Generative künstliche Intelligenz und nachhaltige Digitalisierung: Was die Schweiz halten kann

Überarbeitete Notiz vom 25. Mai 2026. Ursprünglich im Dezember 2025 veröffentlicht — vollständige Überarbeitung.

Generative künstliche Intelligenz ist eine der energieintensivsten Technologien der zeitgenössischen Digitalisierung. Diese Eigenschaft ist heute durch mehrere übereinstimmende Quellen dokumentiert, und sie tritt in Spannung mit den Sparsamkeitsverpflichtungen, an die sich Schweizer Unternehmen im Verlauf des vergangenen Jahrzehnts schrittweise gebunden haben. Für die Führungskraft, die die Übernahme generativer Modelle in ihrer Organisation vorbereitet, ist die Frage nicht mehr, ob generative KI Energie verbraucht — sie verbraucht substanziell — sondern wie sie in einen mit den ausgewiesenen Klimazielen und den wachsenden Erwartungen der Stakeholder vereinbaren Ansatz zu integrieren ist.

Diese Notiz legt die Mechanik des Umweltfussabdrucks dar, identifiziert die Hebel, an denen ein anwendendes Unternehmen tatsächlich handeln kann, und qualifiziert die spezifischen Trümpfe des Schweizer Kontextes für einen verantwortungsvollen Einsatz.

Der Umweltfussabdruck: Wo er sich konzentriert

Der Umweltfussabdruck eines generativen KI-Systems zerlegt sich in drei verschiedene Quellen, deren relative Bedeutung je nach Standpunkt unterschiedlich ist.

Die Trainingsphase der grundlegenden Modelle ist in absoluten Werten die intensivste. Ein grosses Sprachmodell zu trainieren verlangt die Mobilisierung tausender spezialisierter Beschleuniger über mehrere Wochen oder Monate in für diese Rechendichte konzipierten Rechenzentren. Diese Phase wird von den Modellanbietern durchgeführt — OpenAI, Anthropic, Google, Meta, Mistral und ihre Pendants —, nicht von den anwendenden Unternehmen. Sie liegt also weitgehend ausserhalb der direkten Handlungsreichweite eines Schweizer KMU, ausser dass Modelle bevorzugt werden, deren Anbieter ihren Trainingsfussabdruck dokumentieren und begrenzen.

Die tägliche Inferenz — jede an ein Modell gesendete Anfrage speist diese Kategorie — stellt die kumulierten Energiekosten dar, die auf der Dienstdauer des Modells lasten, weil sie sich auf massive, kontinuierlich betriebene Anfragevolumen ausüben. Eine Anfrage an ein generatives Modell kann mehr verbrauchen als eine Anfrage an eine klassische Suchmaschine, je nach Modell, Antwortlänge und mobilisierter Infrastruktur. Diese Dimension wird von der Internationalen Energieagentur und mehreren Branchenstudien dokumentiert^[1]. Auf diesem Hebel haben die anwendenden Unternehmen einen direkten Effekt, weil er weitgehend von ihren Nutzungsentscheidungen abhängt.

Die darunterliegende materielle Infrastruktur — Rechenzentren, Kühlsysteme, Wasserverbrauch, Abbau seltener Erden für die Komponenten — trägt die dritte Wirkungsquelle. Diese Dimension hängt weitgehend von der Wahl des Hosters ab, und die Schweiz weist besondere Trümpfe auf, die es zu identifizieren verdient.

Fünf Hebel, an denen ein anwendendes Unternehmen tatsächlich handeln kann

Auf der Dimension der täglichen Inferenz bieten sich dem anwendenden Unternehmen fünf konkrete Hebel, in absteigender Wirksamkeitsreihenfolge.

Die Modellwahl für jede Aufgabe stellt den ersten und wahrscheinlich wirkungsvollsten Hebel dar. Nicht alle Anwendungen benötigen ein sehr grosses Modell. Für Aufgaben der Textklassifikation, der Informationssortierung, der Erzeugung einfacher Antworten oder der Übersetzung verbrauchen kompakte Modelle mehrere Grössenordnungen weniger Energie bei oft mit den Spitzenmodellen vergleichbaren Ergebnissen. Die praktische Regel besteht darin, das leichteste fähige Modell zu bevorzugen, statt systematisch auf das stärkste verfügbare zurückzugreifen.

Die Prompt-Optimierung stellt den zweiten Hebel dar. Ein strukturierter Prompt, der die Anfrage klar formuliert und das erwartete Antwortformat präzisiert, erzeugt eine kürzere und genauere Antwort. Jedes eingesparte Antworttoken reduziert direkt den Verbrauch. Diese Disziplin gehört zu einer Kompetenz — Prompt Engineering —, die keine hohen technischen Voraussetzungen verlangt, aber eine iterative Praxis.

