Zwischen dem 2. Juli und dem 3. November 2026 hat Claude Code für mich 6,47 Milliarden Tokens verarbeitet. Gemessen habe ich das mit Token Usage, meinem eigenen Plugin für Obsidian, das die lokalen Protokolle von Claude Code ausliest. Das ist eine riesige Zahl, unter der ich mir zunächst überhaupt nichts vorstellen konnte, also habe ich versucht, sie Schritt für Schritt in Größen zu übersetzen, die für uns Menschen greifbarer sind.
In diesem Artikel zeige ich den ganzen Rechenweg, auch die Stellen, an denen aus einer Messung eine Annahme wird. Genau dort liegt nämlich der interessanteste Teil.
Was gemessen ist
Ein Token ist die kleinste Einheit, mit der ein Sprachmodell Text verarbeitet, je nach Sprache ein Wortteil, ein ganzes Wort oder ein einzelnes Zeichen. Claude Code schreibt zu jeder Antwort mit, wie viele Tokens in welcher Form angefallen sind. Token Usage zählt jede Antwort genau einmal, auch die der Unteragenten, und unterscheidet vier Arten:
| Art | Tokens | Was dahinter steckt |
|---|---|---|
| Input | 189.585 | neue Eingaben, die nicht aus dem Zwischenspeicher kommen |
| Output | 26.907.440 | alles, was Claude erzeugt hat: Text, Code und Denkschritte |
| Cache schreiben | 162.170.853 | Kontext, der neu in den Zwischenspeicher gelegt wird |
| Cache lesen | 6.277.917.108 | Kontext, der aus dem Zwischenspeicher erneut gelesen wird |
| Zusammen | 6.467.184.986 | 24.675 Antworten an 104 aktiven Tagen |
Diese Zahlen sind gemessen. Alles, was ab hier folgt, ist Übersetzung.
Warum 97 Prozent davon Wiederholung sind
Die erste Überraschung kam schon beim Aufschlüsseln: 97 % aller Tokens sind Cache-Lesen (eigene Auswertung). Ein Sprachmodell hat zwischen zwei Anfragen kein Gedächtnis. Damit Claude in einer langen Arbeitssitzung weiß, worum es geht, bekommt es bei jeder Anfrage den gesamten bisherigen Verlauf noch einmal mit, also Anweisungen, gelesene Dateien und alle bisherigen Antworten. Damit das nicht jedes Mal komplett neu berechnet werden muss, liegt dieser Kontext in einem Zwischenspeicher und wird von dort gelesen.
Für die Rechnung heißt das: Die 6,28 Milliarden gelesenen Cache-Tokens sind keine 6,28 Milliarden neuen Wörter, sondern dieselben Seiten, immer wieder vorgelesen. Wer seine Sitzungen lange laufen lässt, und das tue ich beim Arbeiten in meinem Vault ausgiebig, treibt genau diesen Anteil nach oben. Claude Code weist in seiner Übersicht /usage übrigens selbst darauf hin, etwa mit dem Tipp “Start fresh when you switch tasks”, also eine neue Sitzung zu beginnen, wenn das Thema wechselt.
Übersetzt in Text
Wie viel Text ein Token ist, hängt vom Modell und von der Sprache ab. Anthropic nennt für ältere Claude-Modelle rund 3,5 englische Zeichen pro Token, die Modelle ab Claude 4.7 nutzen einen neuen Tokenizer, der für denselben Text etwa 30 % mehr Tokens erzeugt (Anthropic, Glossar). Für meine Rechnung habe ich deshalb nach Modell getrennt: 3,5 Zeichen pro Token für die beiden älteren Modelle, die ich bis in den August hinein genutzt habe, rund 2,7 Zeichen für alle neueren.
Als Maßstab nehme ich kein ausgedachtes Durchschnittsbuch, sondern mein eigenes: Der Fließtext von Das Caretaker-Gen hat rund 241.000 Zeichen und 34.500 Wörter. Die Lesezeit rechne ich mit 250 Wörtern pro Minute, ohne Pause, Tag und Nacht.
| Tokens | Zeichen, geschätzt | Mal mein Buch | Lesezeit am Stück | |
|---|---|---|---|---|
| Alle Tokens | 6,47 Mrd. | 17,9 Mrd. | rund 74.000 | gut 19 Jahre |
| Neu eingelesen (Input und Cache schreiben) | 162 Mio. | 455 Mio. | rund 1.900 | rund ein halbes Jahr |
| Von Claude erzeugt (Output) | 26,9 Mio. | 77 Mio. | gut 300 | rund ein Monat |
Drei Einschränkungen gehören dazu. Wie viele Zeichen ein Token bei deutschem Text sind, nennt Anthropic nicht, und bei vielen Sprachmodellen braucht Deutsch mehr Tokens als Englisch, deshalb verstehe ich die Werte eher als Obergrenze. Der Output enthält neben Text auch Code und die Denkschritte des Modells. Die oberste Zeile bleibt außerdem schief, weil sie die immer wieder gelesenen Seiten mitzählt.
