Die KI-E-Schrott-Schätzung des Basel Action Network erfasst, was Serverstudien übersehen

Das Basel Action Network hat die Bilanzierung von KI-Abfällen über Server hinaus erweitert und eine Schätzung vorgelegt, die bis zu 60-mal höher ausfällt als eine häufig zitierte akademische Prognose. Das Modell des Basel Action Network für KI-E-Schrott berücksichtigt Kühlanlagen, Stromverteilung, Backup-Systeme, Netzwerke, Server und Beschleuniger.

Diese Ausweitung des Umfangs ist bedeutsam, weil Server nur einen Teil der physischen Infrastruktur darstellen, die für künstliche Intelligenz aufgebaut wird. Die höchsten Projektionen des Berichts beruhen jedoch auch auf umstrittenen Annahmen über Gerätelebensdauern und das langfristige Wachstum von Rechenzentren.

Der eigentliche Konflikt besteht daher nicht zwischen Umweltbelangen und KI-Investitionen. Es geht um umfassende Lebenszyklusbilanzierung gegenüber einer engen, rechenzentrierten Messung. CIOs müssen entscheiden, welche Anlagen in die Berechnung gehören, wie lange sie nutzbar bleiben und was Ausmusterung tatsächlich bedeutet.

Die Bilanzierung von KI-E-Schrott durch das Basel Action Network erweitert die Grenze

Der folgenreichste Schritt des Berichts besteht darin, neu zu definieren, was als KI-Infrastruktur zählt.

Das Basel Action Network, kurz BAN, veröffentlichte im September 2026 den ersten Teil seines Berichts AI Waste Wave. BAN ist eine Umweltorganisation mit Schwerpunkt auf dem Handel mit gefährlichen Abfällen und der Durchsetzung der Basler Konvention.

Frühere Schätzungen zu KI-Abfällen konzentrierten sich im Allgemeinen auf Server, Racks und Beschleuniger wie GPUs. BAN modelliert stattdessen fünf Gerätekategorien, die die Rechenkapazität eines Rechenzentrums unterstützen.

Das Referenzdesign ordnet 35 Prozent der elektromechanischen Masse Kühlanlagen zu. Auf die Stromverteilung entfallen 34 Prozent, während die Notstromversorgung weitere 15 Prozent beiträgt. Server und Beschleuniger machen 13 Prozent aus; Netzwerkausrüstung stellt die verbleibenden 3 Prozent.

Nach dieser Aufschlüsselung befinden sich 87 Prozent der relevanten physischen Infrastruktur außerhalb der Serverkategorie. BAN argumentiert daher, dass frühere KI-Projektionen den Großteil der Ausrüstung ausgelassen hätten, die mit jedem neuen Gigawatt Kapazität verbunden ist.

Der Bericht schätzt, dass ein Gigawatt Rechenzentrumskapazität etwa 62.000 bis 77.000 Tonnen elektromechanischer Ausrüstung erfordert. Als zentralen Wert verwendet er ungefähr 70.000 Tonnen pro Gigawatt.

Diese Gesamtmenge umfasst Transformatoren, Schaltanlagen, unterbrechungsfreie Stromversorgungen, Batterien, Generatoren, Kühltechnik, Netzwerkgeräte, Serverracks und Prozessoren. Speicher- und Backup-Infrastruktur fallen ebenfalls innerhalb der erweiterten Bilanzierungsgrenze.

Nicht jede Komponente enthält dieselben Materialien oder folgt demselben Entsorgungsweg. Dennoch gilt ein großer Teil dieser Ausrüstung als elektrische oder elektronische Ausrüstung, wenn der Eigentümer sie entsorgt.

Diese Unterscheidung verändert die Umweltfrage. Wer nur GPUs zählt, misst die sich am schnellsten wandelnde und sichtbarste Komponente. Wer die Anlage zählt, fragt danach, wie KI-Nachfrage ein gesamtes Hardwaresystem umgestaltet.

Eine neue Beschleunigergeneration kann dichtere Racks, eine andere Spannungsversorgung, Flüssigkühlung und schnellere Netzwerkstrukturen erfordern. Bestehende unterstützende Ausrüstung kann weiter funktionieren, aber nicht mehr zum neuen Design passen.

