Künstliche Intelligenz gilt einerseits als vielversprechendes Werkzeug zur Optimierung industrieller Prozesse, andererseits wird die Belastung des Stromnetzes und natürlicher Ressourcen durch die Technologie breit diskutiert. Was der zunehmende KI-Einsatz in Unternehmen tatsächlich für den regionalen Energieverbraucht der Industrie bedeutet, hat nun ein Forschungsteam der Universität Mannheim, der Friedrich-Schiller-Universität Jena, der Paris Lodron Universität Salzburg, der IT:U Austria, der Universität Bremen und des Thünen-Instituts für Innovation und Wertschöpfung in ländlichen Räumen untersucht. Grundlage sind 363 NUTS-3-Regionen, und damit rund 91 Prozent aller deutschen Regionen, über den Zeitraum 2012 bis 2023. Die Studie verbindet offizielle Energiestatistiken und Patentdaten mit ISTARI-Webindikatoren zum KI-Einsatz und dem Nachhaltigkeitsengagement auf Unternehmensebene. Erschienen ist der Artikel „Thinking machines, shrinking footprints? The impact of Artificial Intelligence on energy consumption in regions” im Juli 2026 in Energy Economics.

Dr. Robert Dehghan | Mitautor und COO von ISTARI.AI

Wie sich der KI-Einsatz in Unternehmen messen lässt

Patentanmeldungen erfassen Erfindungen. Über deren weitere Verbreitung sagen sie kaum etwas aus. Um den KI-Einsatz auf Unternehmensebene zu bestimmen, nutzt das Team daher den webAI-Ansatz von ISTARI. Für die Studie wurden die Websitetexte von 2,47 Millionen deutschen Unternehmen für jedes Jahr zwischen 2012 und 2023 erhoben und mit dem AI Intensity Scoring von ISTARI klassifiziert. Der Score gibt an, wie zentral Künstliche Intelligenz für das Geschäftsmodell eines Unternehmens ist. Er beruht auf einer offiziell ausgezeichneten wissenschaftlichen Methodik. Mehr dazu und zu weiteren webAI-Indikatoren finden Sie hier.

Wo KI eingesetzt wird, sinkt der industrielle Energieverbrauch

Kartiert man die Entwicklung über die Jahre, zeigt sich der erste nennenswerte KI-Einsatz deutscher Unternehmen 2018 in Berlin, München und der Region Rhein-Neckar. In den Jahren danach breitet sich die Technologie allmählich über die deutsche Wirtschaftslandschaft aus, wobei diese urbanen Zentren der KI-Aktivität deutlich erkennbar bleiben.

Regionen, in denen mehr Unternehmen KI einsetzen, weisen einen signifikant geringeren industriellen Energieverbrauch auf: Steigt der regionale KI-Einsatz um 0,1 Prozentpunkte, sinkt der Energieverbrauch über den gesamten Untersuchungszeitraum um durchschnittlich 0,183 Prozent. Stabil ist dieser Effekt allerdings nicht: Das Jahr 2018 gilt als entscheidender Wendepunkt in der Verbreitung Künstlicher Intelligenz und ihrer kommerziellen Anwendung. Und tatsächlich: Vergleicht man die Beobachtungen vor 2018 mit denen danach, sinken die Einsparungen von 0,974 auf 0,194 Prozent.

Dafür nennen die Autoren mehrere mögliche Erklärungen. Der frühe Einsatz könnte zunächst die offensichtlichsten Ineffizienzen ins Visier genommen haben. KI-Anwendungen könnten sich mit der Zeit auf komplexere, rechenintensivere Geschäftsziele und Modelle verlagert haben. Und die Technologie könnte allmählich in weniger energieintensive Branchen mit geringerem Einsparpotenzial vorgedrungen sein.

Empfehlung an die Politik: KMU fördern und regionale Kompetenzen aufbauen

Aus den Ergebnissen leitet das Paper zwei klare Empfehlungen ab, um die möglichen Effizienzgewinne beim industriellen Energieverbrauch durch den Einsatz Künstlicher Intelligenz tatsächlich zu erschließen.

Erstens ein Förderprogramm, das speziell auf KMU zugeschnitten ist. Setzen kleine Organisationen KI ein, fällt der industrieweite Energieverbrauch prozentual stärker als für mittelgroße oder große Unternehmen. Doch gerade unter Kleinunternehmen sind die Einsatzquoten bislang niedrig. Zweitens der Aufbau regionaler Expertise. Anhand von Patentdaten misst die Studie, wie nah die bestehenden technologischen Stärken einer Region an Künstlicher Intelligenz liegen. Wo einschlägige Expertise fehlt, zeigt der KI-Einsatz keinen messbaren Effekt auf den Energieverbrauch. Wo sie vorhanden ist, erzielen Unternehmen bei gleichem Einsatzniveau erhebliche Einsparungen.

Die Grenzen ihrer Arbeit benennen die Forschenden offen, besonders bei einem derzeit stark diskutierten Thema: Rechenzentren. Die Studie kontrolliert die Anzahl öffentlicher Rechenzentren pro Region, doch die Autoren fordern, künftig auch deren eigenen Energieverbrauch zu berücksichtigen und Rechenleistung einzubeziehen, die aus Rechenzentren außerhalb der jeweiligen Region oder des Landes bezogen wird. Denn während die Effizienzgewinne durch KI lokal in der Industrie sichtbar werden, gilt das für die Kosten der Rechenleistung möglicherweise nicht.

Referenz: Dehghan, R., Grashof, N., Schmidt, S., Kopka, A., & Woywode, M. (2026). Thinking machines, shrinking footprints? The impact of Artificial Intelligence on energy consumption in regions. Energy Economics, 161, 109526. Link zur Studie