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.