Dieser Zustand wird als wirtschaftliche Obsoleszenz bezeichnet: Ausrüstung verliert ihren kommerziellen Wert, bevor sie physisch nicht mehr funktioniert. Er kann entstehen, wenn die nächste Rechenarchitektur inkompatible Unterstützungssysteme erfordert.

BAN wendet diese Sorge auf große Ausbaupläne für Rechenzentren an. Sein Modell kommt zu dem Schluss, dass die Ausmusterung KI-bezogener Ausrüstung bis 2050 jährlich 31 bis 46 Millionen Tonnen erreichen könnte.

Diese Zahlen würden Teil eines prognostizierten Gesamtvolumens von 196 bis 211 Millionen Tonnen jährlichen E-Schrotts sein. BAN vergleicht diese Projektion mit rund 67 Millionen Tonnen, die heute anfallen.

Die Organisation schätzt zudem, dass sich die kumulierte, KI-getriebene Ausmusterung von Ausrüstung zwischen 2025 und 2050 auf Hunderte Millionen Tonnen belaufen könnte. Dabei handelt es sich um modellierte Ergebnisse, nicht um direkt beobachtete Abfallströme.

Der breitere Umfang des Berichts ist sein stärkster Beitrag. Seine langfristigen Gesamtwerte erfordern deutlich mehr Vorsicht, weil sich kleine Änderungen bei Lebensdauern oder Wachstumsraten über Jahrzehnte hinweg verstärken.

Diese Unterscheidung sollte in jeder Diskussion über den Bericht sichtbar bleiben. BAN hat fehlende Kategorien mit einer plausiblen physischen Grundlage identifiziert. Die Unsicherheit darüber, wann all diese Ausrüstung zu Abfall wird, hat die Organisation jedoch nicht beseitigt.

Die fehlenden 87 Prozent verändern die Kostenrechnung von Rechenzentren

KI-Kapazität ist nicht bloß eine Sammlung von Chips; sie ist ein eng gekoppeltes System mit materiellen Kosten auf jeder Ebene.

Die Planung von KI in Unternehmen trennt häufig Rechenanschaffungen von der Gebäudetechnik. Server erscheinen in einem Budget, während Kühlung, Stromversorgung, Batterien und Netzwerkerweiterungen an anderer Stelle auftauchen.

Diese organisatorische Trennung kann die Gesamtauswirkungen einer Einführung verschleiern. Ein Beschaffungsteam könnte die Abschreibung von Servern berechnen, ohne sie mit einer durch dieselbe Installation ausgelösten Nachrüstung der Kühlung zu verbinden.

Das Muster beeinflusst auch Berechnungen der Kapitalrendite. Ein effizienterer Beschleuniger kann die Kosten einzelner Workloads senken und zugleich eine dichtere Stromversorgung sowie neue Kühlungsinfrastruktur erfordern.

Kühlanlagen sind besonders wichtig, weil sich die Wärmeabfuhr mit der Rackdichte verändert. Ein Raum, der für Enterprise-Server mit geringerer Leistungsaufnahme konzipiert wurde, unterstützt dicht gepackte Beschleunigersysteme möglicherweise nicht ohne umfangreiche Umbauten.

Bei der Stromverteilung besteht eine ähnliche Abhängigkeit. Installationen mit höherer Dichte können neue Schaltanlagen, Transformatoren, Stromschienen und unterbrechungsfreie Stromversorgungssysteme erfordern. Auch Notstromgeneratoren und Batterien müssen möglicherweise erweitert werden.

Netzwerke erzeugen weiteren Erneuerungsdruck. Große KI-Cluster nutzen Verbindungen mit hoher Bandbreite, um Daten zwischen Beschleunigern, Speichern und anderen Servern zu bewegen. Ein Prozessor-Upgrade kann daher Engpässe außerhalb des Rechenmoduls offenlegen.

Deshalb verdient die Bilanzierungsgrenze von BAN Aufmerksamkeit, selbst wenn sich seine Prognosen als zu hoch erweisen. Die unterstützende Infrastruktur ist nicht optional, und ihre Umweltkosten verschwinden nicht, nur weil sie einer anderen Abteilung gehören.

Das Problem reicht über Umweltberichterstattung hinaus. Das Ignorieren von Unterstützungsausrüstung kann Kapitalprognosen, Versicherungsrisiken, Budgets für die Stilllegung und Verpflichtungen gegenüber Lieferanten verzerren.

