KI-Agenten: 136 Mal höherer Energieverbrauch als normale Modelle
06.07.2026 - 00:05:28 | boerse-global.de
Während Unternehmen weltweit von einfachen generativen KI-Modellen zu autonomen Agenten übergehen, die selbstständig Machine-Learning-Operationen steuern, zeichnet sich ein neues Problem ab: Die Energiekosten und der Ressourcenverbrauch dieser Systeme geraten außer Kontrolle.
Agenten übernehmen die Kontrolle
Die jüngsten Entwicklungen zeigen einen klaren Trend: KI-Agenten werden zunehmend als aktive Operateure in Machine-Learning-Umgebungen eingesetzt. Entwickler nutzen dabei verstärkt das Model Context Protocol (MCP), um KI-Agenten in echte Infrastruktur-Manager zu verwandeln. Mit Tools wie Baseten MCP können diese Agenten komplexe Aufgaben übernehmen – von der Überwachung von Deployments bis zur Ausführung von Vorhersagen mit echten Daten.
Die Sicherheitsbedenken sind dabei nicht vernachlässigt. Moderne Implementierungen erlauben es Agenten etwa, Secret-Namen aufzulisten, ohne die tatsächlichen Klartextwerte preiszugeben. Google Cloud hat zudem seine VPC Service Controls aktualisiert und bietet nun spezielle Perimeter-Guardrails für agentische KI. Administratoren können damit tool-spezifische Richtlinien durchsetzen – basierend auf bestimmten Methoden oder dem Read-Only-Status.
Auch das Training dieser Agenten wird anspruchsvoller. Forscher der Carnegie Mellon University stellten Anfang Juli eine Pipeline namens Gym-Anything vor. Das System verwandelt unterschiedlichste Softwareanwendungen in Trainingsumgebungen für KI-Agenten. Ein Dual-Agent-Ansatz kommt zum Einsatz: Ein Agent konfiguriert die Software, ein zweiter prüft die Umgebung. So entsteht eine riesige Aufgabenbibliothek, die Hunderte von Anwendungen umfasst.
Governance und die Kosten der Autonomie
Die wachsende Komplexität agentischer Systeme treibt die Betriebskosten in die Höhe. Große Konzerne reagieren mit strengen finanziellen Kontrollen. Tesla führt ab dem 6. Juli 2026 ein wöchentliches Ausgabenlimit von umgerechnet rund 180 Euro für KI-Tools ein. Der Grund: Manche Ingenieure gaben Tausende Euro pro Woche für Token-Verbrauch aus. Zwar hat Tesla einen Großteil seiner KI-Aktivitäten auf eine interne Plattform verlagert – doch viele Entwickler bevorzugen offenbar externe Modelle gegenüber den unternehmenseigenen Angeboten.
Tesla steht mit diesem Schritt nicht allein. Auch Amazon, Meta und Walmart haben ähnliche Ausgabenobergrenzen eingeführt. Branchenberichten zufolge kämpfte selbst Uber mit den Kosten – und hatte sein Jahresbudget für KI bereits im April vollständig aufgebraucht.
Während Unternehmen mit den Kosten und der Komplexität autonomer Agenten kämpfen, schafft die EU mit dem AI Act nun auch den rechtlichen Rahmen für den Einsatz solcher Systeme. Dieser kostenlose Umsetzungsleitfaden bietet Ihnen den nötigen Überblick über Fristen, Pflichten und Risikoklassen, um Ihre KI-Projekte rechtssicher zu gestalten. EU AI Act in 5 Schritten verstehen: Fristen, Pflichten und Risikoklassen kompakt erklärt
Um diese Probleme auf Entwicklungsebene in den Griff zu bekommen, werden neue Frameworks für Kostenkontrolle und Evaluierung in Produktionsumgebungen integriert. Im Microsoft Foundry-Ökosystem setzen Entwickler auf kontinuierliche Evaluierungs-Pipelines, die Korrektheit und Eskalationsraten überwachen. Chargeback-Tagging auf Ressourcenebene hilft dabei, Break-Even-Punkte zwischen verschiedenen Service-Tiers zu berechnen und Kostenentwicklungen in Echtzeit zu verfolgen.
Der Energie-Faktor: 136 Mal mehr Verbrauch pro Abfrage
Während die finanziellen Kosten für Unternehmen im Vordergrund stehen, rückt auch der ökologische Fußabdruck der KI-Agenten ins Visier der Forscher. Ein Team des Korea Advanced Institute of Science and Technology (KAIST) hat die enorme Energiediskrepanz zwischen einfacher generativer KI und autonomen Agenten quantifiziert – mit alarmierenden Ergebnissen.
Die KAIST-Forscher fanden heraus: KI-Agenten verbrauchen pro Abfrage bis zu 136,5 Mal mehr Energie als herkömmliche generative KI-Modelle. Bei einem Modell mit 70 Milliarden Parametern benötigt eine einzige Agenten-Abfrage rund 348,41 Wattstunden. Die Antwortzeiten sind bis zu 153,7 Mal länger, und die GPUs bleiben mehr als die Hälfte der Verarbeitungszeit untätig.
Der rasante technologische Fortschritt bringt nicht nur Effizienzfragen, sondern auch neue regulatorische Anforderungen für Unternehmen mit sich. Erfahren Sie in diesem kostenlosen Report, welche KI-Systeme künftig als Hochrisiko eingestuft werden und welche Dokumentationspflichten Sie jetzt konkret erfüllen müssen. Welche KI-Systeme gelten als Hochrisiko – und was müssen Unternehmen jetzt konkret tun?
Die Hochrechnung der Forscher macht das Ausmaß deutlich: Würden Agenten täglich 13,7 Milliarden Anfragen bearbeiten, entspräche der benötigte Strom fast der Hälfte des durchschnittlichen Stromverbrauchs der gesamten USA.
Asien-Pazifik treibt den Markt
Trotz dieser Herausforderungen wächst der Markt für agentische KI-Infrastruktur rasant – allen voran im Asien-Pazifik-Raum. Ein aktueller Bericht von Omdia sieht Alibaba Cloud als führenden Anbieter in der Region. Das chinesische Unternehmen punktet demnach mit starker Infrastruktur, umfassenden Entwicklungssuiten und nativer Agent-Unterstützung.
Marktforscher erwarten, dass der Markt für agentische KI in der Region von geschätzten 720 Millionen Euro im Jahr 2025 auf rund 10,3 Milliarden Euro bis 2030 anwachsen wird. Diese Expansion treibt die Entwicklung neuer Wartungsprotokolle voran – etwa CI/CD-Pipelines für das Gedächtnis von KI-Agenten. Entwickler nutzen dabei Wissensgraphen, um Fehler im Langzeitspeicher der Agenten zu verfolgen und zu korrigieren.
Die Frage bleibt: Lässt sich der Fortschritt der KI-Agenten mit den explodierenden Kosten und dem Energiehunger in Einklang bringen? Die nächsten Monate werden zeigen, ob die Branche die richtigen Antworten findet.
