KI-Agenten: Wettbewerbsvorteil oder verstecktes ESG-Risiko?
Was Vorstände und Fachbereiche jetzt entscheiden müssen
Ein großes, KI-optimiertes Rechenzentrum kann so viel Strom verbrauchen wie 100.000 Haushalte. Die größten derzeit im Bau befindlichen Anlagen erreichen laut IEA bereits ein Vielfaches davon. Wer heute KI-Agenten im Unternehmen einführt, ohne deren Energieprofil zu kennen, trifft nicht nur eine strategische, sondern auch eine ESG-relevante Entscheidung, ob er es weiß oder nicht.
Und er trifft sie unter zunehmendem regulatorischen Druck. Mehr zur strategischen Einordnung von KI-Agenten im Unternehmen lesen Sie in diesem Beitrag.
Die gute Nachricht ist, dass sich ein ressourcenschonender KI-Einsatz bei Kosten, Compliance und Reputation zugleich auszahlt.
Das Paradoxon der effizienten KI
KI soll Prozesse schneller, günstiger und besser machen. Das stimmt allerdings nur für die Geschäftsprozesse. Der Energieverbrauch, der dabei entsteht, landet in einer anderen Bilanz, nämlich in der ESG-Berichterstattung, im CO2-Fußabdruck und im Nachhaltigkeitsprofil Ihres Unternehmens.
Ein paar Zahlen verdeutlichen die Größenordnung. Laut Öko-Institut wird der weltweite Stromverbrauch von KI-Rechenzentren vom Basisjahr 2023 bis 2030 von 50 Milliarden Kilowattstunden auf rund 550 Milliarden kWh ansteigen. Das entspricht einer Verelffachung innerhalb von sieben Jahren.
In Deutschland könnte der Stromverbrauch von Rechenzentren bis 2037 auf bis zu zehn Prozent des gesamten Stromverbrauchs steigen. Bereits 2025 lag ihr Strombedarf laut Bitkom bei 21,3 Milliarden Kilowattstunden. Zum Vergleich: Der gesamte Stromverbrauch in Deutschland belief sich 2025 auf rund 495 Terawattstunden. Rechenzentren kamen damit auf etwa 4,3 Prozent des Stromverbrauchs, also auf mehr als jede 23. verbrauchte Kilowattstunde.
Das ist kein technisches Randproblem. Es ist eine Governance-Frage.
Drei Treiber, die Entscheidungen jetzt erzwingen
1. EU AI Act, Deadline 2. August 2026
Ab dem 2. August 2026 gelten die vollständigen Anforderungen des EU AI Act für Hochrisiko-KI-Systeme verbindlich. Unternehmen müssen bis dahin alle eingesetzten KI-Systeme identifiziert, bewertet und dokumentiert haben, einschließlich zugekaufter oder in SaaS-Lösungen eingebetteter KI. Konformitätsbewertungen, technische Dokumentationen und Registrierungen werden damit zur Pflicht. Wer jetzt noch nicht mit der Inventarisierung begonnen hat, hat weniger als fünf Monate Zeit.1
Für Fachbereiche bedeutet das: KI-Systeme, die Kreditentscheidungen, Risikoklassifizierungen oder andere sensible Prozesse beeinflussen, können in den Hochrisikobereich fallen und unterliegen dann umfassenden Dokumentations- und Governance-Anforderungen.2
2. DORA, KI als IKT-Risiko
Die BaFin ordnet KI-Systeme explizit als IKT-Risiko (Informations- und Kommunikationstechnik) im Sinne von DORA ein. Daraus folgt, dass KI-Agenten in bestehende Risikomanagementsysteme integriert, kontinuierlich überwacht und bei Vorfällen angemessen behandelt werden müssen. Auch Drittanbieter von KI-Modellen und Cloud-Infrastruktur geraten damit in den Fokus des IKT-Drittrisiko-Managements. Wer GPT-Modelle oder vergleichbare Dienste extern bezieht, muss deren Resilienz und Sicherheit bewertbar machen.3
3. ESG-Reporting, KI wird bilanziell relevant
ESG-Rating-Agenturen unterliegen ab 2026 selbst einer EU-Zulassungspflicht mit Transparenzanforderungen. Das erhöht den Druck auf Unternehmen, die eigenen Nachhaltigkeitsdaten belastbar zu machen. Der Energieverbrauch durch KI-Workloads wird dabei zunehmend sichtbar und messbar. Wer keine belastbare Antwort auf die Frage „Wie nachhaltig ist Ihre KI?“ geben kann, riskiert Reputationsschäden und schwächere Bewertungen bei ESG-sensitiven Investoren und Geschäftspartnern.4
Zur ESG-Perspektive gehört allerdings nicht nur der ökologische und regulatorische Blick. KI-Agenten berühren auch die soziale Dimension, etwa wenn Entscheidungen für Kunden, Mitarbeitende oder Bewerber intransparent werden, Verzerrungen verstärken oder sensible Rechte berühren. Gerade in regulierten Branchen wird damit nicht nur die Effizienz der Systeme relevant, sondern auch ihre Nachvollziehbarkeit, Fairness und Auswirkung auf betroffene Personen.
Was Vorstände und Fachbereiche konkret entscheiden können
Ressourcenschonender KI-Einsatz ist keine Frage der Technologie allein, sondern auch eine Frage der Strategie und des Governance-Rahmens.
