Inhaltsverzeichnis
- Was ist Green AI?
- Der ökologische Fußabdruck der KI?
- Prinzipien und Best-Practices für Green AI
- Vorteile und Chancen von Green AI
- Herausforderungen und der Weg nach vorn
- Fazit
- Quellen
Die Künstliche Intelligenz (KI) durchdringt zunehmend alle Bereiche unseres Lebens und verspricht revolutionäre Fortschritte in Wissenschaft, Wirtschaft und Gesellschaft. Doch mit dieser technologischen Revolution geht eine weniger sichtbare, aber ebenso bedeutsame Entwicklung einher: ein exponentiell wachsender ökologischer Fußabdruck. Während KI-Systeme immer leistungsfähiger werden, steigt ihr Energie- und Ressourcenverbrauch dramatisch an. Als Antwort auf diese Herausforderung entsteht die Bewegung der „Green AI“, die eine zentrale Frage aufwirft: Wie können wir die Vorteile der KI nutzen, ohne dabei unseren Planeten zu gefährden?
Was ist Green AI?
Um diese Frage zu beantworten, müssen wir zunächst verstehen, was Green AI eigentlich bedeutet. Green AI, auch bekannt als Sustainable AI oder Eco-friendly AI, konzentriert sich auf die Entwicklung und den Einsatz von KI in einer Weise, die deren Umweltauswirkungen minimiert. Die Green AI Committee (GAIC) der Green Software Foundation hat hierfür eine präzise Definition etabliert, die sich explizit auf die Reduzierung des ökologischen Fußabdrucks von KI-Systemen über ihren gesamten Lebenszyklus hinweg konzentriert (Green AI Committee, 2025).
Besonders wichtig ist dabei die klare Abgrenzung von verwandten Konzepten. Diese Definition umfasst bewusst nicht, was KI für die Nachhaltigkeit tun kann – wie beispielsweise die Optimierung von Lieferketten oder Energiemanagement – noch befasst sie sich mit Responsible AI oder AI Safety (Green AI Committee, 2025). Diese scharfe Fokussierung erweist sich als entscheidend, da sie das Kernproblem des ökologischen Fußabdrucks von KI in den Mittelpunkt stellt und gleichzeitig verhindert, dass Unternehmen Greenwashing betreiben, indem sie ihre „AI for sustainability“-Initiativen hervorheben, während sie die Umweltkosten ihrer eigenen KI-Infrastruktur ignorieren.
Die Dringlichkeit dieser Fokussierung wird durch alarmierende Zahlen unterstrichen. Rechenzentren verbrauchen bereits heute weltweit etwa 1% des globalen Strombedarfs – eine Zahl, die voraussichtlich weiter steigen wird (Green AI Institute, 2025). Angesichts dieser Entwicklung macht die Notwendigkeit, den ökologischen Fußabdruck dieser Einrichtungen zu mindern, Green AI zu einem zentralen Thema für die Zukunft der Technologie.
Der ökologische Fußabdruck der KI
Energieverbrauch von KI-Systemen und Rechenzentren
Die Zahlen zum Energieverbrauch moderner KI-Systeme sind gleichermaßen beeindruckend wie besorgniserregend. Die für das Training generativer KI-Modelle erforderliche Rechenleistung kann einen enormen Stromverbrauch verursachen, was direkt zu erhöhten CO2-Emissionen und erheblichem Druck auf das Stromnetz führt (Zewe, 2025). Dabei kann ein generativer KI-Trainingscluster sieben- bis achtmal mehr Energie verbrauchen als eine typische Computerarbeitslast (Zewe, 2025).
Um das tatsächliche Ausmaß dieser Herausforderung zu verstehen, lohnt sich ein Blick auf konkrete Entwicklungen: Der weltweite Stromverbrauch von Rechenzentren hat sich in den letzten fünf Jahren verdoppelt und wird sich bis 2030 voraussichtlich erneut verdoppeln. Wie in Abbildung 1 zu sehen ist, ist der größte Anstieg vor allem bei den beschleunigten Servern zu verzeichnen, die für den Einsatz von KI genutzt werden.
