, , , , , ,

Europe Is Fed Up. Catching Up Is Still Not a Strategy

Deutsche Fassung: Europa ist es leid. Technisch aufzuholen ist trotzdem noch keine Strategie

WIRED captures the European mood in a useful headline: “Europe
Is Fed Up and Wants Its Own AI”. The impulse is understandable.
Europe wants less dependency, more compute of its own, its own models
and infrastructure that does not become nervous every time the
geopolitical weather changes.

Yet the reaction contains a dangerous narrowing. A continent can
catch up technically and still miss the actual transformation. A
European fab can produce chips. It does not decide how schools organise
learning, how public administrations assign responsibility, how
companies protect human judgement or how the public sphere deals with
synthetic powers of persuasion.

AI is not one technology sector among others. It acts simultaneously
on work, education, public administration, the public sphere, value
creation, power architectures and the organisation of judgement. It
changes not only how we work. It changes what will count as work,
competence, career, institution and human contribution.

Technical catch-up is therefore necessary but insufficient. The more
important task is to shape the paradigm shift.

Catching up is not a
direction

The European debate likes to count data centres, parameters, chips
and investment totals. That is not wrong. Infrastructure determines who
can act at all. Without compute, energy, networks, open models and
skilled people, sovereignty remains a conference term with excellent
typography.

But infrastructure does not answer where a society wants to go. A
continent can own a capable model and remain dependent on a single cloud
provider, a proprietary orchestrator, an opaque supply chain or a
handful of consultancies that are the only ones who know how the system
works. Ownership alone does not create agency.

From a New Work perspective, that is the decisive distinction.
Freedom does not emerge from an object located somewhere in Europe. It
emerges from capabilities, rights and real alternatives. People and
institutions must be able to understand, limit, change and challenge a
system. Otherwise we will have European hardware and imported
powerlessness.

Sovereignty begins with
exit capacity

A useful working definition follows: AI sovereignty is the ability to
make dependencies visible, limit them, switch providers and continue
critical work when a contract, an API or a political relationship
fails.

This is not a demand for autarky. Europe does not need to manufacture
every model layer, chip and tool itself. It does need exit capacity.
Data, prompts, evaluations, logs and workflows must be exportable.
Critical processes need a degraded mode. Interfaces must be replaceable.
The first exit test cannot take place on the day of the crisis.

Procurement often asks about price, accuracy and speed. Sovereign
procurement also asks: How long does exit take? Which capabilities do we
lose while operating the service? Who can inspect the system without the
vendor? What remains functional when the connection disappears?

That sounds less spectacular than “Europe’s own AI.” It is much
closer to a Tuesday morning when a public agency or a company actually
has to keep working.

A server location is
a fact, not a strategy

EU hosting can be useful and necessary in sensitive contexts. It does
not automatically resolve questions of corporate jurisdiction, key
control, access, subcontractors and provider switching.

The EU
Data Act contains safeguards against unlawful third-country
government access and rules intended to make switching between
data-processing services easier. US law, meanwhile, can require covered
providers under specified conditions to disclose data within their
possession, custody or control regardless of whether the data is located
inside or outside the United States; the territorial principle appears
in 18 U.S.C. §
2713.

Which obligation applies in a specific case is a legal question, not
a LinkedIn punchline. The architectural conclusion is still clear: a
Frankfurt postcode does not replace analysis of jurisdiction,
encryption, key ownership, the supply chain and the exit path.

What colibri actually proves

The open-source colibri project expands
the technical design space. It can run the 744-billion-parameter GLM-5.2
mixture-of-experts model on a machine with roughly 25 GB of RAM and no
GPU. Part of the model remains resident in memory, while expert layers
are kept on an SSD and streamed when needed.

That is remarkable. It is not fast. The project documents roughly 370
GB of storage, about 11 GB of disk reads for each cold token and
approximately 0.05 to 0.1 tokens per second during cold decoding. This
is not a citizen-service chatbot and it is not proof that every standard
laptop can now run a frontier model in production. It is a proof of
feasibility: “too large to run locally” is not an immutable law of
nature.

The practical lesson is not to install colibri everywhere. It is to
build more differentiated architectures. Sensitive tasks may run on
smaller open models locally when quality and risk allow it. Other tasks
may use an external frontier service. Between them, organisations need
gateways, evaluations and replaceable interfaces. Sovereignty lies in a
designed portfolio, not in a heroic all-or-nothing decision.

The organisation of
judgement

This is where the actual New Work question begins. If only an
external vendor or a small specialist team understands how an AI system
reaches and operationalises decisions, the organisation is not merely
renting compute. It is renting judgement.

Workers can then become final-stage validators for a machine whose
assumptions they are not allowed to change. They remain responsible for
outcomes but cannot access the rules, logs or escalation paths. This is
not relief from work. It is responsibility without agency.

A small study of AI-assisted writing, “Your Brain on ChatGPT”,
found lower neural connectivity and a lower sense of ownership among the
LLM group across 54 participants in its first three sessions. This is
not proof of general cognitive decline and certainly not a finding about
every occupation. It is a bounded warning: when systems are designed so
that people merely accept outputs, learning and judgement can disappear
from the work process.

Sovereign organisations do the opposite. Domain experts define error
and action boundaries. Operations teams can inspect logs and roll
systems back. Workers and their representatives have intelligible rights
to challenge and stop systems. Learning does not occur only in an annual
course; it happens in the real work of shaping the system.

A Monday-morning test

Before using the label “sovereign,” six questions should be
answered:

  1. Can we name the full technical and legal dependency chain?
  2. Can we export data, workflows, evaluations and logs in usable
    form?
  3. Can we replace the model or provider without reinventing the
    organisation?
  4. Can critical services continue in a degraded mode during failure or
    dispute?
  5. Can the people who carry responsibility inspect errors, contest
    decisions and stop the system?
  6. Does our own capability grow during operation, or only the vendor’s
    invoice?

This test connects technology, law and work. That is exactly what is
required for a transformation force that changes several social orders
at once.

Europe does not need a
victory pose

“Europe is fed up” can be a productive beginning. Fatigue does not
build an institution. A fab, a model and a European data centre can be
important freedom substrates. They do not replace the work of
redesigning education, public administration, co-determination, the
public sphere and the distribution of judgement.

Europe’s decisive capability is not to own everything. It is to set
direction together: to see dependencies, preserve alternatives, build
capability, assign responsibility and enable dissent both technically
and institutionally.

Then sovereignty becomes more than origin. It becomes practice. And
technical catch-up finally becomes what it should be: a tool for
societal design, not its substitute.

