Nachhaltigkeit und Technologie: Was KI und Cloud fürs Klima leisten

Nachhaltigkeit und Technologie: Was KI und Cloud fürs Klima leisten

Wie Unternehmen mit Daten, Cloud und künstlicher Intelligenz Emissionen senken können und warum dieselben Technologien selbst immer mehr Strom brauchen

Aktualisiert:

Abstract

Wie KI, Cloud Computing und Datenanalyse beim Senken von Emissionen helfen, wo ihr eigener Energiebedarf liegt und womit Unternehmen sinnvoll beginnen.
  • #Nachhaltigkeit
  • #Technologie
  • #Künstliche Intelligenz
  • #Cloud Computing
  • #Datenanalyse
  • #Umweltschutz
  • #Klimawandel
  • #Green Tech
  • #Green IT
  • #Rechenzentren

Digitale Technik kann Energie sparen helfen. Ob sie es tut, hängt davon ab, wie genau Unternehmen messen und wie sparsam sie Rechenleistung einsetzen.

Ein Logistiker plant seine Touren neu und spart Diesel. Eine Hausverwaltung steuert die Heizung nach Wetterprognose statt nach Zeitschaltuhr. Ein Onlinehändler verlegt seine Server in ein Cloud-Rechenzentrum und schaltet den eigenen Serverraum ab. In allen drei Fällen hilft Technik, Energie zu sparen. Zugleich wächst der Stromverbrauch der Rechenzentren so schnell wie lange nicht, vor allem wegen künstlicher Intelligenz.

Beides stimmt gleichzeitig, und genau das macht das Thema schwierig. Digitale Technik ist weder automatisch grün noch automatisch ein Klimaproblem. Entscheidend ist, wofür sie eingesetzt wird und ob jemand nachmisst. Der folgende Überblick zeigt, wo KI, Cloud und Datenanalyse tatsächlich Emissionen senken, wo sie neue verursachen und wie Unternehmen das Thema pragmatisch angehen.

Ohne Messung keine Klimabilanz: Carbon Footprint und Scopes

Der Carbon Footprint (CO₂-Fußabdruck) eines Unternehmens ist die Summe aller Treibhausgase, die durch seine Tätigkeit entstehen, umgerechnet in CO₂-Äquivalente. Methan oder Kältemittel zählen also mit, gewichtet nach ihrer Klimawirkung. Das international verbreitete Regelwerk dafür ist das Greenhouse Gas Protocol. Es teilt die Emissionen in drei Bereiche, sogenannte Scopes:

  1. Scope 1 umfasst direkte Emissionen aus eigenen Quellen: die Gasheizung im Bürogebäude, die Dieselfahrzeuge der Außendienstflotte, das Notstromaggregat.
  2. Scope 2 erfasst die Emissionen aus eingekaufter Energie, vor allem Strom und Fernwärme. Hier schlägt der eigene Serverraum zu Buche.
  3. Scope 3 enthält alle übrigen indirekten Emissionen entlang der Wertschöpfungskette: eingekaufte Waren und Dienstleistungen, Geschäftsreisen, Pendelwege, die Nutzung und Entsorgung verkaufter Produkte. Auch Cloud-Dienste landen hier, denn der Strom fließt beim Anbieter.

Für die meisten Unternehmen ist Scope 3 der mit Abstand größte und zugleich der am schwersten zu erfassende Block. Angenommen, ein mittelständischer Maschinenbauer will seine Bilanz aufstellen: Den eigenen Gasverbrauch liest er von der Rechnung ab. Für Stahl, Elektronikbauteile und Transporte braucht er dagegen Angaben seiner Lieferanten oder Durchschnittswerte aus Datenbanken. Genau an dieser Stelle wird Datenanalyse zum Werkzeug des Klimaschutzes.

Regulatorisch hat das Thema in der EU mit der Richtlinie zur Nachhaltigkeitsberichterstattung (Corporate Sustainability Reporting Directive, CSRD) Gewicht bekommen. Mit dem sogenannten Omnibus-Paket hat die EU 2025 und 2026 Fristen verschoben und den Kreis der berichtspflichtigen Unternehmen deutlich verkleinert. Viele Mittelständler müssen daher nicht selbst berichten. Fragen nach Emissionsdaten erreichen sie trotzdem, weil große Kunden und Banken diese Zahlen für ihre eigene Scope-3-Bilanz brauchen. Welche Pflichten im Einzelfall gelten, klärt die Rechts- oder Steuerberatung.