Die ehrlichere Zahl ist für mich deshalb die unterste: In vier Monaten hat Claude für mich grob bis zu 300 Mal so viel erzeugt, wie in meinem Buch steht.
Was das energetisch bedeuten könnte
Auf die Frage, wie viel Energie ein Token braucht, gibt es keine einfache und schon gar keine exakte Antwort. Sie hängt vom Modell ab, von der Hardware, von der Kontextlänge und vom Betrieb. Wie groß diese Unterschiede sind, zeigt der Benchmark Watt Counts aus dem April 2026: In über 5.000 Versuchen mit 50 offenen Sprachmodellen auf zehn Grafikkarten von NVIDIA lag der Energiebedarf pro Token zwischen 0,003 und einem Joule, eine Spanne von fast drei Größenordnungen (Fadel Argerich, Fürst und Patiño-Martínez, 2026).
Rechnet man meine Tokens mit diesen Werten durch und legt den deutschen Strommix zugrunde, für den das Umweltbundesamt für 2025 durchschnittlich 344 Gramm CO₂ je verbrauchter Kilowattstunde schätzt (Umweltbundesamt, 2026), kommt Folgendes heraus:
| Annahme pro Token | Strom | CO₂ |
|---|---|---|
| 0,003 Joule, untere Grenze | rund 5 kWh | knapp 2 kg |
| 0,3 Joule, frei gewählter Beispielwert | rund 540 kWh | rund 185 kg |
| 1 Joule, obere Grenze | rund 1.800 kWh | gut 600 kg |
Dazu kommt der Cache. Dass Kontext aus dem Zwischenspeicher gelesen wird, soll ja gerade Rechenarbeit sparen, entsprechend kostet Cache-Lesen bei Anthropic nur ein Zehntel des normalen Input-Preises, bei Opus 5.5 und Sonnet 5.5 sogar nur ein Zwanzigstel (Anthropic, Preisliste). Ein Preis ist kein Stromzähler, er legt aber nahe, dass ein gelesenes Cache-Token deutlich weniger Rechenarbeit braucht als ein neu verarbeitetes. Wie viel weniger, weiß ich nicht. Lässt man das Cache-Lesen zur Veranschaulichung ganz weg, bleiben beim Beispielwert von 0,3 Joule rund 16 kWh und gut fünf Kilogramm CO₂ übrig.
Zwischen der unteren und der oberen Grenze liegt mehr als der Faktor 300, und durch den Cache wird die Spanne eher größer als kleiner. Eine solche Spanne ist keine Antwort, sie ist für mich der eigentliche Befund. Die Messwerte stammen außerdem von offenen Modellen auf einzelnen Grafikkarten im Versuch, nicht von den Modellen und Rechenzentren, auf denen Claude tatsächlich läuft.
Wasser: die zweite Spanne
Rechenzentren brauchen neben Strom auch Wasser, und zwar an zwei Stellen. Die erste ist die Kühlung vor Ort: Viele Rechenzentren kühlen mit Verdunstung, im Prinzip wie ein Kühlturm, und dabei geht Wasser verloren. Die zweite liegt außerhalb, bei der Stromerzeugung, denn Kohle-, Gas- und Atomkraftwerke verdampfen in ihren eigenen Kühltürmen große Mengen Wasser, Wind- und Solaranlagen dagegen kaum welches.
Für die Kühlung nennen die Betreiber selbst sehr unterschiedliche Werte. AWS meldet für 2025 einen globalen Schnitt von 0,12 Litern je Kilowattstunde und beziffert den Branchendurchschnitt auf 0,84 Liter (Amazon). Microsoft kommt 2025 auf 0,27 Liter (Microsoft, 2026). Die Forschungsgruppe um Shaolei Ren schätzt, dass in Rechenzentren etwa ein bis neun Liter je Kilowattstunde verdunsten, wobei die neun Liter für ein großes Rechenzentrum im Sommer in Arizona stehen. Für die Stromerzeugung setzt dieselbe Studie im US-Durchschnitt 3,1 Liter je Kilowattstunde an, die tatsächlich verbraucht werden (Li, Yang, Islam und Ren).
