Forscher am Institute of Atmospheric Physics der Chinesischen Akademie der Wissenschaften haben 2024 ein Deep-Learning-Modell vorgestellt, das El-Niño-Ereignisse im Zentralpazifik bis zu 18 Monate im Voraus prognostiziert — sechs Monate mehr als die besten physikbasierten Klimamodelle, die ab einer Vorlaufzeit von zwölf Monaten systematisch an Genauigkeit verlieren. Das Modell identifiziert räumliche Muster von Meeresoberflächentemperatur-Anomalien und unterscheidet dabei zwischen Ostpazifik- und Zentralpazifik-Varianten des Phänomens — eine Differenzierung, an der herkömmliche dynamische Modelle regelmäßig scheitern.
Dieser Fortschritt steht exemplarisch für eine breitere Entwicklung: Künstliche Intelligenz verschiebt die Grenzen der Klimaprognose. Doch die Infrastruktur, die dafür nötig ist, verbraucht Energie in einem Ausmaß, das die Frage aufwirft, ob der ökologische Nettoeffekt positiv bleibt.
Wo KI klassische Modelle übertrifft
Traditionelle El-Niño-Vorhersagen stützen sich auf gekoppelte Ozean-Atmosphäre-Modelle, die auf Supercomputern laufen und physikalische Gleichungen lösen. Ihre Trefferquote fällt jenseits von sechs Monaten Vorlaufzeit steil ab — ein Problem, das Klimatologen als „spring predictability barrier" bezeichnen. Deep-Learning-Modelle umgehen diese Barriere, indem sie nicht physikalische Gleichungen lösen, sondern statistische Muster in historischen Datenreihen erlernen.
Das Ergebnis: Neben dem chinesischen Modell arbeiten Teams an der Universität Tübingen mit Netzwerk-Krümmungsanalysen, die die unterschiedlichen Telekonnektion-Muster von Ost- und Zentralpazifik-El-Niños kartieren. ClimateAi, ein kalifornisches Start-up, übersetzt solche Modelle in unternehmensspezifische Prognosen — etwa für Ernteerträge in Regionen, die von El-Niño-bedingten Dürren betroffen sind. Das European Centre for Medium-Range Weather Forecasts (ECMWF) testet rein KI-basierte Wettermodelle, die bei Qualitätsprüfungen mit traditionellen Modellen gleichziehen oder diese übertreffen — bei einem Bruchteil der Rechenzeit.
Entscheidend ist dabei die Geschwindigkeit: Eine KI-Prognose, die auf vortrainierten Modellen läuft, liefert in Minuten, wofür physikbasierte Supercomputer-Simulationen Stunden oder Tage benötigen. Für Katastrophenschutz-Behörden, die bei einem herannahenden El Niño Frühwarnungen an Landwirte in Indonesien, Fischereien in Peru oder Infrastrukturbetreiber in Australien aussenden, ist dieser Zeitvorteil operativ relevant.
Von der Prognose zur Anpassung: Landwirtschaft und Infrastruktur
Die Vorhersage allein schützt niemanden — erst die Übersetzung in konkrete Anpassungsmaßnahmen erzeugt Wirkung. Hier setzen mehrere Projekte an:
Das Max-Planck-Institut hat im April 2025 ein KI-gestütztes Frühwarnsystem für Extremwetterfolgen vorgestellt, das Extremereignisse mit hoher räumlicher Auflösung lokalisiert — bis auf 20 Meter Genauigkeit für Risiken wie Bodenerosion oder Überschwemmungsflächen.
In der Landwirtschaft arbeiten die Projekte NaLamKI und Agri-Gaia, gefördert vom Bundesministerium für Wirtschaft und Klimaschutz, an KI-Plattformen, die Satellitenbilder, Bodensensordaten und lokale Wetterstationen zusammenführen. Ziel ist es, Landwirten in Niedersachsen oder Bayern Empfehlungen zur Sortenwahl und Bewässerung zu geben, bevor ein El-Niño-beeinflusster Sommer die Ernte gefährdet. Das Julius Kühn-Institut (JKI) setzt KI zur Prognose von Pflanzenkrankheiten ein, die sich unter veränderten klimatischen Bedingungen ausbreiten.
Für Infrastruktur zeigt sich ein ähnliches Muster: KI-Modelle können den erwarteten Stresslevel auf Stromnetze, Deiche oder Wasserkraftwerke unter verschiedenen El-Niño-Szenarien simulieren. Das Karlsruher Institut für Technologie (KIT) hat mit dem Start-up Heliopas AI eine KI-Anwendung entwickelt, die Landwirten Bewässerungsempfehlungen auf Basis von Echtzeitdaten und Klimaprognosen liefert.
Die Kehrseite: Energieverbrauch als systemischer Widerspruch
Die ökologische Bilanz dieser Werkzeuge ist weniger eindeutig als ihre Prognoseleistung. Der weltweite Stromverbrauch von KI-Rechenzentren wird sich laut einer Analyse des Öko-Instituts im Auftrag von Greenpeace bis 2030 auf rund 550 Milliarden Kilowattstunden verelffachen (Basisjahr: Stand unbekannt, Prognose 2025). Eine einzelne Anfrage an ein großes Sprachmodell wie ChatGPT verbraucht etwa zehnmal so viel Energie wie eine herkömmliche Google-Suche. Das Training von GPT-3 allein benötigte schätzungsweise 1.300 Megawattstunden — den Jahresverbrauch von rund 130 US-Haushalten.
