Zum Inhalt springen
ReviewRamble

Der wöchentliche Brief

KI im Test, in deinem Postfach.

  • Neue Tests von Tools, Modellen, MCP-Servern und Repos, mit dem Urteil vorneweg
  • Neu geprüfte Preise und Bewertungen, wenn sich etwas ändert
  • Neue Analysen, sobald sie erscheinen

Modelle, Agenten, MCP-Server und die Tools, die deine Zeit wirklich wert sind.

Eine E-Mail pro Woche. Abmelden kannst du dich über den Link in jedem Brief. Wie wir deine E-Mail-Adresse nutzen

Power Usage Effectiveness (PUE)

Power Usage Effectiveness (PUE, Effizienz der Energienutzung) ist der gesamte Energieverbrauch eines Rechenzentrums geteilt durch den Verbrauch seiner IT-Geräte. Eine PUE von 1,0 hieße, dass jedes Watt ins Rechnen geht; höhere Werte bedeuten mehr Aufwand für Kühlung und Stromverluste.

Auch: PUE

Von Divya Sharma · Geprüft am 20. Nov. 2026 · So testen wir

Jedes KI-Modell, das du aufrufst, läuft auf einer GPU in einem Gebäude, das auch gekühlt und mit Strom versorgt werden muss. PUE misst diesen Zusatzaufwand. Teile den Strom, den der ganze Standort bezieht, durch den Strom, der bei Servern, Speicher und Netzwerktechnik ankommt. Eine PUE von 1,5 bedeutet ein halbes Watt Zusatzaufwand pro Watt Rechenleistung.

Typische Werte

Google meldet in seinem Umweltbericht für 2025 eine flottenweite durchschnittliche PUE von 1,09 und nennt für dasselbe Jahr einen Durchschnitt von 1,54 aus einer Umfrage des Uptime Institute. Bei 100 MW IT-Last, die das ganze Jahr läuft, entspricht dieser Unterschied etwa 394.000 MWh zusätzlichem Strom. Echte Werte hängen von Klima, Kühlkonzept und Auslastung des Standorts ab.

Was sie nicht misst

PUE sagt nichts darüber, wie nützlich die Rechenarbeit ist. Ein Standort voller untätiger Server kann eine hervorragende PUE haben. Wasser ignoriert sie ebenfalls: Verdunstungskühlung senkt die PUE oft, verbraucht aber mehr Wasser, deshalb erfassen Forschende getrennt die Water Usage Effectiveness (WUE) in Litern pro kWh. Wenn du Anbieter vergleichst, etwa eine GPU-Cloud mit Self-Hosting, sagt dir die PUE etwas über das Gebäude, nicht über den Preis pro Token.

Verwandte Begriffe

GPU
Eine GPU (Graphics Processing Unit, Grafikprozessor) ist ein Prozessor mit vielen kleinen Kernen, der dafür gebaut ist, viele Berechnungen parallel auszuführen. Ihr Tempo bei Matrixrechnungen macht sie zur Standardhardware für Training und Betrieb von KI-Modellen.
GPU-Cloud
Eine GPU-Cloud ist ein Dienst, der GPU-Maschinen stunden- oder sekundenweise für KI-Training, Fine-Tuning und Inferenz vermietet. Spezialisierte Anbieter, manchmal Neoclouds genannt, konzentrieren sich auf GPUs und verlangen oft weniger als die großen allgemeinen Clouds.
Self-Hosting (KI-Modelle)
Ein KI-Modell selbst zu hosten (Self-Hosting) heißt, es auf Hardware zu betreiben, die du kontrollierst, etwa eigenen Servern, gemieteten GPUs oder einem Laptop, statt die API eines Anbieters aufzurufen. Du wählst das Modell und behältst die Daten, betreibst aber die Infrastruktur.
Inferenz
Inferenz (Inference) bedeutet, ein trainiertes Modell auszuführen, um aus neuen Eingaben eine Ausgabe zu erzeugen, etwa wenn ein LLM eine Antwort auf einen Prompt generiert. Es ist die Phase, für die Nutzer bei jedem Modellaufruf zahlen, im Gegensatz zum Training.
Serverless GPU
Serverless GPU ist ein Cloud-Modell, bei dem du Code oder ein Modell bereitstellst und die Plattform GPU-Worker erst startet, wenn Anfragen ankommen. Abgerechnet wird die Laufzeit, und im Leerlauf wird auf null skaliert.

Quellen