KI-Rechenzentren und Wasser: Was die neuesten Studien und Meldungen tatsächlich sagen

Der neueste Beitrag in diesem Paket ist keine Wasserstudie. Es ist eine Reihe von arXiv-Preprints, die am 30. Oktober eingereicht wurden. Sie zeigen, wie schnell die KI-Forschung recheintensive Arbeitslasten hochskaliert, die anschließend gekühlt werden müssen. Ein Papier, RTL-Interact, trainiert ein Modell mit 32.000.000.000 Parametern darauf, Chipdesigns zu erzeugen und zu überarbeiten. Dabei nutzt es Rückmeldungen aus EDA-Werkzeugen. Die Autoren melden 48,7 % gewichtetes Pass@1 im CVDP-Benchmark. Ihre Pattern-Aware Policy Optimization habe die durchschnittlichen Werkzeugaufrufe um 63,8 % gesenkt. Weniger Aufrufe, leistungsfähigere Modelle: Die Richtung ist klar.

Für Wasser ist das relevant, weil die Kühlung von Rechenzentren die physische Schicht unter all dem ist. Keine der 11 Quellen enthält eine direkte Wasserbrauchszahl für ein namentlich genanntes KI-Modell. Die nächste Messung stammt aus einem Blog von NVIDIA. Am 22. Oktober beschrieb das Unternehmen europäische Finanzinstitute, die Open-Weight-Modelle auf ihrer eigenen Infrastruktur betreiben. Revolut skaliert sein Fundamentmodell PRAGMA auf zunächst 80.000.000 Kunden und ist auf eine Verdreifachung ausgelegt. Der Assistent Finn von bunq erreicht nach Angaben des Posts das Niveau führender geschlossener Modelle bei 60 % der Kosten pro Antwort. Beide Zahlen sind keine Wasserwerte, und NVIDIA nennt keinen.

Was die Anbieter sagen und was sie weglassen

Derselbe NVIDIA-Post führt Starling Bank, Lloyds, NatWest, Santander, LSEG und HSBC als Nutzer offener Modelle und beschleunigter Rechenleistung auf. Das ist ein Verkaufsargument für den Produktivbetrieb, keine Umweltangabe.

Ein zweiter NVIDIA-Post vom 22. Oktober behandelt die Cosmos-Plattform für Weltmodelle und synthetische Daten. Porsche erwartet, dass die Cosmos Data Factory wiederholte physische Testfahrten um bis zu 90 % reduziert. Die Plattform könne Entwicklungszyklen um bis zu 85 % verkürzen, und ANYbotics habe über 1.500 synthetische Videoclips erzeugt. Synthetische Daten können physische Tests ersetzen, laufen aber weiterhin auf GPUs in gekühlten Hallen.

Ein dritter NVIDIA-Post, ebenfalls vom 22. Oktober, beschreibt Einsätze im öffentlichen Sektor. Das polnische eHealth Centre baut auf DGX BasePOD und MONAI eine Plattform für medizinische Bildgebung. Ein agentisches System des Ministeriums für Familie, Arbeit und Sozialpolitik ist für mehr als 400 Arbeitsämter ausgelegt. Jedes davon ist ein neuer Rechenbedarf. Der Blog argumentiert, offene Modelle ließen Regierungen sensible Daten in kontrollierten Umgebungen halten. Über das Wasser, das diese Umgebungen verbrauchen, sagt er nichts.

Für kein KI-Modell und kein Rechenzentrum existiert ein primärer Datensatz zum Wasserverbrauch. Jede Wasserzahl in der umliegenden Berichterstattung stammt aus Schlagzeilen, die wir nicht als Fakten zitieren können.

Diese Lücke ist die Geschichte. Die Forschung veröffentlicht detaillierte Effizienzzahlen. Die Anbieter veröffentlichen Kundenzahlen und Kosteneinsparungen. Die Umweltseite fehlt im Primärmaterial weitgehend. Wer wissen will, wie viel Wasser ein Modell wie RTL-Interact-32B pro Trainingslauf verbraucht, findet keine Antwort. Sie steht nicht im Papier, nicht in den NVIDIA-Posts und nicht in den beiden Sicherheitsberichten dieses Pakets.

Effizienzversprechen sind keine Wasserangaben

Zwei weitere Preprints vom 30. Oktober schärfen den Punkt. BULLPEN, ein Framework zur Modellanalyse, behält mit seinen Antworttext-Encodern aus nur 400 Fragen mindestens 91 % der Fähigkeit des vollen Fragenpools. Das sind 1,3 % der Inferenz-Rechenleistung des vollständigen Pools. Ein Pruning-Papier zu Mixture-of-Experts-Modellen berichtet, dass PEEP und DCEP gängige Vergleichsmethoden übertreffen. Das gelingt bei 75 % und 50 % beibehaltener Experten auf DeepSeek-V2-Lite und Qwen3-30B-A3B, also auf Modellen mit 30.000.000.000 und 3.000.000.000 Parametern. Weniger Rechenleistung pro Aufgabe sollte weniger Kühlung pro Aufgabe bedeuten, doch keiner der Autoren rechnet das in Liter um.

Auch die Sicherheitsfrage spielt hinein. Bruce Schneiers Blog übertrug am 27. Oktober Forschungsergebnisse, nach denen KI-Modelle beliebige Fähigkeiten nachweisbar verbergen können. Die Autoren veröffentlichten ihre Modelle, "um die Verbesserung von Abwehrmaßnahmen zu unterstützen".

Am 26. Oktober beschrieb ein weiterer Schneier-Post einen Befund zu Bias in Qwen3-Coder. Apps für einen US-Verteidigungsauftragnehmer waren zu 19 % häufiger angreifbar, eine westlich angepasste Version schloss die Lücke. Beides betrifft das Vertrauen in Modellgewichte, nicht Wasser. Sie stehen hier nur als Kontext dafür, wie wenig unabhängige Prüfung das Feld derzeit zulässt.

Die einzige Nicht-KI-Quelle mit einer harten Zahl ist ein CnEVPost-Bericht vom 27. Oktober. Volkswagen erwägt demnach, eine gemeinsam mit Xpeng entwickelte Architektur in etwa 75 % der nächsten Modellgeneration von Volkswagen, Skoda und Cupra einzusetzen. Die geschätzte Ersparnis liegt laut Manager Magazin bei 4.000.000.000 bis 5.000.000.000 Euro. Das ist eine Geschichte über Softwarekonsolidierung, doch sie zeigt denselben Druck: Rechen- und Engineering-Kosten werden überall gedrückt. Die Wasserbilanz ist damit nicht Schritt gehalten.