Dieser Beitrag ist Teil unserer Arbeit im NADIKI-Projekt. Er baut auf unserer Einordnung der Inferenz-Labels auf und fragt: Wenn wir die Umweltwirkung von KI messen können — welche Kennzeichnung ergibt daraus heute überhaupt Sinn?

Ausgangslage: Die Debatte verfehlt das Modell

Die öffentliche Diskussion über die Umweltwirkung von KI dreht sich derzeit fast ausschließlich um die Rechenzentren hinter der KI — ihren Strombedarf, ihren Wasserverbrauch, ihre Standorte. Das ist verständlich, greift aber zu kurz. Denn die eigentliche Umweltwirkung entsteht nicht am Gebäude, sondern am Modell: an der Entscheidung, welches Modell wie trainiert wurde und wie effizient es im millionenfachen täglichen Betrieb — der Inferenz — arbeitet. Über diese Ebene sagt die Rechenzentrumsdebatte fast nichts aus.

Eine Kennzeichnung könnte diese Lücke schließen. Die Frage ist nur: welche? Ein Umweltlabel für KI kann sehr Verschiedenes bedeuten — von der vergleichenden Effizienz-Ampel bis zur reinen Offenlegungspflicht. Wir argumentieren in diesem Beitrag, dass die naheliegendste Form — die vergleichende Ampel — heute noch nicht funktioniert, und dass ein Transparenz-Label der bessere erste Schritt ist.

Warum ein „grünes vs. graues Modell"-Label heute nicht funktioniert

Die intuitive Vorstellung eines KI-Umweltlabels ist die einer Ampel oder Skala: Modell A ist „grün", Modell B ist „grau". Genau das ist heute nicht seriös umsetzbar. Ein vergleichendes Rating setzt voraus, dass für alle zu vergleichenden Modelle nach derselben Methodik erhobene, belastbare Daten vorliegen. Diese Voraussetzung ist nicht erfüllt: Die meisten Modellanbieter veröffentlichen keine oder nur selektive Umweltdaten, die Systemgrenzen und Messmethoden unterscheiden sich fundamental, und viele Werte stammen aus Laborbedingungen statt aus dem realen Betrieb.

Ein Label, das auf dieser Datenbasis „grün" gegen „grau" stellt, würde eine Vergleichbarkeit suggerieren, die es nicht gibt — und wäre damit selbst eine Form von Greenwashing. Die vergleichende Ampel ist ein sinnvolles Fernziel, aber sie setzt eine flächendeckende, standardisierte Datengrundlage voraus, die erst noch entstehen muss.

Der pragmatische Weg: Ein Transparenz-Label

Solange die Daten für einen fairen Vergleich fehlen, sollte ein Label nicht die Modelle gegeneinander bewerten, sondern die Qualität ihrer Umweltmessung sichtbar machen. Ein solches Transparenz- oder Reifegrad-Label kennzeichnet nicht, wie grün ein Modell ist, sondern wie ehrlich und nachvollziehbar es über seine Umweltwirkung Auskunft gibt. Es lässt sich über drei aufeinander aufbauende Kriterien definieren:

Der Charme dieses Ansatzes liegt darin, dass er ohne modellübergreifende Vergleichsdaten auskommt. Jedes Modell wird an seiner eigenen Transparenz gemessen, nicht an der eines Wettbewerbers. Das Label ist damit sofort anwendbar — und es erzeugt genau die Datenbasis, die den späteren vergleichenden Rating-Schritt überhaupt erst möglich macht. Die zweite Stufe verweist dabei direkt auf die Frage der Methodik: Ein Label ist nur so viel wert wie das Messverfahren dahinter. Unsere NADIKI-Berechnungsmethodik ist ein solches offenes, standardisierbares Verfahren — mit realer, ortsbasierter Strommessung statt Grünstromzertifikaten und kumulativer Zurechnung bis auf die einzelne Workload.

