Der KI-Boom ist auch ein Infrastrukturboom: Rechenzentren, spezialisierte Prozessoren und Stromversorgung stehen im Zentrum des Ausbaus. Die Internationale Energieagentur dokumentiert steigende Investitionen; Europa plant zusätzliche KI-Gigafactories. [1][3]

Für Unternehmen ergibt sich daraus eine nüchterne Leitfrage: Welcher konkrete Nutzen rechtfertigt welche laufenden Kosten? Diese redaktionelle Einordnung leitet sich aus den recherchierten Infrastruktur- und Risikomanagementquellen ab; sie ist keine Renditeprognose.

Management Summary

Infrastruktur ist die Grundlage. Die IEA berichtet über einen starken Ausbau KI-spezifischer Rechenzentren und steigende Investitionen. Neue Kapazität ist jedoch nicht mit bereits realisiertem Geschäftsnutzen gleichzusetzen. [1]
Energie gehört auf die Managementagenda. Die IEA nennt Stromnetze, Lieferketten und Energieversorgung als zentrale Themen des weiteren Ausbaus. Ihre Zukunftsangaben sind Szenarien, keine zugesicherten Ergebnisse. [1]
Rechenleistung ist keine Systemzählung. Epoch KI vergleicht Chipkapazitäten in H100-Äquivalenten. Diese Einheit darf nicht als Anzahl eigenständiger KI-Systeme gelesen werden. [2]
Europa erweitert den Zugang. Die Ausschreibung für bis zu sieben KI-Gigafactories sieht bis zu zehn Milliarden Euro öffentliche Unterstützung vor und soll mindestens 20 Milliarden Euro privater Investitionen mobilisieren. Das sind Programmziele, keine bereits abgeschlossenen Investitionen. [3]
[Inference] Nutzen und Risiken gemeinsam steuern. Redaktionelle Empfehlung: KI-Projekte anhand von Ergebnisqualität, Gesamtkosten, Datenzugriff und Betriebsrisiken bewerten. Das NIST-Rahmenwerk liefert dafür eine Struktur aus Govern, Map, Measure und Manage. [4]

Rechenzentren, Chipkapazität und Energieversorgung treffen auf die wirtschaftliche Abwägung von Aufwand und Nutzen. KI-generierte Symbolillustration: Kein realer Standort, keine quantitative Darstellung.

Unruhige Zeiten: IT, KI und die Zukunftsaussichten

An manchen Tagen und in manchen Wochen überstürzen sich zur Zeit die IT-Nachrichten: Das eine Unternehmen legt unglaublich an Wert zu, während andere versuchen, ihre Verluste an den Aktienbörsen zu bemänteln und irgendwelche Entschuldigungen an die internationale Presse und die ebenso weltweite Community der seriösen und weniger seriösen IT-Spezialisten weiterzureichen. Eine Zeit, in der man relativ unverhüllt an den neuesten oder kommenden IT-Errungenschaften teilnehmen kann – zumindest in der internationalen Presselandschaft.

KI zwischen Aufbruch und Spekulation

Besonders im Umfeld der künstliche Intelligenz (KI) überstürzen sich die Nachrichten – eine Armada von eher unbekannten Neugrūndungen versus ein mehr oder minder stabiler Block von alteingesessenen IT-Anbietern versucht, ihre neuen Produkte für einen Zukunftsmarkt anzupreisen. Einer der Begleitumstände: Riesige Summen an Spekulationskapital überschwemmen die internationalen Märkte und viele der neuen Projekte gelangen sehr schnell in die Hände von Baulöwen und anderen Spekulanten.

Dabei werden die neuen technischen Erfindungen, Installationen von neuen Rechenzentren und sonstigen Meilensteinen im Zeitalter der KI immer umfangreicher und durchaus beeindruckender. Und es ist erst ein paar Jahre her, dass damals – im Jahr 2023 – bislang unbekannte KI-Systeme mit ihren Zukunftsvisionen auf den Markt kamen. Zu Anfang 2025 half dann die neue Technologie einigen Wissenschaftlern dabei, eine bislang nur vermutete Ursache der Alzheimer-Krankheit zu verifizieren. Und im Mai desselben Jahres war die neue KI-Technologie schon so weit fortgeschritten, dass man komplexe mathematische Probleme in Angriff nehmen konnte, die bis dahin Experten 80 Jahre lang vor Rätsel gestellt hatten. (So berichtete die New York Times Ende Juli in dem Artikel »The Impending, Inescapable Deluge of A.I.«)

Nicht immer ging es so weiter auf der Erfolgsschiene. Erst vor ein paar Wochen wurde bekannt, dass IT-Spezialisten die Kontrolle über zwei KI-Systeme (die sich noch in einer Testphase befanden) verloren hatten: Die Systeme drangen ungewollt in die Datenbank eines fremden Unternehmens ein. Aber das war nur der Anfang.

Der Wilde Westen 2026 und 2027

Vom Mittleren Westen in den USA bis zum Persischen Golf werden bald Hunderte von großen Rechenzentren, die sich derzeit noch im Bau oder in der Planungsphase befinden, ihre Arbeit aufnehmen. Diese komplett neu errichteten, zum Teil riesigen Rechenzentren werden dann im Vergleich zu früher eine enorme Rechenleistung bereitstellen. Sie werden dann nicht nur traditionelle und neue anspruchsvolle Anwendungen unterstūtzen, sondern auch solche neuen, die auf Basis von KI-Lösungen arbeiten. Teilweise ist sogar noch nicht besonders klar, was sie in der Zukunft alles abdecken könnten. Finanzkräftige Institutionen und Banken haben auf jeden Fall entdeckt, dass in naher Zukunft die neuen Rechenzentren den Markt beherrschen und kräftige Gewinne erwirtschaften könnten. Doch es ist auch sehr viel reine Spekulation im Spiel. Gegenwärtig ist nur zu erkennen, dass ein Boom beim Bau neuer Rechenzentren in Gang gesetzt worden ist – die zukünftigen IT-Leistungen und Gewinne sind erst einmal lediglich Spekulation und bloße Versprechungen.

