Generative KI und digitale Werbung: Wie man den neuen CO₂-Schock misst

Der CO₂-Fußabdruck generativer KI in der digitalen Werbung ist 2026 zu einem zentralen Thema geworden. Einerseits optimiert KI Kampagnen und reduziert Mediaausschuss — andererseits belastet sie die CO₂-Bilanz der gesamten Werbekette. Ein Paradoxon, das bestehende Messframeworks noch kaum erfassen.

Generative KI 2026: Massennutzung und energetisches Ungleichgewicht

In wenigen Jahren hat generative KI den Sprung vom Labor in den Alltag geschafft: Chatbots, KI-gestützte Suchmaschinen, Bild-, Video-, Avatar- und Sprachgenerierung. 2026 ist sie ein Massenphänomen — so alltäglich wie eine Websuche oder das Scrollen durch einen Social-Media-Feed.

Diese Entwicklung geht mit einem beispiellosen energetischen Ungleichgewicht einher:

• KI-Anfragen vs. klassische Suche: Eine Interaktion mit einem generativen Modell verbraucht eine Größenordnung mehr Strom als eine herkömmliche Websuche — etwa 3 Wh gegenüber 0,3 Wh —, wie Analysen der Internationalen Energieagentur (IEA) und mehrerer akademischer Studien belegen.
• Explosionsartiger Anstieg des Rechenzentrumsbedarfs: Laut IEA könnte der Stromverbrauch von Rechenzentren von rund 460 TWh im Jahr 2022 auf 620 bis 1 050 TWh im Jahr 2026 steigen — je nach Szenario entspricht das im Höchstfall dem jährlichen Stromverbrauch eines Landes wie Japan.
• KI als Haupttreiber des Anstiegs: Server mit GPUs und spezialisierten Chips verzeichnen ein jährliches Verbrauchswachstum von rund 30 %, verglichen mit 9 % bei herkömmlichen Servern. Bis Ende 2026 könnte KI fast die Hälfte des gesamten Rechenzentrumsverbrauchs ausmachen.

Gleichzeitig beschleunigt sich die GPU-Produktion — NVIDIA hat allein 2025 mehrere Millionen KI-optimierter Chips ausgeliefert — und die Emissionen aus der Herstellung dieser Komponenten steigen exponentiell.

Generative KI beschränkt sich längst nicht mehr auf die Optimierung von Kampagnen oder die Erstellung kreativer Assets. Sie verändert die energetische Landschaft des digitalen Ökosystems grundlegend — und die digitale Werbung mit ihren Milliarden täglicher Auktionen und ihrer vielschichtigen technischen Lieferkette steht dabei an vorderster Front.

Wie KI den CO₂-Fußabdruck der digitalen Werbung verändert

KI durchdringt inzwischen sämtliche Ebenen der Werbekette. Jede Integration schafft Mehrwert — bringt aber zusätzlichen Rechenaufwand und damit zusätzliche Emissionen mit sich.

Bidding und Optimierung: Jede Auktion wird energieintensiver

Einkaufsplattformen (DSP) und Angebotsplattformen (SSP) basierten seit jeher auf Optimierungsalgorithmen. Die aktuelle Generation setzt jedoch auf deutlich rechenintensivere KI-Modelle:

• Prognosemodelle für Conversion, LTV, Churn, Brand Safety und Fraud Detection — häufig auf Basis von Deep-Learning-Architekturen.
• Nahezu-Echtzeit-Optimierung von Geboten, Budgets und Frequenzen im Maßstab von Milliarden Impressions.
• Feingranulare Kontextualisierung des Inventars durch semantische Analyse von Webseiten, Videos und Social-Media-Feeds.

Eine programmatische Auktion im Jahr 2026 hat ein völlig anderes Energieprofil als noch 2018. Wo früher „klassische" statistische Berechnungen auf CPUs liefen, finden sich heute rechenintensive KI-Pipelines — teils auf GPUs oder spezialisierten ASICs.

Die Konsequenz: Der CO₂-Fußabdruck einer Impression entscheidet sich nicht mehr allein auf der Ebene von Creative-Hosting und Ausspielung am Endgerät. Er entsteht ebenso im unsichtbaren Compute, der bestimmt, ob, wann und an wen eine Impression ausgespielt wird.