Die dritte Stufe, die granulare Sichtbarkeit für Nutzende, überführt Umweltwirkung von einer abstrakten Jahresbilanz in eine konkrete Größe: Was hat diese eine Konversation gekostet? Was ist der Gesamtverbrauch meiner KI Nutzung in diesem Monat? Erst diese Granularität macht Umweltwirkung zu einer Information, auf deren Basis Nutzende ihr Verhalten tatsächlich anpassen können.

Die entscheidende offene Frage: Steigert Transparenz den Wert?

Die Kernfrage ist nicht technischer, sondern ökonomischer und verhaltenswissenschaftlicher Natur.

Steigt durch eine gute Messung und Kennzeichnung die Wertwahrnehmung der Nutzenden — und hat eine Umweltkennzeichnung damit eine reale Wertsteigerung des Dienstes zur Folge?

Wenn Transparenz den wahrgenommenen Wert eines KI-Dienstes erhöht — sei es durch Vertrauen, durch Differenzierung im Markt oder durch die Bindung umweltbewusster Kundengruppen —, dann entsteht ein wirtschaftlicher Eigenanreiz zur Kennzeichnung, der keine Regulierung braucht. Wenn nicht, bleibt das Label ein Kostenfaktor, den Anbieter meiden.

Diese Frage erfordert Nutzerbefragungen und weitere Forschung — zur Zahlungsbereitschaft, zur Wirkung granularer Umweltinformationen auf das Nutzungsverhalten und zur Frage, ob Umwelttransparenz als Qualitäts- oder als Verzichtssignal wahrgenommen wird. Dies ist eine offene Forschungslücke und ein wichtiger, neuer Bereich für weitere Forschung.

Ein Label für nachhaltig trainierte Modelle?

Neben der Inferenz stellt sich die Frage nach einer Kennzeichnung des Trainings — einer Art „Environmental Impact Model Card", die die Umweltwirkung der Modellentstehung dokumentiert. Aus NADIKI-Sicht würden sich dafür klare, mess­bare Rahmenbedingungen anbieten, die sich unmittelbar positiv auf die erfasste Umweltwirkung auswirken:

• Hardware: Einsatz von Refurbished Hardware statt Neuware — reduziert die grauen Emissionen pro Trainingslauf.

• Strom: Grünstrom aus einem 50-km-Radius um das Rechenzentrum plus Solar auf dem Dach — physisch belegbar, nicht über Zertifikate.

• Kühlung: Flüssigkeitskühlung (Liquid Cooling) statt reiner Luftkühlung.

• Abwärme: Nutzung der Abwärme statt ungenutzter Energie.

• Keine Diesel-Generatoren zur Notstrom- oder Spitzenlastdeckung.

• Auslastung: Konstante, hohe und von mehreren Nutzern geteilte Hardware-Auslastung — vermeidet die nicht-produktive Leistung, die NADIKI explizit sichtbar macht.

Jede dieser Bedingungen würde sich in einer NADIKI-Messung unmittelbar niederschlagen. Eine Environmental Impact Model Card für das Training ergibt daher methodisch Sinn. Jedoch verbleibt die selbe Frage wie bei der Inferenz: Was sind die Anreize? Ist eine solche Kennzeichnung eine echte Differenzierung im Markt — zieht sie Kunden an oder steigert sie den Produktwert? Auch das sind offene Fragen, die empirische Untersuchung brauchen und sich nicht durch Methodik allein beantworten lassen.