Cloud Computing: effizienter, aber nicht automatisch klimaneutral

Große Rechenzentren arbeiten in der Regel effizienter als der Serverraum im Keller. Das hat drei Gründe. Erstens die Auslastung: Ein eigener Server läuft oft rund um die Uhr, ist aber nur zu einem kleinen Teil beschäftigt. In der Cloud teilen sich viele Kunden dieselbe Hardware per Virtualisierung (mehrere virtuelle Rechner auf einem physischen). Zweitens die Kühlung: Professionelle Betreiber optimieren Luftführung, nutzen Außenluft und teils Abwärme. Drittens die Hardware selbst, die häufiger erneuert wird.

Ein gängiges Maß für die Effizienz eines Rechenzentrums ist die Power Usage Effectiveness (PUE): der gesamte Strombedarf geteilt durch den Bedarf der IT-Geräte. Ein Wert von 2 bedeutet, dass auf jede Kilowattstunde für Server eine weitere für Kühlung und Verluste kommt. Ein Wert nahe 1 heißt, dass fast der gesamte Strom in die Rechentechnik fließt. In Deutschland schreibt das Energieeffizienzgesetz Rechenzentren inzwischen Grenzwerte für die PUE vor, für neue Anlagen besonders strenge, und verlangt einen wachsenden Anteil erneuerbaren Stroms.

Was die Versprechen der Hyperscaler wert sind

Amazon, Microsoft und Google, die drei großen Cloud-Anbieter (Hyperscaler), haben ehrgeizige Klimaziele veröffentlicht: Microsoft will bis 2030 CO₂-negativ sein, Google bis 2030 rund um die Uhr mit CO₂-freiem Strom arbeiten, Amazon gibt laut eigenem Bericht an, seinen Stromverbrauch bereits vollständig mit erneuerbaren Quellen abzudecken. Zugleich meldeten Google und Microsoft in ihren Umweltberichten 2024 steigende Gesamtemissionen, vor allem durch den Ausbau von Rechenzentren für KI.

Bei solchen Angaben lohnt der Blick ins Detail. „100 Prozent erneuerbar“ heißt häufig, dass der Jahresverbrauch bilanziell durch Ökostromverträge oder Zertifikate gedeckt ist. Nachts bei Windstille kann trotzdem Kohlestrom aus dem Netz fließen. Ein ehrlicheres, aber schwierigeres Ziel ist die stündliche Deckung, wie sie Google anstrebt. Für Kunden heißt das: Die Herstellerangabe ersetzt keine eigene Bewertung.

Wann der Umzug in die Cloud etwas bringt

Angenommen, eine Steuerkanzlei betreibt drei ältere Server, die gemeinsam rund um die Uhr laufen, aber kaum ausgelastet sind. Ein Umzug in die Cloud senkt hier sehr wahrscheinlich Stromverbrauch und Emissionen, zumal die alte Hardware nicht ersetzt werden muss. Anders sieht es aus, wenn ein Team in der Cloud großzügig Ressourcen anlegt und vergisst, sie wieder abzuschalten. Dann wandert die Verschwendung nur woandershin.

Alle drei Hyperscaler bieten inzwischen Werkzeuge an, mit denen Kunden die Emissionen ihrer Cloud-Nutzung abschätzen können. Die Zahlen beruhen auf Herstellerangaben und Berechnungsmodellen, sind aber ein brauchbarer Startpunkt. Die wirksamsten Hebel sind meist unspektakulär: Testumgebungen nachts und am Wochenende abschalten, überdimensionierte Instanzen verkleinern, alte Daten löschen oder in günstigere Speicherklassen verschieben. Diese Maßnahmen senken übrigens auch die Rechnung. Welche Architektur sich für welches Unternehmen eignet, ist Gegenstand einer Beratung zu Cloud-Strategien.