Mehr dazu, wie CO₂-Signale in das Bidding integriert werden können, lesen Sie in unserem Artikel über CO₂-optimiertes Bidding mit KI.

KI-generierte Werbemittel: Vom einzelnen Asset zur endlosen Iteration

Auch die Kreation durchläuft eine eigene Revolution:

• Bild- und Videogenerierung per KI (Midjourney, DALL·E, Sora und weitere).
• Text-, Script- und Headline-Generierung durch LLMs.
• Dynamische Personalisierung in Echtzeit: Hunderte, teils Tausende von Kreativvarianten werden automatisch generiert und auf Mikrosegmenten getestet.

Beim Energieverbrauch unterscheiden sich die Größenordnungen je nach Inhaltstyp erheblich:

• Die KI-Generierung eines Bildes verbraucht mehrere Dutzend Mal mehr Energie als die Generierung eines Textes.
• Die Generierung eines wenige Sekunden langen Videos kann in der Größenordnung von hundert Wh liegen — das entspricht mehreren Dutzend Minuten Laptop-Nutzung.

Das Problem liegt nicht beim einzelnen Prompt, sondern beim Nutzungsmodell: Die Branche vollzieht den Übergang von wenigen vorab produzierten Assets hin zu permanenten Iterationsschleifen — generieren, testen, neu generieren, erneut testen — in sehr großem Maßstab.

KI-gestützte Suche und Konversations-Assistenten: Werbung folgt dem Compute

Mit dem Aufkommen von „AI Overviews", SGE-ähnlichen Erlebnissen und Konversations-Assistenten mit integrierter Werbung verändert sich die Suche grundlegend:

• Ein wachsender Anteil der Suchanfragen erhält eine generierte Antwort — teils angereichert mit Bildern, Tabellen und Vergleichen.
• Werbung wird über gesponserte Blöcke, kontextuelle Anzeigenlinks oder konversationelle Empfehlungen in diese Antworten eingebettet.

Das Modell wandelt sich von „10 blaue Links plus ein paar Textanzeigen" hin zu einem System, in dem jede Anfrage potenziell ein LLM durchläuft — und damit rechenintensiven Aufwand verursacht. Selbst wenn das Gesamtvolumen der Suchanfragen stagnieren sollte: Die CO₂-Kosten pro monetarisierter Anfrage werden mit hoher Wahrscheinlichkeit steigen.

Das KI-Paradoxon: Weniger Mediaausschuss, aber ein neuer Emissionsposten

Angesichts dieser Entwicklung wäre es ein Fehler zu vereinfachen: KI = automatisch schlechter fürs Klima. Die Realität ist differenzierter.

Wo KI tatsächlich Emissionen reduziert

Intelligent eingesetzt, ist KI ein wirkungsvoller Hebel zur Senkung der Werbeemissionen:

• Weniger Mediaausschuss: Bessere Qualifizierung von Kontexten, Zielgruppen und Auslieferungszeitpunkten — dadurch weniger überflüssige Impressions.
• Multi-Objective-Optimierung: Statt ausschließlich auf Business-Performance zu optimieren, lassen sich CO₂-Signale (Endgeräte, Regionen, Formate, Auktionspfade) in die Zielfunktion integrieren.
• Rationalisierung des Werbedrucks: Begrenzung von Überfrequenz und ungezielt laufenden „Always-on"-Kampagnen.

Genau das ist der Ansatz von Carbon Intelligence: Daten und KI nutzen, um die Emissionen pro investiertem Media-Euro zu senken — durch gezielte Bevorzugung der effizientesten Inventarquellen und Konfigurationen.

Wo KI einen blinden Fleck erzeugt

Gleichzeitig führt KI zu einem neuen Emissionsposten, der in den aktuellen Dashboards weitgehend unsichtbar bleibt:

• Emissionen aus dem Optimierungs-Compute (Bidding, Targeting, Orchestrierung) auf Seiten der AdTech-Plattformen.
• Emissionen aus der KI-gestützten Kreativerstellung (Text, Bild, Video, dynamische Personalisierung).
• Emissionen aus der KI-Schicht der Plattformen (generative Suche, Werbe-Assistenten, generierte Empfehlungen).