Die Cache-Speicherung wiederkehrender Antworten stellt den dritten Hebel dar. Wenn ein konversationeller Agent mehrfach dieselbe Frage oder semantisch sehr nahe Fragen behandelt, ist es selten nützlich, das Modell jedes Mal zu beanspruchen. Ein semantisches Cache-System liefert vorab erzeugte Antworten für ähnliche Anfragen, was zugleich die Betriebskosten und den kumulierten Verbrauch reduziert.

Die Wahl des Infrastruktur-Anbieters stellt den vierten Hebel dar. Die Hoster sind beim CO₂-Fussabdruck ihrer Rechenzentren nicht gleichwertig — der Energiemix variiert erheblich von einer Geografie zur anderen. Ein Hosting in der Schweiz oder in Europa auf Infrastrukturen zu bevorzugen, die von erneuerbaren oder dekarbonisierten Energien gespeist werden, kann den Fussabdruck einer gleichen Rechenlast reduzieren, je nach tatsächlichem Energiemix und Effizienz des mobilisierten Rechenzentrums.

Die Messung und das Reporting stellen den fünften Hebel dar. Ohne Messung keine Verbesserung. Die Verfolgung des Energieverbrauchs im Zusammenhang mit der Nutzung generativer Modelle in das Reporting zur gesellschaftlichen und ökologischen Verantwortung zu integrieren, erzeugt zwei nützliche Effekte: Sie identifiziert die sich unbemerkt einrichtenden Verschwendungszonen, und sie verwandelt die Sparsamkeitsverpflichtung in einen belegbaren statt einen deklarativen Ansatz.

Der Schweizer Kontext: drei strukturelle Trümpfe

Die Schweiz weist drei strukturelle Trümpfe auf, die den verantwortungsvollen Einsatz generativer KI zugänglicher machen als im Durchschnitt der europäischen Geografien.

Der nationale Strommix wird von dekarbonisierten Energien dominiert — hauptsächlich Wasserkraft, ergänzt durch Kernenergie. Dieses Merkmal schlägt sich in einer CO₂-Intensität pro erzeugte Kilowattstunde nieder, die deutlich unter jener stark fossilenergieabhängiger Nachbarländer liegt. Für eine gleichwertige Rechenlast ist der CO₂-Fussabdruck einer auf Schweizer Infrastruktur durchgeführten Verarbeitung spürbar geringer als jener derselben anderswo durchgeführten Verarbeitung.

Das gemässigte Klima begünstigt die passive Kühlung — Free Cooling — über einen wichtigen Teil des Jahres. Dieses Merkmal reduziert den Energieverbrauch für die Kühlung der Rechenzentren, der in heisseren Klimazonen einen substanziellen Anteil des Gesamtverbrauchs ausmachen kann.

Der regulatorische Rahmen, der durch das Bundesgesetz über den Datenschutz^[2] strukturiert wird, fördert die Transparenz bei der Datenbearbeitung, was indirekt die Rückverfolgbarkeit der Ströme einschliesst, die die generativen Modelle speisen. Diese regulatorische Disziplin, kombiniert mit dem wachsenden Interesse an Datensouveränität, drängt die Schweizer Unternehmen zu lokalen Hosting-Lösungen, die konstruktionsbedingt einen günstigeren CO₂-Fussabdruck aufweisen als auf stärker CO₂-belasteten Infrastrukturen gehostete Lösungen.

Datenkonformität: ein Aspekt der globalen Verantwortung

Die Konformität mit dem Bundesgesetz über den Datenschutz verzahnt sich mit dem Ansatz nachhaltiger Digitalisierung, ohne sich darin zu verwechseln. Die Konformitätspflichten betreffen Transparenz, Zweckbindung, Verhältnismässigkeit und Sicherheit der Personendatenbearbeitungen. Die Verpflichtungen zur nachhaltigen Digitalisierung betreffen den globalen Umweltfussabdruck und den vernünftigen Einsatz der Rechenressourcen.

Beide Dimensionen kreuzen sich in der Praxis. Die Datenströme zu kartieren, die die modellgestützten Werkzeuge speisen, erlaubt zugleich, die Konformitätspflichten zu objektivieren und die Rechenvolumen zu identifizieren, die den Fussabdruck bilden. Ein lokales Hosting zu bevorzugen entspricht beiden Anforderungen: Es erfüllt die Souveränitätserwartungen für sensible Daten und profitiert vom Schweizer Energiemix für den Umweltfussabdruck. Die Anwenderinnen und Anwender über die Modellnutzung bei der Bearbeitung ihrer Personendaten zu informieren, gehört zur Konformität und trägt zugleich zur allgemeinen Transparenz bei, die einen reifen verantwortungsvollen Ansatz auszeichnet.

