CodeCarbon im Test: Bis zu 40 % Fehler bei AI‑Energieverbrauchsabschätzungen

Eine neue Studie aus dem arXiv‑Repository (ArXiv:2509.22092v1) untersucht die Genauigkeit von Tools zur Messung des Energieverbrauchs von KI‑Modellen. Dabei steht CodeCarbon, ein beliebtes Open‑Source‑Tool, im Fokus, das von vielen Entwicklern genutzt wird, um den Stromverbrauch und die CO₂‑Emissionen von Machine‑Learning‑Experimenten zu schätzen.

Die Forscher haben CodeCarbon systematisch mit echten Messungen verglichen – über Hunderte von KI‑Experimenten hinweg. Dabei zeigte sich, dass die Schätzungen des Tools häufig um bis zu 40 % abweichen können. Diese Abweichungen entstehen durch vereinfachte Annahmen und das Auslassen wichtiger Faktoren, die bei der Energieverbrauchsberechnung eine Rolle spielen.

Die Arbeit liefert nicht nur konkrete Zahlen zu den Fehlern, sondern auch ein Validierungs‑Framework, das anderen Forschern und Entwicklern hilft, die Genauigkeit von Energie‑ und Emissionsschätzungen zu prüfen. Zusätzlich werden praxisnahe Richtlinien vorgestellt, wie die bestehenden Tools verbessert werden können, und es wird Code bereitgestellt, um die Validierung auf andere Bereiche und Messwerkzeuge zu übertragen.

Insgesamt verdeutlicht die Studie die Notwendigkeit von transparenten und verlässlichen Messmethoden für nachhaltige KI‑Entwicklung. Sie zeigt, dass selbst weit verbreitete Tools wie CodeCarbon noch Optimierungsbedarf haben, und liefert wertvolle Erkenntnisse für die Weiterentwicklung ressourcen‑sensitiver Machine‑Learning‑Praxis.