Künstliche Intelligenz als Werkzeug für Effizienz

Maschinelles Lernen, also das Erkennen von Mustern in großen Datenmengen, eignet sich überall dort, wo Prognosen Energie sparen. Einige Einsatzfelder haben sich bewährt:

  • Gebäude und Anlagen: Modelle sagen Belegung, Wetter und Wärmebedarf voraus und steuern Heizung, Lüftung und Kühlung vorausschauend. Ein Bürogebäude muss dann nicht am Montagmorgen alle Etagen gleichzeitig hochheizen.
  • Stromnetze: Netzbetreiber und Energieversorger prognostizieren die Einspeisung aus Wind und Sonne. Je besser die Vorhersage, desto weniger Reservekraftwerke müssen bereitstehen.
  • Logistik: Routenoptimierung bündelt Lieferungen, vermeidet Leerfahrten und berücksichtigt Verkehrslage. Das spart Kraftstoff und Zeit.
  • Industrie: Predictive Maintenance, also vorausschauende Wartung, erkennt aus Sensordaten, wann eine Maschine ausfallen wird. Weniger Ausfälle bedeuten weniger Ausschuss und weniger Ersatzteile.
  • Landwirtschaft: Bodensensoren und Satellitenbilder zeigen, wo Wasser und Dünger wirklich gebraucht werden.

Gemeinsam ist diesen Beispielen, dass die KI ein klar abgegrenztes Problem löst und das Ergebnis messbar ist: Kilowattstunden, Liter, Ausfallstunden. Das sind keine großen Sprachmodelle, sondern oft vergleichsweise kleine, spezialisierte Modelle mit geringem eigenen Energiebedarf. Wie solche Verfahren in der Produktion zusammenspielen, beschreibt der Infothek-Beitrag zu Predictive Maintenance und automatischer Qualitätskontrolle.

Der Energiehunger der KI

Die Kehrseite zeigt sich bei großen generativen Modellen. Ihr Training läuft wochenlang auf Tausenden spezialisierter Chips. Eine viel zitierte Studie von Google und der University of California in Berkeley schätzte 2021 den Strombedarf für das Training von GPT-3 auf rund 1.300 Megawattstunden. Seitdem sind die Modelle deutlich größer geworden, aktuelle Anbieter veröffentlichen solche Zahlen aber meist nicht mehr.

Inzwischen fällt zudem die Nutzung stärker ins Gewicht als das Training. Jede Anfrage an einen Chatbot kostet Rechenzeit, und Milliarden Anfragen summieren sich. Die Internationale Energieagentur (IEA) schätzte in ihrem Bericht „Energy and AI“ 2025, dass Rechenzentren 2024 rund 1,5 Prozent des weltweiten Stroms verbrauchten, und erwartet bis 2030 etwa eine Verdopplung. KI ist dabei der größte Wachstumstreiber. Hinzu kommt Wasser: Viele Rechenzentren kühlen mit Verdunstung, was in trockenen Regionen zum Konflikt mit anderen Nutzern führen kann.

Dahinter steckt ein bekanntes Muster, der Rebound-Effekt: Wird eine Technik effizienter und billiger, wird sie mehr genutzt, und der Gesamtverbrauch steigt trotzdem. Effizientere Chips allein lösen das Problem deshalb nicht.

Was Unternehmen beim KI-Einsatz tun können

Für Anwender folgt daraus keine Verzichtsempfehlung, sondern Augenmaß:

  • Passende Modellgröße wählen: Für Klassifikation, Extraktion oder Zusammenfassungen reicht oft ein kleines Modell. Das große Spitzenmodell für jede Routineaufgabe ist teuer und energieintensiv.
  • Nicht alles neu trainieren: Vorhandene Modelle mit eigenen Daten anzureichern, etwa per Retrieval (Abruf passender Dokumente zur Laufzeit), braucht meist viel weniger Rechenleistung als eigenes Training.
  • Ergebnisse wiederverwenden: Antworten auf häufige Fragen zwischenspeichern, statt sie jedes Mal neu zu erzeugen.
  • Klassische Verfahren nicht vergessen: Eine Regel, eine Datenbankabfrage oder eine Formel schlägt KI oft bei Kosten, Verlässlichkeit und Energiebedarf.