Dieser Anteil wird heute selten gemessen und noch seltener einzelnen Kampagnen zugeordnet. Ein Advertiser kann glauben, seine Werbung „grüner" gemacht zu haben — etwa durch weniger Impressions oder optimierte Formate —, und dabei den KI-Anteil seines CO₂-Fußabdrucks systematisch unterschätzen.

GMSF v1.3: Warum der CO₂-Fußabdruck der KI jetzt integriert werden muss

Das Green Media Sustainability Framework (GMSF) hat die CO₂-Messung digitaler Werbekampagnen harmonisiert. Doch es wurde konzipiert, bevor generative KI den heutigen Verbreitungsgrad erreichte.

Was das GMSF v1.2 abdeckt — und was nicht

Die Version 1.2 des GMSF bietet eine belastbare Methodik für:

• Die Zuordnung von Emissionen aus Rechenzentren, Netzwerken, Endgeräten und Formaten auf Basis von Impressions, Dateigrößen und Ausspielungsketten.
• Die Verteilung dieser Emissionen auf die verschiedenen Akteure im Ökosystem (Advertiser, Agenturen, Vermarkter, Plattformen).

Zum spezifischen CO₂-Fußabdruck der KI-Inferenz äußert sich die v1.2 jedoch kaum:

• Optimierungs- und Empfehlungsmodelle von DSPs und SSPs werden nicht als eigenständiger Emissionsposten modelliert.
• Die KI-gestützte Erstellung von Werbemitteln ist nicht explizit berücksichtigt.
• Generative Sucherlebnisse mit Werbung und konversationelle Werbe-Assistenten fehlen methodisch.

In einem Umfeld, in dem generative KI bereits einen wesentlichen Anteil am Rechenzentrumsverbrauch hat, wird dieses Defizit zum kritischen blinden Fleck.

Den Unterschied zwischen dem GMSF und ausgabenbasierten Ansätzen erläutern wir in unserer Vergleichsanalyse GMSF vs. Spend-based-Methode.

Cannes Lions 2026: Ein einzigartiges Zeitfenster für das GMSF v1.3

Die Vorstellung des GMSF v1.3 bei den Cannes Lions in diesem Jahr fällt in eine entscheidende Phase:

• Die Mehrheit der großen Mediagruppen und Plattformen hat KI in ihre Werbetechnologie-Stacks integriert.
• Advertiser fordern detailliertere CO₂-Bilanzen, die den technologischen Upstream ihrer Kampagnen einbeziehen.
• Die öffentliche Debatte über die energetische Nachhaltigkeit der KI gewinnt an Dynamik.

Die v1.3 hat die Chance — und die Verantwortung — ein neues Kapitel aufzuschlagen: die Messung der durch KI-Inferenz verursachten Emissionen in der Werbe-Lieferkette.

Ein „AI Carbon Surcharge": KI in den CO₂-Bilanzen sichtbar machen

Um zu verhindern, dass KI dauerhaft ein blinder Fleck der Media-Emissionen bleibt, schlagen wir ein operatives Konzept vor: den AI Carbon Surcharge.

Das Prinzip: Ein additiver KI-Koeffizient

Ziel ist nicht, KI zu benachteiligen, sondern sie in den CO₂-Berechnungen sichtbar zu machen:

1. KI-Einsatz in der Mediakette identifizieren:

   • Bidding und Optimierung per KI (DSP, SSP, Plattformen).
   • KI-generierte Kreation (Text, Bild, Video, dynamische Assets).
   • KI-gestützte Suche und Assistenten mit Werbeanzeigen.

2. Jedem Einsatzbereich einen zusätzlichen Emissionsfaktor zuordnen (pro Impression, pro Anfrage oder pro generiertem Asset), basierend auf:

   • Dem geschätzten Energieverbrauch des Modells.
   • Dem tatsächlichen Volumen der Modellanfragen innerhalb der Kampagne.

In der Praxis ergibt sich daraus ein KI-Koeffizient, der auf die bestehenden GMSF-Berechnungen angewendet wird: ein CO₂-Zuschlag proportional zur KI-Intensität der Kampagne.