Mit meiner Stromspanne von oben ergibt das:
| Annahme pro kWh | bei 5 kWh | bei 540 kWh | bei 1.800 kWh |
|---|---|---|---|
| Kühlung wie bei AWS 2025 (0,12 l) | gut ein halber Liter | rund 65 l | rund 215 l |
| Kühlung im Branchenschnitt (0,84 l) plus Stromerzeugung (3,1 l) | rund 21 l | rund 2.100 l | rund 7.100 l |
| Sommer in Arizona (9 l) plus Stromerzeugung (3,1 l) | rund 65 l | rund 6.500 l | rund 21.700 l |
Zum Vergleich: In Deutschland verbraucht jeder Mensch zu Hause im Schnitt 126 Liter Trinkwasser am Tag, Stand 2022 (Umweltbundesamt). Die Tabelle reicht damit von einer kleinen Flasche bis zu dem, was ich selbst in knapp sechs Monaten aus dem Hahn laufen lasse. Streng genommen messen die Werte nicht ganz dasselbe, AWS gibt entnommenes Wasser an, die Studie verdunstetes. Für ein Gefühl für Größenordnungen reicht das, für eine Bilanz nicht. Für den Cache gilt dasselbe wie beim Strom: Ein gelesenes Cache-Token braucht vermutlich weniger, wie viel weniger, weiß ich nicht.
Warum die Spannen so groß sind
Zwischen der kleinsten und der größten Zahl in dieser Tabelle liegt mehr als der Faktor 30.000. Das klingt nach Willkür, hat aber einen einfachen Grund: Hier werden zwei unsichere Werte miteinander multipliziert, und dabei multiplizieren sich auch ihre Spannen.
Beim Strom pro Token liegt rund der Faktor 330 zwischen unterer und oberer Grenze. Ein kleines Modell rechnet pro Token nur einen Bruchteil dessen, was ein großes braucht, neuere Grafikkarten schaffen pro Joule deutlich mehr Tokens als ältere, und die Auslastung zählt: Verarbeitet eine Karte viele Anfragen gleichzeitig, verteilt sich der Strom auf viele Tokens, läuft sie halb leer, zahlt jedes Token mehr. Dazu kommt die Kontextlänge, denn je länger der Verlauf ist, den das Modell mitlesen muss, desto mehr Rechenarbeit steckt in jedem neuen Token.
Beim Wasser pro Kilowattstunde liegt rund der Faktor 100 zwischen meinen Annahmen. Verdunstungskühlung verbraucht Wasser, Luftkühlung oder geschlossene Flüssigkeitskreisläufe kommen fast ohne aus, brauchen dafür aber oft mehr Strom. Das Klima entscheidet mit, in Skandinavien reicht oft kalte Außenluft, in einer Wüste muss im Sommer ständig gekühlt werden. Am Ende hängt viel am Strommix, also daran, ob der Strom aus Kraftwerken mit Kühlturm kommt oder aus Wind und Sonne.
Keinen dieser Faktoren kenne ich für meine eigene Nutzung. Ich weiß nicht, auf welchen Chips Claude läuft, wie voll sie ausgelastet sind, wie das Rechenzentrum kühlt, wo es steht und woher sein Strom kommt. Wüsste ich das, würde die Spanne auf einen kleinen Bereich zusammenschrumpfen. Genau deshalb ist die Spanne selbst die Aussage: Sie zeigt, wie wenig wir als Nutzer wissen.
Was der EU AI Act dazu verlangt
Ganz ohne Regel ist das Thema nicht. Seit dem 2. August 2025 müssen Anbieter von KI-Modellen mit allgemeinem Verwendungszweck eine technische Dokumentation ihres Modells erstellen und aktuell halten (Art. 53 Abs. 1 lit. a in Verbindung mit Art. 113 lit. b KI-Verordnung). Was mindestens hineingehört, steht in Anhang XI, und dort gehört zu den Angaben über das Entwicklungsverfahren auch der “bekannte oder geschätzte Energieverbrauch des Modells”. Ist er nicht bekannt, darf er aus den eingesetzten Rechenressourcen abgeleitet werden.
Aufschlussreich ist, für wen diese Dokumentation gedacht ist: für das Büro für Künstliche Intelligenz und die zuständigen nationalen Behörden, und zwar auf Anfrage. Was Anbieter den Unternehmen mitgeben müssen, die das Modell in eigene KI-Systeme einbauen, steht in Anhang XII, und dort kommt der Energieverbrauch nicht vor. Für Modelle unter einer freien und quelloffenen Lizenz entfallen beide Dokumentationspflichten, solange das Modell kein systemisches Risiko birgt (Art. 53 Abs. 2).
