El Niño als Weckruf: KI für Klimaanpassung statt nur für Apps

Wer KI-Kapazitäten vorrangig in Consumer-Features steckt, während Klimamodelle auf Rechenzeit warten, betreibt Fehlallokation in einer Dekade, in der jedes El-Niño-Ereignis teurer und tödlicher ausfällt als das vorige. Bewertungskriterium dieses Kommentars: die Achse Effizienz — gemessen daran, ob Rechenressourcen, Forschungsgelder und Dateninfrastruktur dort ankommen, wo der gesellschaftliche Grenznutzen am höchsten ist.

Der Befund: El Niño als Kostenbescheid

Das El-Niño-Ereignis 2023–2024 trieb die globale Durchschnittstemperatur erstmals über die 1,5-°C-Schwelle gegenüber dem vorindustriellen Niveau. Der Temperatursprung von 2022 auf 2023 betrug 0,29 ± 0,04 K — ein Ausreißer, der eng mit der pazifischen Warmphase korreliert. Schätzungen beziffern die wirtschaftlichen Folgeschäden auf bis zu drei Billionen US-Dollar; über 60 Millionen Menschen waren unmittelbar durch Dürren, Überschwemmungen und Nahrungsmittelpreissprünge betroffen.

Das Alfred-Wegener-Institut projiziert, dass bis 2050 jeder zweite El Niño „extreme" Ausmaße erreichen könnte, weil die Erderwärmung die pazifische Zirkulation grundlegend verschiebt. Die WMO schätzt die Wahrscheinlichkeit eines erneuten El Niño 2026 auf bis zu 40 Prozent. Der Zyklus beschleunigt sich; die Vorwarnzeit bleibt kurz. Genau hier liegt die Effizienzfrage.

Was KI heute schon liefert — und wo sie fehlt

Deep-Learning-Modelle verlängern den Vorhersagehorizont für El Niño auf bis zu 18 Monate, während herkömmliche numerische Modelle bei rund zwölf Monaten an die sogenannte Frühlings-Vorhersagebarriere stoßen. Googles GraphCast schlägt konventionelle Wettervorhersagen bei Extremereignissen in Geschwindigkeit und Genauigkeit. KI-Modelle erkennen Muster in Meeresoberflächentemperaturen, die physikalisch basierten Simulationen entgehen — nicht weil die Physik falsch wäre, sondern weil die Rechenzeit für hochauflösende Ensembles fehlt.

Gleichzeitig fließt ein massiver Anteil der globalen GPU-Kapazität in Konsumentenanwendungen. Apple hat „Apple Intelligence" als zentrales Verkaufsargument seiner Gerätegenerationen positioniert: Textzusammenfassung, Bildgenerierung, Siri-Aufwertung. Das sind keine trivialen Funktionen — aber sie adressieren kein Problem, bei dem Wochen Vorwarnzeit über Leben und Ernten entscheiden. Eine einzelne KI-Anfrage verbraucht rund zehnmal so viel Energie wie eine herkömmliche Suchmaschinenabfrage; der globale Stromverbrauch von Rechenzentren lag 2022 bei geschätzten 240–340 Terawattstunden. Die Frage ist nicht, ob diese Energie verbraucht wird, sondern wofür.

Das fairste Gegenargument — und warum es nicht reicht

Die stärkste Gegenposition lautet: Märkte, nicht Regierungen, allokieren Rechenressourcen am effizientesten. Consumer-KI generiert Umsatz, der Infrastruktur finanziert, die später auch der Klimaforschung zugutekommt. Tatsächlich baut Google mit DeepMind und GraphCast klimarelevante KI — quersubventioniert durch Werbeeinnahmen. Apples Hardware-Ökonomie finanziert Chips, die prinzipiell auch wissenschaftlich einsetzbar wären.

Dieses Argument verdient Ernst. Es beschreibt einen realen Spillover-Effekt. Aber es unterschlägt drei Engpässe: Erstens konkurrieren Klimamodelle mit Consumer-Workloads um dieselbe knappe GPU-Zeit auf denselben Cloud-Clustern — und verlieren, weil sie weniger zahlungskräftig sind. Zweitens entsteht die klimarelevante KI-Forschung nicht als Marktprodukt, sondern als Nebenertrag einzelner Forschungsabteilungen; ihr Anteil an den Gesamt-KI-Investitionen bleibt gering. Drittens fehlen internationale Datenstandards, die Klimadaten interoperabel und für KI-Training nutzbar machen — ein Problem, das kein Marktanreiz löst, sondern Governance erfordert. Die WMO koordiniert zwar Zentren zur El-Niño-Erforschung, aber die Datenanker für KI-Training — standardisierte, offene, versionierte Meeres- und Atmosphärendaten — entstehen langsamer als die Modelle, die sie brauchen.

Was folgen muss

Wenn El Niño die Stresstest-Rechnung ist, dann braucht die KI-Allokation drei Korrekturen:

Rechenzeit-Kontingente. Das Bundesministerium für Umwelt und Klimaschutz (BMUKN) und das BMFTR fördern bereits KI-Anwendungen für Klimaziele. Doch Förderung allein schafft keine Recheninfrastruktur. Europäische HPC-Zentren sollten verbindliche Kontingente für klimarelevante KI-Workloads ausweisen — nicht als Geste, sondern als Effizienzentscheidung: ein Euro GPU-Zeit in Frühwarnung hat einen höheren gesellschaftlichen Grenznutzen als ein Euro GPU-Zeit in generativer Bilderzeugung.

Datenstandards für Interoperabilität. Die „Climate & AI Coalition" fordert systemischen Wandel; der EU AI Act, seit 1. August 2024 teilweise in Kraft, klassifiziert KI-Systeme nach Risiko, schweigt aber zur Allokationsfrage. Was fehlt: eine verbindliche Norm, die Klimadaten — ozeanographisch, atmosphärisch, satellitengestützt — in offenen, versionierten Formaten für KI-Training zugänglich macht. Ohne Interoperabilität trainiert jedes Team sein Modell auf eigenen Datensilos; die Effizienzgewinne verpuffen.

Transparenz über den ökologischen Fußabdruck. Solange Technologiekonzerne den Energieverbrauch ihrer KI-Workloads nicht nach Anwendungsfeld offenlegen, bleibt jede Debatte über Allokation spekulativ. Der EU AI Act verlangt Risikobewertungen; er verlangt keine Energie-Transparenz pro Use Case. Diese Lücke gehört geschlossen — nicht um KI zu bremsen, sondern um die Diskussion auf Zahlen zu stellen.

Urteil

El Niño ist kein exotisches Fernphänomen. Seine wirtschaftlichen Schäden übersteigen die Jahresumsätze ganzer Technologiekonzerne; seine humanitären Folgen treffen 60 Millionen Menschen in einem einzigen Zyklus. KI kann den Vorhersagehorizont auf 18 Monate dehnen, Infrastrukturplanung präzisieren, Anpassungsmaßnahmen steuern. Aber sie tut das nur, wenn Rechenzeit, Daten und Forschungsgelder dort ankommen, wo der Grenznutzen am höchsten ist — und nicht dort, wo die Marge am höchsten ist. Die Effizienzfrage der KI-Dekade lautet nicht: Wie viel Rechenleistung bauen wir auf? Sondern: Wofür setzen wir sie ein?