Rethinking Higher Education/de/Chapter 11
Gruene digitale Bildung: Nachhaltigkeit, digitale Genuegsamkeit und Umweltbewusstsein an Universitaeten der EU und Chinas
Martin Woesler
Hunan-Normaluniversitaet
Zusammenfassung
Die digitale Transformation der Hochschulbildung traegt versteckte Umweltkosten, die im bildungspolitischen Diskurs selten anerkannt werden. Rechenzentren verbrauchten 2024 415 Terawattstunden Strom -- 1,5 Prozent des weltweiten Strombedarfs -- und werden bis 2030 voraussichtlich 945 TWh erreichen, wobei sie viermal schneller wachsen als jeder andere Sektor. Das Training eines einzelnen grossen Sprachmodells wie GPT-3 produziert etwa 552 metrische Tonnen CO2-Aequivalent, vergleichbar mit den jaehrlichen Emissionen von 121 durchschnittlichen amerikanischen Haushalten. Der jaehrliche digitale Inhaltskonsum erzeugt 229 kg CO2-Aequivalent pro Nutzer, etwa 3-4 Prozent der Pro-Kopf-Treibhausgasemissionen. Dennoch ist der Bereich der Bildungstechnologie der Pruefung seines oekologischen Fussabdrucks weitgehend entgangen. Dieser Artikel untersucht die Spannung zwischen digitaler Bildung und oekologischer Nachhaltigkeit durch einen systematischen Vergleich der Ansaetze der EU und Chinas.
Schluesselwoerter: Gruene digitale Bildung, Nachhaltigkeit, digitale Genuegsamkeit, oekologische Zivilisation, CO2-Fussabdruck, Rechenzentren, KI-Energieparadox, GreenComp, Hochschulbildung, EU-China-Vergleich
1. Einleitung
Die oekologische Nachhaltigkeit digitaler Bildung ist ein Thema, das die meisten Bildungstechnologen lieber nicht diskutieren wuerden. Die digitale Transformation der Hochschulbildung wurde von maechtigem Fortschrittsnarrativ angetrieben: KI-personalisiertes Lernen, immersive virtuelle Realitaet, globale Konnektivitaet und institutionelle Effizienz. Diese Narrative sind nicht falsch, aber sie sind unvollstaendig, da sie systematisch die materielle Grundlage digitaler Bildung ignorieren: die Server, Netzwerke, Geraete und Energiesysteme, die sie ermoeglicht, und die Umweltfolgen ihres Betriebs im grossen Massstab.
Die Zahlen sind ernuechternd. Die Internationale Energieagentur berichtet, dass Rechenzentren 2024 415 Terawattstunden Strom verbrauchten, was 1,5 Prozent des weltweiten Strombedarfs entspricht. Diese Zahl wird bis 2030 voraussichtlich 945 TWh erreichen -- mehr als Japans gesamter Stromverbrauch. Googles Treibhausgasemissionen stiegen zwischen 2019 und 2024 um 48 Prozent, waehrend Microsofts seit 2020 um 29 Prozent wuchsen.
2. Der CO2-Fussabdruck von Bildungstechnologie
2.1 Rechenzentren und KI-Training
Patterson und Kollegen (2021) schaetzten, dass das Training von GPT-3 etwa 552 metrische Tonnen CO2-Aequivalent produzierte und 1.287 Megawattstunden Strom verbrauchte. Strubell, Ganesh und McCallum (2019) zeigten, dass das Training eines einzelnen grossen NLP-Modells so viel Kohlenstoff emittieren kann wie fuenf Automobile waehrend ihrer gesamten Lebensdauer.
Der Wasser-Fussabdruck der KI ist ebenso besorgniserregend. Li und Kollegen (2023) schaetzen, dass das Training von GPT-3 in Microsofts US-Rechenzentren direkt 700.000 Liter Frischwasser verdampfte. Der globale KI-Wasserbedarf wird bis 2027 auf 4,2-6,6 Milliarden Kubikmeter projiziert.
2.2 Digitaler Inhaltskonsum
Istrate und Kollegen (2024) schaetzen, dass der jaehrliche globale durchschnittliche digitale Inhaltskonsum 229 kg CO2-Aequivalent pro Nutzer pro Jahr erzeugt, etwa 3-4 Prozent der Pro-Kopf-Treibhausgasemissionen.
3. Digitale Genuegsamkeit als Bildungsziel
Das Konzept der „digitalen Genuegsamkeit" (sobrieté numérique) stammt vom franzoesischen Think Tank The Shift Project, dessen Bericht von 2019 „Lean ICT: Towards Digital Sobriety" es als Prinzip definierte, moeglich wenig leistungsstarke Geraete zu kaufen, Geraete so selten wie moeglich zu wechseln und unnoetige energieintensive digitale Nutzung zu reduzieren.
Die EU hat den GreenComp-Rahmen fuer Nachhaltigkeitskompetenzen mit vier Kompetenzbereichen entwickelt: Nachhaltigkeitswerte verkoerpern, Komplexitaet der Nachhaltigkeit annehmen, nachhaltige Zukuenfte visionieren und fuer Nachhaltigkeit handeln.