Ein Unternehmen kann den Weiterverkauf von Servern planen, aber keinen Verwertungsweg für spezialisierte Kühleinheiten haben. Es könnte Batterien nach einem anderen Zeitplan ersetzen, ohne diesen Umschlag mit Entscheidungen über KI-Kapazitäten zu verknüpfen.

Die globalen E-Schrott-Daten liefern eine wichtige Ausgangsbasis. Laut ITU und UNITAR entstanden weltweit 2022 62 Millionen Tonnen Elektroschrott.

Nur 22,3 Prozent wurden nachweislich über umweltgerechte Systeme formal gesammelt und recycelt. Dieselbe Bewertung prognostiziert für 2030 weltweit 82 Millionen Tonnen E-Schrott.

KI-Infrastruktur wird nur einen Teil dieses globalen Stroms ausmachen. Ihre Ausrüstung ist jedoch materialintensiv, teuer und in Anlagen konzentriert, in denen Organisationen sie wirksamer verfolgen können als Unterhaltungselektronik.

Diese Konzentration schafft eine Gelegenheit. Betreiber von Rechenzentren wissen, wo Infrastruktur installiert ist, wer sie geliefert hat und wann sie in Betrieb genommen wurde. Sie können Rücknahmepflichten festlegen, bevor die Ausrüstung ausgemustert wird.

CIOs können damit beginnen, jede Kapazitätserweiterung mit einer vollständigen Liste physischer Anlagen zu verknüpfen. Diese Aufzeichnung sollte Rechenleistung, Speicher, Netzwerke, Stromversorgungssysteme, Kühlanlagen, Batterien, Kältemittel und Materialien zur Brandunterdrückung umfassen.

Das Inventar muss auch Eigentumsverhältnisse unterscheiden. Cloud-Anbieter, Colocation-Betreiber, Unternehmen, Vermieter und Ausrüstungslieferanten können innerhalb einer Bereitstellung verschiedene Ebenen kontrollieren.

Ohne diese Unterscheidung kann jeder Beteiligte nur die Anlagen in den eigenen Büchern ausweisen. Die daraus entstehenden Fragmente offenbaren möglicherweise niemals den Materialfußabdruck des vollständigen KI-Dienstes.

Organisationen benötigen zudem eine gemeinsame Definition für Ausmusterung. Die Entfernung von Ausrüstung aus einem primären Cluster bedeutet nicht zwangsläufig, sie zu entsorgen.

Ein Server könnte vom Training zur Inferenz wechseln und danach zur Stapelverarbeitung oder auf einen Sekundärmarkt gelangen. Netzwerkausrüstung könnte eine Umgebung mit geringerem Bedarf unterstützen. Komponenten könnten auch als Ersatzteile ausgebaut werden.

Umgekehrt kann ein Kühlsystem stranden, wenn eine neue Rackarchitektur es inkompatibel macht. Es kann außer Betrieb gehen, obwohl seine mechanischen Teile weiterhin funktionsfähig sind.

Lebenszyklusaufzeichnungen sollten diese Wege erfassen. Engineering-Teams können Beschaffungsentscheidungen, Konfigurationsänderungen und Nachweise zur Wiederverwendung in einer durchsuchbaren Wissensdatenbank festhalten.

Bessere Aufzeichnungen werden nicht jede Umweltfrage klären. Sie zeigen jedoch, ob eine Anlage wiederverwendet, gelagert, weiterverkauft, recycelt, exportiert oder entsorgt wurde.

Diese Nachweise sind entscheidend, weil sich die Diskussion nun um die Lebensdauer von Ausrüstung dreht. BAN geht von einem schnelleren Austausch aus, als mehrere Hyperscaler in ihrer Finanzbuchhaltung ausweisen.

Gerätelebensdauern sind das schwächste Glied der Prognose

BAN definiert eine breitere Hardwaregrenze, doch seine höchsten Gesamtwerte hängen davon ab, wie schnell nutzbare Anlagen zu Abfall werden.

BAN setzt für Beschleuniger, Server und Racks in wichtigen Teilen seines Modells eine Nutzungsdauer von 2,5 Jahren an. Für Kühlanlagen verwendet es zudem eine Lebensdauer von fünf Jahren und für Infrastruktur zur Stromverteilung von acht Jahren.