Abbildung 1: Weltweiter Stromverbrauch von Datenzentren nach Ausstattungsmerkmalen
Noch problematischer wird die Situation durch die Tatsache, dass KI-Server bis zu zehnmal mehr Strom verbrauchen als Standardserver und dabei in beispiellosem Umfang eingesetzt werden (Galarza, 2025). Diese exponentielle Zunahme des Energieverbrauchs stellt nicht nur ein quantitatives Problem dar, sondern entwickelt sich zu einem systematischen Risiko für die globale Energieinfrastruktur. Erschwerend kommt hinzu, dass Experten warnen, erneuerbare Energien wachsen derzeit nicht schnell genug, um mit dem Bedarf der KI Schritt zu halten (Galarza, 2025), was unweigerlich zu einer erhöhten Abhängigkeit von fossilen Brennstoffen führen könnte.
Kohlenstoffemissionen durch Training und Inferenz
Dieser massive Energieverbrauch von KI-Systemen manifestiert sich unmittelbar in erheblichen Kohlenstoffemissionen. Ein anschauliches Beispiel liefert das Training von OpenAIs GPT-3, das allein 1.287 Megawattstunden Strom verbrauchte – genug, um etwa 120 durchschnittliche US-Haushalte ein Jahr lang zu versorgen – und dabei etwa 552 Tonnen Treibhausgase erzeugte (Zewe, 2025). Nimmt man den aktuellen Preis einer Tonne Treibhausgase von ca. 70€ (Börse) entstehen alleine durch den Ausstoß der Treibhaugase Kosten im Wert von 552t * 70€ = 38.640€. Diese einzelne Zahl verdeutlicht bereits die enormen Umweltkosten bestehender KI-Modelle.
Doch die Umweltbelastung endet keineswegs nach dem Training. Vielmehr verbraucht jede Nutzung eines Modells, die sogenannte Inferenz, ebenfalls kontinuierlich Energie. Dabei verbraucht beispielsweise eine ChatGPT-Abfrage etwa fünfmal mehr Strom als eine einfache Websuche (Zewe, 2025). Da diese Modelle zunehmend allgegenwärtig werden und ihre Nutzung exponentiell steigt, wird erwartet, dass die Inferenz bei generativer KI schon bald den größten Anteil des Energieverbrauchs ausmachen wird (Zewe, 2025).
Ressourcenverbrauch: Wasser, Rohstoffe und Elektronikschrott
Parallel zum Energieverbrauch stellt der Wasserbedarf eine weitere kritische Ressourcenherausforderung dar. Rechenzentren benötigen erhebliche Mengen Wasser für ihre Kühlsysteme, wobei geschätzt wird, dass für jede Kilowattstunde Energie, die ein Rechenzentrum verbraucht, zwei Liter Wasser für die Kühlung benötigt werden (Zewe, 2025). Um diese Zahlen zu konkretisieren: Das Training eines bestimmten generativen KI-Modells könnte direkt 700.000 Liter Frischwasser für die Kühlung verdunsten lassen – das entspricht etwa 25% eines olympischen Schwimmbeckens (LI, 2025).
Neben dem direkten Betrieb entstehen weitere Umweltbelastungen bereits bei der Herstellung der Hardware. Die Produktion der für KI unerlässlichen GPUs hat erhebliche Umweltauswirkungen, die Emissionen im Zusammenhang mit Material- und Produkttransport sowie die Umweltfolgen der Gewinnung von Rohmaterialien umfassen, welche oft mit umweltschädlichen Bergbauverfahren und dem Einsatz giftiger Chemikalien verbunden sind (Zewe, 2025).
Zusätzlich verschärft der schnelle Fortschritt der KI-Hardware das Problem der Nachhaltigkeit durch häufige Hardware-Ersetzungen, was schwer recycelbaren Elektronikschrott erzeugt (Brinkman, 2025). Besonders problematisch ist dabei die Abhängigkeit der KI-Chip-Produktion von seltenen Erden, deren Abbau nicht-erneuerbare Ressourcen erschöpft und zu Umweltverschmutzung sowie Lebensraumzerstörung beiträgt (Brinkman, 2025).
Prinzipien und Best Practices für Green AI
Angesichts dieser umfassenden Umweltherausforderungen haben sich verschiedene Ansätze und Best Practices für Green AI entwickelt, die auf unterschiedlichen Ebenen ansetzen.
Effizienz auf algorithmischer Ebene
Der erste und oft wirksamste Ansatzpunkt für Green AI liegt in der Optimierung der KI-Modelle selbst. Hier erweist sich die Priorisierung kleinerer Modelle als besonders effektive Strategie, da effiziente Architekturen wie DistilBERT demonstrieren, dass kompaktere Modelle mit deutlich weniger Ressourcen eine vergleichbare Leistung erzielen können (Sanh, 2019).