Further reading: New Work New Culture’s
Flowbook AI

/von
, , , , , ,

Europa ist es leid. Technisch aufzuholen ist trotzdem noch keine Strategie

English version: Europe Is Fed Up. Catching Up Is Still Not a Strategy

WIRED bringt die europäische Stimmung auf eine brauchbare
Schlagzeile: „Europe
Is Fed Up and Wants Its Own AI“. Der Impuls ist verständlich. Europa
will weniger Abhängigkeit, mehr eigene Rechenleistung, eigene Modelle
und eine Infrastruktur, die nicht bei jeder geopolitischen
Wetteränderung nervös zum Fenster schaut.

Nur liegt in dieser Reaktion eine Verkürzung. Man kann technisch
aufholen und den eigentlichen Wandel trotzdem verpassen. Eine eigene Fab
kann Chips produzieren. Sie beantwortet noch nicht, wie Schulen Lernen
organisieren, wie Verwaltungen Verantwortung zuordnen, wie Unternehmen
menschliches Urteil schützen oder wie Öffentlichkeit mit synthetischer
Überzeugungskraft umgeht.

KI ist kein einzelner Technologiesektor. Sie wirkt gleichzeitig auf
Arbeit, Bildung, Verwaltung, Öffentlichkeit, Wertschöpfung,
Machtarchitekturen und die Organisation von Urteil. Sie verändert nicht
nur, wie wir arbeiten. Sie verändert, was künftig als Arbeit, Kompetenz,
Karriere, Institution und menschlicher Beitrag gilt.

Darum ist technisches Aufholen notwendig, aber nicht hinreichend. Die
wichtigere Aufgabe ist, den Paradigmenwechsel zu gestalten.

Aufholen ist keine Richtung

Die europäische Debatte zählt gern Rechenzentren, Parameter, Chips
und Investitionssummen. Das ist nicht falsch. Infrastruktur entscheidet,
wer überhaupt handeln kann. Ohne Rechenleistung, Energie, Netze, offene
Modelle und Fachleute bleibt Souveränität ein Konferenzwort mit sehr
guter Typografie.

Aber Infrastruktur beantwortet nicht, wohin eine Gesellschaft handeln
will. Ein Kontinent kann ein leistungsfähiges Modell besitzen und
dennoch abhängig bleiben: von einem einzelnen Cloud-Anbieter, einem
proprietären Orchestrator, einer undurchsichtigen Lieferkette oder
wenigen Beratungen, die als Einzige wissen, wie das System funktioniert.
Besitz allein schafft noch keine Handlungsfähigkeit.

Aus New-Work-Sicht ist das der entscheidende Unterschied. Freiheit
entsteht nicht durch ein Objekt, das irgendwo in Europa steht. Sie
entsteht durch Fähigkeiten, Rechte und reale Alternativen. Menschen und
Institutionen müssen ein System verstehen, begrenzen, verändern und ihm
widersprechen können. Sonst haben wir europäische Hardware und
importierte Ohnmacht.

Souveränität
beginnt mit Ausstiegsfähigkeit

Eine brauchbare Arbeitsdefinition lautet deshalb: KI-Souveränität ist
die Fähigkeit, Abhängigkeiten sichtbar zu machen, sie zu begrenzen,
Anbieter zu wechseln und kritische Leistungen auch dann weiterzuführen,
wenn ein Vertrag, eine API oder eine politische Beziehung ausfällt.

Das ist keine Forderung nach Autarkie. Europa muss nicht jede
Modellschicht, jeden Chip und jedes Werkzeug selbst herstellen. Es
braucht aber Ausstiegsfähigkeit. Daten, Prompts, Evaluierungen,
Protokolle und Arbeitsabläufe müssen exportierbar sein. Kritische
Prozesse brauchen einen reduzierten Weiterbetrieb. Schnittstellen müssen
austauschbar sein. Der Wechsel darf nicht erst am Tag der Krise zum
ersten Mal getestet werden.

Beschaffung fragt heute oft nach Preis, Genauigkeit und
Geschwindigkeit. Eine souveräne Beschaffung fragt zusätzlich: Wie lange
dauert der Ausstieg? Welche Fähigkeiten verlieren wir während des
Betriebs? Wer kann das System ohne den Hersteller prüfen? Was bleibt
funktionsfähig, wenn die Verbindung weg ist?

Das klingt weniger spektakulär als „Europe’s own AI“. Es ist dafür
näher an einem Dienstagvormittag, an dem eine Behörde oder ein Betrieb
tatsächlich weiterarbeiten muss.

Der
Serverstandort ist eine Angabe, keine Strategie

EU-Hosting kann sinnvoll und in sensiblen Kontexten notwendig sein.
Es löst aber nicht automatisch Fragen der Konzernzuständigkeit, der
Schlüsselkontrolle, des Zugriffs, der Subunternehmer und des
Anbieterwechsels.

Der EU
Data Act enthält Schutzpflichten gegen unzulässigen staatlichen
Zugriff aus Drittstaaten und Regeln, die den Wechsel zwischen
Datenverarbeitungsdiensten erleichtern sollen. Das US-Recht verlangt
zugleich von erfassten Anbietern unter bestimmten Voraussetzungen die
Herausgabe von Daten in ihrem Besitz, ihrer Obhut oder Kontrolle,
unabhängig davon, ob diese Daten innerhalb oder außerhalb der USA
gespeichert sind; der räumliche Grundsatz steht in 18 U.S.C. §
2713.

Welche Pflicht im konkreten Fall greift, ist eine Rechtsfrage, keine
LinkedIn-Pointe. Die architektonische Folgerung ist trotzdem klar: Eine
Frankfurter Postleitzahl ersetzt keine Prüfung von Jurisdiktion,
Verschlüsselung, Schlüsselbesitz, Lieferkette und Exit-Pfad.

Was colibri tatsächlich
beweist

Das Open-Source-Projekt colibri erweitert den
technischen Möglichkeitsraum. Es kann das
744-Milliarden-Parameter-MoE-Modell GLM-5.2 auf einer Maschine mit
ungefähr 25 GB RAM ohne GPU ausführen. Ein Teil des Modells bleibt im
Arbeitsspeicher, die Expertenschichten liegen auf SSD und werden bei
Bedarf gestreamt.

Das ist bemerkenswert. Es ist aber nicht schnell. Das Projekt
dokumentiert rund 370 GB Speicherbedarf, ungefähr 11 GB Lesezugriffe pro
kaltem Token und etwa 0,05 bis 0,1 Token pro Sekunde im kalten Lauf. Das
ist kein Chatbot für den Bürgerservice und kein Beweis, dass nun jedes
Standardnotebook ein Frontier-Modell produktiv betreibt. Es ist ein
Machbarkeitsbeweis: „Zu groß für lokal“ ist keine unveränderliche
Naturgrenze.

