Glossareintrag
Wir denken. KI tippt mit.
Beim Jevons-Paradoxon (englisch Jevons paradox, auch Jevons-Effekt) wird eine Technik effizienter, und der Gesamtverbrauch der Ressource steigt danach statt zu sinken. Der Effizienzgewinn senkt den Preis der Leistung, und die Nachfrage reagiert darauf so stark, dass die Mehrmenge die Einsparung je Einheit überholt. Die Ökonomie nennt den allgemeinen Fall Rebound-Effekt. Die Fachliteratur spricht erst dann von einem Jevons-Paradoxon, wenn dieser Rebound über 100 Prozent liegt, der Verbrauch also höher ausfällt als vor der Verbesserung. Dieser Extremfall heißt auch Backfire.
Der britische Ökonom William Stanley Jevons beschrieb das Muster 1865 in seinem Buch „The Coal Question“. Im Kapitel „Of the Economy of Fuel“ schreibt er: „It is wholly a confusion of ideas to suppose that the economical use of fuel is equivalent to a diminished consumption. The very contrary is the truth.“ (In der Erstauflage ist das Kapitel VI, ab der zweiten Auflage Kapitel VII.) Sein Beleg war die Dampfmaschine. Die Nutzarbeit je Einheit Kohle nennt er „duty“. Sie war zwischen 1769 und 1859 nach seiner eigenen Tabelle mindestens auf das Zehnfache gestiegen. Englands Kohleverbrauch stieg trotzdem. Beim schottischen Eisen rechnete er ähnlich vor. Das Heißwind-Verfahren senkte den Kohleeinsatz je Tonne Roheisen von sieben auf zwei bis zweieinhalb Tonnen. Der Kohleverbrauch der schottischen Roheisenherstellung wuchs zwischen 1830 und 1863 nach seiner eigenen Rechnung dennoch auf das Achtfache.
Populär wurde der Begriff am 27. Januar 2025. Microsoft-Chef Satya Nadella schrieb um 00:48 Uhr New Yorker Zeit auf X (Stunden vor der Börseneröffnung): „Jevons paradox strikes again! As AI gets more efficient and accessible, we will see its use skyrocket, turning it into a commodity we just can’t get enough of.“ Auslöser war das chinesische Modell DeepSeek-R1, das die Annahme erschütterte, Spitzenleistung setze große Rechenbudgets voraus. Nvidia verlor an dem Tag fast 600 Milliarden Dollar Börsenwert (der größte nominale Einzeltagesverlust an einer US-Börse). Seither führen Anbieter und Analysten das Jevons-Paradoxon regelmäßig gegen die Sorge ins Feld, günstigere KI schrumpfe das Geschäft der Branche.
Der Rebound-Effekt wirkt in der Ökonomie auf mehreren Ebenen. Der direkte Rebound betrifft die Leistung, die billiger geworden ist. Wer ein sparsameres Auto kauft, fährt mehr. Beim indirekten Rebound fließt das gesparte Geld in andere Güter, die ebenfalls Energie kosten. Der gesamtwirtschaftliche Rebound nimmt die Preis-, Struktur- und Wachstumseffekte einer ganzen Volkswirtschaft dazu. Ein Rebound von 30 Prozent bedeutet, dass 70 Prozent der berechneten Einsparung tatsächlich ankommen. Erst jenseits von 100 Prozent kippt das Vorzeichen, und nur dann liegt ein Jevons-Paradoxon vor. Im Alltag setzen viele beide Wörter gleich, fachlich ist das falsch.
Wie groß der Rebound ausfällt, ist unter Ökonomen strittig. Kenneth Gillingham, Matthew Kotchen, David Rapson und Gernot Wagner schrieben 2013 in einem Kommentar für die Zeitschrift Nature, Verhaltensreaktionen zehrten 5 bis 30 Prozent der geplanten Einsparung auf. Mit allen gesamtwirtschaftlichen Effekten sind es höchstens 60 Prozent. Nach den üblichen Angebots- und Nachfrageannahmen halten sie ein Backfire allein über den Preiseffekt für unmöglich. Eine Übersichtsarbeit um Paul Brockway und Steve Sorrell bewertete die Lage 2021 deutlich pessimistischer. Gesamtwirtschaftliche Rebound-Effekte könnten mehr als die Hälfte der erwarteten Einsparung aufzehren, weshalb globale Energieszenarien den künftigen Bedarf zu niedrig ansetzen. Beide Seiten stützen sich auf begutachtete Literatur. Der Unterschied entsteht durch die Methode, mikroökonometrische Schätzungen gegen gesamtwirtschaftliche Modelle.
