Mit KI Schritt halten – ohne die eigenen Nachhaltigkeitswerte zu verraten

Bei SwissTechNova verfolgen wir zwei Ambitionen, die sich gegenseitig stärken sollten.

Wir wollen verantwortungsvolle und nachhaltige Entwicklung fördern. Und wir wollen Innovationspartner sein – und Organisationen dabei helfen, neue Technologien in echten Mehrwert für Unternehmen und Gesellschaft umzuwandeln.

Künstliche Intelligenz hat uns gezwungen, zu hinterfragen, wo diese Ziele miteinander in Konflikt geraten können. Nicht nur theoretisch – sondern ganz konkret in unserer eigenen Arbeit.

In den vergangenen Monaten haben wir funktionale Anwendungen entwickelt – mit No-Code-Plattformen in Kombination mit LLM-basierter Unterstützung.

Eine davon ist ein Projektportfolio-Management-Tool, das am SIA-Projektrahmen ausgerichtet ist und die Transparenz über Projekte, Phasen, Prioritäten und Ressourcen verbessern soll.

Die andere ist Business Scout, ein Business-Intelligence-Demonstrationstool, das untersucht, wie fragmentierte Geschäftsinformationen strukturiert und leichter interpretierbar gemacht werden können.

SwissTechNovas funktionale Projektportfolio-Management-Anwendung, entwickelt mit No-Code-Tools und LLM-gestützter Entwicklung, ausgerichtet am SIA-orientierten Projektrahmen.

Business Scout – eine funktionale Demonstration, die zeigt, wie No-Code-Entwicklung und LLM-Unterstützung Business Intelligence zugänglicher machen können.

Was uns überraschte, war nicht nur das, was diese Tools leisten können. Es war die Geschwindigkeit, mit der jemand mit Fachkenntnis von einem operativen Problem zu einer funktionierenden Anwendung gelangen kann.

Ein LLM kann dabei helfen, eine Datenbankstruktur durchzudenken, einen Automatisierungsfehler zu diagnostizieren, Ausdrücke zu formulieren, Code zu generieren, Randfälle zu analysieren, eine Schnittstelle zu verbessern oder alternative Implementierungen vorzuschlagen. No-Code-Plattformen reduzieren dann die verbleibende Entwicklungshürde erheblich.

Das ist aussergewöhnlich. Und genau das hat eine unbequeme Frage aufgeworfen:

Wenn die Erstellung und Nutzung von Rechenkapazität so einfach wird – welche physischen Ressourcen stecken dahinter, und wann ist dieser Verbrauch gerechtfertigt?

Wenn die technische Hürde zur Erzeugung von mehr Rechenleistung verschwindet, müssen wir sie vielleicht durch eine andere Form der Disziplin ersetzen: Zweckgebundenheit.

KI wirkt virtuell. Ihre Infrastruktur ist es nicht.

Ein Prompt erscheint nahezu gewichtlos. Wir tippen eine Anfrage. Sekunden später erscheint eine Antwort.

Doch der Prozess basiert auf physischer Infrastruktur: Prozessoren, Server, Rechenzentren, Stromnetze, Kühlsysteme, Wasser, Gebäude, Halbleiterfertigung und materielle Lieferketten.

Die Internationale Energieagentur (IEA) prognostiziert, dass der globale Stromverbrauch von Rechenzentren im Basisszenario auf rund 945 TWh bis 2030 mehr als verdoppeln wird. KI ist der wichtigste Treiber dieses Anstiegs, obwohl Rechenzentren damit immer noch knapp 3 % des gesamten globalen Strombedarfs ausmachen würden.

Jüngere Forschungsarbeiten warnen zudem davor, den Fussabdruck von KI auf Strom zu reduzieren. Ein Review in der Fachzeitschrift Nature Reviews Clean Technology von 2026 untersucht den operativen Energie-, Kohlenstoff-, Süsswasser- und eingebetteten Infrastrukturverbrauch und weist dabei auf Zielkonflikte hin – so können Massnahmen zur Senkung des Wasserverbrauchs unter bestimmten Umständen die CO₂-Emissionen erhöhen.