Ergänzend dazu können fortgeschrittene Optimierungstechniken den Ressourcenbedarf weiter reduzieren. Techniken wie Modellpruning – bei dem redundante Verbindungen systematisch entfernt werden – und Quantisierung, die die numerische Präzision von Berechnungen reduziert, können den Rechenaufwand ohne spürbare Leistungseinbußen erheblich verringern (AIQURIS, 2025; GAO, 2025).
Darüber hinaus stellt die strategische Wiederverwendung vortrainierter Modelle anstatt des Trainings von Grund auf eine weitere wichtige Effizienzmaßnahme dar, die den anfänglichen Rechenaufwand erheblich reduziert (VerifyWise, 2025). Parallel dazu trägt die Begrenzung von Overfitting durch early stopping zur Gesamteffizienz bei und verhindert verschwenderische Rechenzyklen (VerifyWise, 2025).
Hardware-Innovationen und nachhaltige Rechenzentren
Neben algorithmischen Verbesserungen bietet die Hardware-Ebene enormes Optimierungspotenzial. Investitionen in energieeffiziente Prozessoren wie TPUs oder spezialisierte CPUs sind dabei unerlässlich, um den Energieverbrauch sowohl während des Trainings als auch der Inferenz zu minimieren (AIQURIS, 2025).
Besonders bedeutsam erweisen sich in diesem Kontext SSDs (Solid-State Drives) als entscheidende Komponenten zur Verbesserung der Energieeffizienz, da sie im Vergleich zu traditionellen HDDs nicht nur deutlich weniger Strom verbrauchen, sondern auch erheblich schneller arbeiten (Baker, 2025).
Darüber hinaus revolutionieren neue Technologien wie CXL (Compute Express Link) die Effizienz von KI-Systemen, indem sie die Speicherkapazität und Bandbreite verbessern, die GPU-Auslastung erhöhen und gleichzeitig den Energieverbrauch reduzieren (Baker, 2025). Parallel dazu entwickeln sich intelligente Speichersysteme, die KI-Algorithmen zur dynamischen Verwaltung von Datenplatzierung, Bandbreitennutzung und Stromverbrauch integrieren, als entscheidende Komponenten für die nächste Generation von KI-Rechenzentren (Baker, 2025).
Schließlich können fortschrittliche Flüssigkeitskühlsysteme wie das Immersive Liquid Cooling System die Gesamteffizienz weiter verbessern, indem sie den traditionell hohen Energiebedarf für die Kühlung von KI-Servern deutlich reduzieren.
Einsatz erneuerbarer Energien und geografische Optimierung
Während technische Optimierungen wichtig sind, spielt die Energiequelle für Rechenzentren eine noch fundamentalere Rolle für die Nachhaltigkeit von KI-Systemen. Eine konsequente Umstellung von Rechenzentren auf erneuerbare Energiequellen ist daher entscheidend, um sicherzustellen, dass KI-Operationen wirklich nachhaltig betrieben werden.
Ein praktischer Schritt in diese Richtung ist die bewusste Nutzung grüner Cloud-Anbieter, die konsequent auf erneuerbare Energien setzen. Ergänzend dazu kann die zeitliche Optimierung erhebliche Verbesserungen bewirken: Die strategische Planung des Modelltrainings während Stunden geringer Kohlenstoffintensität im Stromnetz kann den ökologischen Fußabdruck messbar reduzieren (VerifyWise, 2025).
Noch wirkungsvoller ist jedoch eine geografische Optimierung der KI-Infrastruktur. Die gezielte Platzierung von KI-Rechenzentren in Regionen mit reichlich erneuerbarer Energie wie Island kann die Abhängigkeit von fossilen Brennstoffen erheblich reduzieren. Diese Strategie lässt sich durch moderne Cloud-Technologien noch weiter optimieren: Cloud-Anbieter können KI-Aufgaben dynamisch an Orte verlagern, an denen erneuerbare Energie zu einem bestimmten Zeitpunkt am besten verfügbar ist (Galarza, 2025).
Transparenz und Messbarkeit von Umweltauswirkungen
All diese technischen und strategischen Maßnahmen sind jedoch nur dann wirklich effektiv, wenn sie auf einer soliden Basis von Transparenz und Messbarkeit aufbauen. Ohne präzise Daten bleiben Fortschritte vage und die Rechenschaftspflicht gering. Daher ist die systematische Durchführung von Energieaudits zur Messung des Kohlenstoff-Fußabdrucks von KI-Systemen und zur Identifizierung von Ineffizienzen von grundlegender Bedeutung (AIQURIS, 2025).