Die Preiselastizität der Nachfrage entscheidet, ob ein Effizienzgewinn überhaupt zum Paradoxon führt. Liegt sie unter eins, wächst die Menge langsamer, als der Preis fällt, und der Verbrauch sinkt wie geplant. Liegt sie über eins, dreht sich das Vorzeichen um.
Der Lehrbuchfall dafür ist künstliches Licht. Roger Fouquet und Peter Pearson haben sieben Jahrhunderte britischer Beleuchtung ausgewertet. Zwischen 1800 und 2000 verfünfzehnfachte sich das Bruttoinlandsprodukt pro Kopf, der Preis der Lichtdienstleistung fiel unter ein Dreitausendstel. Die Lichtnutzung pro Kopf lag am Ende 6.500-mal höher, der gesamte Lichtverbrauch 25.000-mal. Die Nachfrage nach Helligkeit war jahrhundertelang ungesättigt, deshalb schlug jede Preissenkung voll durch.
Beim Autofahren geht dieselbe Rechnung nicht auf. Kenneth Small und Kurt Van Dender werteten Daten aller US-Bundesstaaten von 1966 bis 2001 aus und fanden einen direkten Rebound von 4,5 Prozent kurzfristig und 22,2 Prozent langfristig. Auf dem Niveau der Jahre 1997 bis 2001 blieben davon 2,2 und 10,7 Prozent übrig. Als Gründe nennen sie die gestiegenen Realeinkommen und die gesunkenen realen Kraftstoffpreise. Wer mehr verdient, fährt nicht beliebig mehr, weil die Zeit knapp bleibt.
Gibt es für die billiger gewordene Leistung noch offene Verwendungen, oder ist der Bedarf gedeckt? An dieser Frage entscheidet sich jede Jevons-Behauptung. Ein zweiter Kühlschrank bringt einem Haushalt nichts, eine zusätzliche Lampe im dunklen Raum schon.
Die Preisseite spricht für das Jevons-Paradoxon bei KI. Der Stanford AI Index 2025 beziffert den Rückgang der Inferenz-Kosten für ein Modell auf GPT-3.5-Niveau auf mehr als das 280-Fache zwischen November 2022 und Oktober 2024. Epoch AI misst je Benchmark und Leistungsschwelle 9- bis 900-fache Preisrückgänge pro Jahr, im Median das 50-Fache. Rechnet man nur mit Daten ab Januar 2024, klettert dieser Median auf 200. Die Autoren merken selbst an, dass die schnellsten Rückgänge aus dem jüngsten Jahr stammen und nicht anhalten müssen.
Die Nachfrage wuchs im selben Takt. Für den Mai 2024 nennt Google rückblickend 9,7 Billionen Tokens pro Monat über seine Produkte und Schnittstellen. Zwei Jahre später sprach Sundar Pichai auf der Entwicklerkonferenz I/O von über 3,2 Billiarden pro Monat, nach Googles eigener Angabe rund siebenmal so viel wie im Vorjahr mit etwa 480 Billionen. Im Quartalsbericht vom Juli 2026 waren es rund 22 Milliarden Tokens pro Minute über die Modell-Schnittstellen, und der Konzern schrieb, weiterhin an der Kapazitätsgrenze zu arbeiten.
Die Internationale Energieagentur (IEA) beziffert den weltweiten Rechenzentrumsverbrauch für 2024 im Bericht „Energy and AI“ auf 415 Terawattstunden, rund 1,5 Prozent des globalen Stroms. Im Folgejahr wuchs er laut dem Bericht „Key Questions on Energy and AI“ um 17 Prozent, bei den KI-Rechenzentren um 50 Prozent. Die Agentur erwartet von 485 Terawattstunden im Jahr 2025 bis 2030 nahezu eine Verdopplung auf 950. Derselbe Bericht nennt für 2025 Investitionen der größten Technologiekonzerne in Rechenzentren von über 400 Milliarden Dollar und rechnet für 2026 mit weiteren 75 Prozent Zuwachs. Günstigere Inferenz hat die Ausgaben der Hyperscaler also nicht gesenkt.