KI ist also nicht das globale Nachhaltigkeitsproblem schlechthin. Aber digitale Aktivitäten sind auch nicht ohne materiellen Einfluss.

Warum unser eigener KI-Fussabdruck so schwer zu berechnen ist

Angenommen, unsere Anwendungen lösen in einem Monat 10.000 LLM-Anfragen aus.

Wie viel Strom haben sie verbraucht? Wie viel CO₂ war mit diesem Strom verbunden? Wo wurde die Berechnung durchgeführt? Wie viel Kühlwasser wurde benötigt? Welcher Anteil des Fertigungsaufwands der Server und Beschleuniger entfällt auf diese Anfragen?

Bei kommerziellen KI-Diensten können wir diese Fragen oft nicht präzise beantworten. Nutzer kennen in der Regel nicht die gesamte zugrundeliegende Hardware, Auslastung, Batchverarbeitung, den Standort des Rechenzentrums, den Strommix oder die Kühlbedingungen.

Selbst der Begriff des Umwelteinflusses von „einem Prompt" ist problematisch. Eine Studie in Joule aus dem Jahr 2026 schätzte unter ihren Basisannahmen rund 0,31 Wh für eine konventionelle Inferenzanfrage auf Frontier-Niveau – stellte aber auch fest, dass aufwändige Reasoning-Anfragen etwa dreizehnmal so viel Energie verbrauchen können.

Die konkrete Zahl ist weniger wichtig als die Erkenntnis: Ein Prompt ist keine standardisierte Recheneinheit. Eine Anfrage zur Klassifizierung eines Satzes, zur Bilderzeugung und zum Betrieb eines autonomen Reasoning-Agenten kann sehr unterschiedliche Rechenprofile aufweisen.

Für das interne Management unterscheiden wir daher vier Ebenen:

• Gemessen – direkt beobachtet.
• Vom Anbieter gemeldet – vom Dienstleister offengelegt.
• Geschätzt – abgeleitet anhand transparenter Annahmen.
• Unbekannt – derzeit nicht mit vertretbarer Sicherheit feststellbar.

Ökologische Verantwortung darf keine falsche Präzision erfordern.

Das tiefere Problem: Effizienz reduziert den Gesamtverbrauch nicht zwingend

Diese Frage hängt mit einem viel älteren Thema aus Energie- und Wirtschaftswissenschaften zusammen.

Die wirtschaftliche Produktion ist im Laufe der Zeit deutlich weniger energieintensiv geworden. Es wäre falsch zu behaupten, dass BIP und Energienachfrage nach wie vor mechanisch miteinander verknüpft sind.

Der IEA-Review von 2026 veranschaulicht eine echte relative Entkopplung: Das globale BIP wuchs 2025 um rund 3,1 %, während die Energienachfrage um 1,3 % und die energiebezogenen CO₂-Emissionen um rund 0,4 % stiegen.

Das ist echter Fortschritt. Aber der Energieverbrauch stieg trotzdem. Die Emissionen stiegen trotzdem.

Und über einen längeren Zeitraum berichtet das UNEP, dass die globale Rohstoffgewinnung in den vergangenen fünf Jahrzehnten auf das Dreifache gestiegen ist. Ohne nennenswerte Veränderungen könnte sie bis 2060 gegenüber dem Stand von 2020 um weitere 60 % zunehmen.

Deshalb müssen relative Effizienz und absoluter Verbrauch klar unterschieden werden.

Dasselbe gilt für KI. Angenommen, die Rechenleistung wird doppelt so effizient. Das ist gutes Engineering. Doch günstigere Rechenleistung macht auch zusätzliche Anwendungen wirtschaftlich tragfähig. Mehr Anwendungen erzeugen mehr Nachfrage. Eine grössere Nachfrage erhöht die Infrastrukturauslastung und kann schliesslich den Aufbau zusätzlicher Kapazitäten rechtfertigen.