Wer Mitarbeitende im Umgang mit KI-Werkzeugen schult, kann solche Überlegungen gleich mitvermitteln. Grundlagen dazu bietet das Seminar „Einführung in Künstliche Intelligenz“.

Daten als Grundlage für Klimaentscheidungen

Ohne Daten bleibt Nachhaltigkeit ein Bauchgefühl. Viele Unternehmen beginnen deshalb mit einfachen Mitteln: Zählerstände, Tankkarten, Reisekostenabrechnungen und Einkaufsdaten werden zusammengeführt und mit Emissionsfaktoren verrechnet. Dafür gibt es spezialisierte Software für das Carbon Accounting, also die Treibhausgasbilanzierung, auch als Modul großer CRM- und ERP-Anbieter. Ob eine Tabellenkalkulation, ein Fachprogramm oder eine eigene Lösung passt, hängt vor allem von der Zahl der Standorte und Lieferanten ab.

Echtzeitdaten aus dem Internet der Dinge (IoT), also vernetzten Sensoren in Maschinen, Gebäuden und Fahrzeugen, gehen einen Schritt weiter. Angenommen, ein Kunststoffverarbeiter misst den Stromverbrauch jeder Spritzgießmaschine einzeln. Dann fällt auf, dass eine Anlage im Leerlauf fast so viel zieht wie im Betrieb, und die Abschaltung am Schichtende spart sofort Energie.

Auch öffentliche Daten helfen. Das EU-Erdbeobachtungsprogramm Copernicus und der Deutsche Wetterdienst stellen umfangreiche Klima- und Wetterdaten frei zur Verfügung. Unternehmen können damit etwa abschätzen, wie Hitzeperioden oder Starkregen Standorte und Lieferketten treffen. Klimaschutz und Anpassung an den Klimawandel gehören hier zusammen.

CO₂-bewusste Software

Ein noch junges Feld ist Carbon-aware Computing. Die Idee: Der CO₂-Gehalt des Stroms schwankt je nach Tageszeit und Wetter. Rechenjobs, die nicht sofort fertig sein müssen, etwa nächtliche Datenauswertungen oder das Training eines Modells, lassen sich in Stunden mit viel Wind- und Solarstrom verschieben. Die Green Software Foundation, ein Zusammenschluss von Unternehmen der Branche, hat dafür eine Kennzahl entwickelt, die Software Carbon Intensity. Mehr zur praktischen Umsetzung im IT-Betrieb zeigt der Infothek-Beitrag zu Green IT im IT-Betrieb.

Wo Technik selbst zum Problem wird

Neben dem Strombedarf der Rechenzentren gibt es zwei weitere Baustellen.

Hardware: Die Herstellung von Notebooks und Smartphones verursacht einen großen Teil ihrer gesamten Emissionen, bevor das Gerät zum ersten Mal eingeschaltet wird. Bei Servern überwiegt meist der Strom im Betrieb, doch auch dort entfällt ein spürbarer Teil auf die Herstellung. Rohstoffe wie Kupfer, Kobalt oder seltene Erden werden unter teils problematischen Bedingungen gewonnen, Elektroschrott wird nur zu einem Teil recycelt. Der wirksamste Hebel ist daher oft der einfachste: Geräte länger nutzen, reparieren und gebraucht weitergeben.

Blockchain: Als der Beitrag 2022 zuerst erschien, galt Ethereum als Beispiel für energieintensive Kryptowährungen. Im September 2022 stellte das Netzwerk mit dem sogenannten Merge von Proof of Work auf Proof of Stake um, ein Verfahren ohne energieaufwendiges Rechenrennen. Laut Ethereum Foundation sank der Energiebedarf dadurch um mehr als 99,9 Prozent. Bitcoin arbeitet weiterhin mit Proof of Work und verbraucht entsprechend viel Strom. Der NFT-Boom von 2021 ist inzwischen weitgehend abgeflaut. Für Lieferketten-Transparenz, das oft genannte Nachhaltigkeitsargument, reicht in vielen Fällen eine gewöhnliche Datenbank mit sauberen Zugriffsrechten.

