--- title: "Was kostet ein KI-Alt-Text das Klima? | b13" url: "https://b13.com/de/wissen/was-ein-ki-generierter-alt-text-das-klima-kostet" description: Ein KI-Alt-Text kostet rund 1 mg CO₂e. So schätzt unsere TYPO3-Extension AiM den Fußabdruck—und Smart Routing senkt ihn 20- bis 30-fach. image: "https://b13.com/fileadmin/_processed_/2/5/csm_Co2AiM_Sharing_3b8b0964ba.png" date: 2026-11-10 modified: 2026-11-12 --- # Was kostet ein KI-Alt-Text das Klima? | b13 [ TYPO3 ](https://b13.com/de/wissen/typo3) Was ein KI-generierter Alt-Text das Klima kostet ================================================== ![Junger Mann mit kurzen, hellen Haaren und Ohrringen, der in einem modernen Büroumfeld lächelt und ein schwarzes Hemd trägt.](https://b13.com/fileadmin/_processed_/8/5/csm_oli_77f53195f3.webp) Oliver Bartsch 10. November 2026 [ RSS Feed ](https://b13.com/de/rss.xml) ![Eine robotische Hand hält eine Lupe über einen Globus und symbolisiert die Erkundung sowie die Rolle der Technologie beim Verständnis der Erde.](https://b13.com/fileadmin/_processed_/7/8/csm_Co2AiM_Headerbild_a676fc412b.webp) Mit unserer Extension [AiM](https://b13.com/de/hilfreiche-typo3-extensions-von-b13-fuer-dich/aim) (aim) können Redakteure in TYPO3 Alt-Texte, Meta-Descriptions und Übersetzungen von einer KI schreiben lassen. AiM zeigt schon jetzt, was jede Anfrage kostet. Was bisher fehlte: der Strom dahinter und die Treibhausgase, die dabei entstehen, gerechnet in CO₂e (CO₂-Äquivalent). Unser Kollege Benni hat uns auf einen Beitrag des Wagtail-Teams aufmerksam gemacht, „[The carbon footprint of Wagtail AI](https://wagtail.org/blog/the-carbon-footprint-of-wagtail-ai/)“. Darin steht eine Zahl für eine einzelne KI-geschriebene Bildbeschreibung: 0,23 g CO₂e. So etwas wollten wir auch für AiM — und zwar genau dort sichtbar, wo man damit arbeitet. **Die Kurzfassung: Nach unserer Schätzung kommt ein Alt-Text von einem typischen gehosteten Modell auf etwa ein Milligramm CO₂e und das Smart Routing von AiM senkt den CO₂-Ausstoß einfacher Anfragen auf ein Zwanzigstel bis Dreißigstel.** Die lange Fassung, inklusive dessen, was diese Zahlen nicht verraten, folgt jetzt. Warum wir schätzen statt messen --------------------------------- Wagtail konnte messen, weil das Team einen KI-Anbieter nutzt, der den Energieverbrauch jeder Anfrage meldet. Die großen Anbieter, mit denen unsere Nutzer arbeiten — OpenAI, Anthropic, Google und Mistral — veröffentlichen das nicht. Also müssen wir schätzen. Dafür haben wir uns drei Dinge vorgenommen: - **Jede Zahl ist als Schätzung gekennzeichnet**, und du siehst, worauf sie beruht. - **“Keine Daten“ wird nie zu null.** Kann AiM eine Anfrage nicht schätzen, sagt es das — und warum. - **Spannen statt Scheingenauigkeit.** Wo wir raten müssen, zeigt AiM eine Spanne statt einer exakt wirkenden Zahl. So schätzt AiM ---------------- Ein KI-Modell schreibt seine Antwort Stück für Stück, in kleinen Einheiten, den sogenannten Tokens. Jedes davon kostet etwas Strom auf einer Grafikkarte im Rechenzentrum. Je größer das Modell, desto mehr Strom braucht jedes Token. Dazu kommen der restliche Server und die Kühlung des Rechenzentrums. Multipliziert mit dem CO₂, das das Stromnetz pro Kilowattstunde verursacht, ergibt das eine Schätzung. Erfunden haben wir das nicht. [EcoLogits](https://ecologits.ai/latest/methodology/llm_inference/) von der gemeinnützigen Organisation GenAI Impact ist eine offene Methode, die genau auf dieser Idee beruht, mit veröffentlichten Daten für Hunderte Modelle. Wir haben sie für AiM in PHP nachgebaut und unsere Version Zahl für Zahl mit dem Original abgeglichen. Der Haken: OpenAI und andere verraten nicht, wie groß