Warum KI nicht nur Strom, sondern auch Metalle frisst

Die am 7. Mai 2026 in Communications Earth & Environment veröffentlichte Studie zur Materiallast von KI zeigt: Wer über den Ressourcenhunger großer Modelle spricht, darf nicht bei Strom und Wasser stehenbleiben. Schon das Training eines Frontier-Modells bindet tausende Hochleistungs-GPUs – und damit Kupfer, Gold, Nickel, Zinn und eine lange Liste weiterer Rohstoffe, die bisher in der Nachhaltigkeitsdebatte meist unsichtbar bleiben.

Die Klimadebatte über KI ist bisher zu bequem geführt

Wenn über den ökologischen Preis künstlicher Intelligenz gesprochen wird, fallen fast immer dieselben Begriffe: Stromverbrauch, Rechenzentren, Wasser für Kühlung, vielleicht noch CO2-Emissionen. Das alles ist relevant, aber es blendet einen unangenehmen Teil der Wahrheit aus. Ein großes Sprachmodell entsteht nicht in einem rein digitalen Raum. Es braucht tausende physische Beschleunigerkarten, Leiterplatten, Kühlkörper, Lötstellen, Steckverbindungen und vor allem Rohstoffe, die gefördert, verarbeitet und verbaut werden müssen. Genau diese unsichtbare materielle Seite nimmt die am 7. Mai 2026 in Communications Earth & Environment veröffentlichte Studie From computation to environmental cost: the resource burden of artificial intelligence in den Blick.

Der Punkt ist nicht bloß, dass auch Chips aus Materie bestehen. Interessant ist, wie groß dieser blinde Fleck inzwischen geworden ist. Je stärker sich die öffentliche Debatte auf immer größere Modelle, immer mehr Tokens und immer mehr Rechenleistung fokussiert, desto leichter wirkt KI wie ein Problem aus Steckdosen und Strommärkten. Die neue Arbeit dreht die Perspektive: Sie fragt nicht nur, wie viel Energie ein Modelltraining braucht, sondern welche Stoffströme überhaupt vorausgesetzt werden, damit dieses Training stattfinden kann. Damit wird sichtbar, dass der Ressourcenhunger der KI nicht erst im laufenden Betrieb beginnt, sondern schon im Silizium, im Kupfer und in den Edelmetallen der Hardware steckt.

Was die Studie konkret gemacht hat

Die Autorinnen und Autoren kombinieren mehrere Ebenen, die sonst meist getrennt betrachtet werden. Erstens nehmen sie einen konkreten Hochleistungsbeschleuniger auseinander, den NVIDIA-A100-GPU-Beschleuniger, der für viele bekannte Trainingsläufe großer Modelle als Referenzhardware gilt. Zweitens erfassen sie die Materialzusammensetzung dieses Systems anhand von 32 Elementen. Drittens verknüpfen sie diese Materialdaten mit bekannten oder rekonstruierten Rechenaufwänden großer KI-Modelle. Daraus leiten sie ab, wie viele GPUs für verschiedene Frontier-Trainingsläufe nötig gewesen sein dürften und welche Materialmengen damit verbunden waren.

Methodisch ist das eine Modellierungs- und Bilanzierungsstudie, keine direkte Messung jeder einzelnen Lieferkette. Gerade deshalb ist sie für die Debatte nützlich: Sie schafft erstmals eine systematische Brücke zwischen abstrakten FLOP-Zahlen und konkreten Stoffmengen. Für neun große Modelle schätzt das Team zusammen einen Materialeinsatz von rund 6.640 Kilogramm auf Basis der analysierten Komponenten. Davon entfallen laut Studie etwa 6.175 Kilogramm auf Metalle, darunter große Mengen an Kupfer und Nickel, aber auch Zinn, Silber und Gold in kleineren, strategisch wichtigen Anteilen. Für GPT-4 rechnen die Forschenden – je nach angenommener Lebensdauer der Hardware – mit einem Bedarf von grob 1.760 bis 8.800 A100-Einheiten. Ein mittleres Basisszenario landet bei 2.515 GPUs und rund 3.750 Kilogramm analysierter Materialien allein für das Training dieses einen Modells.

Warum gerade diese Zahlen politisch und wirtschaftlich brisant sind

Auf den ersten Blick klingt ein paar Tonnen Material für die digitale Wirtschaft fast unspektakulär. Genau das wäre aber die falsche Schlussfolgerung. Erstens geht es hier nicht um einen kompletten globalen KI-Boom, sondern nur um einen Ausschnitt: das Training einiger weniger Frontier-Modelle und nur auf Basis bestimmter analysierter Hardwarekomponenten. Zweitens sind es nicht irgendwelche Massenmaterialien, sondern hochwertige industrielle Bauteile mit komplexen Lieferketten. Wer tausende Beschleunigerkarten baut, braucht nicht nur Strom, sondern hochspezialisierte Fertigung, Raffination und Transport. Der ökologische und geopolitische Druck hängt also nicht allein an Kilogrammzahlen, sondern an der Qualität dieser Materialabhängigkeit.

Genau hier wird sichtbar, warum die Studie gut in die Kategorie KI & Daten passt und nicht bloß in Energie oder Technologie. Sie handelt von einem Grundproblem datengetriebener Forschung: Rechenleistung wirkt in Statistiken oft entmaterialisiert, als wäre sie bloß eine variable Zahl in Benchmarks. In Wirklichkeit verschiebt jeder neue Trainingssprung die Nachfrage nach physischer Infrastruktur. Das betrifft den Bau von Rechenzentren, aber eben auch die Hardware selbst. Die Studie zwingt die Debatte deshalb weg von der bequemen Formel „mehr Effizienz pro Watt“ hin zur schwierigeren Frage, welche materiellen Grenzen ein KI-System von Anfang an mit sich trägt.