Was das für Ihr Unternehmen bedeutet

Technik ist im Klimaschutz ein Werkzeug, keine Lösung an sich. Die größten Effekte erzielen Unternehmen meist dort, wo Digitalisierung physische Prozesse verbessert: weniger Fahrten, weniger Ausschuss, weniger Heizenergie. Die eigene IT ist dagegen oft ein kleinerer Posten, wenn auch einer, der mit KI wächst.

Unsere Einschätzung: Überschätzt werden Herstellerversprechen und Symbolprojekte, unterschätzt wird die Wirkung schlichter Maßnahmen. Wer anfangen will, kommt mit vier Schritten weit:

  1. Messen: eine erste Bilanz für Scope 1 und 2 aufstellen, dann die wichtigsten Scope-3-Posten schätzen.
  2. Die großen Posten zuerst: Gebäude, Fuhrpark und Produktion haben fast immer mehr Gewicht als die IT.
  3. IT aufräumen: ungenutzte Server und Cloud-Ressourcen abschalten, Geräte länger einsetzen.
  4. KI gezielt einsetzen: dort, wo ein messbarer Effizienzgewinn absehbar ist, und mit der kleinsten Lösung, die die Aufgabe erfüllt.

Wie sich Nachhaltigkeitsziele mit Digitalisierungsprojekten verbinden lassen, beschreibt unsere Seite zu Nachhaltigkeit und digitaler Transformation. Konkrete Maßnahmen für Rechenzentrum, Arbeitsplatz und Softwareentwicklung behandelt das Angebot zu Green IT mit Beratung und Seminaren.

Häufige Fragen zu Nachhaltigkeit, KI und Cloud

Ist die Cloud immer umweltfreundlicher als eigene Server?

Nicht immer, aber häufig. Große Rechenzentren sind meist effizienter ausgelastet und gekühlt. Der Vorteil geht verloren, wenn in der Cloud Ressourcen ungenutzt weiterlaufen oder der gewählte Standort überwiegend mit fossilem Strom versorgt wird.

Wie viel Energie verbraucht eine Anfrage an einen KI-Chatbot?

Eine verlässliche Einzelzahl gibt es nicht. Der Verbrauch hängt von Modellgröße, Länge der Antwort und Hardware ab, und die Anbieter legen ihre Werte nur teilweise offen. Klar ist: Eine Anfrage an ein großes Sprachmodell braucht deutlich mehr Rechenleistung als eine klassische Websuche.

Muss unser Unternehmen einen Nachhaltigkeitsbericht erstellen?

Das hängt von Größe, Rechtsform und Kapitalmarktorientierung ab, und die Regeln wurden auf EU-Ebene zuletzt mehrfach geändert. Auch ohne eigene Pflicht fragen Kunden, Banken und Ausschreibungen zunehmend nach Emissionsdaten. Eine verbindliche Auskunft gibt die Rechts- oder Steuerberatung.

Womit sollte ein kleines Unternehmen anfangen?

Mit den eigenen Strom-, Wärme- und Kraftstoffrechnungen. Daraus ergibt sich eine erste Bilanz für Scope 1 und 2, die meist schon zeigt, wo die größten Hebel liegen. Software und KI kommen ins Spiel, wenn Datenmengen und Standorte wachsen.

Mehr aus „KI & Machine Learning“

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Weitere Blog-Artikel

Enterprise-Plattformen von SaaS bis IaaS auswählen und bewerten

Enterprise-Plattformen binden Daten und Prozesse über viele Jahre. Lesen Sie, welche Arten es gibt und nach welchen Kriterien Sie eine Plattform auswählen.

mehr erfahren

XR und Metaverse: Wie virtuelle Welten Arbeit und Alltag verändern

Extended Reality und Metaverse verständlich erklärt: was VR, AR und MR unterscheidet, was vom Hype blieb und wo Unternehmen die Technik heute sinnvoll nutzen.

mehr erfahren

Zukunft der Arbeit: Wie Automatisierung den Arbeitsalltag verändert

Rückblick auf 2022: wie sich Automatisierung von persönlichen Workflows über RPA zu intelligenter Automatisierung und digitalen Mitarbeitern entwickelte.