Die praktische Lehre ist nicht, überall colibri zu installieren. Sie
lautet, Architekturen differenzierter zu bauen. Sensible Aufgaben
können, sofern Qualität und Risiko es erlauben, mit kleineren offenen
Modellen lokal laufen. Andere Aufgaben können einen externen
Frontier-Dienst nutzen. Dazwischen braucht es Gateways, Evaluierungen
und austauschbare Schnittstellen. Souveränität liegt im gestalteten
Portfolio, nicht in einer heroischen Alles-oder-nichts-Entscheidung.

Die Organisation von Urteil

Hier beginnt die eigentliche New-Work-Frage. Wenn nur ein externer
Anbieter oder ein kleines Spezialteam versteht, wie ein KI-System
entscheidet, mietet die Organisation nicht nur Rechenleistung. Sie
mietet Urteil.

Beschäftigte werden dann leicht zu Endkontrolleuren einer Maschine,
deren Voraussetzungen sie nicht verändern dürfen. Sie tragen
Verantwortung für Ergebnisse, haben aber keinen Zugriff auf Regeln,
Protokolle oder Eskalationswege. Das ist keine Entlastung. Es ist
Verantwortung ohne Handlungsmacht.

Eine kleine Studie zum KI-gestützten Schreiben, „Your Brain on ChatGPT“,
fand bei 54 Teilnehmenden in den ersten drei Sitzungen geringere
neuronale Vernetzung und geringeres Eigentumsgefühl an Texten in der
LLM-Gruppe. Das ist kein Beweis für einen allgemeinen Verfall
menschlicher Kompetenz und schon gar keine Aussage über alle Berufe. Es
ist ein begrenzter Warnhinweis: Wer Systeme so gestaltet, dass Menschen
nur noch Ergebnisse abnehmen, kann Lernen und Urteil aus dem
Arbeitsprozess entfernen.

Souveräne Organisationen tun das Gegenteil. Fachleute definieren
Fehlergrenzen. Betriebsteams können Protokolle prüfen und zurückrollen.
Beschäftigte und Interessenvertretungen haben nachvollziehbare
Widerspruchs- und Stopprechte. Lernen findet nicht nur in einem
jährlichen Kurs statt, sondern in der realen Arbeit am System.

Ein Test für Montagmorgen

Vor dem Etikett „souverän“ sollten sechs Fragen beantwortet
werden:

  1. Können wir die technische und rechtliche Abhängigkeitskette
    vollständig benennen?
  2. Können wir Daten, Arbeitsabläufe, Evaluierungen und Protokolle in
    nutzbarer Form exportieren?
  3. Können wir das Modell oder den Anbieter ersetzen, ohne die
    Organisation neu zu erfinden?
  4. Können kritische Leistungen bei Ausfall oder Streit in einem
    reduzierten Modus weiterlaufen?
  5. Können die Menschen, die Verantwortung tragen, Fehler prüfen,
    Entscheidungen anfechten und das System stoppen?
  6. Wächst während des Betriebs unser eigenes Können oder nur die
    Rechnung des Anbieters?

Dieser Test verbindet Technik, Recht und Arbeit. Genau das braucht
eine Transformationskraft, die gleichzeitig mehrere gesellschaftliche
Ordnungen verändert.

Europa braucht keine
Siegerpose

„Europe is fed up“ kann ein produktiver Anfang sein. Müdigkeit allein
baut jedoch keine Institution. Eine eigene Fab, ein eigenes Modell und
ein europäisches Rechenzentrum können wichtige Freiheitssubstrate sein.
Sie ersetzen nicht die Arbeit an Bildung, Verwaltung, Mitbestimmung,
Öffentlichkeit und der Verteilung von Urteilsmacht.

Die entscheidende europäische Fähigkeit ist nicht, alles selbst zu
besitzen. Sie ist, gemeinsam Richtung geben zu können: Abhängigkeiten
sehen, Alternativen erhalten, Können aufbauen, Verantwortung zuordnen
und Widerspruch technisch wie institutionell ermöglichen.

Dann wird Souveränität mehr als Herkunft. Sie wird Praxis. Und
technisches Aufholen wird endlich zu dem, was es sein sollte: ein
Werkzeug für gesellschaftliche Gestaltung, nicht ihr Ersatz.

Weiterführend: Flowbook KI von New Work
New Culture

/von
, , , , , ,

The Golden Cage of Post-Work

AI 2040 combines slowing down, public research and a citizens dividend. New Work adds the missing question of practical agency.

Weiterlesen
/von
, , , , , ,

Der goldene Käfig der Post-Arbeit

AI 2040 denkt Verlangsamung, öffentliche Forschung und Bürgerdividende zusammen. New Work ergänzt die fehlende Frage nach realer Handlungsmacht.

Weiterlesen
/von
, , , , ,

The Green Horror Is Real. But Why Do We Talk So Listlessly About Solutions?

A New Work New Culture response to the current AI energy alarm: resource consumption is real. But fear is not an operating system.

Excerpt from the permanent publication Flowbook AI by NWNC: an ongoing trail on AI, New Work, freedom substrates, and public capacity to act. To Flowbook AI.

Thesis

AI’s hunger for energy is not background noise. It is infrastructure policy. But public debate often behaves as if there were only two dignified roles: alarmist or priest of growth. Between them lies a third path: building AI smaller, nearer, more local, and more useful. Not as a romantic tinkering solution, but as mature technical practice.

The real question, then, is not: Is AI good or evil?

The better question is: Why do we accept an AI future in which almost every small mental routine must first pass through a global data center?

That is roughly like sending a freight company to the bakery around the corner because one wants to “strategically scale” the path to the front door.

1. The alarm is right. The shortcut is not always.

The starting point is serious. The current AI boom draws electricity, water, chips, grids, capital, and political attention. Data centers are not clouds. They are locations. Lines. Cooling. Land. Permits. Transformers. Gas contracts. Waste heat. And somewhere there is a mayor who actually wanted to renovate a school.

In its report “Energy and AI”, the IEA expects data centers to more than double their electricity consumption from around 415 TWh in 2024 to about 945 TWh in 2030. That is not a small matter. At the same time, the same IEA says: in 2024, data centers accounted for about 1.5 percent of global electricity consumption. By 2030 they account for roughly one tenth of global demand growth, less than industrial motors, air conditioning, or electric vehicles.

Both are true.

And that is precisely where adult politics begins.

Not: “AI is killing the planet.”

Not: “It is all just panic, carry on.”

Rather: the global share is still limited, but the local force is enormous. Especially in regions where new data centers, semiconductor factories, and grid expansion arrive at the same time. Those who live there do not experience “1.5 percent of global electricity”. They experience connection queues, new power-plant debates, water stress, land conflicts, and an industry that wants very much very quickly.