Daneben setzt die Verordnung vor allem auf Normen und Freiwilligkeit. Die Normungsaufträge der Kommission sollen auch Dokumente zur energieeffizienten Entwicklung von KI-Modellen mit allgemeinem Verwendungszweck verlangen (Art. 40 Abs. 2). Freiwillige Verhaltenskodizes können die Auswirkungen von KI-Systemen auf die ökologische Nachhaltigkeit behandeln, einschließlich energieeffizienten Programmierens (Art. 95 Abs. 2 lit. b). Bis zum 2. August 2028 legt die Kommission einen Bericht über die Fortschritte bei solchen Normen vor und beurteilt, ob weitere Maßnahmen nötig sind, ausdrücklich auch verbindliche (Art. 112 Abs. 6).
Für mich als Nutzer heißt das: Die Anbieter müssen den Energieverbrauch ihrer Modelle kennen oder schätzen, eine Angabe pro Anfrage oder pro Token bekomme ich dadurch aber nicht. Meine eigene Bilanz bleibt eine Modellrechnung.
Messung ist nicht Modellrechnung
Genau dieser Unterschied ist mir wichtig. Ich habe keine 74.000 Bücher gelesen oder geschrieben, und meine Nutzung hat auch nicht nachweislich 540 kWh Strom verbraucht oder 185 Kilogramm CO₂ verursacht. Gemessen sind die Tokens. Die Übersetzung in Text beruht auf Faustregeln, alles ab der Energie auf Annahmen, die ich hier offengelegt habe. Für eine echte Bilanz bräuchte es Angaben zu Modell, Hardware, Auslastung, Rechenzentrum und dessen Energieversorgung, und die hat als Nutzer niemand.
Zwei Größen mehr auf dem Zettel
Der interessante Punkt ist für mich deshalb nicht die vermeintliche Genauigkeit dieser Zahlen, sondern die Perspektive, die dadurch entsteht. Heute betrachten wir KI-Nutzung meistens in Tokens, Limits, Geschwindigkeit, Produktivität oder Euro. Mit zunehmender Nutzung sollten wir vielleicht zwei weitere Größen danebenstellen: Energie und Ressourcen.
Mir geht es dabei um ein Gefühl für Größenordnungen, so wie beim Blick auf die eigene Stromrechnung. Ich glaube zunehmend, dass zu einem erwachsenen Umgang mit KI auch gehört, zu verstehen, was hinter diesen scheinbar vollkommen immateriellen Milliarden von Tokens tatsächlich steckt.
Ein praktischer Hebel liegt nach dieser Rechnung auf der Hand: öfter eine neue Sitzung beginnen, wenn das Thema wechselt, statt einen riesigen Verlauf mitzuschleppen. In Token Usage soll die Gesamtsumme seit Beginn der Aufzeichnung mit der nächsten Version direkt sichtbar werden, mit dem Hinweis, dass sie nur so weit zurückreicht, wie die Protokolle von Claude Code und das Tagesarchiv reichen.
Quellen
- Anthropic: Glossary, Eintrag “Tokens”. Abgerufen am 03.11.2026.
- Anthropic: Pricing, Abschnitt Prompt Caching. Abgerufen am 03.11.2026.
- Fadel Argerich, Mauricio; Fürst, Jonathan; Patiño-Martínez, Marta (2026): Watt Counts: Energy-Aware Benchmark for Sustainable LLM Inference on Heterogeneous GPU Architectures. arXiv:2604.09048, Abschnitt 5.2.
- Umweltbundesamt (2026): CO₂-Emissionen pro Kilowattstunde Strom 2025 nur leicht gesunken. Veröffentlicht am 23.03.2026, Wert für 2025 geschätzt.
- Verordnung (EU) 2024/1689 über künstliche Intelligenz, konsolidierte Fassung vom 27.07.2026: Art. 40 Abs. 2, Art. 53 Abs. 1 und 2, Art. 95 Abs. 2, Art. 112 Abs. 6, Art. 113, Anhang XI und XII.
- Amazon: Water, Abschnitt AWS-Rechenzentren. 0,12 Liter entnommenes Wasser je kWh IT-Last 2025, Branchendurchschnitt 0,84 L/kWh nach Amazons Angabe. Abgerufen am 16.11.2026.
- Microsoft (2026): Inside Microsoft’s two-decade push to cut water intensity while scaling for growth. Veröffentlicht am 24.06.2026.
- Li, Pengfei; Yang, Jianyi; Islam, Mohammad A.; Ren, Shaolei: Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv:2304.03271, Fassung 5, Abschnitte 2.1 und 2.2. Abgerufen am 16.11.2026.
- Umweltbundesamt: Wassernutzung privater Haushalte. 126 Liter Trinkwasser je Person und Tag 2022, nach Statistischem Bundesamt. Abgerufen am 16.11.2026.
- Eigene Messung mit Token Usage, Stand 03.11.2026. Zeichen und Wörter des Buches aus den Kapiteldateien gezählt.