Einleitung: Warum die Nachhaltigkeit der Cloud keinen Aufschub duldet
In einer Zeit, in der die Nutzung öffentlicher Clouds aufgrund der Nachfrage nach generativer KI stetig zunimmt, ist es unerlässlich, deren Umweltauswirkungen zu verstehen. Der sechste Bericht des Zwischenstaatlichen Ausschusses für Klimawandel (IPCC) bestätigt die entscheidende Rolle der Menschheit bei diesen Krisen. Sieben der neun planetarischen Grenzen wurden bereits überschritten, darunter die Versauerung der Ozeane im Jahr 2025.
Der Sektor der Informations- und Kommunikationstechnologie (IKT) leistet einen erheblichen Beitrag und war im Jahr 2020 für 1,8 % bis 2,8 % der Treibhausgasemissionen verantwortlich. Im Jahr 2023 verbrauchte der Sektor 27 % des Kohlenstoffbudgets im Zusammenhang mit der planetarischen Grenze zum Klimawandel und 18 % der Grenze für die Nutzung von Mineral- und Metallressourcen. Während der direkte ökologische Fußabdruck der IKT Endgeräte, Netzwerke und Rechenzentren umfasst, machen Rechenzentren einen erheblichen Anteil aus, der auf 20–30 % der gesamten IKT-Auswirkungen geschätzt wird. Darüber hinaus steigt dieser Anteil, was hauptsächlich auf die wachsende Nachfrage nach Cloud-Diensten und Anwendungen der generativen künstlichen Intelligenz (GenAI) zurückzuführen ist.
Öffentliche Cloud-Dienste, definiert als über das Internet von Drittanbietern bereitgestellte Rechenressourcen, ermöglichen es Nutzern, auf gemeinsam genutzte Ressourcen zuzugreifen, ohne physische Geräte zu besitzen. Dieses Paradigma umfasst verschiedene Dienstebenen, von Infrastructure-as-a-Service (IaaS) bis hin zu Software-as-a-Service (SaaS), und fördert die Hardware-Optimierung sowie Skaleneffekte, was einen Markt beflügelt, für den bis 2030 ein jährliches Wachstum von 15 % prognostiziert wird.
Diese prognostizierte Expansion ist jedoch mit erheblichen Energiekosten verbunden. Die Internationale Energieagentur (IEA) schätzt, dass sich der weltweite Stromverbrauch von Rechenzentren mehr als verdoppeln wird – von etwa 415 TWh im Jahr 2024 auf 950 TWh bis 2030 –, wobei dieser Trend durch energieintensive Anwendungen wie GenAI erheblich beschleunigt wird.
Trotz der Dringlichkeit, diese Umweltauswirkungen besser einzudämmen, ist die Bewertung des CO₂-Fußabdrucks von Cloud-Diensten im aktuellen Ökosystem eine komplexe Aufgabe. Große Anbieter wie AWS, Google und Microsoft verwenden unterschiedliche und undurchsichtige Methoden, wodurch ihre CO₂-Angaben nicht vergleichbar sind. Standardisierungsinitiativen sind nicht verbindlich oder umfassend genug, um die Vielfalt der Dienste abzudecken und vergleichbare Ergebnisse zu liefern. Tools von Drittanbietern (z. B. BoaviztAPI, Cloud Carbon Footprint) bieten zwar Transparenz, lassen jedoch – bis jetzt – entscheidende Infrastrukturparameter vermissen.
Eine weitere zentrale Herausforderung bei der Bewertung der Umweltauswirkungen von Cloud-Diensten liegt in der Art und Weise, wie diese Dienste bereitgestellt werden. Per Definition funktioniert die Public Cloud wie eine „Black Box“: Nutzer delegieren die Verwaltung der zugrunde liegenden Infrastruktur und verwalten sie nicht selbst, was direkte physische Messungen unmöglich macht und den Rückgriff auf Modelle und Annahmen erzwingt. Darüber hinaus erfordert die gemeinsame Nutzung von Geräten durch verschiedene Kunden und Dienste die Definition von Verteilungsschlüsseln zur Aufteilung der Umweltauswirkungen, was erhebliche zusätzliche Unsicherheiten in die Wirkungsbewertungen einbringt.