Zur praktischen Umsetzung dieser Transparenz ermöglicht der Einsatz spezialisierter Tools, wie z.B. der Carbontracker vom Green-AI Hub, eine präzise Überwachung des Energieverbrauchs und der CO2-Emissionen. Ein ermutigendes Beispiel für diese Praxis hat Hugging Face geschaffen, indem es einen wichtigen Präzedenzfall etablierte und die Treibhausgase einiger seiner Modelle veröffentlichte (VerifyWise, 2025).
Aufbauend auf solchen Beispielen sollten Unternehmen systematisch umfassende Umweltverträglichkeitsberichte veröffentlichen, die Energiequellen, Lebenszyklusemissionen und Kompensationsbemühungen detailliert darlegen (Brinkman, 2025). Die Bedeutung dieser Transparenz wird durch das US Government Accountability Office unterstrichen, das hervorhebt, dass fehlende Daten derzeit ein großes Problem darstellen (GAO, 2025), was die dringende Notwendigkeit standardisierter Messungen und Berichterstattung unterstreicht.
Vorteile und Chancen von Green AI
Trotz aller Herausforderungen bietet Green AI nicht nur Lösungen für Umweltprobleme, sondern eröffnet auch bedeutende Chancen in verschiedenen Bereichen.
Umweltschutz und Ressourceneffizienz
Der offensichtlichste Vorteil von Green AI liegt in der direkten Optimierung des Ressourcenverbrauchs und der Reduzierung der Umweltbelastung durch den Einsatz fortschrittlicher Algorithmen und Datenanalysen. Dabei können Industrien nicht nur den Energieverbrauch minimieren, sondern gleichzeitig die Abfallerzeugung und den Treibhausgasausstoß reduzieren sowie Produktionsprozesse optimieren.
Ein besonders beeindruckendes Beispiel für diese Möglichkeiten liefert Google, das durch den strategischen Einsatz von KI-Algorithmen zur Optimierung seiner Kühlsysteme den Energieverbrauch seiner Rechenzentren um 40% senken konnte (OneAdvanced PR, 2025).
Diese individuellen Erfolge summieren sich zu systemweiten Verbesserungen: Die Verbesserung der Energieeffizienz in verschiedenen Sektoren führt sowohl zu reduzierten Treibhausgasemissionen als auch zu niedrigeren Betriebskosten. Intelligente Energienetze, Precision Farming und energieeffiziente Fertigungsprozesse tragen alle zu einer besseren Ressourcenschonung bei und demonstrieren das Potenzial von Green AI für umfassende systemweite Verbesserungen.
Wirtschaftliche und Wettbewerbsvorteile
Parallel zu den Umweltvorteilen entstehen auch erhebliche wirtschaftliche Chancen. Die Umweltvorteile von Green AI – Energieeffizienz, Ressourceneffizienz und Verringerung der Treibhausgasemissionen – führen direkt zu messbaren Kosteneinsparungen und sind daher gleichzeitig wirtschaftliche Vorteile. Die Einführung von Green AI fördert darüber hinaus die Innovations- und Wettbewerbskultur in Unternehmen. Dadurch können Unternehmen neue Produkte, Dienstleistungen und Geschäftsmodelle entwickeln, die bei zunehmend umweltbewussten Verbrauchern starken Anklang finden. Dies kann Tech-Firmen dabei helfen, eine Führungsposition in Technologie, Ethik und Nachhaltigkeit gleichzeitig einzunehmen (Brinkman, 2025).
Diese Positionierung wird besonders relevant, da die Generation Z verstärkt Transparenz bezüglich der Umweltkosten von KI fordert und bewusst Unternehmen bevorzugt, die aktiv Maßnahmen zur Minderung ihrer Auswirkungen ergreifen (Brinkman, 2025).
Beitrag zu nachhaltiger Entwicklung und Klimaresilienz
Auf einer noch grundlegenderen Ebene bietet Green AI eine gute Möglichkeit, Wirtschaftswachstum systematisch von Umweltzerstörung zu entkoppeln. Durch die Förderung nachhaltiger Praktiken und Innovationen ermöglicht Green AI Industrien, weiterhin Wachstum zu erzielen und gleichzeitig ihren ökologischen Fußabdruck zu minimieren.