Diese Annahmen erzeugen schnelle Ersatzwellen, während die Kapazität von Rechenzentren wächst. In Verbindung mit einer jährlichen Kapazitätswachstumsrate von 8,8 Prozent treiben sie die höchsten langfristigen Gesamtwerte des Berichts.

Die begleitende Branchenanalyse führt mehrere Einwände an. Analysten akzeptieren weitgehend die Notwendigkeit einer umfassenderen Bilanzierung, stellen jedoch die Umrechnung installierter Masse in entsorgten Abfall infrage.

Frank Dickson von Dickson Research bezeichnete die Schätzung von 70.000 Tonnen pro Gigawatt als in ihrer Größenordnung glaubwürdig. Die Behauptung von 40- bis 60-mal mehr Abfall hielt er für weniger belastbar.

Dieser Unterschied spiegelt zwei getrennte Berechnungen wider. Die Masse der in einer Anlage installierten Ausrüstung zu schätzen, ist nicht dasselbe wie das Jahr zu bestimmen, in dem jede Komponente zu Abfall wird.

Veröffentlichungszyklen für Beschleuniger bieten lediglich einen unvollständigen Maßstab für die Nutzungsdauer. Nvidia kann eine schnellere Architektur einführen, ohne dass jeder frühere Prozessor wirtschaftlich nutzlos wird.

Google Cloud führte V100-Instanzen noch Jahre, nachdem Nvidia diesen Beschleuniger 2017 eingeführt hatte. AWS bot auch 2026 weiterhin Systeme auf Basis des 2020 veröffentlichten A100 an.

Diese Beispiele belegen keine branchenweite Lebensdauer. Sie zeigen, dass der Austausch an der Leistungsspitze und die endgültige Ausmusterung unterschiedliche Ereignisse sind.

Ältere Hardware kann in einer Workload-Hierarchie nach unten wandern. Trainingscluster verlangen möglicherweise die neuesten Beschleuniger, während Inferenz, Tests, Forschung oder Stapelverarbeitung ältere Systeme tolerieren können.

Die Finanzberichterstattung stützt diese Möglichkeit. Microsoft ordnete 2025 in seiner Anlagenbuchhaltung Computerausrüstung einer geschätzten Nutzungsdauer von zwei bis sechs Jahren zu.

Meta berichtete, die geschätzte Nutzungsdauer der meisten Server- und Netzwerkanlagen ab Januar 2025 auf 5,5 Jahre verlängert zu haben. Diese buchhalterischen Nutzungsdauern messen weder die physische Nutzung noch Wiederverwendung oder Entsorgung unmittelbar.

Sie stehen dennoch im Widerspruch zu der pauschalen Annahme, dass Anlagen nach 2,5 Jahren ausgemustert werden. Hyperscaler haben finanzielle Anreize, teure Infrastruktur länger produktiv zu nutzen.

BAN argumentiert, dass KI-Ausrüstung einem ungewöhnlichen Erneuerungsdruck unterliegt. Die Effizienz von Beschleunigern kann die Betriebskosten verändern, während neue Systeme andere Strom-, Kühl- und Netzwerkarchitekturen erfordern können.

Beide Positionen können zutreffen. Geräte können grundsätzlich weiter nutzbar sein und zugleich innerhalb einer bestimmten Anlage unattraktiv werden.

Die entscheidende Variable ist, was nach der Ausmusterung geschieht. Eine Umwidmung verlängert die Nutzungsdauer. Ein Weiterverkauf überträgt diese Nutzungsdauer auf einen anderen Eigentümer. Lagerung verschiebt eine Entscheidung, ohne produktive Nutzung zu ermöglichen.

Auch Recycling ist nicht gleichbedeutend mit Wiederverwendung. Es kann ausgewählte Metalle zurückgewinnen, zerstört jedoch normalerweise einen Großteil des in der Herstellung enthaltenen Werts.

Eine Studie zu Serverabfällen aus dem Jahr 2024 schätzte, dass generative KI zwischen 2020 und 2030 kumulativ 1,2 bis 5 Millionen Tonnen Elektroschrott verursachen könnte. Ihr Fokus lag weitgehend auf KI-Servern und zugehörigen Komponenten.

Dieselbe Forschung ergab, dass zirkuläre Strategien die modellierte Abfallmenge um 16 bis 86 Prozent reduzieren könnten. Zu diesen Strategien gehörten längere Nutzungsdauern, die Wiederverwendung von Hardware und eine bessere Materialrückgewinnung.

