KI saugt das Stromnetz leer: Die Data-Center-Stromkrise, die unsere Energieinfrastruktur neu formt

Die Zahlen lügen nicht

Im Jahr 2023 verbrauchten Rechenzentren weltweit rund 460 Terawattstunden (TWh) Strom – etwa 2 % des globalen Gesamtstrombedarfs. Die Internationale Energieagentur prognostiziert, dass sich diese Zahl bis 2026 auf über 1.000 TWh jährlich verdoppeln wird, angetrieben fast ausschließlich durch KI-Training und Inference-Workloads. Zur Einordnung: 1.000 TWh sind mehr Strom als ganz Deutschland in einem Jahr verbraucht.

Ein einziger großer KI-Trainingsdurchlauf – wie er zur Entwicklung von Frontier-Modellen eingesetzt wird – kann 50 bis 100 Gigawattstunden (GWh) Strom verbrauchen. GPT-4 benötigte dafür schätzungsweise rund 50 GWh. Inference, also der Betrieb eines trainierten Modells zur Beantwortung von Anfragen, skaliert noch schneller: Bei Millionen aktiver Nutzer pro Tag pro großem KI-Produkt übersteigt der Energiebedarf für Inference inzwischen in vielen Hyperscaler-Einrichtungen den für Training.

Das Netz knickt bereits ein

PJM Interconnection, der größte Stromnetzbetreiber Nordamerikas mit 13 Bundesstaaten und Washington D.C., warnte 2024, dass der prognostizierte Strombedarf für das nächste Jahrzehnt im Vergleich zur Prognose von 2022 um 40 % gestiegen sei – vor allem aufgrund von Rechenzentren. In Northern Virginia, dem weltweit dichtesten Rechenzentrums-Cluster („Data Center Alley“), haben lokale Versorger für einige Umspannwerke Kapazitätsmoratorien verhängt, weil das Netz ohne jahrelange Infrastruktur-Upgrades schlicht keinen weiteren Strom liefern kann.

Irland, das europäische Rechenzentren von Google, Meta, Amazon und Microsoft beherbergt, verzeichnete 2023 einen Anteil von 21 % des gesamten nationalen Stromverbrauchs durch Data Center. Der irische Netzbetreiber EirGrid hat neue Anschlüsse im Großraum Dublin bis mindestens 2028 eingeschränkt. Singapur verhängte zwischen 2019 und 2022 aus denselben Gründen ein dreijähriges Moratorium für den Bau neuer Rechenzentren, das erst nach Zusicherungen für grüne Energie aufgehoben wurde.

Der Engpass liegt nicht allein in der Erzeugung – es sind Übertragungs- und Umspannkapazitäten. Der Bau einer neuen Hochspannungs-Umspannstation dauert in den USA wegen Genehmigungsverfahren, Engpässen in der Lieferkette für große Transformatoren und Koordination mit Versorgern 4–7 Jahre. KI-Infrastruktur wird in Monaten ausgerollt. Die Schere zwischen Nachfrage-Zeitplänen und Netzausbau-Zeitplänen ist der zentrale Stresspunkt dieser Krise.

Utility Partnerships: Ein neues industrielles Modell

Angesichts der Netzbeschränkungen umgehen Hyperscaler die traditionelle Stromversorger-Beschaffung und verhandeln direkt mit Stromproduzenten. Microsoft unterzeichnete 2023 mit Constellation Energy einen 20-jährigen Power Purchase Agreement (PPA) für die Wiederinbetriebnahme des stillgelegten Kernkraftwerks Three Mile Island Unit 1, das 2019 aus wirtschaftlichen Gründen abgeschaltet worden war. Der Vertrag wird auf über 3 Mrd. US-Dollar geschätzt und liefert rund 835 Megawatt (MW) kohlenstofffreien Grundlaststrom exklusiv für Microsofts Data Center.

