Ein Working Paper französischer Ökonomen, darunter der jüngst mit dem Nobelpreis ausgezeichnete Philippe Aghion, untersucht die Einsparungen, die durch ein prädiktives Machine-Learning-Modell in der Abwasserbehandlung erzielt werden. Die Studie analysiert ein spezialisiertes KI-System zur Belüftungssteuerung, das in französischen Kläranlagen eines weltweit führenden Anbieters von Wasserversorgungsdiensten eingesetzt wurde.

Die Belüftung – also das Einblasen von Luft in das Abwasser, um die Mikroorganismen zu versorgen, die organische Stoffe abbauen – ist in Belebtschlammanlagen typischerweise der größte Stromverbraucher und macht häufig 40–60 % des gesamten Energieverbrauchs einer Anlage aus. Die Optimierung dieses Schritts ist seit Langem ein Ziel von Effizienzmaßnahmen, doch herkömmliche Steuerungssysteme beruhen auf festen Zeitplänen oder manuellen Anpassungen und können nicht in Echtzeit auf schwankende Zuflussmengen, Schadstoffbelastungen und Wetterbedingungen reagieren.

Anhand quasi-experimenteller Variation sowohl beim Zeitpunkt der Einführung als auch bei Systemausfällen schätzen die Forschenden den kausalen Einfluss von KI auf Stromverbrauch, CO2-Emissionen und Energiekosten. Laut der Studie senkt die durchgängige KI-Steuerung den Stromverbrauch der Anlagen um 5,4 % und die CO2-Emissionen um 6 %, während die Energiekosten um 8,2 % sinken. Diese Rückgänge führen nach Darstellung der Autoren zu negativen Vermeidungskosten, das heißt, das System amortisiert sich über die Energieeinsparungen und verbessert zugleich die Qualität des gereinigten Abwassers.

Die Studie weist darauf hin, dass der zusätzliche Strombedarf der KI-Modelle selbst weniger als 1 % der erzielten Einsparungen beträgt. Wichtig ist, dass dieser Wert nicht als direkt vergleichbarer Prozentpunkt-Abzug zu den oben genannten Reduktionen von 5,4 %, 6 % und 8,2 % zu verstehen ist; vielmehr zeigt er, dass der Eigenstrombedarf des KI-Systems im Verhältnis zu den erzielten Einsparungen vernachlässigbar ist.

Über die direkten Effizienzgewinne hinaus stellt die Studie fest, dass KI-ausgestattete Anlagen bei hoher betrieblicher Belastung während extremer Wetterereignisse und bei Spitzen von chemischen Schadstoffen widerstandsfähiger sind. Zudem verbessern die Systeme das Lastmanagement, indem sie den Stromverbrauch von Spitzen- in Nebenzeiten verschieben – eine Fähigkeit, die dem wachsenden Bedarf der Netzbetreiber an Flexibilität auf der Nachfrageseite entgegenkommt, da wetterabhängige erneuerbare Energien einen größeren Anteil an der Stromerzeugung ausmachen.

Um die breiteren Auswirkungen zu bewerten, wenden die Autoren das DICE-Modell (Dynamic Integrated Climate-Economy) an – den vom Nobelpreisträger William Nordhaus aus dem Jahr 2018 entwickelten integrierten Bewertungsrahmen, der wirtschaftliche Aktivität mit Klimawirkungen verknüpft – und zwar in drei Diffusionsszenarien. Sie kommen zu dem Schluss, dass die mit diesem industriellen KI-Anwendungsfall verbundenen CO2-Reduktionen erhebliche globale Wohlfahrtsgewinne bringen.

Das vollständige Papier ist beim National Bureau of Economic Research (NBER) verfügbar.

In einem Kommentar zu dem Papier bei Marginal Revolution weist der Autor des Blogs darauf hin, dass die Forschenden ihre Ergebnisse als Gegenpunkt zu Sorgen über den Energieverbrauch und die Umweltwirkungen von KI darstellen. Der Autor bezeichnet diese Einwände als „fast vollständig unzureichend informiert und vorgeschoben“ und argumentiert, dass ihre Darstellung als Widerlegung ihnen mehr Glaubwürdigkeit verschafft, als sie verdienen. Zugleich merkt der Autor an, dass die breitere Wirkung von KI durch viele inkrementelle Verbesserungen dieser Art in einer Vielzahl von Branchen entstehen werde.