Das Jevons-Paradoxon beschreibt den Fall, dass eine Effizienzsteigerung den Verbrauch einer Ressource nicht senkt, sondern insgesamt erhöht.
Der Mechanismus:
Eine Leistung wird effizienter und damit billiger. Dadurch wird sie häufiger, intensiver und für zusätzliche Zwecke genutzt. Der Mehrverbrauch kann die Einsparung pro Anwendung überkompensieren.
Der Begriff geht auf den Ökonomen William Stanley Jevons zurück. Er beobachtete im 19. Jahrhundert, dass effizientere Dampfmaschinen den Kohleverbrauch Großbritanniens nicht reduzierten. Weil Dampfkraft wirtschaftlicher wurde, verbreitete sie sich in immer mehr Branchen.
Beispiel Informationstechnologie
Computerchips benötigen für eine bestimmte Rechenoperation heute erheblich weniger Energie als frühere Generationen. Man könnte daher erwarten, dass der gesamte Stromverbrauch der Informationstechnik sinkt.
Tatsächlich passiert häufig das Gegenteil:
- Rechenleistung wird günstiger.
- Unternehmen digitalisieren zusätzliche Prozesse.
- Rechenzentren verarbeiten größere Datenmengen.
- Software wird komplexer und rechenintensiver.
- Neue Anwendungen wie Streaming, Cloud-Dienste und Echtzeitanalysen entstehen.
- Nutzer greifen häufiger und länger auf digitale Dienste zu.
Ein einzelner Videostream oder eine Datenbankabfrage kann energieeffizienter werden. Wenn gleichzeitig Milliarden zusätzliche Streams, Abfragen und automatisierte Prozesse stattfinden, steigt der gesamte Energie- und Infrastrukturbedarf dennoch.
Beispiel generative KI
Bei KI ist der Effekt besonders deutlich. Angenommen, neue Chips, kleinere Modelle oder bessere Algorithmen senken die Kosten einer KI-Anfrage um 90 Prozent.
Ohne Verhaltensänderung würde der Ressourcenbedarf ebenfalls stark zurückgehen. Die niedrigeren Kosten verändern jedoch die Nachfrage:
- Unternehmen integrieren KI in mehr Produkte und Arbeitsabläufe.
- Anwendungen stellen nicht mehr eine, sondern zahlreiche Modellanfragen pro Aufgabe.
- Nutzer lassen mehr Texte, Bilder, Videos und Programmcode erzeugen.
- KI-Agenten arbeiten dauerhaft im Hintergrund und führen selbstständig Prozessketten aus.
- Größere Modelle und längere Kontextfenster werden wirtschaftlich nutzbar.
- Neue Nutzergruppen erhalten erstmals Zugang zu der Technologie.
Sinken die Kosten pro Anfrage um 90 Prozent, während sich die Zahl der Anfragen verzwanzigfacht, steigt der Gesamtverbrauch auf das Doppelte des Ausgangswerts:
- vorher: 1 Million Anfragen × 100 Energieeinheiten = 100 Millionen Einheiten
- nachher: 20 Millionen Anfragen × 10 Energieeinheiten = 200 Millionen Einheiten
Die einzelne Anfrage ist effizienter, das Gesamtsystem verbraucht trotzdem mehr.
Rebound-Effekt und Jevons-Paradoxon sind nicht völlig identisch
Die Begriffe werden häufig gleichgesetzt, bezeichnen aber streng genommen unterschiedliche Intensitäten:
- Teilweiser Rebound: Ein Teil der möglichen Einsparung geht durch Mehrnutzung verloren. Der Gesamtverbrauch sinkt noch.
- Vollständiger Rebound: Die Effizienzgewinne werden vollständig aufgezehrt. Der Verbrauch bleibt konstant.
- Backfire beziehungsweise Jevons-Paradoxon: Die Mehrnutzung übersteigt die Effizienzgewinne. Der Gesamtverbrauch steigt.
Beispiel: Eine KI-Aufgabe benötigt technisch 50 Prozent weniger Strom.
- Die Nutzung steigt um 20 Prozent: Der Gesamtverbrauch sinkt — teilweiser Rebound.
- Die Nutzung verdoppelt sich: Der Gesamtverbrauch bleibt etwa gleich — vollständiger Rebound.
- Die Nutzung vervierfacht sich: Der Gesamtverbrauch steigt — Jevons-Paradoxon.
Warum KI besonders anfällig ist
Bei Energieeffizienz in Gebäuden oder Fahrzeugen bestehen physische Grenzen: Ein Raum kann nicht beliebig oft geheizt und ein Mensch nicht unbegrenzt viele Kilometer fahren. Digitale Nachfrage lässt sich dagegen fast grenzenlos skalieren.
KI erzeugt zudem ihre eigene zusätzliche Nachfrage. Schnellere und billigere Modelle ermöglichen Anwendungen, die vorher wirtschaftlich unmöglich waren: personalisierte Inhalte für jeden Kunden, permanente Softwareprüfung, synthetische Trainingsdaten, autonome Recherche oder individuell generierte Videos. Effizienz senkt daher nicht nur die Kosten bestehender Nutzung, sondern erweitert den gesamten Markt.
Hinzu kommt ein Wettbewerbseffekt. Spart ein Unternehmen durch effizientere Modelle Rechenkosten, verwendet es die frei gewordenen Mittel häufig nicht zur Reduktion seines Energieverbrauchs, sondern für mehr Modellläufe, größere Modelle oder bessere Produkte. Was auf Ebene einer einzelnen Anfrage effizienter wird, kann auf Branchenebene zu mehr Rechenzentren, Chips, Strom und Kühlung führen.
Ökonomische und ökologische Konsequenz
Effizienzfortschritte bleiben sinnvoll. Sie erhöhen Produktivität und senken die Kosten je Leistungseinheit. Sie garantieren aber keine absolute Senkung des Ressourcenverbrauchs.
Für die Bewertung von KI reicht deshalb die Kennzahl „Energie pro Anfrage“ nicht aus. Entscheidend sind mindestens drei Größen:
- Energieverbrauch je Rechenoperation oder Anfrage,
- Zahl und Komplexität der Anwendungen,
- absoluter Strom‑, Wasser- und Hardwarebedarf des Gesamtsystems.
Das Jevons-Paradoxon bedeutet somit nicht, dass effizientere KI nutzlos ist. Es bedeutet, dass technische Effizienz allein den Gesamtverbrauch wahrscheinlich nicht begrenzt. Dafür wären zusätzlich Preissignale, Kapazitätsgrenzen, CO₂-arme Stromerzeugung oder verbindliche Effizienz- und Transparenzstandards erforderlich.