Eine spätere Neukalibrierung von 2026 schätzte die jährliche Abfallmenge von KI-Servern bis 2030 auf 131.000 bis 224.800 Tonnen. Diese Studie nutzte Chip-Produktionskapazitäten und konservativere Annahmen zur Lebensdauer.

BAN und die Studie von 2026 messen nicht identische Systeme. Die eine erfasst einen großen Teil der unterstützenden Anlageninfrastruktur, während die andere sich auf Server konzentriert.

Ihre Differenz legt dennoch ein erhebliches Datenproblem offen. Forschenden fehlen vollständige öffentliche Informationen über installierte KI-Ausrüstung, tatsächliche Auslastung, Zeitpunkte von Upgrades, Zweitverwendung und endgültige Verbleibe.

Der Vergleich mit dem 40- bis 60-Fachen kann daher ohne Kontext irreführend sein. Ein großer Teil der Differenz entsteht dadurch, dass zusätzliche Kategorien gezählt werden, nicht weil sich herausgestellt hat, dass vorhandene Serverbestände Dutzende Male größer waren.

Der Rest beruht auf Annahmen zu Wachstum und Erneuerungszyklen. Diese Annahmen gewinnen mit zunehmender zeitlicher Entfernung an Einfluss.

BANs Zahlen für 2050 sollten als Szenarien gelesen werden, die zeigen, was ein System mit schnellem Ausbau und schneller Ausmusterung hervorbringen würde. Sie sind keine gemessene Prognose mit engem Konfidenzintervall.

Diese Einschränkung entkräftet die zentrale Warnung nicht. Sie definiert die Evidenz, die zu ihrer Prüfung nötig ist.

Ausgemusterte Hardware ist nicht automatisch Elektroschrott

Der zentrale Fehler in Politik und Bilanzierung besteht darin, Ausmusterung, Obsoleszenz und Entsorgung als dasselbe Ereignis zu behandeln.

Ausrüstung kann einen Hochleistungscluster auf verschiedenen Wegen verlassen. Jeder Weg hat ein anderes wirtschaftliches und ökologisches Ergebnis.

Eine Umwidmung hält das Asset innerhalb derselben Organisation. Ein Trainingsserver könnte nach dem Ausscheiden aus einem Spitzencluster Inferenz, Simulation, Entwicklung oder interne Forschung unterstützen.

Ein Weiterverkauf überträgt die Ausrüstung an einen anderen Betreiber. Der neue Eigentümer könnte sie für Hosting, wissenschaftliches Rechnen, Rendering oder kleinere KI-Workloads einsetzen.

Die Entnahme von Teilen bewahrt ausgewählte Komponenten. Arbeitsspeicher, Speicherlaufwerke, Netzteile, Netzwerkadapter, Lüfter und Prozessoren können Reparaturen oder aufgearbeitete Systeme unterstützen.

Formelles Recycling gewinnt Materialien zurück, wenn eine produktive Wiederverwendung nicht mehr praktikabel ist. Die Qualität der Rückgewinnung variiert, insbesondere bei komplexer Elektronik und spezialisierten Baugruppen.

Die Entsorgung beendet die produktive Lebensdauer der Ausrüstung ohne nennenswerte Rückgewinnung. Informelle Verarbeitung kann zudem Beschäftigte und Gemeinschaften gefährlichen Stoffen aussetzen.

Diese Wege sollten nicht unter einem einzigen Label zusammengefasst werden. Ihre Vermischung kann in einer Analyse Abfallmengen übertreiben und in einer anderen schädliche Entsorgung verschleiern.

Der Bericht des Basel Action Network nutzt die Ausmusterung von Ausrüstung als Grundlage zur Modellierung künftiger Abfälle. Dieser Ansatz erfasst Assets, die ihre ursprünglichen Rollen verlassen, kann aber ihren weiteren Verbleib nicht garantieren.

Ein Hyperscaler kann einen GPU-Server nach drei Jahren entfernen und ihn weitere drei Jahre an anderer Stelle betreiben. Ein anderes Unternehmen könnte ähnliche Hardware einlagern, weil Weiterverkauf oder Datenbereinigung zu schwierig erscheinen.