Die Kette kann lauten: höhere Effizienz → niedrigere Kosten → mehr Anwendungen → mehr Nachfrage → höhere Auslastung → zusätzliche Kapazitäten.

Dies hängt mit dem Rebound-Effekt zusammen und in seiner stärksten Form mit dem Jevons-Paradoxon. Es wäre falsch zu behaupten, dass Effizienz den Gesamtverbrauch immer erhöht. Der Rebound-Effekt variiert je nach Sektor, Technologie, Preis und Verhalten.

Die vertretbare Schlussfolgerung ist nützlicher:

Effizienz kann den Ressourcenverbrauch pro Einheit senken, ohne den gesamten Ressourcenverbrauch zu reduzieren – wenn die Nachfrage schneller wächst als die Effizienz sich verbessert.

Diese Unterscheidung sollte für die KI-Strategie von enormer Bedeutung sein.

Unsere eigenen Anwendungen verdeutlichen das Problem

Stellen wir uns vor, wir halbieren die Rechenkosten einer Analyse in Business Scout. Wir haben sie effizienter gemacht. Doch nun könnten wir uns entscheiden, zehnmal mehr Analysen durchzuführen. Oder sie stündlich zu aktualisieren. Oder fünf Interpretationen statt einer zu liefern. Oder sie automatisch über jedes Geschäftssegment hinweg auszuführen.

Ebenso: Sobald es einfach ist, einem Projektmanagement-Tool eine KI-Funktion hinzuzufügen, können wir Projektzusammenfassungen, Risikoerkennung, Meeting-Vorbereitung, Dokumentenextraktion, Prognosen und schliesslich autonomes Monitoring ergänzen.

Jede einzelne Funktion mag effizient sein. Die gesamte Rechenaktivität kann trotzdem steigen.

Das bedeutet nicht, dass diese Funktionen nicht existieren sollten. Es bedeutet, dass jede zusätzliche Ebene ihren Platz rechtfertigen muss.

Effizienz und Suffizienz

Effizienz fragt: Wie können wir eine Dienstleistungseinheit mit weniger Ressourcen erbringen?

Suffizienz fragt: Wie viel von dieser Leistung benötigen wir tatsächlich?

Technologiepolitik konzentriert sich in der Regel auf die erste Frage. Nachhaltigkeit erfordert beide.

Ein Unternehmen kann ausserordentlich effizient darin werden, etwas herzustellen, das niemand wirklich braucht.

Das führt uns zu einer zweiten Verzerrung: dem Preis.

Günstige Rechenleistung spiegelt möglicherweise nicht ihre vollen Kosten wider

Angenommen, ein KI-Vorgang kostet CHF 0.01. Wenn er mehr als CHF 0.01 an geschäftlichem Mehrwert schafft, erscheint es wirtschaftlich sinnvoll, ihn auszuführen.

Doch der Preis des Anbieters schliesst nicht zwingend alle Umweltfolgen ein. Ökonomen bezeichnen Auswirkungen, die im Transaktionspreis nicht vollständig berücksichtigt sind, als externe Effekte.

Die CO₂-Bepreisung versucht, dieses Problem teilweise zu lösen. Doch CO₂-Steuern, ETS-Zertifikate, Emissionsgutschriften und die sozialen Kosten des Klimawandels sind nicht gleichzusetzen.

Die Weltbank berichtet, dass die direkte CO₂-Bepreisung mittlerweile etwas mehr als 29 % der globalen Treibhausgasemissionen abdeckt, mit einem durchschnittlichen Direktpreis von rund USD 21/tCO₂e.

Dieser Markt- oder Regulierungspreis sollte nicht mit den vollständigen langfristigen Kosten von Klimaschäden verwechselt werden – und erst recht nicht mit den Kosten von Wasserknappheit, Auswirkungen auf die Biodiversität oder Materialerschöpfung.

Ein vertretbareres Unternehmensinstrument ist daher ein interner Schattenpreis für Umweltkosten. Die Weltbank selbst verwendet interne Schatten-CO₂-Preise bei der Wirtschaftsanalyse relevanter Investitionsprojekte, um Klimafolgen einzubeziehen, die eine normale Finanzanalyse sonst übersehen würde.