mehr erfahren

Quantencomputing verständlich erklärt: Qubits, Nutzen und Grenzen

Quantencomputing erklärt: wie Qubits rechnen, wo Quantencomputer Vorteile bringen, wo nicht und warum Sie Ihre Verschlüsselung jetzt umstellen sollten.

mehr erfahren

5G und Edge Computing: Wie Funknetz und Rechenleistung zusammenspielen

5G und Edge Computing im Zusammenspiel: warum die Latenz vom Rechenort abhängt, welche Edge-Varianten es gibt und welche Anwendungsfälle sich lohnen.

mehr erfahren

React-Grundlagen: Komponenten, Props und State zum Mitmachen

React zum Mitmachen: Sie bauen eine Bestellliste und lernen JSX, Komponenten, Props, State, Ereignisse, Listen mit key und den sparsamen Einsatz von Effekten.

mehr erfahren

Aktuelle Blog-Artikel

PHP-Migration nach PHP2Shell: Upgrade oder Sprachwechsel?

PHP2Shell und das Support-Ende von PHP 8.2: Was Sie jetzt patchen sollten, wie ein Upgrade auf 8.4 oder 8.5 gelingt und wann ein Sprachwechsel sinnvoll ist.

mehr erfahren

Jev: Was ein KI-Modell für schnelles Denken anders macht als ChatGPT

Das System-1-KI-Modell Jev schreibt keinen Text, sondern beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Wie das funktioniert und wofür es taugt.

mehr erfahren

Node.js ohne Ballast: 12 Bordmittel, die npm-Pakete ersetzen

Von fetch() über node:test bis Type Stripping: zwölf Node.js-Funktionen, die axios, dotenv, Jest und Co. ersetzen, mit Status in Node 24 und 26 und Grenzen.

mehr erfahren

KI-Agenten verstehen: MCP, A2A, AG-UI und A2UI einfach erklärt

MCP, A2A, AG-UI und A2UI verständlich erklärt: Wie KI-Agenten Werkzeuge nutzen, miteinander arbeiten und Oberflächen erzeugen – und wer die Standards betreut.

mehr erfahren

Rusts Lieferkette unter Beschuss: Warum ein Angriff nur der Anfang war

Ein Angriff auf Rust-Pakete war im August 2026 schnell gestoppt, das Grundproblem bleibt. Wie crates.io angreifbar ist und was Sie heute dagegen tun können.

mehr erfahren

Webentwicklung ohne SPA: Eine Web-App mit V, Veb, SQLite und htmx

Am Beispiel der Meetup-Plattform Clash zeigt sich, wie eine Web-App mit V, Veb, SQLite und htmx ohne SPA-Framework entsteht und wo der Ansatz an Grenzen stößt.

mehr erfahren

React-Performance: Warum weniger Optimierung mehr Tempo bringt

React-Performance heute: Wie Sie mit State am richtigen Ort, dem React Compiler, Transitions, Virtualisierung und Messung Ihre Anwendung spürbar beschleunigen.

mehr erfahren

React-Komponenten verbinden: Welcher Weg passt wann?

Props, Context, Zustand, TanStack Query, URL-Parameter oder Ereignisse: So wählen Sie den passenden Weg, damit zwei React-Komponenten Daten austauschen.

mehr erfahren

KI-Agenten in der Schleife: Loops in Claude Code und Codex

Was ein Loop bei KI-Agenten ist, welche Auslöser es gibt und wie Sie geplante Aufgaben in Claude Code und Codex mit Kostenkontrolle einrichten.

mehr erfahren

JavaScript 2026: Bun, Deno und TypeScript 7 läuten eine neue Ära ein

Node.js, Bun und Deno im Wettbewerb, TypeScript 7 mit Compiler in Go, Build-Werkzeuge in Rust: Was sich 2026 bei JavaScript ändert und was Sie davon übernehmen.

mehr erfahren

npm-Pakete sicher prüfen: So bewerten Sie ein Paket vor dem Einbau

npm-Pakete sicher prüfen: wie Sie Name, Wartung, Provenance, Install-Skripte, bekannte Lücken und Lizenz bewerten, bevor ein Paket in Ihr Projekt kommt.