Dazu kommt der Wasserverbrauch: KI-Rechenzentren verbrauchen nach Angaben desselben Greenpeace-Berichts doppelt so viel Kühlwasser wie konventionelle Rechenzentren. Bis 2030 soll der Wasserverbrauch für Rechenzentrumskühlung weltweit auf 664 Milliarden Liter steigen — eine Vervierfachung. In Regionen, die von El-Niño-bedingten Dürren betroffen sind, verschärft der Wasserverbrauch von Rechenzentren genau die Knappheit, gegen die KI-Modelle Anpassungsstrategien liefern sollen.
Die Treibhausgasemissionen durch KI-Systeme könnten bis 2030 auf 355 Millionen Tonnen ansteigen (energiezukunft.eu, Stand Mai 2025), trotz des Ausbaus erneuerbarer Energien.
Die digitale Kluft: Wer profitiert — und wer nicht
Die Gegenposition verdient Gehör: Befürworter argumentieren, dass der Energieverbrauch von KI-Klimamodellen im Vergleich zum Gesamtverbrauch marginal sei und die gesellschaftlichen Gewinne — gerettete Ernten, vermiedene Flutschäden, optimierte Energiesysteme — den ökologischen Preis überwiegen. KI könne den Energieverbrauch in Gebäuden um bis zu 30 Prozent senken und Logistik-Emissionen reduzieren (energiezukunft.eu, Stand Mai 2026). Zudem verlagern Konzerne wie Apple KI-Berechnungen zunehmend auf den lokalen Chip des Endgeräts — „On-Device AI" —, was den Datenverkehr zu Rechenzentren reduziert.
Dieses Argument greift jedoch zu kurz, wenn man die Verteilung der Gewinne betrachtet. Ein Drittel der Weltbevölkerung hat keinen Internetzugang (Greenpeace, Stand unbekannt). Die KI-gestützten Frühwarnsysteme des Max-Planck-Instituts oder die Ertragsmodelle von ClimateAi erreichen subsaharische Kleinbauern, die von El-Niño-Dürren am härtesten getroffen werden, in der Regel nicht. Hyperlokale Wetterdaten, auf die KI-Modelle angewiesen sind, fehlen in weiten Teilen Afrikas und Südasiens — dort, wo die Vorhersagen am dringendsten gebraucht werden. Das BMZ fördert Digitalisierungsprojekte in Partnerländern, doch die Infrastrukturlücke — Stromversorgung, Datenleitungen, technisches Personal — bleibt der Flaschenhals.
Die technische Grenze: Extremereignisse
Hinzu kommt eine methodische Schwäche, die KI-Optimisten selten thematisieren: Deep-Learning-Modelle lernen aus historischen Daten. Ereignisse, die historisch selten oder beispiellos sind — genau die Extremereignisse, vor denen El-Niño-Frühwarnsysteme warnen sollen — werden systematisch unterschätzt. Die SRF-Meteo-Redaktion dokumentierte, dass KI-Modelle in Schweizer Alpentälern aufgrund fehlender lokaler Trainingsdaten versagen. Das Alfred-Wegener-Institut warnte, dass El-Niño-Ereignisse sich durch die globale Erwärmung grundlegend verändern könnten — häufiger, stärker, in veränderter räumlicher Struktur. Ein Modell, das auf Daten des 20. Jahrhunderts trainiert wurde, ist für El-Niño-Muster des 21. Jahrhunderts nur bedingt gerüstet.
Klimaforscher am ECMWF und am Fraunhofer-Institut plädieren daher für hybride Modelle, die physikalische Gleichungen mit neuronalen Netzen kombinieren — die KI erlernt die Muster, die Physik setzt die Grenzen des Möglichen.
Was fehlt: Regulierung und Bilanzierung
Weder die EU noch andere Regulierer verlangen bislang eine standardisierte Umweltbilanzierung von KI-Anwendungen. Der EU AI Act regelt Risikokategorien, nicht Energieverbrauch. Ein KI-Modell, das El-Niño-Vorhersagen verbessert, unterliegt denselben Transparenzpflichten wie ein Chatbot für Kundenservice — aber keiner spezifischen Nachhaltigkeitspflicht. Das Bundesumweltministerium fördert zwar KI-Projekte für den Klima- und Umweltschutz, eine verbindliche Klimabilanz für KI-Systeme fehlt.
Die Heinrich-Böll-Stiftung und das Öko-Institut weisen zudem auf den Jevons-Effekt hin: Effizientere KI-Systeme senken die Kosten pro Berechnung, was die Gesamtnachfrage steigert — und den Energieverbrauch in absoluten Zahlen nach oben treibt, statt ihn zu senken.
Fazit: Werkzeug, nicht Lösung
KI-gestützte El-Niño-Prognosen sind ein genuiner Fortschritt. Sie verlängern den Vorhersagehorizont, beschleunigen die Berechnung und ermöglichen lokale Anpassungsstrategien, die ohne maschinelles Lernen nicht denkbar wären. Doch die Technologie löst keine politischen Probleme: nicht die fehlende Infrastruktur in Entwicklungsländern, nicht die Abwesenheit verbindlicher Emissionsstandards für Rechenzentren, nicht die Frage, ob Effizienzgewinne durch KI den Gesamtverbrauch tatsächlich senken oder nur umver