Für KI könnte eine vereinfachte Berechnung lauten:

Geschätzter Energieverbrauch × CO₂-Intensität des Stroms = geschätztes CO₂e

dann:

Geschätztes CO₂e × interner Schatten-CO₂-Preis = geschätzte Klimakosten

Das Ziel ist nicht, den «wahren Preis der Natur» zu ermitteln. Es geht darum zu prüfen, ob eine Entscheidung attraktiv bleibt, wenn einige Umwelt-Externalitäten nicht mehr als kostenfrei behandelt werden.

Rechnen Sie mit mehreren Szenarien. Wenn eine Anwendung auch bei einem deutlich höheren CO₂-Preis wertvoll bleibt, ist das eine nützliche Information. Wenn ihr Geschäftsmodell zusammenbricht, sobald Umweltkosten sichtbar werden, ist auch das eine nützliche Information.

Wasser, Materialien und Biodiversität sollten in der Regel als separate Indikatoren behandelt werden, sofern keine robuste Methodik zu ihrer Monetarisierung existiert. Falsche Vergleichbarkeit ist keine bessere Rechnungslegung.

KI muss ihre Ressourcenkosten verdienen

Unser Arbeitsgrundsatz lautet daher:

Verwende die ressourcenschonendste Methode, die das erforderliche Ergebnis zuverlässig liefert – und verlange, dass zusätzliche Rechenleistung durch zusätzlichen Mehrwert gerechtfertigt wird.

Das bedeutet nicht, immer das kleinste Modell zu wählen. Ein leichtes Modell, das zehn Versuche und erhebliche manuelle Korrekturen erfordert, kann schlechter sein als ein leistungsfähigeres Modell, das beim ersten Anlauf erfolgreich ist.

Die bessere Kennzahl ist: Ressourcen pro nützlichem, zuverlässigem Ergebnis.

Das führt zu einer praktischen Entscheidungsabfolge.

Vermeiden → Ersetzen → Minimieren → Messen → Bepreisen → Optimieren → Begründen

• Vermeiden. Braucht die Aufgabe überhaupt KI? Eine Formel, Datenbankabfrage, deterministische Automatisierung, BIM-Funktion, Checkliste oder fachliches Urteilsvermögen kann besser geeignet sein.
• Ersetzen. Wenn KI sinnvoll ist: Was ist das ressourcenschonendste Modell oder System, das den erforderlichen Qualitätsschwellenwert erfüllt?
• Minimieren. Redundante Generierungen, übermässige Ausgaben, unnötige Validierungen, Wiederholungsversuche und autonome Schleifen einschränken. Stabile Ergebnisse cachen.
• Messen. Modelle, Anfragen, Token, automatisierte Aufrufe, finanzielle Kosten und geschätzte Umweltkennzahlen erfassen.
• Bepreisen. Schattenkosten-Szenarien anwenden, wo eine glaubwürdige Bewertung möglich ist.
• Optimieren. Konventionelle, leichtgewichtige KI-, fortschrittliche KI- und hybride Mensch/KI-Workflows vergleichen.
• Begründen. Fragen, welchen messbaren Mehrwert die Rechenleistung tatsächlich geschaffen hat.

Für unser Projektportfolio-Tool könnte das bedeuten: eingesparte Verwaltungszeit, früher erkannte Risiken, weniger Inkonsistenzen in Berichten oder bessere Ressourcenallokation. Für Business Scout: schneller identifizierte Informationen oder besser fundierte Entscheidungen.

Diese Disziplin prägt auch die Art, wie die Tools entwickelt werden. In Business Scout haben wir beispielsweise bewusst einen deterministischen Algorithmus eingebettet, der zunächst nur einige priorisierte Themen in die engere Auswahl bringt, bevor ein Sprachmodell zum Einsatz kommt. Das LLM wird dann nur auf diese Vorauswahl angewendet – was die Datenmenge, die das Modell verarbeiten muss, erheblich reduziert und es für den Schritt reserviert, wo es echten Mehrwert schafft.