Die Anreizfrage: Was die Regulierung heute leistet — und was fehlt

Ein Messwerkzeug erzeugt aus sich heraus keinen Anreiz zu seinem Einsatz. Seine Wirkung hängt davon ab, ob externe Rahmenbedingungen — regulatorische Vorgaben, wirtschaftliche Anreize oder gesellschaftlicher Druck — Anbieter überhaupt motivieren, Umweltwirkung zu erfassen und offenzulegen. Diese Anreize fehlen bislang weitgehend, weil ökologische Kosten externalisiert werden. Ein Blick auf die aktuelle Rechtslage zeigt, dass sich das langsam ändert — über Einstiegspunkte und Soft Law, nicht über harte Pflichten:

• KI-Verordnung (EU AI Act): Umweltwirkung ist zwar im Zielkatalog genannt, das Regime bleibt aber anthropozentrisch. Immerhin verlangt Anhang XI für GPAI-Modelle die Dokumentation des bekannten oder geschätzten Energieverbrauchs (Art. 53) — eine verbindliche, wenn auch schmale Offenlegungspflicht. Wichtiger ist der Konkretisierungspfad: Art. 53 Abs. 5 ermächtigt die Kommission, Mess- und Berechnungsmethoden per delegiertem Rechtsakt zu präzisieren; Art. 40 Abs. 2 lenkt Standardisierungsaufträge ausdrücklich auf Reporting-Prozesse zur Ressourcenperformance über den Lebenszyklus. Der Normentwurf prEN 18286 zum Qualitätsmanagement enthält bereits ein eigenes Kapitel „Environmental sustainability". Und Art. 95 eröffnet freiwillige Verhaltenskodizes, die Umweltziele ausdrücklich adressieren dürfen.

• Energieeffizienzrecht (EED, EnEfG): Für Rechenzentren bestehen bereits verbindliche Transparenz- und Meldepflichten (EED Art. 12 ab 500 kW IT-Last; EnEfG ab 300 kW), inklusive standardisierter KPI, EU-Datenbank und — besonders relevant — der Pflicht zur kundenscharfen Energiezuordnung in Multi-Tenant-Umgebungen (§ 15 EnEfG). Genau diese Allokation von Standort-Daten auf einzelne Nutzungen ist die methodische Kernleistung von NADIKI.

• Greenwashing- und Green-Claims-Regime: Wer mit Umwelteigenschaften wirbt, muss sie belastbar belegen können. Ein „nachhaltiges" KI-Modell ohne robuste, nachvollziehbare Messung ist damit nicht nur unglaubwürdig, sondern rechtlich angreifbar. Das macht eine Methodik wie NADIKI zur Voraussetzung dafür, überhaupt zulässige Umweltaussagen treffen zu können.

Das Gesamtbild: Die Regulierung schafft heute keine unmittelbare Pflicht zu einer KI-Umweltvollbilanz, aber einen wachsenden strukturellen Bedarf an standardisierten, nachvollziehbaren und zuordenbaren Umweltdaten. Kennzeichnung wird dadurch nicht rechtsverbindlich, aber wirtschaftlich zunehmend plausibel.

Fazit

Ein vergleichendes Umweltlabel für KI-Modelle ist ein richtiges langfristiges Ziel, das heute an fehlenden Daten scheitert. Der pragmatische erste Schritt ist ein Transparenz-Label, das die Qualität der Umweltmessung kennzeichnet — erfasst, standardisiert-offen und granular. Es schafft die Datengrundlage für spätere Vergleiche. Sowohl für die Inferenz als auch für ein nachhaltig trainiertes Modell (Environmental Impact Model Card) ist die Methodik vorhanden; NADIKI liefert sie.

Die eigentliche Hürde ist keine methodische, sondern eine der Anreize. Ob Transparenz den wahrgenommenen Wert eines KI-Dienstes steigert, und ob die regulatorischen Rahmenbedingungen Kennzeichnung von der Kür zur wirtschaftlichen Notwendigkeit machen, ist heute nicht abschließend beantwortet. Beides sind offene Forschungsfragen — und genau sie entscheiden darüber, ob aus der technischen Möglichkeit einer KI-Kennzeichnung auch eine gelebte Praxis wird. Solange die öffentliche Debatte beim Rechenzentrum stehen bleibt und das Modell selbst ausblendet, bleibt dieser Anreiz schwächer, als er sein müsste.