The sentence “killing the planet” is understandable as a moral alarm. As analysis, it is too crude. It turns a concrete infrastructure conflict into an end-times backdrop. End-times backdrops are practical when one needs attention. They are less practical when one wants to build something.

The design question is: How do we talk about AI energy in a way that creates capacity to act, not just another moral smoke detector?

2. Nvidia is a symptom, not the whole body.

The LinkedIn post points to Nvidia’s sharply rising emissions. That is justified, but the number needs clean edges.

In the NVIDIA Sustainability Report Fiscal Year 2026, Scope 3 emissions are 10,700,940 t CO₂e. In the previous year they were 6,912,577 t CO₂e. That is an increase of around 55 percent. Anyone speaking of “53 percent in 2025” apparently means the jump from reporting year FY25 to FY26, not cleanly a calendar year 2025. Since FY24, Scope 3 emissions based on this table are about 2.94 times as high. So almost tripled, not cleanly “more than tripled” if these reporting years are the basis.

This is not an all-clear. On the contrary.

It is the more precise form of the problem.

Nvidia is fabless. Production sits in supply chains, especially with highly specialized semiconductor manufacturers such as TSMC and memory manufacturers such as SK hynix or Samsung. In the West, the AI boom often appears as a software event. In East Asia it is also a question of fabs, water, chemicals, electricity mix, grid stability, and industrial policy.

That is the blind spot of the beautiful cloud story: when intelligence is sold as a service, the material weight disappears from view. One sees the chat window. One does not see the metabolism behind it.

And that metabolism is considerable. TSMC reports rising requirements for energy, water, and emissions management in its sustainability and annual reports. The pointed warning from Greenpeace East Asia / The Diplomat about particularly energy- and water-intensive new fabs is plausible as a warning signal, but should not be treated as a clean substitute for primary data. What is officially well documented is this: semiconductor production is not an abstract background process. It is its own energy and resource complex.

This should change the European AI debate. Those who speak only about data centers see the server room. Those who speak about chips see the factory. Those who speak about freedom must see both.

The design question is: Which AI infrastructure may grow if its supply chain permanently concentrates ecological and political burdens in other regions?

3. Green Horror is a bad operating manual.

Green Horror has a use. It interrupts the story of frictionless progress. It says: look closely. There is electricity. There is water. There is extraction. There are regions paying for our convenience.

But horror is a bad architect.

It usually knows only three tools: shock, prohibition, guilt.

Shock wakes people up. Prohibition can be necessary. Guilt can establish a relationship to reality. But this still does not create a mode of operation. One cannot run a local AI lab with a bad conscience. Nor can one maintain a municipal data space with outrage. At some point someone needs a model, a device, a socket, a responsibility, training, a procurement decision, and a person who says on Tuesday morning: “Right, now we test this.”

That is not sexy. It is useful.

And precisely for that reason it appears less often in the media.

Prohibition jargon is easier than tool knowledge. Doom jargon is easier than maintenance. A data center with gigantic electricity demand is a clear image. A small local model server in a city library is an appointment with coffee, cables, and three people who want to know whether this also works without the cloud. That is not dramatic. But culture rarely emerges from drama. It emerges from repeatable practice.

There is a peculiar hostility to pleasure in the digital sustainability debate. As if a solution may only be taken seriously once it sounds unpleasant. As if every “We can try this today” were suspicious. Sometimes it feels as if public debate has an allergy to workshops.

And yet pleasure would be appropriate precisely here.

Not consumer pleasure. Not tech-bros-do-another-demo pleasure.

But the pleasure of building things smaller, smarter, and nearer.

The design question is: How does ecological critique become a workshop again, rather than only a warning tone?

4. The missing third sentence: much more can be local than we are told.

Most people experience AI today as a remote control for a data center. One types. Somewhere else something hums. Then text comes back. That feels modern, but it is not the only technical form of AI.

Many tasks do not need a frontier model in a hyperscale data center.

Many tasks need:

  • a local summary,
  • pre-structuring,
  • a classification,
  • a draft translation,
  • a search in one’s own documents,
  • assistance with writing,
  • a code explanation,
  • administrative help,
  • a small RAG application,
  • a model close enough not to carry data out of the house.

Mature building blocks for this have long existed. Ollama runs on Mac, Windows, and Linux and makes open models accessible to ordinary users and developers. llama.cpp enables local inference with GGUF models, quantization, and support for a broad hardware base. MLX is an Apple Silicon path for efficient machine learning on devices that already sit on many desks. Google explicitly describes Gemma 3n as a model family for everyday devices such as phones, laptops, and tablets.

That does not mean every laptop replaces a data center.

Of course not.

A small local model does not train a frontier model. It does not solve a global chip supply chain. It does not magically make electricity green. Nor is it automatically democratic just because it sits on a desk. Local hardware also has manufacturing costs. Local inference also needs electricity. Open models also need review, governance, and competence.

But the counter-model is real.

And it is too rarely part of the story.

We could sort AI architecture by proximity:

What really has to be in the cloud?

What can run on one’s own computer?

What belongs on a local server in the organization?

What belongs in public, auditable infrastructure?

What should not be automated at all, because human slowness here is not an error?

These questions are unspectacular. They fit poorly into a culture war. But they are exactly the kind of questions from which a new digital maturity could emerge.

The design question is: Why is “local first, cloud when necessary” not already a standard question in AI strategies?

5. New Work: freedom needs substrates, not just attitude.

From a New Work New Culture perspective, the energy question is not only a climate question. It is a freedom question.

Because infrastructure decides who can act.

If AI exists only as a subscription in a few global platforms, then freedom is always borrowed. The surface is friendly. The dependency lies underneath. Prices can rise. Access can disappear. Data protection can become a contractual question. Models can be politically, culturally, or economically filtered without local users really understanding where the boundary lies.

Local and edge models are therefore not just technical toys. They can be freedom substrates.

A freedom substrate is not a big word for a small tool. It means the condition under which people can truly act: knowledge, spaces, energy, devices, open models, security, learning paths, local responsibility.

A municipal AI Maker Space would be such a substrate.

A school that runs a small local language model for writing training, research critique, and data-protection education.

An administration that does not reflexively pull internal documents into an external cloud, but first tests local assistance systems.

A city library that shows citizens how to use a small model on their own computer.

A local energy cooperative that does not describe AI as a power hog, but uses it as a tool for load management, building efficiency, and grid-data competence.

An editorial office that asks not only whether AI must be prohibited, but which AI practice makes people more independent.

That sounds smaller than “AGI”. Good.

Most useful things in life sound smaller than AGI.

No one stands in front of the kettle in the morning and says: “I now expect a transformative hot-beverage platform.” One wants tea. It should work. And, if possible, not personally insult half the power plant.