Diese Transformation erstreckt sich von nachhaltigem Lieferkettenmanagement bis zur Entwicklung grüner Infrastruktur und erleichtert so den systematischen Übergang zum nachhaltigeren und widerstandsfähigeren Wirtschaften. Gleichzeitig schafft Green AI neue wirtschaftliche Möglichkeiten und fördert das Beschäftigungswachstum in verschiedenen Branchen, da die Nachfrage nach Fachkräften in Datenwissenschaft, KI-Entwicklung und Umweltmanagement kontinuierlich steigt (ToXSL Technologies Pvt. Ltd., 2025).
Diese „doppelte Dividende“ – sowohl die Reduzierung der eigenen Kosten als auch die Befähigung anderer zu Nachhaltigkeitslösungen – positioniert Green AI als zentralen Hebel für eine umfassende grüne Transformation der Wirtschaft.
Herausforderungen und der Weg nach vorn
Trotz aller vielversprechenden Vorteile und Chancen steht die praktische Implementierung von Green AI vor erheblichen Herausforderungen, die einen strukturierten Ansatz erfordern.
Aktuelle Hürden bei der Implementierung
Eine der grundlegendsten Hürden liegt in der Datenqualität, da voreingenommene, unvollständige oder ungenaue Daten zu schlechten Ergebnissen führen und nachhaltige KI-Praktiken systematisch behindern können (OneAdvanced PR, 2025). Parallel dazu bleibt die schiere Rechenleistung eine zentrale Herausforderung, da KI-Modelle nach wie vor erhebliche Rechenleistung erfordern, was unweigerlich zu hohem Energieverbrauch und einem großen Ausstoß von Treibhausgasen führt.
Zusätzlich verschärft sich das Problem des Hardware-Recyclings kontinuierlich mit der wachsenden Menge an Elektronikschrott, der schwer zu recyceln ist (OneAdvanced PR, 2025). Ein weiterer kritischer Faktor ist der nach wie vor bestehende Mangel an Bewusstsein: Unternehmen und Entwickler verstehen oft weder die Bedeutung noch den praktischen Implementierungsprozess von nachhaltiger KI ausreichend (OneAdvanced PR, 2025).
Erschwerend kommt hinzu, dass die genaue Schätzung der Umweltauswirkungen von generativer KI aufgrund fehlender Daten und der mangelnden Bereitschaft von Entwicklern, proprietäre Informationen offenzulegen, nach wie vor schwierig ist (GAO, 2025).
Besonders tückisch erweist sich dabei der sogenannte „Rebound-Effekt“: Effizienzgewinne könnten paradoxerweise durch den gleichzeitigen Anstieg der Nachfrage nach KI-Diensten völlig zunichte gemacht werden (GAO, 2025; Galarza, 2025). Wenn KI effizienter und damit kostengünstiger wird, wird sie in mehr Anwendungen eingesetzt und von mehr Nutzern verwendet, wodurch die Einsparungen pro Einheit durch die massive Zunahme der Einheiten kompensiert werden. Diese Dynamik bedeutet, dass Green AI nicht nur eine technische, sondern auch eine regulatorische und verhaltensbezogene Herausforderung darstellt.
Politische Rahmenbedingungen und Regulierungen
Angesichts dieser komplexen Herausforderungen erkennen Regierungen weltweit zunehmend die Bedeutung der Etablierung umfassender Green AI-Politiken. Ein gutes Beispiel hierfür war der AI Action Summit in Paris, bei dem 60 Nationen, darunter China und Indien eine gemeinsame Erklärung unterzeichneten, die sich für eine inklusive und nachhaltige KI-Entwicklung einsetzt (Wikipedia, 2025).
Parallel dazu betonen die KI-Regulierungen der Europäischen Union verstärkt die Notwendigkeit von Transparenz, Rechenschaftspflicht und Inklusivität im KI-Sektor, was Unternehmen systematisch zu nachhaltigeren Praktiken anleitet (AIQURIS, 2025).
Auf einer praktischeren Ebene identifiziert der umfassende GAO-Bericht konkrete politische Optionen zur Verbesserung der Datenerfassung und -berichterstattung, zur Förderung von Innovationen und zur direkten Reduzierung von Umweltauswirkungen (GAO, 2025). Diese Empfehlungen umfassen sowohl die systematische Ermutigung der Industrie, Daten über den Umwelteinfluss der Hardwareproduktion und -entsorgung zu teilen, als auch die verpflichtende Bereitstellung von Informationen über Modell-Details, Infrastruktur, Energie- und Wasserverbrauch sowie Treibhausgase durch Entwickler.