Das zweite Asset befindet sich technisch weiterhin im Besitz des Unternehmens, doch sein praktischer Wert könnte bereits verloren sein. Das erste hat seine ursprüngliche Installation verlassen, ohne zu Abfall zu werden.

Datensicherheit erschwert die Wiederverwendung. Speichergeräte können sensible Informationen enthalten, während Firmware und Managementsysteme Zugangsdaten oder Konfigurationsdaten speichern können.

Organisationen zerstören manchmal nutzbare Geräte, wenn sie deren Bereinigung nicht verifizieren können. Klare Löschverfahren und überprüfbare Besitzketten können Wiederverwendung praktikabler machen.

Auch das Design beeinflusst die Rückgewinnung. Proprietäre Baugruppen, integrierte Kühlsysteme und eingeschränkte Firmware können Reparaturoptionen begrenzen. Modulare Hardware kann gezielte Upgrades ermöglichen, statt vollständige Racks zu ersetzen.

Aus demselben Grund sind Lieferantenverträge wichtig. Klauseln zu Rückkauf, Rücknahme, Aufarbeitung und Komponentenrückgewinnung bestimmen, ob schon vor dem Eintreffen der Ausrüstung ein Plan für deren Ausmusterung besteht.

CIOs sollten daher auf Asset-Ebene Daten zum weiteren Verbleib anfordern. Nützliche Felder umfassen Installationsdatum, primären Workload, Entfernungsdatum, Grund für die Entfernung, Restwert, Zielort und Rückgewinnungszertifikat.

Facility-Teams benötigen vergleichbare Aufzeichnungen für Transformatoren, Kühlausrüstung, Batterien, Generatoren und Schaltanlagen. Diese Systeme haben häufig unterschiedliche Eigentümer und Dienstleister.

Beschaffungsverträge sollten zwischen funktionalem Ausfall und architektonischer Inkompatibilität unterscheiden. Dieser Unterschied zeigt, ob die Erneuerung auf Verschleiß, Kapazitätsgrenzen, Effizienzökonomie oder ein neues Anlagendesign zurückgeht.

Diese Evidenz würde Umweltberichterstattung und Investitionsentscheidungen verbessern. Sie würde auch zeigen, ob KI-Infrastruktur kürzere Lebenszyklen schafft als herkömmliche Rechenzentrumssysteme.

Die Berichtsgrenze muss sich auf die Zweitnutzung erstrecken. Ein Rücknahmeprogramm eines Anbieters belegt weder Wiederverwendung noch verantwortungsvolles Recycling, sofern der Anbieter das nachgelagerte Ergebnis nicht berichtet.

Auch Exporte erfordern eine ähnliche Prüfung. Der grenzüberschreitende Transport ausgemusterter Ausrüstung kann legitime Wiederverwendung ermöglichen, aber auch Entsorgungsrisiken in schwächer regulierte Umgebungen verlagern.

Das Basler Übereinkommen regelt internationale Bewegungen gefährlicher Abfälle. Die Durchsetzung wird schwierig, wenn Sendungen als wiederverwendbare Produkte beschrieben werden, obwohl ihr verbleibender Wert begrenzt ist.

Diese Fragen machen KI-Elektroschrott zu einem Governance-Thema, nicht bloß zu einem Recyclingproblem. Entscheidungen bei Architektur und Beschaffung bestimmen viele der verfügbaren Optionen Jahre später.

Ein Unternehmen kann keine modularen Komponenten zurückgewinnen, wenn es ein eng integriertes System gekauft hat. Es kann keine Wiederverwendung dokumentieren, wenn Asset-Daten zwischen Facility-, Finanz- und Nachhaltigkeitsteams verloren gehen.

BANs breiteres Modell setzt CIOs unter Druck, diese Funktionen zu verbinden. Selbst eine niedrigere Abfallschätzung verlangt weiterhin Nachweise darüber, was mit der Infrastruktur rund um jeden ausgemusterten Server geschah.

Drei Signale werden die Schätzung des KI-Elektroschrotts prüfen

Die nächsten aussagekräftigen Belege werden aus Lebenszyklusoffenlegungen, Zweitnutzung und messbaren Veränderungen der unterstützenden Infrastruktur stammen.

Das erste Signal ist, ob große Betreiber Lebenszyklusdaten auf Asset-Ebene für KI-Ausrüstung veröffentlichen. Aktuelle Nachhaltigkeitsberichte liefern üblicherweise Angaben zu Energie, Wasser, Emissionen oder groben Abfallmengen.