ihre Modelle sind. EcoLogits arbeitet deshalb mit einer plausiblen Größenspanne, zum Beispiel 8 bis 28 Milliarden Parametern für gpt-4o-mini. Darum zeigt AiM eine Spanne wie 0,85–0,99 mg an. Für ein Modell, das auf deinem eigenen Rechner läuft, etwa mit [Ollama](https://ollama.com/), geht AiM einen anderen Weg. Du misst einmal, wie viel mehr Strom der Rechner zieht, während das Modell arbeitet, und AiM multipliziert das mit der Dauer jeder Anfrage. Auf einem Mac zeigt das eingebaute Tool powermetrics die Leistungsaufnahme des Chips. Was du in AiM siehst ---------------------- Jede Anfrage im Request-Log von AiM zeigt jetzt ihren geschätzten Fußabdruck, wie er berechnet wurde, und die Warnungen, die dazugehören, etwa „Modellgröße nicht veröffentlicht“. Extensions wie Descriptive Images ([descriptive\_images](https://b13.com/de/produkte/descriptive-images-fuer-typo3)) zeigen dasselbe direkt nach dem Generieren eines Alt-Texts. ![Anforderungsprotokoll, das technische Details anzeigt, einschließlich Zeitstempel, Modellspezifikationen und Verarbeitungsinformationen zu einer bestimmten Aufgabe.](https://b13.com/fileadmin/_processed_/9/8/csm_1_ced2de65cb.webp) [ ](https://b13.com/fileadmin/Blog/CO2_AI-Generated_Alt_Text/1.png) ![Kein spezifischer Inhalt, um das bereitgestellte Bild zu beschreiben. Bitte stellen Sie ein Bild oder eine Beschreibung zur Verfügung, um alternativen Text zu generieren.](https://b13.com/fileadmin/_processed_/9/9/csm_2_b40ca5cd8e.webp) [ ](https://b13.com/fileadmin/Blog/CO2_AI-Generated_Alt_Text/2.png) Das Request-Log listet den Fußabdruck neben den Kosten jeder Anfrage und summiert alles in einer Statistik-Karte. Die Provider-Übersicht macht das Gleiche pro Konfiguration. Anfragen, die AiM nicht schätzen kann, fließen nicht ein und erscheinen mit einem Strich. So zeigt jede Summe, wie viele Anfragen sie abdeckt. ![Anforderungsprotokoll, das verschiedene Kennzahlen anzeigt, einschließlich Gesamtanfragen, Kosten, Token und Status für verschiedene Einträge.](https://b13.com/fileadmin/_processed_/4/6/csm_3_305955ea09.webp) [ ](https://b13.com/fileadmin/Blog/CO2_AI-Generated_Alt_Text/3.png) Echte Zahlen: fünf Alt-Texte ------------------------------ Wir haben [descriptive\_images](https://b13.com/de/produkte/descriptive-images-fuer-typo3), eine Extension auf Basis von AiM, Alt-Texte für fünf Fotos schreiben lassen. Einmal mit gpt-4o-mini von OpenAI, einmal mit gemma3:4b, Googles kleinem offenen Modell, auf einem MacBook Pro (M4 Pro). | | **gpt-4o-mini (OpenAI)** | **gemma3:4b (auf dem Laptop)** | |---|---|---| | So sind wir auf die Zahl gekommen | Schätzung mit EcoLogits | Gemessene Leistung × Zeit | | Strom pro Alt-Text | 1,7–2,7 mWh | 17–18 mWh | | CO₂e pro Alt-Text | 0,64–1,0 mg | 5,7–6,0 mg | | Zeit pro Alt-Text | 1,4–2,2 s | etwa 2,4 s | Zur Einordnung: Ein Milligramm ist ein Tausendstel Gramm. Ein durchschnittlicher Seitenaufruf verursacht laut [Sustainable Web Design Model](https://sustainablewebdesign.org/estimating-digital-emissions/) etwa 0,36 g CO₂e. Ein Seitenaufruf verursacht also ungefähr so viel CO₂ wie 360 bis 560 dieser Alt-Texte — wobei der Wert für den Seitenaufruf Endgeräte und Netzwerke einschließt, unserer nicht. Überrascht, dass der Laptop sechs- bis neunmal schlechter abschneidet? Wir auch ein bisschen. Eine Grafikkarte im Rechenzentrum bearbeitet viele Anfragen gleichzeitig und teilt ihren Strom auf sie auf; ein Laptop bearbeitet nur eine. Unsere Laptop-Zahl enthält außerdem das Einlesen des Bilds, das die Schätzung für gpt-4o-mini außen vor lässt. Trotzdem: Ein Modell auf dem eigenen Rechner laufen zu lassen, ist nicht automatisch die grünere Wahl. Und warum liegt das