Der Betreiber des LLM-Gateways OpenRouter wertete gemeinsam mit dem Wagniskapitalgeber a16z über 100 Billionen vermittelte Tokens aus und fand zwischen Preis und Nutzung eine nahezu waagerechte Linie. Zehn Prozent Preisunterschied entsprechen dort nur 0,5 bis 0,7 Prozent Nutzungsunterschied. Rechnerisch ergibt das einen Elastizitätsbetrag von rund 0,06 und damit eine fast preisunempfindliche Nachfrage. Dieselbe Auswertung hält allerdings fest, dass einzelne besonders billige und schnelle Modelle sehr wohl für weit mehr Aufgaben eingesetzt wurden. Das ist der härteste Einwand gegen die These, und er kommt aus dem größten öffentlichen Datensatz.
Der Ökonomie-Journalist Greg Rosalsky nannte bei NPR mindestens drei Voraussetzungen dafür, dass in KI-betroffenen Berufen ein Jevons-Paradoxon entsteht: einen Produktivitätsgewinn, eine Preissenkung und eine elastische Nachfrage. Die dritte ist damit offen. Er verweist außerdem darauf, dass die meisten Ökonomen die Rebound-Effekte moderner Energiemärkte für klein halten. Als Gegenbeispiel führt der Stanford-Ökonom Erik Brynjolfsson dort die Landwirtschaft an. Die Produktivitätsgewinne trafen auf eine unelastische Nachfrage nach Nahrung, und die Beschäftigung brach ein.
Der Energiewissenschaftler Jonathan Koomey hält die Wachstumsprognosen für zirkulär. Zwischen 2010 und 2018 stieg die Rechenleistung der Rechenzentren um das Sechsfache, ihr Stromverbrauch um 6 Prozent. Er sagte im Gespräch mit Latitude Media über die heutigen Prognosen, „NVIDIA’s business plan is our growth forecast“. Sasha Luccioni, Emma Strubell und Kate Crawford prüfen in einer Arbeit für die Konferenz ACM FAccT 2025, ob sich das ökonomische Konzept überhaupt auf KI übertragen lässt. Sie halten ihm „notable conceptual and empirical limitations“ vor. Sie reichten die Arbeit am 27. Januar 2025 ein, am Tag von Nadellas Post.
Das Argument ist damit nicht widerlegt. Die veröffentlichte Kritik bleibt an Bedingungen geknüpft und läuft darauf hinaus, dass es für ein Urteil zu früh ist.
Seit 2026 läuft die Diskussion auf einem zweiten Feld. Torsten Slok, Chefökonom von Apollo Global Management, überträgt den Effekt im April 2026 auf den Arbeitsmarkt und nennt das den „Jevons employment effect“. Als Dampfmaschinen die Kohlenutzung effizienter machten, verbrannte Großbritannien mehr Kohle statt weniger (sein Bild aus der Industriegeschichte). Dario Amodei von Anthropic formulierte es im Mai 2026 bei einem Presse-Briefing seines Unternehmens zu Finanzdienstleistungen so: „If you automate 90% of the job, then everyone does the 10% of the job. And the 10% kind of expands to be 100% of what people do and kind of 10xs their productivity.“ Im selben Auftritt schränkte er ein, KI bewege sich schneller als alle früheren Techniken, was dem Ausgleich die Zeit nimmt.
Die Federal Reserve Bank of New York beziffert die Unterbeschäftigung frischer US-Hochschulabsolventen für das vierte Quartal 2025 auf 42,5 Prozent. Das Stanford Digital Economy Lab misst für 22- bis 25-Jährige in stark KI-exponierten Rollen seit 2022 einen relativen Beschäftigungsrückgang gegenüber weniger exponierten Vergleichsgruppen. In der Fassung vom August 2026 sind es 19 Prozent. Ein Effekt kann also auf Branchenebene zutreffen und einzelne Beschäftigte trotzdem hart treffen. Wie viel von einem Beruf technisch überhaupt ersetzbar ist, misst in Deutschland das Substituierbarkeitspotenzial des IAB. In den USA begründeten Unternehmen bis Juli 2026 den Abbau von 112.713 Stellen ausdrücklich mit KI, während das deutsche Handwerk im selben Zeitraum rund 200.000 fehlende Fachkräfte meldet (beide Zahlen im Artikel Arbeitslos durch KI in Handwerk und Unternehmen).