1. Make or Buy entlang des Energieprofils
Die Wahl des Cloud-Anbieters ist längst keine reine IT-Entscheidung mehr. Anbieter mit nachgewiesenem Anteil erneuerbarer Energien in ihren Rechenzentren können den Emissionsfußabdruck von KI-Workloads spürbar beeinflussen. Damit wird die Anbieterwahl zu einer Entscheidung, die auf Vorstandsebene und nicht nur im Beschaffungswesen getroffen werden sollte.
2. Governance für KI-Agenten operativ machen
Welche Agenten laufen wann, wie lange, mit welcher Modellgröße und unter welcher Verantwortung? Ein klares Governance-Modell regelt nicht nur Anforderungen aus EU AI Act und DORA, sondern reduziert auch unnötigen Energieverbrauch durch unkontrolliert laufende Prozesse. Kleinere, spezialisierte Modelle für definierte Aufgaben benötigen oft deutlich weniger Rechenleistung als große General-Use-Modelle.5
3. Effizienzhebel im Betrieb festlegen
Ressourcenschonende KI entsteht nicht erst auf dem Papier, sondern im laufenden Betrieb. Unternehmen sollten deshalb verbindlich festlegen, wann kleinere spezialisierte Modelle ausreichen, wie lange Agenten autonom laufen dürfen, wann Requests gebündelt werden und welche Infrastruktur für bestimmte Workloads genutzt wird. Google empfiehlt ausdrücklich, möglichst effiziente, vortrainierte und auf den Anwendungsfall zugeschnittene Modelle einzusetzen sowie spezialisierte Hardware zu nutzen, um Energieverbrauch und Rechenaufwand zu senken.5
Operative Hebel für ressourcenschonende KI-Agenten
- Kleinere oder spezialisierte Modelle senken den Rechenaufwand deutlich. Sparse Modelle (Modelle, bei denen nur die jeweils nötigen Teile rechnen) können ihn gegenüber dichten Modellen (Modelle, bei denen bei jeder Anfrage das gesamte Netz mitrechnet) um das 3- bis 10-Fache reduzieren.6
- Spezialisierte ML-Prozessoren verbessern Leistung und Energieeffizienz im Vergleich zu General-Purpose-Prozessoren um das 2- bis 5-Fache.
- Cloud-Workloads lassen sich gezielt in Regionen mit höherem Carbon-Free-Energy-Anteil oder geringerer Netz-CO2-Intensität platzieren und so emissionsärmer betreiben.5
4. KI als ESG-Enabler aktiv positionieren
KI kann nicht nur Energie verbrauchen, sondern auch dabei helfen, ESG-Ziele zu erreichen. KI-Systeme können Emissionsdaten automatisiert prüfen, grüne Finanzprodukte klassifizieren und ESG-Berichte beschleunigen. Unternehmen, die diesen Schritt gehen, wandeln ein Compliance-Risiko in einen Wettbewerbsvorteil um.7
5. Architektur als Nachhaltigkeitsstrategie
Dezentrale KI-Architekturen wie Federated Learning gelten als ressourcenschonender und datensouveräner Ansatz, weil Daten lokal bleiben und für das gemeinsame Lernen in der Regel nur Modell-Updates statt Rohdaten ausgetauscht werden. Das reduziert Datenbewegung, kann zentrale Infrastrukturen entlasten und unterstützt Datenschutzanforderungen sowie Data-Residency-Vorgaben. Für Finanzdienstleister, die Datensouveränität, Effizienz und regulatorische Nachvollziehbarkeit zugleich brauchen, ist das ein besonders relevanter Architekturansatz.5
6. Energieverbrauch messbar machen
Was als ESG-relevant gelten soll, muss im Betrieb sichtbar werden. Tools wie CodeCarbon erfassen Emissionen und Energieverbrauch von KI-Workloads, schreiben die Ergebnisse in eine emissions.csv und machen damit aus einer abstrakten Nachhaltigkeitsdebatte eine messbare Steuerungsgröße für Reporting, Optimierung und Anbieterentscheidungen.
Die entscheidenden Fragen für den Vorstand
Es gibt zwei Fragen, die jeder Vorstand bis spätestens August 2026 beantworten können muss:
Wissen wir, welche KI-Systeme in unserem Unternehmen laufen?
Und können wir deren Risiko, Energieverbrauch und Governance-Konformität nachweisen?
Wenn die Antwort auf eine dieser Fragen „nein“ oder „teilweise“ lautet, besteht Handlungsbedarf. Nicht nur, weil Regulatoren es verlangen werden.
Nicht nur, weil Regulatoren es verlangen, sondern auch hinsichtlich Resilienz und Schwachstellenmanagement hinsichtlich DORA überprüfen werden. Und weil Unternehmen, die diese Fragen souverän beantworten können, in Verhandlungen, Ausschreibungen und Investorengesprächen einen messbaren Vorsprung haben.
Gerade in regulierten Umgebungen entscheidet nicht nur das Modell, sondern die Architektur. Wer KI-Agenten nachhaltig und regelkonform einsetzen will, braucht Transparenz über Energieverbrauch, Verantwortlichkeiten und Datenflüsse. Genau darin liegt der Unterschied zwischen punktueller Automatisierung und strategisch tragfähiger KI.
Schreiben Sie einen Kommentar