Amazon wählte einen anderen Weg und erwarb einen Rechenzentrums-Campus direkt neben dem Kernkraftwerk Susquehanna in Pennsylvania, sicherte sich über eine Übertragungsleitung, die das öffentliche Netz komplett umgeht, eine dedizierte Stromversorgung von 960 MW. Google hat sich verpflichtet, Strom aus sechs nächsten Generation von Kernreaktoren zu kaufen, die von Kairos Power entwickelt werden, mit Inbetriebnahme zwischen 2030 und 2035 und insgesamt 500 MW.

Diese Deals markieren einen fundamentalen Wandel: Tech-Unternehmen werden Ankerkunden für Energieinfrastruktur – genauso wie Aluminiumhütten und Stahlwerke im 20. Jahrhundert industrielle Anker waren. Der Unterschied ist die Geschwindigkeit: Hyperscaler können Kapital zusagen und Verträge in Monaten abschließen, während Energieinfrastruktur Jahrzehnte für den Bau braucht.

Die nukleare Renaissance

Das Comeback der Kernenergie ist die folgenreichste Konsequenz des KI-Strombedarfs. In den USA war vor 2023 über zwei Jahrzehnte kein neues Kernkraftwerk ans Netz gegangen. Das ändert sich jetzt:

• Three Mile Island Unit 1 wird von Constellation Energy für Microsoft wieder hochgefahren, geplant für 2028.
• Vogtle Unit 3 und Unit 4 in Georgia gingen 2023 und 2024 ans Netz – die ersten neuen Reaktoren in den USA seit 30 Jahren – wobei die Data-Center-Nachfrage ein Schlüsselfaktor im Business Case von Southern Company war.
• Small Modular Reactors (SMRs) – fabrikgefertigte Reaktoren im 50–300‑MW-Bereich – erhalten Milliardeninvestitionen von Amazon, Google und Microsoft. NuScale, X‑energy und TerraPower sind die führenden Anbieter, doch NuScales erstes kommerzielles Projekt wurde 2023 nach Kostenüberschreitungen eingestellt – ein Zeichen, dass die Technologie noch nicht vollständig vom Risiko befreit ist.

Der Reiz der Kernkraft für Rechenzentren ist spezifisch: Sie liefert rund um die Uhr kohlenstofffreien Grundlaststrom, den Solar- und Windkraft ohne massive Batteriespeicher nicht bieten können. Ein Rechenzentrum mit großen KI-Inference-Workloads verträgt keine intermittierende Stromversorgung – jede Millisekunde Ausfall hat nutzerseitige Kosten. Kernkraft bietet das Zuverlässigkeitsprofil, das KI-Betriebe benötigen.

Was Effizienzsteigerungen leisten – und was nicht

Das Standard-Gegenargument der Branche gegen die Stromkrise ist die Effizienzverbesserung. NVIDIA's H100 GPU liefert im Vergleich zur A100 von vor vier Jahren etwa die 30‑fache KI-Inference-Leistung pro Watt. Flüssigkeitskühlung, die inzwischen in den meisten neuen Hyperscale-KI-Data-Centern zum Einsatz kommt, ermöglicht Wärmedichten von über 100 kW pro Rack gegenüber 15–20 kW bei luftgekühlten Einrichtungen – mehr Rechenleistung in weniger physischer und strombezogener Infrastruktur.

Aber das Jevons-Paradox wirkt in vollem Umfang: Effizienzgewinne werden vollständig vom Nachfragewachstum aufgefressen. Wenn Inference pro Query billiger wird, explodiert die Zahl der Queries. Wenn Training effizienter wird, trainieren Forscher häufiger und größere Modelle. Der Netto-Energieverbrauch steigt steil an, unabhängig von Effizienzverbesserungen pro Einheit.