alles so weit unter Wagtails 0,23 g? Deren Modell ist viel größer (eine Billion Parameter), ihre Messung erfasst wahrscheinlich mehr von der Arbeit, und ihr Stromwert ist etwas höher. Anderes Modell, andere Methode — kein Widerspruch. Smart Routing: Das kleinere Modell ist das grünere ---------------------------------------------------- Der Unterschied zwischen KI-Modellen hängt vor allem von ihrer Größe ab. Hier kommt eine Funktion ins Spiel, die AiM schon hat: Smart Routing. AiM schaut sich jede Anfrage an, bevor es sie abschickt. Ist der Prompt einfach, etwa eine kurze Meta-Description, und zeigt die Historie in AiM, dass ein kleineres, günstigeres Modell solche Anfragen zuverlässig erledigt, schickt AiM die Anfrage dorthin statt an das große Modell, das eigentlich angefragt wurde. Wir haben das mit fünf Anfragen für Meta-Descriptions ausprobiert, die eigentlich an das größere gpt-4o von OpenAI gerichtet waren. Smart Routing hat alle fünf mit gpt-4o-mini beantwortet. AiM schätzt jetzt auch, was das angefragte Modell für dieselbe Antwort verbraucht hätte: | **Pro Meta-Description** | **Beantwortet von gpt-4o-mini** | **Mit gpt-4o, wie angefragt** | |---|---|---| | CO₂e | 1,1–1,6 mg | 22–46 mg | Bei jeder einfachen Anfrage fällt also nur ein Zwanzigstel bis Dreißigstel an. AiM zieht ab, was das kleinere Modell tatsächlich verbraucht hat. Jede dieser Anfragen hat also 20 bis 45 mg vermieden. Die Spanne bleibt ehrlich, was die Unsicherheit angeht: Am unteren Ende steht das große Modell mit seinem niedrigsten Schätzwert, das kleine mit seinem höchsten. Über alle fünf Anfragen hat AiM 0,12 bis 0,19 g CO₂e als vermieden gezählt — ein Drittel bis die Hälfte eines durchschnittlichen Seitenaufrufs. Diese Summe zeigt AiM als „durch Smart Routing vermieden“ im Request-Log und in einem Dashboard-Widget. ![Tabelle mit verschiedenen KI-Anbietern, die Details wie Titel, Anbieter, Endpunkt, Modell, Gesamtkosten und Status anzeigen.](https://b13.com/fileadmin/_processed_/7/6/csm_4_1fa0efdd4c.webp) [ ](https://b13.com/fileadmin/Blog/CO2_AI-Generated_Alt_Text/4.png) ![Dashboard, das Metriken zum KI-Fußabdruck anzeigt, einschließlich geschätzter CO2-Emissionen und aktueller Anforderungsprotokolle mit Zeitstempeln und Token-Nutzung.](https://b13.com/fileadmin/_processed_/1/5/csm_6_dd6248fde3.webp) [ ](https://b13.com/fileadmin/Blog/CO2_AI-Generated_Alt_Text/6.png) Zwei ehrliche Anmerkungen. Smart Routing entscheidet nach Kosten, Zuverlässigkeit und Geschwindigkeit, nicht nach CO₂. Aber kleinere Modelle sind günstiger, weil sie weniger Rechenleistung brauchen — Kosten und CO₂ sinken also gemeinsam. Und ein kleineres Modell ist nicht immer genauso gut: AiM bewertet Antworten automatisch und von unseren fünf umgeleiteten Antworten wurden vier als gut und eine als schlecht bewertet, wobei ein kleines lokales Modell als Richter fungierte. Sobald genug Antworten bewertet sind, leitet AiM nicht mehr an ein Modell weiter, dessen Bewertungen unter „gut“ fallen. Beim Bauen haben wir übrigens einen Bug gefunden und behoben, wegen dem Smart Routing bei OpenAI und Anthropic nie das Modell gewechselt hat. Was die Zahlen nicht zeigen ----------------------------- **Den Input.** Jede Alt-Text-Anfrage hat rund 8.654 Tokens an OpenAI geschickt, wovon fast alles auf das Bild entfiel, und 23 Tokens zurückbekommen. Die Schätzung zählt nur die Antwort. Bei Bildbeschreibungen und Übersetzungen könnte das Einlesen des Inputs durchaus der größere Teil sein. Wie groß, wissen wir nicht, und das sagen wir lieber, als zu raten. **Die Herstellung der Hardware.