fachexperten.

Helbling entwickelte dafür ein Machine-Learning-System, das die Produktionsparameter und Qualitätsdaten des ersten gefertigten Teils auswertet und Korrekturen für die Einstellungen vorschlägt. In der realisierten Anwendung erfüllt bereits das zweite Teil die Qualitätsanforderungen. Die Zahl der Einstelliterationen sinkt damit vom niedrigen zweistelligen Bereich auf zwei. Zugleich wird das Einrichten weniger abhängig vom Erfahrungswissen einzelner Fachpersonen.

Weniger Einstellversuche eröffnen die Möglichkeit, Anfahrausschuss und unnötige Maschinenlaufzeit zu reduzieren. Doch wie gross ist der ökologische Vorteil? Die Prozessverbesserung allein beantwortet diese Frage noch nicht. Auch der zusätzliche Ressourcenbedarf der KI gehört in die Rechnung.

Die Bilanz reicht über das Rechenzentrum hinaus

Dass dieser Aufwand Beachtung verdient, zeigen die Zahlen der Internationalen Energieagentur IEA: Weltweit verbrauchten Rechenzentren 2025 rund 485 TWh Strom. Das ist mehr als das Achtfache des Schweizer Strom-Endverbrauchs von rund 58 TWh im selben Jahr. In ihrer zentralen Projektion von 2026 erwartet die IEA bis 2030 einen Anstieg auf rund 950 TWh. KI ist ein wichtiger Treiber; die Zahlen umfassen allerdings sämtliche Rechenzentren, nicht nur KI-Anwendungen.

Für die einzelne Anwendung helfen zwei Perspektiven. «Green in AI» betrachtet den Ressourcenbedarf der KI selbst und die Möglichkeiten, ihn zu senken: durch passend dimensionierte Modelle und Hardware, eine effiziente Architektur oder das Vermeiden unnötiger Verarbeitung. «Green by AI» richtet den Blick auf die Einsparungen, die der Einsatz im übergeordneten Prozess ermöglicht.

Zusammen verändern sie den Massstab: Bewertet wird der Aufwand für dieselbe Aufgabe, nicht nur für eine Modellberechnung. In der Produktion kann ein Gutteil mit definierter Qualität die gemeinsame Bezugsgrösse bilden. Verglichen werden der Prozess mit KI und das bisherige Verfahren oder eine geeignete Alternative ohne KI – über einen festgelegten Zeitraum und mit konsistenten Systemgrenzen.

Qualität ist Teil der Umweltbilanz

Damit wird deutlich, weshalb ein kleineres Modell nicht automatisch die bessere Lösung ist. Werden beispielsweise durch ein sparsameres Modell in der Qualitätsprüfung häufiger einwandfreie Teile aussortiert, kann die Energieeinsparung bei der Berechnung mit zusätzlichen Materialverlusten einhergehen. Umgekehrt rechtfertigt eine höhere Modellgenauigkeit nicht jeden Mehraufwand. Entscheidend ist, welche Verbesserung sie im Prozess tatsächlich bewirkt.

Die ökologische Frage führt deshalb zurück zu den Anforderungen. Welche Qualität muss die Lösung erreichen? Welche Fehler sind vertretbar, welche verursachen Ausschuss oder Nacharbeit? In einer Machbarkeitsphase klärt Helbling diese Anforderungen und prüft, ob die verfügbaren Daten die benötigten Informationen enthalten. Mehr Daten helfen wenig, wenn sie die entscheidenden Zusammenhänge nicht abbilden.

Auf dieser Grundlage werden technische Ansätze anhand automatisierter Tests und experimenteller Untersuchungen verglichen. Dazu gehören auch Lösungen ohne KI: Für klar beschreibbare Aufgaben können feste Regeln oder klassische Algorithmen ausreichen. Machine Learning kommt infrage, wenn sich Zusammenhänge aus Daten lernen lassen, etwa für Qualitätsprognosen. Sprachmodelle können bei der Verarbeitung von Texten sinnvoll sein.

Die Tests zeigen, welche Varianten die benötigte Qualität zuverlässig erreichen. Für die ökologische Auswahl müssen zusätzlich ihr Ressourcenbedarf und die Folgen ihrer Entscheidungen im Prozess bewertet werden.

Messen, was hinzukommt und was entfällt

Für die Produktionslinie bedeutet das: Welche Materialverluste und Maschinenlaufzeiten werden tatsächlich vermieden? Wie oft wird der Prozess eingerichtet? Und welcher zusätzliche Aufwand entsteht durch Datenverarbeitung, Modelltraining, Betrieb und die eingesetzte Hardware? Erst diese Angaben erlauben eine belastbare Bewertung.

Der Energiebedarf der Software lässt sich je nach Infrastruktur messen oder modellieren. Neben den Rechenkomponenten sind auch weitere Verbraucher wie Speicher, Netzwerke und Kühlung zu berücksichtigen. Wo detaillierte Daten fehlen, etwa bei Cloud-Diensten, helfen Schätzmodelle mit transparenten Annahmen und Unsicherheiten.

Energieverbrauch, Materialeinsatz und Treibhausgasemissionen sind dabei getrennt zu betrachten. Weniger Strom bedeutet nicht automatisch eine entsprechend geringere Klimabelastung; auch seine Erzeugung ist relevant. Ebenso lässt sich eingespartes Material nicht unmittelbar mit zusätzlichem Stromverbrauch verrechnen. Dafür müssen die jeweiligen Umweltwirkungen bewertet werden.

Aus einem Rechenergebnis muss eine Prozessverbesserung werden

Die Bilanz hängt auch davon ab, wie die Lösung in den Betrieb integriert ist. Ein Korrekturvorschlag spart noch kein Material. Erst wenn er im Arbeitsablauf genutzt wird und den Prozess verbessert, kann diese Wirkung entstehen.

Beim beschriebenen Einstellprozess müssen dafür Produktions- und Qualitätsdaten zusammengeführt, Abweichungen fachlich richtig bewertet und geeignete Parameterkorrekturen bereitgestellt werden. Das Prozesswissen bestimmt, welche Messgrössen aussagekräftig und welche Eingriffe sinnvoll sind. Die Softwarearchitektur stellt sicher, dass die Daten verfügbar sind und die Vorschläge im Arbeitsablauf ankommen. Mehr Rechenleistung allein löst diese Aufgaben nicht.

Helbling verbindet dazu Prozessengineering, Data Engineering, AI/ML und Software Engineering. Das Zusammenspiel stellt die Verbindung zwischen Daten, Modell und realem Prozess her. Es schafft damit die Voraussetzung dafür, dass die technisch mögliche Verbesserung im Betrieb tatsächlich wirksam wird.

Fazit: Die Nettowirkung entscheidet

KI kann grün sein, wenn die durch ihren Einsatz vermiedenen Umweltbelastungen den zusätzlichen Aufwand überwiegen. Ein effizientes Modell trägt dazu bei, ersetzt aber ebenso wenig die Gesamtbetrachtung wie eine bessere Prozessqualität.

Beim Einstellen einer Produktionslinie liegt das Potenzial in Versuchen, die nicht mehr nötig sind. Die relevante Frage lautet deshalb nicht nur, wie viel Energie eine Berechnung benötigt, sondern wie sich der gesamte Aufwand bis zum Gutteil verändert. Ein Modell kann effizienter werden und trotzdem die falsche Optimierung sein, wenn der reale Prozess dadurch nicht besser wird.

Autoren: André Wangler, Stephan Schlatter

Hauptbild: KI-generiert