Was die Arbeit wirklich zeigt und was sie gerade nicht zeigt

Die Stärke der Studie liegt in ihrer Übersetzungsleistung. Sie macht aus einer oft abstrakten Diskussion über Modellgrößen eine überprüfbare Ressourcenfrage. Statt nur Emissionen zu schätzen, schaut sie in das physische Innere des Rechenapparats. Das ist wissenschaftlich wertvoll, weil Nachhaltigkeitsdebatten in der KI oft an der Energieperspektive hängen bleiben. Wer aber nur Strom misst, unterschätzt systematisch die vorgelagerten Umweltlasten von Förderung, Verarbeitung und Hardwareproduktion. Der große Verdienst der Arbeit ist also nicht, eine perfekte Gesamtzahl zu liefern, sondern den Rahmen der Debatte zu korrigieren.

Die wichtigste Grenze der Studie ist allerdings genauso klar. Untersucht wurde im Kern eine A100-basierte Materialreferenz, nicht die vollständige reale Hardwaremischung jedes Trainingslaufs. Andere Beschleuniger, Mainboards, Netzwerke, Speicher, Kühltechnik und Gebäudestrukturen sind damit nicht vollständig erfasst. Auch viele Modellangaben zu Trainingsaufwand und Hardwareeinsatz müssen aus öffentlich bekannten Daten, plausiblen Annahmen oder Rekonstruktionen abgeleitet werden, weil Frontier-Unternehmen ihre Infrastruktur nicht vollständig offenlegen. Das heißt: Die präsentierten Zahlen sind eher belastbare Untergrenzen oder Ordnungsgrößen als exakte Inventuren jedes einzelnen Systems.

Erlaubt ist deshalb der Schluss, dass die materielle Last von KI-Training bisher deutlich unterschätzt wurde. Übertrieben wäre dagegen die Behauptung, die Studie habe nun den vollständigen ökologischen Preis künstlicher Intelligenz endgültig ausgerechnet. Sie zeigt auch nicht, dass jede Form von KI zwangsläufig ökologisch unvertretbar ist. Kleine Modelle, längere Hardwarelaufzeiten, effizientere Trainingsmethoden und sinnvoll begrenzte Anwendungen könnten die Bilanz deutlich verändern. Der Befund lautet also nicht „KI ist per se unhaltbar“, sondern: Wer ihre Nachhaltigkeit bewerten will, muss die Rohstoffseite mitrechnen.

Warum gerade die Lebensdauer der Hardware eine Schlüsselfrage ist

Besonders interessant ist, wie stark die Ergebnisse davon abhängen, wie lange GPUs tatsächlich im Einsatz bleiben. Wenn ein Trainingsökosystem Hardware sehr kurz nutzt und schnell durch neue Generationen ersetzt, verteilt sich die materielle Last auf weniger Output und die Ressourcenintensität pro Modell steigt. Wenn Beschleuniger länger laufen, mehrfach genutzt und nicht schon nach dem nächsten Benchmark-Sprung abgeschrieben werden, verändert sich die Rechnung erheblich. Die Studie macht damit einen blinden Fleck der aktuellen KI-Industrie sichtbar: Nicht nur algorithmische Effizienz zählt, sondern auch eine Kultur der Hardware-Nutzung.

Das klingt technischer, als es ist. In Wahrheit berührt es eine wirtschaftliche Grundsatzfrage. Ein Feld, das seine Fortschritte fast ausschließlich über Größe, Tempo und Skalierung definiert, erzeugt systematisch Anreize für schnellen Hardwareumschlag. Genau deshalb ist die Arbeit mehr als eine Materialliste. Sie hält der Branche einen Spiegel vor. Wenn sich Fortschritt nur noch über immer größere Trainingsläufe ausdrückt, werden Rohstoffe zur stillen Vorleistung dieser Fortschrittserzählung. Sichtbar wird dann nicht nur ein Umweltproblem, sondern auch ein Governance-Problem: Welche Offenlegungspflichten sollten Unternehmen haben, wenn ihre Modelle erhebliche Stoffströme mobilisieren?

Die eigentliche Pointe liegt nicht im Metall, sondern im Denkfehler

Die Studie ist am Ende weniger deshalb stark, weil sie eine spektakuläre Schockzahl liefert, sondern weil sie einen Denkfehler präzise markiert. Digitale Systeme gelten kulturell oft als leicht, sauber und entkoppelt von materiellen Grenzen. Das war schon beim Cloud-Mythos irreführend. Bei generativer KI wird es endgültig unhaltbar. Ein Modell ist kein schwebendes Wissensobjekt, sondern ein verdichtetes Industrieprodukt aus Rechenzeit, Lieferketten und Hardware. Wer über verantwortliche KI spricht, muss deshalb nicht nur nach Bias, Urheberrecht und Energiehunger fragen, sondern auch nach Metall, Fertigung und Lebensdauer.

Genau deshalb ist diese heute veröffentlichte Arbeit mehr als ein Randbeitrag zur Umweltforschung. Sie verschiebt die Frage, was wir unter KI-Kosten überhaupt verstehen sollten. Das bedeutet nicht, dass jedes große Modell nun moralisch disqualifiziert wäre. Es bedeutet aber, dass die Debatte präziser werden muss. Stromverbrauch allein erzählt nur die halbe Geschichte. Die andere Hälfte liegt in den Karten, die in Serverracks stecken, lange bevor ein Modell sein erstes Wort erzeugt.