Zeit zu sparen ist ein legitimer Produktivitätsvorteil. Er sollte aber nicht automatisch als Umweltvorteil umgedeutet werden.

Praktische Hilfsmittel

Verschiedene Ressourcen können Organisationen helfen, über blosses Schätzen hinauszukommen.

EcoLogits modelliert Umweltauswirkungen von Generative-AI-Inferenz, einschliesslich Nutzungs- und eingebetteter Komponenten, und ist besonders nützlich, wenn eine direkte Messung entfernter APIs nicht möglich ist.

ML.ENERGY veröffentlicht gemessene Modell-Benchmarks, einschliesslich Energie pro Token und pro Antwort – nützlich beim Vergleich von Konfigurationen, anstatt davon auszugehen, dass allein die Modellgrösse die Effizienz bestimmt.

CodeCarbon erfasst energiebezogene Emissionen für Berechnungen auf selbst kontrollierten Hardware-Systemen und verweist Nutzer von Remote-GenAI-APIs auf EcoLogits.

Green Algorithms bietet einen etablierten Rechner und eine Methodik zur CO₂-Abschätzung von Berechnungen.

Electricity Maps ergänzt geografisch und zeitlich differenzierte CO₂-Intensitäten des Stroms, einschliesslich unterstützter Rechenzentrumsanbieter- und Regionsparameter.

World Bank Carbon Pricing bietet Kontext zu CO₂-Steuern, Emissionshandelssystemen und Gutschriftensystemen.

Von effizienter KI zu bewusstem Computing

Es gibt wahrscheinlich keine universelle Anzahl von Prompts oder Wattstunden, ab der KI plötzlich «nachhaltig» wird. Ein nützlicheres Ziel ist bewusstes Computing.

Bevor ein KI-Workflow skaliert wird, sollte man fragen:

• Welches Problem löst er?
• Was ist die realistische Alternative?
• Was passiert, wenn ihn alle nutzen?
• Was passiert, wenn eine menschliche Aktion zwanzig maschinelle Aktionen auslöst?
• Welche Ressourcen können wir messen?
• Was bleibt ungewiss?
• Welche Umweltkosten fehlen im heutigen Preis?

Und am wichtigsten: Ist das Ergebnis wertvoll genug, um diese Ressourcen zu rechtfertigen?

Für uns ist das kein Argument gegen KI. Die Erfahrung, unsere eigenen Tools zu entwickeln, hat bestätigt, wie leistungsfähig diese Technologie ist. Doch Innovation sollte Mittel bleiben, nicht Selbstzweck.

Manchmal wird die richtige Wahl ein leistungsstarkes Modell sein. Manchmal ein kleineres. Manchmal konventionelle Software. Und manchmal ist die technologisch ausgereifteste Entscheidung: Das nicht berechnen.

Das ist für uns das Wesen von Innovation im Dienst der Gesellschaft.

KI-Nachhaltigkeits-Checkliste

Vor der Freigabe oder Skalierung eines KI-Workflows:

Abschliessender Test:

Wenn diese Berechnung weniger künstlich günstig wäre – oder wenn alle sie in grossem Massstab durchführten – würden wir sie immer noch für sinnvoll halten?

Möchten Sie das Projektportfolio-Tool testen?

Die Anwendungen, die diese Reflexion ausgelöst haben, sind funktional – keine konzeptuellen Mock-ups. Business Scout bleibt eine Demonstrationsumgebung. Beim Projektportfolio-Management-Tool möchten wir einen Schritt weitergehen und echte Nutzer in das Experiment einladen.

Wir öffnen den Testzugang für eine erste Nutzergruppe und interessieren uns besonders dafür, was Tester als wirklich nützlich erachten, was deterministisch bleiben sollte und wo KI genug Mehrwert schafft, um ihre Einbindung zu rechtfertigen. Diese Diskussion ist Teil des Experiments.