mehr erfahren

npm install unter der Lupe: Wie Angreifer die Lieferkette kapern

Was npm install technisch tut, welche Angriffsmuster von Typosquatting bis Dependency Confusion es ausnutzen und wie Sie das Installieren absichern.

mehr erfahren

Programmiersprachen und KI: Warum Rust für Code-Agenten so gut passt

KI-Agenten schreiben in Rust oft verlässlicheren Code, weil der Compiler viele Fehler sofort meldet. Was dahinter steckt und wo das Argument endet.

mehr erfahren

Pi Agent vs. Claude Code: minimaler Open-Source-Agent im Vergleich

Pi Agent und Claude Code im Vergleich: Architektur, Erweiterungen, Modellwahl, Lizenz, Kosten und Sicherheit. Für wen sich der Open-Source-Agent lohnt.

mehr erfahren

Agentic Engine Optimization: Websites für KI-Agenten lesbar machen

Agentic Engine Optimization: Wie KI-Assistenten Ihre Website abrufen, welche Rolle robots.txt, llms.txt und strukturierte Daten spielen – und was belegt ist.

mehr erfahren

Claude Skills für Einsteiger: eigene KI-Workflows aufbauen

Claude Skills bündeln wiederkehrende Anweisungen in einer SKILL.md-Datei. So bauen Sie Skills auf und installieren sie in Claude und Claude Code.

mehr erfahren

Claude Code richtig nutzen: 15 Funktionen, die Profis kennen sollten

Claude Code kann mehr als chatten: So setzen Sie CLAUDE.md, Subagenten, Hooks, Skills, MCP und den Headless-Modus gezielt im Entwickleralltag ein.

mehr erfahren

Claude Code für Einsteiger: vom Terminal zur fertigen Anwendung

Claude Code arbeitet im Terminal direkt mit Ihren Dateien. So gelingen Installation, erste Aufträge, Planmodus, Skills und MCP auch ohne Programmiererfahrung.

mehr erfahren

OpenClaw im Praxistest: vom Chatbot zum digitalen Assistenten

OpenClaw macht ein Sprachmodell zum selbst gehosteten Agenten mit Zugriff auf Rechner und Messenger. Aufbau, Einrichtung, Skills und Sicherheitsregeln.

mehr erfahren

Das Ende der Menüs: Wie KI die digitale Arbeitsumgebung verändert

Seit Jahrzehnten bedienen wir Computer über Fenster, Menüs und Ordner. KI-Agenten verschieben das zu Aufträgen in Alltagssprache. Was sich ändert und was nicht.

mehr erfahren

Microsoft und Rust: Was hinter dem Ziel „C und C++ bis 2030“ steckt

Microsoft nutzt Rust im Windows-Kernel, der Ersatz von C und C++ bis 2030 ist aber ein Forschungsziel. Was belegt ist und was es für Entwickler bedeutet.

mehr erfahren

TanStack Start: Das React-Framework als Alternative zu Next.js

TanStack Start ist ein Fullstack-Framework für React auf Basis von TanStack Router und Vite. Was es kann und wann es eine Alternative zu Next.js ist.

mehr erfahren

Die Ralph-Wiggum-Technik: KI-Coding-Agenten, die nicht aufgeben

Die Ralph-Wiggum-Technik lässt einen Coding-Agenten denselben Auftrag wiederholen, bis die Tests bestehen. Wie sie funktioniert und worauf Sie achten sollten.

mehr erfahren

Warum KI Entwickler nicht ersetzt, aber ihre Rolle verändert

KI-Assistenten schreiben heute viel Code. Warum Fachwissen trotzdem wichtiger wird und welche Fähigkeiten Entwickler:innen jetzt gezielt ausbauen sollten.

mehr erfahren

Von Node.js zu Bun: Next.js-Projekte schrittweise umstellen

Wie Sie Bun in Next.js einsetzen: von bun install über bun --bun next dev bis zum Deployment. Was dabei schneller wird, was nicht und was Sie vorher prüfen.

mehr erfahren

Bun erklärt: JavaScript-Laufzeit, Paketmanager und Bundler in einem

Bun ist Laufzeitumgebung, Paketmanager, Bundler und Testrunner in einem. Wie es funktioniert, wie kompatibel es zu Node.js ist und für wen es sich lohnt.