New Work does not ask here: How do we make AI more pleasant?

New Work asks: What work do people really, really want to do when machines can take over the machine-like? And what infrastructure do they need so that this does not merely create new dependency?

The design question is: Which local AI capabilities belong to the basic education of a free digital culture?

6. Why media write so rarely about these solutions.

It would be too cheap to say: media only want doom.

That is not true.

But the media system rewards conflict, clear opponents, and big numbers. Local solutions have three disadvantages:

First: they are distributed. There is not one local AI model that saves the world. There are many small deployments, many configurations, many limits of use. That is journalistically less convenient than one corporation, one number, one scandal.

Second: they require competence. Anyone writing about local models has to talk about memory, quantization, data protection, model quality, latency, energy profiles, maintenance, and use cases. That is work. A doom sentence is written faster. A prohibition sentence too.

Third: they make the reader responsible. Green Horror allows a clear emotional role: I am against the bad thing. Local practice asks more uncomfortably: What runs on your computer? What does your organization procure? Which data do you send where? Who learns this? Who maintains it? Who decides when the cloud is really necessary?

That is less comfortable. But it is more adult.

Perhaps what the debate lacks is therefore not only optimism. Perhaps it lacks craft.

The design question is: Which editorial offices, universities, administrations, and civil-society places are building a language for AI workshop practice, rather than only for AI warning?

7. A green AI policy that would have desire

A pleasurable green AI policy would not be naive. It would not gloss over supply chains. It would not release data centers from responsibility. It would regulate water, electricity mix, grid connections, waste heat, location decisions, and semiconductor production hard.

But it would also build.

It would promote local AI competence:

  • local model workshops in libraries, schools, adult education centers, and makerspaces,
  • public procurement with “local first, justify cloud”,
  • small public compute nodes for education, administration, and civil society,
  • funding programs for low-energy, auditable specialist models,
  • open benchmarks for quality, electricity consumption, and data protection,
  • data-center rules that take load flexibility, waste-heat use, and transparent energy sources seriously,
  • municipal experiments with AI for buildings, grids, mobility, and administration,
  • a European public-AI practice that does not only regulate platforms, but builds its own capabilities.

That would not be anti-AI policy.

It would be adult AI policy.

It would say: yes, Green Horror shows a real problem. But fear is not an operating system. If we only warn, the future remains with those who build. If we only prohibit, practice remains with those who bypass. If we only scale, freedom remains with those who own the infrastructure.

So we build differently.

Smaller, where smaller is enough.

Local, where local makes sense.

Open, where public control is necessary.

Cloud, where cloud is truly needed.

And slow, where human judgment is more important than the next automatic reflex.

That might be the real green point: not less intelligence. Less waste of intelligence.

The design question is: Which AI use would we build differently tomorrow if electricity, data, and freedom were not invisible?

Conclusion

The AI energy boom is real. It deserves critique. It deserves regulation. It deserves hard questions for Nvidia, TSMC, hyperscalers, data-center operators, politics, and investors.

But if the debate stops there, it becomes strangely passive.

Then AI is either monster or messiah.

And we sit beside it like people in a very long panel discussion where no one can find the plug.

New Work New Culture should ask differently:

What can people understand, operate, and shape locally?

Which AI helps them do work they really, really want?

Which infrastructure makes them more sovereign rather than more dependent?

Which models are small enough to be near, and good enough to be useful?

Green Horror shows what is going wrong.

The local AI workshop shows what could begin.

Between the two lies the politics of the next years.

And perhaps also a little desire.

Not the desire for the larger data center.

The desire for a technology that finally fits on the table again.

Fact Check on the Starting Post

  • Nvidia emissions: the often-cited increase of around 53 percent is, based on the NVIDIA Sustainability Report FY2026, rather around 55 percent for Scope 3 from FY25 to FY26. It is not cleanly formulated as calendar year “2025 alone”. From FY24 to FY26 the factor is about 2.94, so almost tripled.
  • “AI kills the planet”: understandable as a warning call, too crude as a factual sentence. The IEA sees data centers as strongly growing, locally very relevant electricity demand, but in 2024 at around 1.5 percent of global electricity consumption and by 2030 at about one tenth of global demand growth.
  • TSMC / fabs: the supply-chain critique is plausible and important. Individual figures such as “1 GW” and “100,000 tons of water per day” for the most advanced fabs should be marked in the article as figures from Greenpeace/media research, not as directly confirmed here from a primary source I have read out.
  • Solutions: the IEA itself names considerable solution potential through AI in grids, buildings, industry, and energy efficiency. At the same time it warns of rebound effects and says explicitly: AI is not a panacea and does not replace active policy.
  • Local models: Ollama, llama.cpp/GGUF, MLX, and Gemma 3n show that local and edge AI are not a distant utopia. They do not replace frontier training or all cloud applications, but they are realistic for many everyday and organizational tasks.

Sources

/von
, , , , ,

Der Green Horror ist real. Aber warum reden wir so lustlos über Lösungen?

Eine New-Work-New-Culture-Antwort auf den aktuellen KI-Energiealarm: Der Ressourcenverbrauch ist real. Aber Angst ist kein Betriebssystem.

Auszug aus der permanenten Publikation Flowbook KI von NWNC: eine laufende Spur zu KI, New Work, Freiheitssubstraten und öffentlicher Handlungsfähigkeit. Zum Flowbook KI.

These

Der Energiehunger der KI ist kein Nebengeräusch. Er ist Infrastrukturpolitik. Aber die öffentliche Debatte verhält sich oft, als gäbe es nur zwei würdige Rollen: Alarmistin oder Wachstumspriester. Dazwischen liegt ein dritter Weg: KI kleiner, näher, lokaler und nützlicher bauen. Nicht als romantische Bastellösung, sondern als reife technische Praxis.

Die eigentliche Frage lautet also nicht: Ist KI gut oder böse?

Die bessere Frage lautet: Warum akzeptieren wir eine KI-Zukunft, in der fast jede kleine geistige Routine zuerst durch ein globales Rechenzentrum muss?

Das ist ungefähr so, als würde man zum Bäcker um die Ecke eine Spedition schicken, weil man den Weg zur Haustür „strategisch skalieren“ möchte.

1. Der Alarm stimmt. Die Verkürzung nicht immer.

Der Ausgangspunkt ist ernst. Der aktuelle KI-Boom zieht Strom, Wasser, Chips, Netze, Kapital und politische Aufmerksamkeit an. Rechenzentren sind keine Wolken. Sie sind Standorte. Leitungen. Kühlung. Flächen. Genehmigungen. Transformatoren. Gasverträge. Abwärme. Und irgendwo sitzt ein Bürgermeister, der eigentlich gerade eine Schule sanieren wollte.