Anthropic, OpenAI, Google DeepMind und Meta haben alle innerhalb von 12–18 Monaten Modelle ausgerollt oder angekündigt, die größer sind als ihre Vorgänger. Jede Generation benötigt mehr Rechenleistung fürs Training, selbst wenn Inference günstiger wird. Das Effizienzargument ist real, aber als alleinige Lösung unzureichend.

Was als Nächstes kommt: Drei Szenarien

Die Data-Center-Stromkrise wird sich entlang einer von drei Bahnen auflösen – oder wahrscheinlich einer Kombination aller drei:

• Geografische Neuverteilung: Rechenzentren wandern in Regionen mit überschüssiger Stromkapazität – den amerikanischen Südwesten (Wind und Solar), Quebec (Wasserkraft), Skandinavien (Wasser und Geothermie) und schließlich Subsahara-Afrika (ungenutzte Wasserkraftkapazität). Das passiert bereits: Microsoft eröffnete einen 500‑MW-Rechenzentrums-Campus in Quincy, Washington, speziell wegen der Wasserkraftanbindung.
• Nachfrageseitige Flexibilität: KI-Trainings-Workloads – anders als Inference – sind zeitlich verschiebbar. Ein Modell-Trainingslauf kann in Schwachlastzeiten des Netzes oder bei Überschuss erneuerbarer Erzeugung geplant werden. Google und DeepMind haben bereits ML-Systeme eingesetzt, die nicht dringende Berechnungen in kohlenstoffarme Netzfester verschieben, um die CO₂-Intensität zu senken, ohne den Durchsatz zu reduzieren.
• Neue Erzeugung in großem Maßstab: Jenseits der Kernkraft bleibt Fusion eine langfristige Option, erhält aber ernstzunehmende Kapitalzuflüsse – Commonwealth Fusion Systems sammelte 2021 1,8 Mrd. Dollar ein und strebt einen Demonstrationsreaktor bis 2025 an. Kurzfristiger sind Offshore-Windprojekte, die speziell für die Stromversorgung von Rechenzentren vorgesehen sind, in der Genehmigungsphase in der Nordsee und vor der US-Ostküste.

Praktische Erkenntnisse

Für Infrastrukturteams, Investoren und politische Entscheidungsträger sind die handfesten Schlussfolgerungen aus dieser Krise konkret:

• Stromverfügbarkeit ist das neue Land: Die Standortwahl für Data Center beginnt jetzt mit der Netzkapazitätsanalyse, nicht mit Geografie oder Glasfaserstrecken. Regionen, die 500 MW und mehr zuverlässigen Strom liefern können, werden im nächsten Jahrzehnt überproportional Investitionen anziehen.
• Nukleare PPAs werden an Wert gewinnen: Langfristige Stromabnahmeverträge (Power Purchase Agreements) mit Kernkraftwerksbetreibern sind im Verhältnis zu ihrem Wert unterbewertet. Unternehmen, die 2023–2024 20‑jährige nukleare PPAs abgeschlossen haben, haben einen strukturellen Kostenvorteil gegenüber Wettbewerbern, die bis in die 2030er-Jahre auf Spotstrommärkte angewiesen sind.
• Netzausbau-Zeitpläne sind eine harte Grenze: Kein Kapitaleinsatz kann eine 6‑jährige Genehmigungsdauer für ein Umspannwerk auf 18 Monate komprimieren, ohne regulatorische Reformen. Lobbyarbeit für Genehmigungsreformen – bereits durch die Data Center Coalition und ähnliche Gruppen – wird kurzfristig mehr Wirkung entfalten als jede Technologieinvestition.
• Das SMR-Risiko ist real: Small Modular Reactors sind keine kurzfristige Lösung. Die früheste glaubwürdige kommerzielle Inbetriebnahme ist 2030, und die Kostenunsicherheit bleibt hoch. Unternehmen, die SMRs als primäre Stromstrategie für den Zeitraum 2026–2029 setzen, tragen erhebliches Ausführungsrisiko.