Der Durchbruch: ein mehrschichtiges Modell für eine vergleichbare, transparente Bewertung der Auswirkungen von Cloud-Diensten
Die mit dem Best Paper Award ausgezeichnete Forschungsarbeit auf der „ 2026 , „Unveiling the Cloud’s Black Box: A Layered Model for Comparable Environmental Impact Assessment“ von Marie Reinbigler, Thibault Simonund Louise Aubet von Resilio, schlägt einen neuen Ansatz zur Modellierung von Cloud-Diensten vor, der die Abstraktionen hinter den Cloud-Schichten – von Bare Metal-as-a-Service (BMaaS) bis hin zu Function-as-a-Service (FaaS) – explizit berücksichtigt und zudem eine umfassendere Liste von Infrastrukturmerkmalen wie Auslastungsraten, Virtualisierungs-Overhead oder Instanz-Orchestratoren einbezieht.
Der Beitrag liefert zudem eine detaillierte Analyse des Einflusses dieser Parameter auf den daraus resultierenden multikriteriellen ökologischen Fußabdruck.
Indem sie aufzeigen, wie eine Änderung dieser Annahmen die Ergebnisse drastisch verändert, unterstreichen die Autoren die dringende Notwendigkeit einer standardisierteren, transparenten Methodik auf der Grundlage physikalisch repräsentativer Daten, um sicherzustellen, dass Umweltangaben zu Cloud-Diensten die komplexe Realität einer gemeinsam genutzten Infrastruktur widerspiegeln.
Wichtigste Erkenntnisse: Wie Infrastrukturparameter die Ergebnisse drastisch verändern
Die Sensitivitätsanalyse des Artikels zeigt, dass Infrastrukturparameter die Ergebnisse entscheidend beeinflussen.
Auswirkungen der Infrastrukturmerkmale
Bei der Modellierung von Auslastungsgrad, Reservekapazität und Overhead im Vergleich zu deren Weglassung ist der Unterschied in den Auswirkungen erheblich.
Beispielsweise können sich die Auswirkungen einer CaaS-Instanz bei Verwendung der Standardparameter mehr als verdoppeln.
- +45,6 % zusätzliche Auswirkungen auf der BMaaS-Ebene
- +80,5 % zusätzliche Auswirkungen auf der IaaS-Ebene
- +111,1 % zusätzliche Auswirkungen auf der CaaS-Ebene
Ein weiteres Beispiel:
Betrachten wir zwei Server: einen Single-Socket-Server und einen Dual-Socket-Server mit doppelter CPU-, RAM- und Festplattenkapazität (Abbildungen 1 und 2). Obwohl der Dual-Socket-Server doppelt so viele Ressourcen bietet, hat er auf BMaaS-Ebene sowohl für den GWP- als auch für den ADPe-Indikator weniger als die doppelte Auswirkung, was zu geringeren Auswirkungen für gleichwertige IaaS-, CaaS- und FaaS-Instanzen führt. Dies verdeutlicht, wie stark die Konfiguration der zugrunde liegenden physischen Infrastruktur die Umweltauswirkungen in den übergeordneten Schichten beeinflusst.
Folglich ist die Einbeziehung dieser Parameter mit repräsentativen Werten für eine genaue Abschätzung der Auswirkungen von Cloud-Diensten unerlässlich.
Modellvalidierung
Zur Validierung des Modellierungsansatzes verglichen die Autoren die Ergebnisse zum Treibhauspotenzial (GWP) mit zwei Tools: BoaviztAPI und Tailpipe.
Das Modell liefert höhere Auswirkungen, da es einen breiteren Umfang berücksichtigt, der Auslastungsrate, Overhead, Reservekapazität, die technische Umgebung des Rechenzentrums und die Orchestrierungsinfrastruktur umfasst.