** Auch der Bau von Grafikkarten und Servern verursacht Emissionen. AiM zeigt diesen Anteil neben jeder Schätzung (bei gpt-4o-mini grob ein Fünftel obendrauf), rechnet ihn aber nicht in die Summen ein. **Fehlgeschlagene Anfragen.** Ein größeres lokales Modell, das wir ausprobiert haben, qwen3.6:27b, hat sein gesamtes Antwortbudget mit Nachdenken verbraucht und nichts zurückgegeben. Das waren 42 Sekunden Arbeit, die AiM als „Keine Daten“ protokolliert hat — der Strom war trotzdem verbraucht. **Gewissheit.** Eine Spanne bildet nur die Unsicherheit bei der Modellgröße ab. Alles andere bringt zusätzliche Unsicherheit mit, die keine Spanne zeigt. Drei kleinere Erkenntnisse ---------------------------- **Nachdenken kostet.** Mit eingeschaltetem Thinking hat qwen3.6:27b für einen Alt-Text aus einem Satz 469 Tokens in 51 Sekunden produziert, ohne Thinking 12 Tokens in unter zwei Sekunden. Für Alt-Texte ist ein Reasoning-Modell das falsche Werkzeug. **Hochfahren kostet.** Die erste Anfrage an ein lokales Modell nach einer Pause dauerte 3,4 Sekunden. Davon gingen 2,9 nur fürs Laden des Modells drauf. **Wiederholen ist günstig.** Dasselbe Bild noch einmal zu schicken, dauerte 0,23 statt 2,2 Sekunden, weil Ollama bereits erledigte Arbeit wiederverwendet. Grenzen und nächste Schritte ------------------------------ Das ist eine erste Version. Sie deckt Textantworten ab, aber keine Bildgenerierung und noch keine Antworten, die lokale Modelle Wort für Wort streamen. Die lokalen Zahlen sind nur so gut wie die Strommessung, die du einträgst, und die Summen mischen zwei unterschiedliche Methoden. Als Nächstes nehmen wir uns drei Dinge vor: - die Input-Seite, die sich als größter blinder Fleck herausgestellt hat - echte Messwerte von Anbietern, die solche Daten veröffentlichen - Smart Routing, das CO₂ direkt mit einbezieht Die Funktion ist Teil von AiM. Die [Dokumentation](https://github.com/b13/aim/blob/main/Documentation/EnvironmentalImpact.md) beschreibt die Methode und ihre Grenzen im Detail. ![](https://b13.com/fileadmin/_processed_/8/5/csm_oli_c922c5cedf.webp)### [ Oliver Bartsch ](https://b13.com/de/team/oliver-bartsch) Development ### Explore Further Want to see what your AI requests in TYPO3 use? [ More on AiM ](https://b13.com/de/hilfreiche-typo3-extensions-von-b13-fuer-dich/aim) [ Meet the developer ](https://b13.com/team/oliver-bartsch) Sources --------- - AiM: [github.com/b13/aim](http://github.com/b13/aim) - AiM smart routing: [documentation](https://github.com/b13/aim/blob/main/Documentation/Pipeline.md) - Wagtail: [The carbon footprint of Wagtail AI](https://wagtail.org/blog/the-carbon-footprint-of-wagtail-ai/) - EcoLogits method: [LLM inference](https://ecologits.ai/latest/methodology/llm_inference/), [proprietary models](https://ecologits.ai/latest/methodology/proprietary_models/) - EcoLogits code and data (MPL-2.0): [github.com/genai-impact/ecologits](https://github.com/genai-impact/ecologits), commit d586c35 - Sustainable Web Design Model v4: [Estimating digital emissions](https://sustainablewebdesign.org/estimating-digital-emissions/) - Electricity carbon intensity: EcoLogits electricity data (USA 384.4, Germany 329.65 g CO₂e/kWh); Wagtail used [Ember](https://ember-energy.org/data/yearly-electricity-data) (world 471.84 g/kWh) - Apple: man powermetrics ### Geschrieben von: ![Junger Mann mit kurzen, hellen Haaren und Ohrringen, der in einem modernen Büroumfeld lächelt und ein schwarzes Hemd trägt.](https://b13.com/fileadmin/_processed_/8/5/csm_oli_91751adb73.webp) Als TYPO3 Core Entwickler liebt Oli es, mit seinen Teamkollegen an neuen TYPO3 Features und Bugfixes zu arbeiten. Sein unverzichtbares Tool: PHPStorm. Oliver Bartsch Development [ mehr von Oliver Bartsch ](https://b13.com/de/team/oliver-bartsch)