Die Wahl zwischen einem Abonnement bei einem externen Anbieter und einer lokal gehosteten massgeschneiderten Entwicklung hat insofern einen direkten Einfluss auf beide Dimensionen. Die Notiz SaaS gegen massgeschneiderte Entwicklung in der Schweiz behandelt diesen Aspekt in grösserem Massstab.

Nachhaltige Digitalisierung als Wettbewerbsvorteil

Das Umweltargument ist nicht mehr nur ethisch. Es wird schrittweise kommerziell. Die Ausschreibungen der grossen Auftraggeber, besonders im öffentlichen Sektor und in regulierten Industrien, integrieren heute Kriterien zur gesellschaftlichen und ökologischen Verantwortung in die Dienstleisterbewertung. Ein strukturierter Ansatz nachhaltiger Digitalisierung hört auf, ein akzessorisches Differenzierungsargument zu sein; er wird in bestimmten Märkten zur Zulassungsbedingung.

Diese Dynamik ist über den allein institutionellen B2B hinaus beobachtbar. Ein wachsender Teil der Konsumentinnen und Konsumenten erklärt, dass die Umweltpraktiken einer Marke ihre Kaufentscheidung beeinflussen, gemäss mehreren übereinstimmenden Studien. Diese Erklärung wird nicht immer von einem Effekt im tatsächlichen Verhalten begleitet — die Lücke zwischen erklärter Absicht und realem Verhalten bleibt dokumentiert —, aber sie wiegt am Rand auf der Markenwahrnehmung, und sie wiegt stärker bei den jüngsten Kundensegmenten.

Für ein Schweizer Unternehmen, das modellgestützte Werkzeuge übernimmt, ist die Abwägung also nicht zwischen operativer Leistung und Umweltverantwortung. Es ist eine Abwägung zwischen einer opportunistischen Übernahme, die die unmittelbaren Gewinne maximiert, ohne den Fussabdruck zu qualifizieren, und einer disziplinierten Übernahme, die die operativen Gewinne mit der Kohärenz gegenüber den ausgewiesenen Verpflichtungen verbindet. Der zweite Ansatz ist bei der anfänglichen Rahmenfestlegung anspruchsvoller. Er produziert einen Ansatz, den das Unternehmen dokumentieren, seinen Stakeholdern präsentieren und gegenüber zukünftigen regulatorischen Entwicklungen verteidigen kann.

Eine Disziplin, die der Übernahme nicht entgegensteht

Generative künstliche Intelligenz wird sich in den kommenden Jahren weiter in den Schweizer Organisationen verbreiten. Diese Verbreitung ist nicht durch eine individuelle oder sektorale Entscheidung verhandelbar. Was hingegen verhandelbar ist, ist die Qualität der Verbreitung: die Absichtlichkeit der anfänglichen Rahmenfestlegung, die Wahl der Modelle und der Anbieter, die Messung des erzeugten Fussabdrucks, die Integration des Ansatzes in das globale Reporting der Organisation.

Diese Disziplin verlangsamt die Übernahme nicht. Sie konsolidiert sie. Ein Unternehmen, das seinen Einsatz generativer Modelle auf den oben identifizierten fünf Hebeln rahmt, integriert die Technologie dauerhafter als ein Unternehmen, das Abonnements und Nutzungen ohne Qualifikation anhäuft und sich den schlechten tariflichen, regulatorischen und reputationsbezogenen Überraschungen aussetzt, die die rasche Marktentwicklung weiter erzeugen wird.

Die Schweiz verfügt über einen Energiemix, einen regulatorischen Rahmen und eine Wirtschaftskultur, die diese Disziplin zugänglicher machen als anderswo. Diese Zugänglichkeit ist ein Vorteil. Sie verdient es, ergriffen zu werden.

Quellen

[1] Internationale Energieagentur (IEA), Energy and AI — Energy demand from AI. www.iea.org/reports/energy-and-ai/energy-demand-from-ai [↩]

[2] Bundesgesetz über den Datenschutz (DSG), Revision vom 25. September 2020, in Kraft seit 1. September 2023. www.fedlex.admin.ch/eli/cc/2022/491/de [↩]

Jérôme Deshaie ist CEO der MCVA Consulting SA, Schweizer Kanzlei für strategische Beratung in künstlicher Intelligenz mit Sitz im Wallis.