Werden diese Parameter nicht modelliert, liefert die Methodik Ergebnisse in derselben Größenordnung wie die anderen Tools für BMaaS- und IaaS-Dienste. Die einzige Ausnahme betrifft die Auswirkungen der Nutzung der AWS-Instanz „c6gd.medium“.
Tatsächlich liegen die ohne Modellierung der Infrastrukturparameter erzielten Ergebnisse immer noch zwischen dem 2- und 3,5-Fachen der Werte von BoaviztAPI und Tailpipe. Der Unterschied ist hauptsächlich auf das Fehlen der Energieeffizienz (Power Usage Effectiveness, PUE) in der Berechnung von BoaviztAPI sowie auf eine Abweichung beim geschätzten Stromverbrauch der Instanz zurückzuführen. Der größere Unterschied zum Ergebnis von Tailpipe lässt sich vor allem durch ein Verhältnis von fast 2 zwischen den für Großbritannien berücksichtigten Werten des Stromnetz-Mixes erklären
Warum diese Arbeit herausragte: der HotCarbon 2026 Best Paper Award
Das HotCarbon- 2026 würdigte diese Arbeit aus folgenden Gründen:
🏆 Die Initiative zur Standardisierung der Bewertung von Cloud-Auswirkungen in einem Bereich ohne verbindlichen Standard ergreift, mit einer gut gewählten Funktionseinheit, die wahrscheinlich Diskussionen auf dem Workshop und Folgearbeiten anregen wird
🏆 Die rekursive, schichtweise Zuordnung von BMaaS zu FaaS ist neuartig, und das Modell berücksichtigt explizit oft vernachlässigte Infrastrukturfaktoren (PUE, Auslastungsrate, Virtualisierungs-Overhead, Reservequote, technische Umgebung des Rechenzentrums).
🏆 Die Sensitivitätsanalyse ist gründlich, und die hohen Abweichungen auf den höheren Ebenen sind für Praktiker von großem Wert.
Wie lassen sich diese Erkenntnisse heute anwenden?
Das beschriebene Modell wird in der Resilio Database produktiv eingesetzt, damit Nutzer ihre Cloud-Nutzung hinsichtlich der Umweltauswirkungen abschätzen, vergleichen und optimieren können.
Fazit: Eine neue Ära für die Nachhaltigkeit der Cloud
Das mehrschichtige Modell der Autoren bietet einen transparenten, standardisierten Ansatz zur Bewertung des ökologischen Fußabdrucks von Cloud-Diensten, wobei Abstraktionsebenen, Auslastungsraten, Overhead und Infrastrukturparameter berücksichtigt werden.
Diese Arbeit ermöglicht:
✅ Mehr Vergleiche, unabhängig vom Anbieter
✅ datengestützte Optimierungen
✅ Ökodesign von Cloud-basierten Diensten.
✅ Kompatibel mit einer Erweiterung der GPU-Ressourcen durch Zuweisung nach Einheiten.
Schließlich lässt sich damit die Behauptung der Cloud-Anbieter überprüfen, dass die Public Cloud umweltfreundlicher ist als lokale Rechenzentren
Wie geht es weiter?
Die Autoren arbeiten bereits an der nächsten Verbesserung des Modells, bei der GPUs (Graphic Processing Units) einbezogen werden. Dies wird den Weg für ein umweltfreundlicheres Ökodesign von SaaS-Lösungen ebnen und die Abschätzung der Umweltauswirkungen von KI-Servern ermöglichen.
Bleiben Sie dran!
🔗 Lesen Sie die vollständige Veröffentlichung auf Englisch: Hier herunterladen (PDF)
🔗 Entdecken Sie die Resilio-Datenbank: Link
👉 Kontaktieren Sie unsere Experten hier
Dieser Artikel wurde gemeinsam von Vanessa Decostaire und Marie Reinbigler verfasst.