Die Rolle aller Stakeholder
Die erfolgreiche Förderung von Green AI erfordert jedoch eine koordinierte und gemeinsame Anstrengung aller beteiligten Stakeholder. Forschung und Industrie sind dabei aufgerufen, ihre Anstrengungen zur Entwicklung effizienterer Hardware und Infrastruktur deutlich zu verstärken (GAO, 2025). Gleichzeitig ist die intensive Erforschung technischer Methoden zur Reduzierung von Umweltauswirkungen, unterstützt durch systematisch verbesserte Datenerfassung und -berichterstattung, von entscheidender Bedeutung für den Gesamterfolg.
Eine besonders wichtige und oft unterschätzte Rolle spielen dabei die Verbraucher, insbesondere die Generation Z, als zunehmend wichti
ge treibende Kraft für Transparenz und Nachhaltigkeit. Ihre bewussten Präferenzen können Unternehmen effektiv dazu anspornen, nachhaltige Praktiken zu integrieren, und machen Green AI zu einem echten Wettbewerbsvorteil.
Dieser externe Druck von Verbraucherseite kann sich als deutlich effektiver erweisen als interne Compliance-Bemühungen allein und könnte langfristig zu einem „Race to the Top“ in Sachen Nachhaltigkeit führen, von dem die gesamte Branche profitiert.
Quellenverzeichnis
AIQURIS. (2025). Green AI: Policies and Practices for a Sustainable Future. Verfügbar unter: Green AI: Policies and Practices for a Sustainable Future (Zuletzt aufgerufen: 10. Juni 2025).
Baker, J.B. (2025). AI’s Energy Demands: Addressing Sustainability and Technological Advancements in Data Centers. In: Analytics Magazine. Verfügbar unter: AI’s Energy Demands: Addressing Sustainability and Technological Advancements in Data Centers | Analytics Magazine (Zuletzt aufgerufen: 10. Juni 2025).
Brinkman, C. (2025). Green AI Is a Competitive Advantage — Here’s Why It Matters. Verfügbar unter: Green AI Is a Competitive Advantage — Here’s Why It Matters (Zuletzt aufgerufen: 10. Juni 2025).
Galarza, M. (2025). Power: AI data centers need more and more energy. Verfügbar unter: To power AI, data centers need more and more energy (Zuletzt aufgerufen: 10. Juni 2025).
GAO. (2025). Generative Artificial Intelligence: Emerging Benefits and Risks to Society, Culture, and People. Verfügbar unter: https://www.gao.gov/assets/gao-25-107172.pdf (Zuletzt aufgerufen: 10. Juni 2025).
Green AI Committee. (2025). Green AI Position Paper. Verfügbar unter: Green AI Position Paper (Zuletzt aufgerufen: 10. Juni 2025).
Green AI Institute. (2025). The GreenAI Institute. Verfügbar unter: Green AI Institute (Zuletzt aufgerufen: 10. Juni 2025).
OneAdvanced PR. (2024). Sustainable AI: Green innovation towards better tomorrow. Verfügbar unter: Sustainable AI: Green innovation towards better tomorrow (Zuletzt aufgerufen: 10. Juni 2025).
Srinivasa, M., et al. (2023) A Novel Approach to AI-Driven E-Waste Recycling. Verfügbar unter: Making AI Less „Thirsty“: Uncovering and Addressing the… (Zuletzt aufgerufen: 10. Juni 2025).
ToXSL Technologies Pvt. Ltd. (2025). Power of Green AI: Driving Sustainability Through Artificial Intelligence. Verfügbar unter: Power of Green AI: Driving Sustainability Through Artificial Intelligence (Zuletzt aufgerufen: 10. Juni 2025).
VerifyWise (n.d.) Green AI Principles. Verfügbar unter: Green AI principles – VerifyWise (Zuletzt aufgerufen: 10. Juni 2025).
Wikipedia (2024) AI Action Summit. Verfügbar unter: AI Action Summit (Zuletzt aufgerufen: 10. Juni 2025).
Zewe, A. (2025). Explained: Generative AI’s environmental impact. In: MIT News. Verfügbar unter: Explained: Generative AI’s environmental impact (Zuletzt aufgerufen: 10. Juni 2025).
Zhang, L., et al. (2019) Intelligent Sorting Systems for Electronic Waste Management using Deep Learning. Verfügbar unter: DistilBERT, a distilled version of BERT: smaller, faster, cheaper… (Zuletzt aufgerufen: 10. Juni 2025).