Die IEA rechnet in ihrem Bericht „Energy and AI“ damit, dass Rechenzentren ihren Stromverbrauch von rund 415 TWh im Jahr 2024 auf etwa 945 TWh im Jahr 2030 mehr als verdoppeln. Das ist keine Kleinigkeit. Gleichzeitig sagt dieselbe IEA: Rechenzentren machten 2024 etwa 1,5 Prozent des weltweiten Stromverbrauchs aus. Bis 2030 stehen sie für ungefähr ein Zehntel des globalen Nachfragewachstums, weniger als industrielle Motoren, Klimatisierung oder Elektrofahrzeuge.

Beides ist wahr.

Und genau dort beginnt erwachsene Politik.

Nicht: „KI tötet den Planeten.“

Nicht: „Alles nur Panik, weiter so.“

Sondern: Der globale Anteil ist noch begrenzt, aber die lokale Wucht ist enorm. Besonders in Regionen, in denen neue Rechenzentren, Halbleiterfabriken und Netzausbau zugleich auflaufen. Wer dort lebt, erlebt nicht „1,5 Prozent Weltstrom“. Er erlebt Anschlussstaus, neue Kraftwerksdebatten, Wasserstress, Flächenkonflikte und eine Industrie, die sehr schnell sehr viel will.

Der Satz „killing the planet“ ist als moralischer Alarm verständlich. Als Analyse ist er zu grob. Er macht aus einem konkreten Infrastrukturkonflikt eine Endzeitkulisse. Endzeitkulissen sind praktisch, wenn man Aufmerksamkeit braucht. Sie sind weniger praktisch, wenn man etwas bauen will.

Die Designfrage lautet: Wie reden wir über KI-Energie so, dass daraus Handlungsfähigkeit entsteht und nicht nur ein weiterer moralischer Rauchmelder?

2. Nvidia ist ein Symptom, nicht der ganze Körper.

Der LinkedIn-Beitrag verweist auf Nvidias stark steigende Emissionen. Das ist berechtigt, aber die Zahl braucht saubere Kanten.

Im NVIDIA Sustainability Report Fiscal Year 2026 liegen die Scope-3-Emissionen bei 10.700.940 t CO₂e. Im Vorjahr waren es 6.912.577 t CO₂e. Das ist ein Plus von rund 55 Prozent. Wer von „53 Prozent in 2025“ spricht, meint also offenbar den Sprung vom Berichtsjahr FY25 zu FY26, nicht sauber ein Kalenderjahr 2025. Seit FY24 sind die Scope-3-Emissionen auf Basis dieser Tabelle ungefähr 2,94-mal so hoch. Also fast verdreifacht, nicht sauber „mehr als verdreifacht“, wenn man diese Berichtsjahre zugrunde legt.

Das ist keine Entwarnung. Im Gegenteil.

Es ist die präzisere Form des Problems.

Nvidia ist fabless. Die Produktion sitzt in Lieferketten, vor allem bei hochspezialisierten Halbleiterherstellern wie TSMC und bei Speicherherstellern wie SK hynix oder Samsung. Der KI-Boom erscheint im Westen oft als Softwareereignis. In Ostasien ist er auch eine Frage von Fabs, Wasser, Chemikalien, Strommix, Netzstabilität und Industriepolitik.

Das ist der blinde Fleck der schönen Cloud-Erzählung: Wenn Intelligenz als Service verkauft wird, wandert die materielle Schwere aus dem Blickfeld. Man sieht das Chatfenster. Man sieht nicht den Stoffwechsel dahinter.

Und der ist beträchtlich. TSMC berichtet in seinen Nachhaltigkeits- und Jahresberichten steigende Anforderungen an Energie, Wasser und Emissionsmanagement. Der von Greenpeace East Asia / The Diplomat zugespitzte Hinweis auf besonders energie- und wasserintensive neue Fabs ist als Warnsignal plausibel, sollte aber nicht als sauberer Ersatz für Primärdaten behandelt werden. Offiziell gut belegbar ist: Die Halbleiterproduktion ist kein abstrakter Hintergrundprozess. Sie ist ein eigener Energie- und Ressourcenkomplex.

Das sollte die europäische KI-Debatte verändern. Wer nur über Rechenzentren spricht, sieht den Serverraum. Wer über Chips spricht, sieht die Fabrik. Wer über Freiheit spricht, muss beide sehen.

Die Designfrage lautet: Welche KI-Infrastruktur darf wachsen, wenn ihre Lieferkette dauerhaft in anderen Regionen die ökologischen und politischen Lasten konzentriert?

3. Green Horror ist eine schlechte Betriebsanleitung.

Green Horror hat einen Nutzen. Er unterbricht die Erzählung vom reibungslosen Fortschritt. Er sagt: Schaut hin. Da ist Strom. Da ist Wasser. Da ist Extraktion. Da sind Regionen, die für unsere Bequemlichkeit zahlen.

Aber Horror ist ein schlechter Architekt.

Er kennt meist nur drei Werkzeuge: Schock, Verbot, Schuld.

Schock weckt auf. Verbot kann nötig sein. Schuld kann eine Beziehung zur Wirklichkeit herstellen. Aber daraus entsteht noch keine Betriebsweise. Man kann kein lokales KI-Labor mit schlechtem Gewissen betreiben. Man kann auch keinen kommunalen Datenraum mit Empörung warten. Irgendwann braucht jemand ein Modell, ein Gerät, eine Steckdose, eine Zuständigkeit, eine Schulung, eine Beschaffungsentscheidung und eine Person, die am Dienstagvormittag sagt: „So, jetzt testen wir das.“

Das ist nicht sexy. Das ist nützlich.

Und genau deshalb kommt es in Medien seltener vor.

Verbotsjargon ist einfacher als Werkzeugkunde. Doom-Jargon ist einfacher als Wartung. Ein Rechenzentrum mit gigantischem Strombedarf ist ein klares Bild. Ein kleiner lokaler Modellserver in einer Stadtbibliothek ist ein Termin mit Kaffee, Kabeln und drei Menschen, die wissen wollen, ob das auch ohne Cloud geht. Dramatisch ist das nicht. Aber Kultur entsteht selten aus Drama. Sie entsteht aus wiederholbarer Praxis.

Es gibt eine eigentümliche Lustfeindlichkeit in der digitalen Nachhaltigkeitsdebatte. Als dürfe eine Lösung erst dann ernst genommen werden, wenn sie unangenehm klingt. Als wäre jedes „Das können wir schon heute ausprobieren“ verdächtig. Manchmal wirkt es, als hätte die öffentliche Debatte eine Allergie gegen Werkstätten.

Dabei wäre gerade hier Lust angebracht.

