Wie viel CO2 verbraucht eine KI-Anfrage wirklich? Einordnung für Marktforschung und CX

Die kurze Antwort lautet: Es gibt keinen belastbaren Einheitswert. Eine einzelne KI-Anfrage kann je nach Modell, Länge des Prompts, Antwortlänge, Rechenzentrum, Auslastung und Strommix sehr wenig oder spürbar mehr Emissionen verursachen. Wer eine pauschale Zahl nennt, ohne den Kontext zu erklären, vereinfacht zu stark.

Für Marktforschung und CX ist das kein Randthema. In beiden Bereichen werden heute große Mengen offener Antworten, Freitextfeedbacks, Tickets, Interviewtranskripte und NPS-Kommentare verarbeitet. Genau hier kommt KI zum Einsatz: Themen clustern, Sentiment erkennen, Nennungen zusammenfassen, Anomalien finden oder Anonymisierung unterstützen. Die Umweltwirkung hängt deshalb weniger an der Idee „KI“ als solcher, sondern daran, wie häufig sie eingesetzt wird und wie effizient der konkrete Workflow aufgebaut ist.

Wer über „eine KI-Anfrage“ spricht, vermischt oft sehr unterschiedliche Vorgänge:

• ein kurzer Textprompt an ein großes Sprachmodell,
• eine mehrstufige Analyse eines ganzen Datensatzes,
• eine Batch-Verarbeitung von tausenden Kommentaren,
• oder eine wiederholte Abfrage in einer interaktiven Oberfläche.

Diese Fälle haben nicht denselben Energiebedarf. Schon die Antwortlänge beeinflusst den Verbrauch: Ein Modell, das zehn Sätze generiert, arbeitet anders als eines, das nur eine Klassifikation zurückgibt. Auch die Eingabelänge zählt. Ein einzelner Absatz ist etwas anderes als ein mehrseitiges Interview oder ein kompletter Survey-Datensatz.

Hinzu kommt: Die Emissionen entstehen nicht nur beim Modell selbst. Rechenzentrumseffizienz, Kühlung, Auslastung der Hardware und der Strommix des Standorts spielen mit hinein. Ein identischer Workload kann in unterschiedlichen Umgebungen zu unterschiedlichen CO2-Werten führen.

Für Textanalyse-Workflows sind vor allem diese Faktoren relevant:

1. Modellgröße und Architektur

Große Modelle sind meist leistungsfähiger, aber nicht automatisch nötig. Für viele Aufgaben in der Marktforschung oder im CX-Reporting reichen spezialisierte oder kompaktere Modelle aus — etwa für Themenklassifikation, Intent-Erkennung oder strukturierte Zusammenfassungen. Je gezielter das Modell gewählt wird, desto besser lässt sich der Verbrauch begrenzen.

2. Menge der verarbeiteten Daten

Ein NPS-Feedback mit 20 Wörtern ist günstiger zu analysieren als ein Interviewtranskript mit mehreren tausend Wörtern. In der Praxis ist deshalb nicht nur die Zahl der Anfragen entscheidend, sondern die Datenmenge pro Anfrage.

3. Workflow-Design

Viele Emissionen lassen sich vermeiden, wenn der Prozess sauber gebaut ist. Dazu gehören:

• Vorfilterung irrelevanter Inhalte,
• Batch-Verarbeitung statt vieler Einzelfragen,
• Wiederverwendung von Zwischenergebnissen,
• strukturierte Extraktion statt frei formulierter Langtexte,
• und klare Regeln, wann ein großes Modell überhaupt nötig ist.

Gerade hier entstehen in einer Cloud-Lösung Effizienzgewinne: Wenn Texte automatisiert vorverarbeitet, gebündelt und nur einmal analysiert werden, sinkt der Bedarf an wiederholten Rechenläufen. Das ist nicht nur schneller, sondern meist auch ressourcenschonender.

4. Hosting und Infrastruktur

Cloud ist nicht per se klimafreundlich, aber professionell betriebene Cloud-Umgebungen sind oft deutlich effizienter als verstreute Einzellösungen auf ungenutzter lokaler Hardware. Entscheidend sind Standort, Auslastung und technische Umsetzung. Für Unternehmen mit Datenschutzanforderungen ist zudem relevant, wo die Daten verarbeitet werden und welche Governance gilt.

Für einzelne KI-Anfragen liegen die Emissionen oft im sehr kleinen Bereich — typischerweise deutlich unter dem, was ein kurzer Videocall oder das Streamen größerer Datenmengen verursacht. Aber genau hier liegt die Falle: Eine isolierte Anfrage sagt wenig aus, wenn ein Team täglich tausende Freitexte verarbeitet.

Deshalb ist für Marktforschung und CX die bessere Frage nicht: „Wie viel CO2 kostet eine Anfrage?“, sondern: „Wie viel CO2 kostet mein kompletter Analyseprozess pro 1.000 Antworten, pro Projekt oder pro Monat?“

Erst auf dieser Ebene wird sichtbar, ob ein Workflow unnötig mehrfach rechnet, ob Modelle überdimensioniert sind oder ob durch Automatisierung tatsächlich Rechenaufwand eingespart wird.

Bei CO2-Angaben zu KI sollte man genau unterscheiden zwischen:

• echten Messwerten: nachvollziehbar berechnet, mit Annahmen, Systemgrenzen und Methodik,
• Schätzungen: modellbasiert, nützlich als Orientierung, aber nur mit Kontext belastbar,
• Marketing-Behauptungen: eindrucksvoll formuliert, aber ohne transparente Grundlage kaum prüfbar.

Wer Verantwortung übernehmen will, sollte deshalb nicht mit einer isolierten Zahl werben, sondern mit einer transparenten Betrachtung des gesamten Workflows. Für Textanalyse in Marktforschung und CX ist genau das der sinnvolle Maßstab: nicht die spektakuläre Zahl pro Anfrage, sondern der konkrete Ressourcenverbrauch pro Ergebnis.

Am Ende zählt nicht, ob eine einzelne KI-Anfrage „0,0x Gramm“ oder „ein paar Gramm“ CO2 verursacht. Entscheidend ist, wie oft sie eingesetzt wird, wie effizient das Modell gewählt ist und wie gut der Prozess gestaltet ist.

Für Marktforschung und CX bedeutet das: Wer offene Nennungen, NPS-Kommentare oder Interviewdaten in der Cloud analysiert, sollte auf Batch-Verarbeitung, gezielte Modellauswahl, klare Datenflüsse und effiziente Vorverarbeitung achten. Dann lässt sich der Nutzen von KI mit einem vernünftigen Ressourcenprofil verbinden.

Genau an diesem Punkt setzen Lösungen wie deepsight Cloud an: auf die Analyse qualitativer Textdaten mit durchdachten Workflows, DSGVO-konformer Verarbeitung und einem Fokus darauf, Rechenaufwand dort zu reduzieren, wo er vermeidbar ist.