Eine nützlichere Offenlegung würde Beschleuniger, Server, Speicher, Netzwerke, Batterien, Kühlsysteme und Stromausrüstung getrennt ausweisen. Sie würde außerdem die mediane Nutzungsdauer und den endgültigen Verbleib berichten.

Diese Informationen würden BANs Annahmen zur Ausmusterung direkt prüfen. Nutzungsdauern von rund 2,5 Jahren bei begrenzter Wiederverwendung würden die kurzfristige Warnung des Berichts stützen.

Längere Betriebszeiten mit dokumentierter Umwidmung würden seine höchsten Projektionen abschwächen. Die buchhalterische Abschreibung allein beantwortet die Frage nicht, weil sie den physischen Verbleib nicht offenlegt.

Das zweite Signal ist das Wachstum glaubwürdiger Sekundärmärkte für KI-Beschleuniger und verwandte Systeme. Die fortgesetzte Cloud-Verfügbarkeit älterer Prozessoren deutet bereits darauf hin, dass frühere Generationen ihren Wert behalten.

Einzelne Angebote belegen jedoch nicht, wie viel Hardware in Workloads mit zweiter Lebensdauer übergeht. Betreiber benötigen Daten zu Volumen, Auslastung und Zielorten.

Ein funktionierender Sekundärmarkt würde Spitzen-Obsoleszenz von physischem Abfall trennen. Er würde Unternehmen zudem eine auf Transaktionen gestützte Annahme zum Restwert liefern.

Eine schwache Weiterverkaufsnachfrage würde BANs Sorge über wirtschaftliche Obsoleszenz stützen. Neue Anforderungen an Stromversorgung, Kühlung und Netzwerke könnten Ausrüstung stranden lassen, selbst wenn ihre Prozessoren weiterhin funktionieren.

Das dritte Signal ist die Häufigkeit, mit der Unterstützungssysteme bei KI-Upgrades ersetzt werden. Dies ist der am wenigsten sichtbare Teil der gegenwärtigen Debatte und die wichtigste Ergänzung in BANs Modell.

Wenn neue Beschleuniger-Deployments wiederholt den Austausch von Kühlung, Stromverteilung, Batterien und Netzwerk-Fabrics auslösen, bleiben Studien, die nur Server betrachten, unvollständig.

Wenn Betreiber bestehende Infrastruktur durch modulare Ergänzungen anpassen, wird die breitere installierte Masse nicht zu ebenso schnell wachsenden Abfällen führen. Dieses Ergebnis würde BANs modellierte Erneuerungsrate senken.

CIOs sollten nicht auf eine perfekte globale Prognose warten, bevor sie handeln. Sie können bereits jetzt für jeden größeren KI-Kapazitätskauf Lebenszykluspläne verlangen.

Ein praktischer Plan sollte erwartete Nutzungsdauer, Workloads niedrigerer Priorität, aufrüstbare Komponenten, Weiterverkaufskanäle, Rücknahmepflichten und verifizierte Recyclingwege benennen. Er sollte die unterstützende Anlage einbeziehen, nicht nur die Rechenhardware.

Führungskräfte sollten zudem Ersatzszenarien vergleichen, bevor sie eine Architektur genehmigen. Ein System mit niedrigeren Betriebskosten kann eine schwächere Gesamtrendite erzielen, wenn es erst kürzlich installierte Infrastruktur entwertet.

Die Entscheidung sollte Restwert und Stilllegungskosten berücksichtigen. Sie sollte außerdem klären, welche Partei diese Kosten in Cloud-, Colocation- und Managed-Service-Vereinbarungen trägt.

Die Schätzung des Basel Action Network zum KI-Elektroschrott sollte nicht als abschließend gesicherte Vorhersage behandelt werden. Ihre Korrektur des Umfangs ist überzeugender als ihre am weitesten reichenden Gesamtwerte.

Dennoch verändert der Bericht die Beweislast. Organisationen können nicht länger davon ausgehen, dass die Messung von Servern die materiellen Folgen der KI-Expansion erfasst.

Die nächste Frage für jeden Vorschlag zur KI-Infrastruktur sollte konkret sein: Wohin gehen bei einer Änderung dieser Architektur ihre Server, Netzwerke, Batterien, Kühlsysteme und Stromausrüstung?