Nicht Konsumlust. Nicht Tech-Bros-machen-wieder-eine-Demo-Lust.

Sondern die Lust, Dinge kleiner, klüger und näher zu bauen.

Die Designfrage lautet: Wie wird ökologische Kritik wieder zu einer Werkstatt und nicht nur zu einem Warnton?

4. Der fehlende dritte Satz: Lokal geht viel mehr, als erzählt wird.

Die meisten Menschen erleben KI heute als Fernbedienung für ein Rechenzentrum. Man tippt. Irgendwo anders brummt es. Dann kommt Text zurück. Das fühlt sich modern an, ist aber nicht die einzige technische Form von KI.

Viele Aufgaben brauchen kein Frontier-Modell in einem Hyperscale-Rechenzentrum.

Viele Aufgaben brauchen:

  • eine lokale Zusammenfassung,
  • eine Vorstrukturierung,
  • eine Klassifikation,
  • eine Übersetzung im Entwurf,
  • eine Suche in eigenen Dokumenten,
  • eine Assistenz beim Schreiben,
  • eine Code-Erklärung,
  • eine Verwaltungshilfe,
  • eine kleine RAG-Anwendung,
  • ein Modell, das nah genug ist, um Daten nicht aus dem Haus zu tragen.

Dafür gibt es längst reife Bausteine. Ollama läuft auf Mac, Windows und Linux und macht offene Modelle für normale Nutzerinnen und Entwickler zugänglich. llama.cpp ermöglicht lokale Inferenz mit GGUF-Modellen, Quantisierung und Unterstützung für eine breite Hardwarebasis. MLX ist ein Apple-Silicon-Pfad für effizientes maschinelles Lernen auf Geräten, die ohnehin auf vielen Schreibtischen stehen. Google beschreibt Gemma 3n ausdrücklich als Modellfamilie für Alltagsgeräte wie Telefone, Laptops und Tablets.

Das heißt nicht: Jeder Laptop ersetzt ein Rechenzentrum.

Natürlich nicht.

Ein kleines lokales Modell trainiert kein Frontier-Modell. Es löst keine globale Chip-Lieferkette. Es macht Strom nicht magisch grün. Es ist auch nicht automatisch demokratisch, nur weil es auf einem Schreibtisch steht. Auch lokale Hardware hat Herstellungskosten. Auch lokale Inferenz braucht Strom. Auch offene Modelle brauchen Prüfung, Governance und Kompetenz.

Aber das Gegenmodell ist real.

Und es ist zu selten Teil der Erzählung.

Wir könnten KI-Architektur nach Nähe sortieren:

Was muss wirklich in die Cloud?

Was kann auf dem eigenen Rechner laufen?

Was gehört auf einen lokalen Server in der Organisation?

Was gehört in eine öffentliche, auditierbare Infrastruktur?

Was sollte gar nicht automatisiert werden, weil die menschliche Langsamkeit hier kein Fehler ist?

Diese Fragen sind unspektakulär. Sie passen schlecht in einen Kulturkampf. Aber sie sind genau die Art von Fragen, aus denen eine neue digitale Mündigkeit entstehen könnte.

Die Designfrage lautet: Warum ist „lokal zuerst, Cloud wenn nötig“ nicht längst eine Standardfrage in KI-Strategien?

5. New Work: Freiheit braucht Substrate, nicht nur Haltung.

Aus New-Work-New-Culture-Perspektive ist die Energiefrage nicht nur eine Klimafrage. Sie ist eine Freiheitsfrage.

Denn Infrastruktur entscheidet, wer handeln kann.

Wenn KI nur als Abo in einigen globalen Plattformen existiert, dann ist Freiheit immer geliehen. Die Oberfläche ist freundlich. Die Abhängigkeit ist darunter. Preise können steigen. Zugänge können verschwinden. Datenschutz kann zur Vertragsfrage werden. Modelle können politisch, kulturell oder wirtschaftlich gefiltert sein, ohne dass lokale Nutzerinnen wirklich verstehen, wo die Grenze liegt.

Lokale und Edge-Modelle sind deshalb nicht nur technische Spielzeuge. Sie können Freiheitssubstrate sein.

Ein Freiheitssubstrat ist kein großes Wort für ein kleines Tool. Es meint die Bedingung, unter der Menschen wirklich handeln können: Wissen, Räume, Energie, Geräte, offene Modelle, Sicherheit, Lernpfade, lokale Verantwortung.

Ein kommunaler AI Maker Space wäre so ein Substrat.

Eine Schule, die ein kleines lokales Sprachmodell für Schreibtraining, Recherchekritik und Datenschutzbildung betreibt.

Eine Verwaltung, die interne Dokumente nicht reflexhaft in eine externe Cloud zieht, sondern zuerst lokale Assistenzsysteme testet.

Eine Stadtbibliothek, die Bürgerinnen zeigt, wie man ein kleines Modell auf dem eigenen Rechner nutzt.

Eine lokale Energiegenossenschaft, die KI nicht als Stromfresser beschreibt, sondern als Werkzeug für Lastmanagement, Gebäudeeffizienz und Netzdatenkompetenz nutzt.

Eine Redaktion, die nicht nur fragt, ob KI verboten werden muss, sondern welche KI-Praxis Menschen unabhängiger macht.

Das klingt kleiner als „AGI“. Gut so.

Die meisten nützlichen Dinge im Leben klingen kleiner als AGI.

Niemand stellt sich morgens vor den Wasserkocher und sagt: „Ich erwarte nun eine transformative Heißgetränkeplattform.“ Man will Tee. Er soll funktionieren. Und wenn möglich nicht das halbe Kraftwerk persönlich beleidigen.

New Work fragt hier nicht: Wie machen wir KI angenehmer?

New Work fragt: Welche Arbeit wollen Menschen wirklich, wirklich tun, wenn Maschinen das Maschinenförmige übernehmen können? Und welche Infrastruktur brauchen sie, damit daraus nicht nur neue Abhängigkeit entsteht?

Die Designfrage lautet: Welche lokalen KI-Fähigkeiten gehören zur Grundbildung einer freien digitalen Kultur?

6. Warum Medien so selten über diese Lösungen schreiben.

Es wäre zu billig zu sagen: Medien wollen nur Untergang.

Das stimmt so nicht.

Aber das Mediensystem belohnt Konflikt, klare Gegner und große Zahlen. Lokale Lösungen haben drei Nachteile:

Erstens: Sie sind verteilt. Es gibt nicht das eine lokale KI-Modell, das die Welt rettet. Es gibt viele kleine Einsätze, viele Konfigurationen, viele Nutzungsgrenzen. Das ist journalistisch weniger bequem als ein Konzern, eine Zahl, ein Skandal.

