Deutsch-Aufschlag bei KI: 1,9-mal Energie, bezahlt in Tokens

Du schreibst deinen Prompt auf Deutsch, die KI antwortet auf Deutsch. Fühlt sich normal an. Laut einer neuen Studie der University of Michigan ist es das nicht: Für eine deutsche Antwort haben die getesteten Modelle im Schnitt 1,9-mal so viel Energie verbraucht wie für dieselbe Aufgabe auf Englisch. Klingt nach Klimafußnote. Ist es nicht. Es ist eine Token-Rechnung, und die zahlt jedes Team, das KI auf Deutsch automatisiert.

Was die Studie gemessen hat

Das Team um Naihao Deng und Rada Mihalcea hat die Arbeit „The Language–Energy Divide“ auf der Konferenz EMNLP vorgestellt; die Uni hat sie am 5. November veröffentlicht, heute steht sie auf der Startseite von Hacker News. Getestet wurden drei offene Modelle: Qwen 3 von Alibaba, Gemma 3 von Google und Llama 3.1 von Meta. Sie beantworteten Leseverständnis-Fragen aus dem Datensatz Belebele in 122 Sprachen, dazu übersetzte Mathe- und Alltagsaufgaben. Gemessen wurde der Stromverbrauch pro Antwort.

Englisch war bei allen Modellen am günstigsten. Die meisten westeuropäischen Sprachen liegen laut Uni beim Doppelten oder darunter, Hindi und Bengali bei 7,9- und 15,3-fach. In der veröffentlichten Tabelle steht Deutsch bei 36,9 Joule pro Antwort, Englisch bei 19,5. Französisch kommt auf 1,7-fach, Spanisch auf 2,1, Italienisch auf 2,3, Tschechisch auf 4,1.

Der Aufschlag sitzt in der Länge, nicht im Wort

Was ich daran spannend finde: Pro Token braucht Deutsch in der Tabelle nur rund 7 Prozent mehr Energie als Englisch (0,112 zu 0,105 Joule). Der große Unterschied entsteht, weil die Modelle für Deutsch deutlich mehr Tokens erzeugen. Meine grobe Rechnung aus den Tabellenwerten: rund 1,8-mal so viele pro Antwort. Genau das sagen die Forscher auch: mehr Tokens, mehr Speicher, kleinere Batches, mehr Energie. Und weil Anbieter ihre Modelle meist pro Token abrechnen, wird aus Energie Geld.

Heißt für Marketing-Teams in DACH: Der Deutsch-Aufschlag trifft nicht den einen Chat am Morgen. Er trifft die Automatisierung. Ein Agent, der 40 Leads recherchiert, zusammenfasst, bewertet und dann eine Mail entwirft, produziert vier Zwischenstufen, die nie ein Kunde liest. Läuft jede davon auf Deutsch, zahlst du den Aufschlag viermal, für Text, der nur für die Maschine ist. Für mich ist das die unspektakuläre Arbeit vor dem Prompt: Ein Workflow ist nur so effizient wie sein Prozessdesign. KI repariert das nicht, sie multipliziert es.

Der Haken

Die Messung lief auf offenen Modellen auf Uni-Rechnern, nicht bei ChatGPT, Claude oder Gemini. Wie viele Tokens deutscher Text dort braucht, hängt vom jeweiligen Tokenizer ab. Und die Studie zeigt auch: Sprachen mit hohem Energiebedarf liefern oft schlechtere Antworten. Wer jetzt alles ins Englische übersetzt, holt sich womöglich ein Qualitätsproblem ins Haus. Die Forscher empfehlen Übersetzungs-Schritte ausdrücklich nur, wenn die Übersetzung zuverlässig ist.

Was ich jetzt tun würde

• Messen statt glauben: 20 typische Aufgaben eures Teams einmal auf Deutsch und einmal auf Englisch durch eure API schicken und die Token-Zahlen aus der Antwort vergleichen.
• Zwischenschritte trennen: Recherche, Klassifizierung und interne Notizen eines Agenten dürfen Englisch sein. Was Kunden lesen, bleibt Deutsch.
• Die finale deutsche Fassung bleibt bei euch: Tonalität und Freigabe gehören ins Team, nicht in eine automatische Übersetzung.

FazitDeutsch ist für die KI keine Fremdsprache, aber eine teurere, und die Rechnung kommt dort, wo niemand mitliest.