Jevons selbst mahnt zur Vorsicht. Seine Sorge, die britische Kohle werde in größerer Tiefe zu teuer und das Land verliere damit seinen industriellen Vorsprung, bestätigte sich so nicht. Großbritannien förderte 1913 mit rund 292 Millionen Tonnen seine größte Kohlemenge. Danach ging es bergab, und Öl übernahm die Rolle, die Jevons der Kohle zugedacht hatte.
Das Jevons-Paradoxon ist kein Werkzeug, das Sie einschalten. Es ist eine Rechenregel für die eigene Kalkulation. Wer ausrechnet, dass ein KI-Tool fünf Stunden Büroarbeit pro Woche einspart, muss anschließend zeigen, wo diese fünf Stunden die Kostenseite verlassen. Bleiben sie im Unternehmen und füllen sich mit zusätzlicher Arbeit, ist der Nutzen trotzdem da. Er steht dann auf der Umsatzseite und nicht bei den Kosten.
Vor dem KI-Einsatz schreibt ein Malerbetrieb drei ausführliche Angebotstexte pro Woche, weil mehr abends nicht zu schaffen ist. Danach schreibt er zwölf, dazu die Nachfass-Mails, die Bildunterschriften für die Referenzseite und die Baustellen-Dokumentation, die vorher niemand getippt hat. Die Textkosten pro Angebot sind gefallen, die Textkosten des Unternehmens gestiegen.
Die nützlichere Frage lautet deshalb nicht, wie viel Sie sparen, sondern was Sie ab jetzt häufiger tun. An dieser Frage entscheidet sich, ob KI im Unternehmen eine Kostensenkung oder eine Angebotserweiterung ist. Beides ist eine gültige Entscheidung, die Verwechslung ist der Fehler.
Am deutlichsten trifft Sie das bei den Abo-Grenzen. Günstigere Modelle senken Ihre Rechnung nur, wenn Ihr Verbrauch gleich bleibt, und das tut er selten. Wer die Preisliste liest und daraufhin größere Aufgaben stellt, landet schneller am Nutzungslimit als vorher, und in Tools mit Credits ist das Guthaben früher leer. Wie hart so eine Grenze wirkt, zeigte sich bei Claude Code. Dort standen im Sommer 2026 zunächst 33 Prozent weniger Wochenlimit im Raum, ab dem 14. September wurden 17 Prozent daraus. Gegensteuern können Sie über Prompt-Caching, das wiederholte Eingaben günstiger abrechnet. Anthropic gibt die Ersparnis in seiner Dokumentation zum Prompt Caching mit bis zu 90 Prozent an, wobei das Schreiben in den Cache zunächst mehr kostet als eine normale Eingabe. Die Rechnung dazu steht im Artikel Mit Prompt Caching Kosten sparen.
Im Handwerk hat der Effekt allerdings eine Grenze. Ein Handwerksbetrieb schreibt nicht doppelt so viele Rechnungen, nur weil das Schreiben einer Rechnung billiger wird. Die Zahl der Aufträge hängt an Monteuren, Fahrzeugen und Terminen, nicht an Textkosten. Für alles, was direkt an der Mannschaft hängt, ist die Nachfrage gesättigt, und dort bleibt das Jevons-Paradoxon aus. Es wirkt bei den Aufgaben, die Sie bisher aus Zeitmangel gar nicht gemacht haben, also bei Marketing, Dokumentation, Nachfassen und Auswertung.
Für die eigene Prüfung:
Die zweite Folge betrifft Sie als Stromkunde und Steuerzahler, nicht als KI-Nutzer. Der wachsende Bedarf schlägt in Rechenzentrums-Projekten durch. Für einen einzigen Campus in West Virginia soll Anthropic dem Betreiber Nscale nach übereinstimmenden Berichten rund 45 Milliarden Dollar für etwa 460 Megawatt über sechs Jahre zugesagt haben. Bestätigt hat das keines der beiden Unternehmen. Die Belege dazu stehen im Artikel zum Anthropic-Nscale-Deal. Wenn in Ihrer Region über Netzentgelte, Ansiedlungen und Strompreise gestritten wird, steckt das Jevons-Paradoxon in den Argumenten beider Seiten.