Zweitens: Sie verlangen Kompetenz. Wer über lokale Modelle schreibt, muss über Speicher, Quantisierung, Datenschutz, Modellqualität, Latenz, Energieprofile, Wartung und Nutzungsfälle sprechen. Das ist Arbeit. Ein Doom-Satz ist schneller geschrieben. Ein Verbotssatz auch.

Drittens: Sie machen die Leserin verantwortlich. Green Horror erlaubt eine klare emotionale Rolle: Ich bin gegen das Schlechte. Lokale Praxis fragt unbequemer: Was läuft auf deinem Rechner? Was kauft deine Organisation ein? Welche Daten gibst du wohin? Wer lernt das? Wer wartet das? Wer entscheidet, wann die Cloud wirklich nötig ist?

Das ist weniger bequem. Aber es ist erwachsener.

Vielleicht fehlt der Debatte deshalb nicht nur Optimismus. Vielleicht fehlt ihr Handwerk.

Die Designfrage lautet: Welche Redaktionen, Hochschulen, Verwaltungen und zivilgesellschaftlichen Orte bauen eine Sprache für KI-Werkstattpraxis statt nur für KI-Warnung?

7. Eine grüne KI-Politik, die Lust hätte

Eine lustvolle grüne KI-Politik wäre nicht naiv. Sie würde die Lieferketten nicht schönreden. Sie würde Rechenzentren nicht aus der Verantwortung entlassen. Sie würde Wasser, Strommix, Netzanschlüsse, Abwärme, Standortentscheidungen und Halbleiterproduktion hart regulieren.

Aber sie würde zugleich bauen.

Sie würde lokale KI-Kompetenz fördern:

  • lokale Modellwerkstätten in Bibliotheken, Schulen, Volkshochschulen und Makerspaces,
  • öffentliche Beschaffung mit „lokal zuerst, Cloud begründen“,
  • kleine öffentliche Compute-Knoten für Bildung, Verwaltung und Zivilgesellschaft,
  • Förderprogramme für energiearme, auditierbare Fachmodelle,
  • offene Benchmarks für Qualität, Stromverbrauch und Datenschutz,
  • Rechenzentrumsregeln, die Lastflexibilität, Abwärmenutzung und transparente Energiequellen ernst nehmen,
  • kommunale Experimente mit KI für Gebäude, Netze, Mobilität und Verwaltung,
  • eine europäische Public-AI-Praxis, die nicht nur Plattformen reguliert, sondern eigene Fähigkeiten aufbaut.

Das wäre keine Anti-KI-Politik.

Das wäre eine erwachsene KI-Politik.

Sie würde sagen: Ja, der Green Horror zeigt ein reales Problem. Aber Angst ist kein Betriebssystem. Wenn wir nur warnen, bleibt die Zukunft bei denen, die bauen. Wenn wir nur verbieten, bleibt die Praxis bei denen, die umgehen. Wenn wir nur skalieren, bleibt Freiheit bei denen, die die Infrastruktur besitzen.

Also bauen wir anders.

Kleiner, wo kleiner reicht.

Lokal, wo lokal sinnvoll ist.

Offen, wo öffentliche Kontrolle nötig ist.

Cloud, wo Cloud wirklich gebraucht wird.

Und langsam, wo menschliches Urteil wichtiger ist als der nächste automatische Reflex.

Das wäre vielleicht die eigentliche grüne Pointe: Nicht weniger Intelligenz. Sondern weniger Verschwendung von Intelligenz.

Die Designfrage lautet: Welche KI-Nutzung würden wir morgen anders bauen, wenn Strom, Daten und Freiheit nicht unsichtbar wären?

Schluss

Der KI-Energieboom ist real. Er verdient Kritik. Er verdient Regulierung. Er verdient harte Fragen an Nvidia, TSMC, Hyperscaler, Rechenzentrumsbetreiber, Politik und Investoren.

Aber wenn die Debatte dort stehen bleibt, wird sie seltsam passiv.

Dann ist KI entweder Monster oder Messias.

Und wir sitzen daneben wie Menschen in einer sehr langen Podiumsdiskussion, in der niemand den Stecker findet.

New Work New Culture sollte anders fragen:

Was können Menschen lokal verstehen, betreiben und gestalten?

Welche KI hilft ihnen, Arbeit zu tun, die sie wirklich, wirklich wollen?

Welche Infrastruktur macht sie souveräner statt abhängiger?

Welche Modelle sind klein genug, um nah zu sein, und gut genug, um nützlich zu sein?

Der Green Horror zeigt, was schief läuft.

Die lokale KI-Werkstatt zeigt, was anfangen könnte.

Zwischen beiden liegt die Politik der nächsten Jahre.

Und vielleicht auch ein bisschen Lust.

Nicht die Lust am größeren Rechenzentrum.

Die Lust an einer Technik, die endlich wieder auf den Tisch passt.

Faktencheck zum Ausgangspost

  • Nvidia-Emissionen: Der oft zitierte Anstieg von rund 53 Prozent ist auf Basis des NVIDIA Sustainability Report FY2026 eher rund 55 Prozent bei Scope 3 von FY25 zu FY26. Es ist nicht sauber als Kalenderjahr „2025 allein“ zu formulieren. Von FY24 zu FY26 ergibt sich etwa Faktor 2,94, also fast verdreifacht.
  • „AI kills the planet“: Als Warnruf verständlich, als Faktensatz zu grob. Die IEA sieht Rechenzentren als stark wachsende, lokal sehr relevante Stromnachfrage, aber 2024 bei rund 1,5 Prozent des globalen Stromverbrauchs und bis 2030 bei etwa einem Zehntel des globalen Nachfragewachstums.
  • TSMC / Fabs: Die Lieferkettenkritik ist plausibel und wichtig. Einzelzahlen wie „1 GW“ und „100.000 Tonnen Wasser pro Tag“ für modernste Fabs sollten im Artikel als Angaben aus der Greenpeace-/Medienrecherche markiert werden, nicht als direkt aus einer von mir hier ausgelesenen Primärquelle bestätigte Zahl.
  • Lösungen: Die IEA benennt selbst erhebliche Lösungspotenziale durch KI in Netzen, Gebäuden, Industrie und Energieeffizienz. Gleichzeitig warnt sie vor Rebound-Effekten und sagt ausdrücklich: KI ist kein Allheilmittel und ersetzt keine aktive Politik.
  • Lokale Modelle: Ollama, llama.cpp/GGUF, MLX und Gemma 3n zeigen, dass lokale und Edge-KI keine ferne Utopie ist. Sie ersetzt nicht Frontier-Training und nicht alle Cloud-Anwendungen, ist aber für viele Alltags- und Organisationsaufgaben realistisch.

Quellen

/von