Drei konkrete Anwendungsfälle

1. Bidding & KI-Optimierung

Für einen DSP, der ein KI-Modell in Echtzeit einsetzt, wird ein zusätzlicher Emissionsfaktor pro Tausend verarbeiteter Impressions oder pro Tausend vom Modell bewerteter Bid Requests berechnet.

2. KI-generierte Kreation

Wenn ein Advertiser Hunderte von Kreativvarianten per KI für eine Kampagne generiert, wird ein Emissionsmodul integriert, das die Generierungsphase und die laufenden Iterationen während der Kampagne erfasst.

3. KI-gestützte Suche & Assistenten mit Werbung

Für generative Sucherlebnisse mit integrierten Anzeigen wird ein Faktor pro gesponserter Anfrage über das KI-Modell berechnet — differenziert nach einfachen Antworten und reichhaltigen Antworten (mit Bildern, Tabellen, Video).

Dieses Verfahren ermöglicht einen objektiven Vergleich zweier Konfigurationen:

Advertiser können so bewusst abwägen, anstatt einen unsichtbaren CO₂-Zuschlag hinzunehmen.

Wie Carbon Intelligence sich auf diese neue Realität vorbereitet

Bei Carbon Intelligence sind wir überzeugt: Der nächste Schritt einer verantwortungsvollen AdTech entscheidet sich auf der Ebene der Algorithmen, die Kampagnen steuern — nicht allein auf der Ebene der ausgelieferten Impressions.

Konkret bedeutet das:

• Den KI-Anteil in Kampagnen erkennen und quantifizieren: Art der eingesetzten Modelle, Häufigkeit und Intensität der Nutzung.
• Ein Modul „AI Carbon Surcharge" anbieten, das in Reportings und GMSF-Scores integriert werden kann, sobald die v1.3 diese Dimension eröffnet.
• Mit Plattformen, AdTech-Anbietern und Agenturen zusammenarbeiten, um:
  • Die erforderlichen Daten zu erheben, ohne Geschäftsgeheimnisse zu gefährden.
  • Realistische Emissionsfaktoren für die wichtigsten KI-Anwendungsfälle zu entwickeln.
  • Szenarien für Multi-Kriterien-Optimierung zu testen: Business-Performance, Kosten, CO₂-Fußabdruck mit und ohne KI.

Dieser technologische Anspruch fügt sich in ein regulatorisches Umfeld ein, das trotz politischer Verwerfungen in den USA und Europa weiter an Tempo gewinnt. Advertiser, die CO₂-Berichtspflichten unterliegen (SB 253 in Kalifornien, CSRD in Europa), werden sämtliche Emissionen messen müssen — einschließlich jener, die durch die KI-Algorithmen ihrer Kampagnen entstehen.

Unser Ziel: eine nachhaltige AdTech aufbauen, in der KI tatsächlich zur Senkung der werbebedingten Emissionen beiträgt, anstatt das Problem in eine undurchsichtige Technologieschicht zu verlagern.

Das Wichtigste auf einen Blick

Quellen und Referenzen

• Internationale Energieagentur (IEA), Electricity 2024 — Analysis and forecast to 2026, Berichte zum Stromverbrauch von Rechenzentren, KI und Kryptowährungen — iea.org
• Ligozat, A.-L. & de Vries, A., „IA générative : la consommation énergétique explose", Polytechnique Insights — polytechnique-insights.com
• Bon Pote, „Intelligence artificielle : le vrai coût environnemental de la course à l’IA" — bonpote.com
• IRIS France, „Les nouvelles technologies (IA, data centers) sont-elles compatibles avec les objectifs de durabilité environnementale ?" — iris-france.org
• de Vries, A., „The growing energy footprint of artificial intelligence", Joule (2023) — Berechnungen auf Basis der Verbrauchsdaten von NVIDIA- und AMD-Chips
• Alterna Énergie, „Quelle est la consommation énergétique des data centers ?" — alterna-energie.fr
• EX2, „L’IA consommera 50 % de l’énergie des datacenters d’ici 2026" — ex2.com

Dieser Artikel spiegelt den Stand der verfügbaren Daten zum 27. Februar 2026 wider. Die zitierten Prognosen basieren auf Szenarien der IEA und akademischen Arbeiten, mit den solchen Prognosen inhärenten Unsicherheiten.