mehr erfahren

KI-Agenten richtig anleiten: Spezifikationen, die funktionieren

Spezifikationen für KI-Coding-Agenten wie Claude Code oder GitHub Copilot: welche Angaben hineingehören, wie Sie Aufgaben aufteilen und Grenzen setzen.

mehr erfahren

Was ist .NET? Die Microsoft-Plattform einfach erklärt

.NET ist Microsofts quelloffene Entwicklungsplattform für Web, Cloud, Desktop und Apps. Sie erfahren, wie Laufzeit, SDK und Versionen zusammenhängen.

mehr erfahren

Künstliche Intelligenz 2026: Vom Chatbot zum digitalen Kollegen

Rückblick auf den KI-Ausblick vom Januar 2026: acht erwartete Trends von Multi-Agenten-Systemen über physische KI und EU AI Act bis zu Quanten-Utility.

mehr erfahren

KI-Jahr 2025: Vier Erkenntnisse und ein Ausblick auf 2026

Rückblick vom Januar 2026 auf das KI-Jahr 2025: vier Entwicklungen von unauffälligen Agenten bis zum Chipmangel und was sie damals für 2026 erwarten ließen.

mehr erfahren

REST und Event-Streams: Wann sich ereignisbasierte Backends lohnen

REST oder Event-Streams? Wie sich Request/Response und Publish/Subscribe unterscheiden, wann Kafka, SSE oder WebSockets passen und wo REST richtig bleibt.

mehr erfahren

Shai-Hulud 2.0: Wie sich ein Wurm im November 2025 durch npm fraß

Shai-Hulud 2.0 einfach erklärt: Rückblick auf den npm-Wurm vom November 2025, wie er Zugangsdaten stahl, sich selbst verbreitete und wie Sie sich schützten.

mehr erfahren

HTMX: Moderne Webanwendungen ohne JavaScript-Framework bauen

HTMX lädt Inhalte nach, sendet Formulare und tauscht Seitenteile per HTML-Attribut aus. Die Anleitung zeigt Browser- und Serverseite und den Stand von HTMX 4.

mehr erfahren

Electron vs. Tauri: Desktop-Apps mit Webtechnik im Vergleich

Electron bringt Chromium und Node.js mit, Tauri nutzt den Webview des Systems und einen Kern in Rust. Der Vergleich zeigt, wann sich welches Framework eignet.

mehr erfahren

Architekturkompetenz im KI-Zeitalter: Was Full-Stack heute heißt

Wenn KI-Werkzeuge Code schreiben, verschiebt sich die Arbeit zu Architekturentscheidungen. Welche Fähigkeiten zählen und wie Sie sie gezielt aufbauen.

mehr erfahren

Omarchy im Test: So macht Linux endlich wieder Spaß

Unser Test von Omarchy aus dem November 2025: Das Linux auf Basis von Arch und Hyprland setzt auf Tastatur, Kachelfenster und abgestimmte Themes.

mehr erfahren

JWT-Probleme: Warum Entwickler vor JSON Web Tokens warnen

JWT-Probleme im Überblick: Warum sich Tokens schwer widerrufen lassen, welche Prüffehler gefährlich sind und wann klassische Sessions die bessere Wahl sind.

mehr erfahren

7 KI-Begriffe erklärt: Von KI-Agenten bis Superintelligenz

Sieben KI-Begriffe von KI-Agenten über RAG und MCP bis Superintelligenz: was sie bedeuten, wie sie zusammenhängen und was davon für Unternehmen zählt.

mehr erfahren

Machine Learning verstehen: von den Grundlagen bis zu moderner KI

Machine Learning verständlich erklärt: welche Lernverfahren es gibt, wie Training mit Daten abläuft und wie Sie prüfen, ob ein Modell wirklich etwas taugt.

mehr erfahren

Scrum-Master-Rolle auf dem Prüfstand: ein Blick aus Architektursicht

Lohnt sich ein Scrum Master noch? Wir betrachten die Rolle aus Sicht der Softwarearchitektur, gleichen sie mit dem Scrum Guide 2020 ab und zeigen Alternativen.

mehr erfahren

Was dürfen wir für Sie tun?

So sind wir zu erreichen: