
AI-Agents verbrauchen ~600× mehr Energie als einfache Chat-Prompts
Klimaforscher Zeke Hausfather hat seinen eigenen Einsatz des KI-Coding-Agenten Claude Code über acht Wochen systematisch aufgezeichnet und dabei 3,2 Milliarden verarbeitete Tokens sowie rund 170 kWh Rechenzentrumsenergie gemessen. Damit liegt sein Pro-Prompt-Verbrauch etwa 600-mal höher als bei einer einfachen Chat-Anfrage – ein Verhältnis, das die öffentlich kommunizierten Durchschnittswerte von Google und OpenAI in ein anderes Licht rückt. Diese Unternehmen beziehen sich in ihren Effizienzangaben überwiegend auf einfache Einzelanfragen, nicht auf iterative, mehrstufige Agentenworkflows. Agentenbasierte Systeme wie Claude Code unterscheiden sich grundlegend von klassischen Chatbots: Sie führen eigenständig Planungs-, Ausführungs- und Überprüfungsschleifen durch, die eine Vielzahl von Tokens und damit Rechenoperationen erzeugen. Hausfather, der durch seine Arbeit im Bereich Klimawissenschaft mit Energiebilanzierungen vertraut ist, nutzte die Daten seines eigenen Accounts als repräsentatives Fallbeispiel für produktiven Agent-Einsatz. Die Befunde sind vor allem für Unternehmen relevant, die Cost- und CO₂-Tracking für ihre KI-Infrastruktur betreiben und bislang auf Branchen-Benchmarks vertrauen, die Agent-Workloads systematisch unterschätzen.
- Haushfathers Messung umfasste 8 Wochen produktiver Nutzung von Claude Code – einem agentenbasierten KI-Coding-Assistenten von Anthropic.
- 3,2 Milliarden Tokens in 8 Wochen entsprechen einem Durchsatz, der klassische Chat-Nutzung um ein Vielfaches übersteigt.
- Die ~170 kWh Rechenzentrumsenergie beziehen sich ausschließlich auf Hausfather als Einzelnutzer – kein Team, kein Unternehmensmaßstab.
- Google und OpenAI melden typischerweise Energiewerte pro einfacher Suchanfrage oder Chat-Prompt, nicht für mehrstufige Agenten-Workflows.
- Der 600×-Faktor macht Agent-Workloads zu einer eigenständigen Verbrauchskategorie, die in gängigen KI-Energiereports bislang kaum abgebildet wird.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org3w
Prompting-Strategien senken Energieverbrauch von LLM-generiertem Code um bis zu 56 %
- FORSCHUNGarxiv.org1mo
Greenpixie-Methodik schätzt Energie-, Wasser- und CO2-Kosten pro LLM-Token
- FORSCHUNGarxiv.org4d
LLM-Code-Optimierung verbraucht mehr Energie als menschlicher Referenzcode
- FORSCHUNGthe-decoder.com2w
Vals AI: Agent-Teams kosten bis zu 5,1× mehr – kaum Qualitätsgewinn

AI-Agents verbrauchen ~600× mehr Energie als einfache Chat-Prompts
Klimaforscher Zeke Hausfather hat seinen eigenen Einsatz des KI-Coding-Agenten Claude Code über acht Wochen systematisch aufgezeichnet und dabei 3,2 Milliarden verarbeitete Tokens sowie rund 170 kWh Rechenzentrumsenergie gemessen. Damit liegt sein Pro-Prompt-Verbrauch etwa 600-mal höher als bei einer einfachen Chat-Anfrage – ein Verhältnis, das die öffentlich kommunizierten Durchschnittswerte von Google und OpenAI in ein anderes Licht rückt. Diese Unternehmen beziehen sich in ihren Effizienzangaben überwiegend auf einfache Einzelanfragen, nicht auf iterative, mehrstufige Agentenworkflows. Agentenbasierte Systeme wie Claude Code unterscheiden sich grundlegend von klassischen Chatbots: Sie führen eigenständig Planungs-, Ausführungs- und Überprüfungsschleifen durch, die eine Vielzahl von Tokens und damit Rechenoperationen erzeugen. Hausfather, der durch seine Arbeit im Bereich Klimawissenschaft mit Energiebilanzierungen vertraut ist, nutzte die Daten seines eigenen Accounts als repräsentatives Fallbeispiel für produktiven Agent-Einsatz. Die Befunde sind vor allem für Unternehmen relevant, die Cost- und CO₂-Tracking für ihre KI-Infrastruktur betreiben und bislang auf Branchen-Benchmarks vertrauen, die Agent-Workloads systematisch unterschätzen.
- Haushfathers Messung umfasste 8 Wochen produktiver Nutzung von Claude Code – einem agentenbasierten KI-Coding-Assistenten von Anthropic.
- 3,2 Milliarden Tokens in 8 Wochen entsprechen einem Durchsatz, der klassische Chat-Nutzung um ein Vielfaches übersteigt.
- Die ~170 kWh Rechenzentrumsenergie beziehen sich ausschließlich auf Hausfather als Einzelnutzer – kein Team, kein Unternehmensmaßstab.
- Google und OpenAI melden typischerweise Energiewerte pro einfacher Suchanfrage oder Chat-Prompt, nicht für mehrstufige Agenten-Workflows.
- Der 600×-Faktor macht Agent-Workloads zu einer eigenständigen Verbrauchskategorie, die in gängigen KI-Energiereports bislang kaum abgebildet wird.
Frag die KI zum Artikel
Folgefragen zu Headline, Quelle und Volltext — Antwort streamt in wenigen Sekunden.
Verwandte Beiträge
- FORSCHUNGarxiv.org3w
Prompting-Strategien senken Energieverbrauch von LLM-generiertem Code um bis zu 56 %
- FORSCHUNGarxiv.org1mo
Greenpixie-Methodik schätzt Energie-, Wasser- und CO2-Kosten pro LLM-Token
- FORSCHUNGarxiv.org4d
LLM-Code-Optimierung verbraucht mehr Energie als menschlicher Referenzcode
- FORSCHUNGthe-decoder.com2w
Vals AI: Agent-Teams kosten bis zu 5,1× mehr – kaum Qualitätsgewinn