Calis und Kollegen (2025) fanden bei 896 Lehramtsstudierenden nur ein „moderates Niveau" des Bewusstseins fuer den digitalen CO2-Fussabdruck. Wenn Lehrende selbst die Umweltkosten digitaler Technologie nicht kennen, koennen sie nicht erwarten, dieses Bewusstsein bei ihren Studierenden zu kultivieren.
4. Chinas Ansatz: Bildung zur oekologischen Zivilisation
Chinas Ansatz zur Umweltbildung wird nicht durch „Nachhaltigkeit" im westlichen Sinne, sondern durch das Konzept der „oekologischen Zivilisation" (生态文明, shengtai wenming) gerahmt -- ein umfassendes Rahmenwerk, das Umweltschutz mit wirtschaftlicher Entwicklung, sozialer Steuerung und zivilisatorischer Identitaet integriert. Das Konzept wurde 2012 in die Verfassung der KPCh und 2018 in die Staatsverfassung aufgenommen.
2022 erliess das Bildungsministerium ein „Arbeitsprogramm zum Aufbau eines starken Systems der Hochschulbildung fuer Kohlenstoff-Peak und Kohlenstoff-Neutralitaet", das Universitaeten mandatierte, neue Fakultaeten, Kurse und Berufsprogramme entsprechend Chinas Doppel-Kohlenstoff-Zielen einzurichten.
5. Das KI-Energieparadox
Die akuteste Spannung in der gruenen digitalen Bildung ist das, was wir das „KI-Energieparadox" nennen. Kuenstliche Intelligenz ist gleichzeitig die energieintensivste Komponente digitaler Bildung und die Technologie, die am haeufigsten als Loesung fuer Umweltherausforderungen angerufen wird. Dieses Paradox manifestiert sich als „Rebound-Effekt" oder Jevons-Paradox: Effizienzverbesserungen fuehren zu erhoehtem Verbrauch statt zu reduziertem Ressourceneinsatz.
Das aufkommende Feld „Green AI" bietet technische Ansaetze zur Reduktion der Umweltkosten: Modellkompression kann eine 32-prozentige Reduktion des Energieverbrauchs erzielen. Allerdings adressieren Green-AI-Techniken nur die Effizienz einzelner Systeme, nicht das aggregierte Wachstum des KI-Einsatzes.
7. Empfehlungen
Erstens: Digitale Infrastruktur in die institutionelle CO2-Bilanzierung einbeziehen. Zweitens: Digitale Genuegsamkeit als Gestaltungsprinzip fuer Bildungstechnologie uebernehmen. Drittens: Umweltbewusstsein in die Bildung zur digitalen Kompetenz integrieren. Viertens: Institutionelle Metriken fuer das KI-Energieparadox entwickeln. Fuenftens: E-Waste durch institutionelles Lebenszyklusmanagement adressieren. Sechstens: Forschung zu nachhaltiger Bildungstechnologie unterstuetzen. Siebtens: EU-China-Dialog zur gruenen digitalen Bildung schaffen.
8. Schlussfolgerung
Die digitale Transformation der Hochschulbildung ist nicht umweltneutral. Rechenzentren verbrauchen jaehrlich 415 TWh Strom und wachsen. KI-Training erzeugt Hunderte metrische Tonnen CO2 und verdampft Hunderttausende Liter Frischwasser. Diese Fakten sind keine Argumente gegen digitale Bildung -- die in dieser Anthologie dokumentierten Vorteile sind real und bedeutsam. Aber sie sind Argumente fuer oekologische Ehrlichkeit: fuer die Anerkennung der Kosten neben den Vorteilen und fuer die Gestaltung von Bildungstechnologiesystemen, die Umweltschaeden minimieren, statt sie zu ignorieren.
Die Entwicklung einer adaequaten Antwort auf diese Herausforderungen gehoert zu den wichtigsten Aufgaben der Hochschulbildung im kommenden Jahrzehnt. Sie erfordert nicht weniger Technologie, sondern klueegere Technologie -- und die institutionelle Bereitschaft zu fragen, ob der Bildungsnutzen die Umweltkosten vor jeder digitalen Bereitstellung rechtfertigt.
Danksagung
Durchgefuehrt im Rahmen des Jean-Monnet-Exzellenzzentrums „EUSC-DEC" (EU-Foerderkennzeichen 101126782, 2023-2026).
Literaturverzeichnis
Bianchi, G., et al. (2022). GreenComp: The European sustainability competence framework. JRC128040.
IEA. (2025). Energy and AI. IEA, Paris.
Istrate, R., et al. (2024). The environmental sustainability of digital content consumption. Nature Communications, 15, 3724.
Li, P., et al. (2023). Making AI Less "Thirsty". Communications of the ACM.
Patterson, D., et al. (2021). Carbon Emissions and Large Neural Network Training. arXiv:2104.10350.
Selwyn, N. (2021). Ed-Tech Within Limits. E-Learning and Digital Media, 18(5), 496-510.
Strubell, E., et al. (2019). Energy and Policy Considerations for Deep Learning in NLP. ACL, 3645-3650.
The Shift Project. (2019). Lean ICT: Towards Digital Sobriety.