Geschäfte im Schatten der Großbaustellen

Nicht nur mit dem Bau neuer Rechenzentren kann man Geld verdienen. Auch das Drumherum verspricht einträgliche Geschäfte. Was macht man zum Beispiel, wenn in der Nähe einer kleiner Stadt irgendwo im Südwesten der USA oder an einem beliebigen, sonstigen Ort ein 25 Milliarden Dollar teurer neuer KI-Komplex gebaut wird? In Abilene in Texas zum Beispiel haben einige Leute den »Elmdale Outpost«, einen kleinen Laden, zum Leben erweckt.

Ganz in der Nähe einer dieser riesigen Baustellen strömen am Feierabend und manchmal schon am Nachmittag viele Autos und Camping-Cars zu dem nagelneuen Laden von »Elmdale Outpost«. Die Kunden kommen zum Beispiel aus Louisiana, North Carolina oder selbst aus Mexiko. Es gibt bereits eine Menge dieser kleinen Läden irgendwo in der Nähe einer der vielen Baustellen der IT-Industrie. Geschäfte wie diese existieren solange, wie ein Projekt irgendwo in den USA hochgezogen wird – es ist eine Situation nicht unähnlich wie der damals im »Wilden Westen«. Die meisten Leute, die auf einer der Baustellen für superneue Rechenzentren arbeiten, sind ebenfalls auf der Suche nach dem großen Treffer so wie damals. Der »American Dream« in neuer Gestalt.

Heute soll es bereits etwa 20 Millionen KI-Systeme rund um den Globus geben (»Trying to Make a Buck Off a Data Center, One 6-Pack at a Time«, 29. 7. 2026). Und laut dem Marktforschungsunternehmen »Epoch KI« befinden sich inzwischen sogar unzählige moderne Chips in den meisten Rechenzentren, die die wachsende Leistungsfähigkeit und weltweite Nutzung der neuen KI-Technologie ermöglichen sollen. Diese Zahl soll sich sogar etwa alle neun Monate verdoppeln, sodass bis Ende 2028 voraussichtlich über rund 200 Millionen der neuesten Chips verfügbar sein sollen – das Zehnfache des heutigen Standards.

Noch mehr IT-Infrastruktur – und etwas Gegenwind

In Bezug auf Umfang und Ambitionen der neuen KI-Technologien wird manchmal sogar ein Vergleich mit der Bedeutung des Baus der US-Eisenbahnen im 19. Und 20. Jahrhundert gezogen. Beliebt sind auch Anspielungen und Vergleiche mit dem US-Präsidenten Franklin D. Roosevelt und seinem »New Deal« in den Jahren um 1930.

»Dies ist der größte Infrastruktur-Ausbau in der Geschichte der Menschheit«, sagte vor kurzem Rob Wachen, Mitbegründer des Mikrochip-Unternehmens »Etched«, das sich mehr als eine Milliarde Dollar besorgt hat, um die wachsende Nachfrage nach KI-Komponenten zu decken. Und Peter DeSantis, Leiter der Entwicklung neuer KI-Modelle bei Amazon, hat berichtet, dass sein Unternehmen die Rechenkapazität seit 2022 verdoppelt hat. Und bis zum nächsten Jahr geht er erneut von einer Verdoppelung aus. Wachen kommentiert: »Man kann sich das Ausmaß dieser Entwicklung kaum vorstellen.«

Große Erwartungen an die nächste industrielle Revolution

Das Vertrauen in die neuen Skalierungsprozesse hat bereits zu immer kühneren Prognosen geführt. Dario Amodei, CEO von Anthropic, hat zum Beispiel erklärt, dass KI bald auch in der Lage sein wird, sehr viele klassische Büroarbeiten zu übernehmen, die bisher von Mitarbeitern in den Unternehmen ausgeführt werden. Und Demis Hassabis, Leiter des KI-Labors »DeepMind« von Google, hat vor kurzem geschrieben, dass KI eine neue »industrielle Revolution« auslösen werde, »zehnmal so schnell und rasant« wie frühere Erneuerungsprozesse.

Umweltbedenken und die Sorge vor einer neuen Blase

Der Ausbau der Rechenzentren hat jedoch auch Gegenwind hervorgerufen und in vielen amerikanischen Gemeinden Proteste ausgelöst. Kritiker befürchten, dass Rechenzentren die Umwelt schädigen, die Strompreise in die Höhe treiben und die Wasserversorgung belasten könnten. Und in den USA hat sich die Thematik von zukünftigen Rechenzentren zu einem zentralen Thema der nächsten Zwischenwahlen im November diesen Jahres entwickelt. Eine wachsende politische Bewegung in den USA setzt auf einen »Widerstand gegen die Technologiebranche und ihre Milliardäre«.

Philippe Aghion, der 2025 einen Nobel-Preis für seine Forschungen zum Wirtschaftswachstum und seinen Innovationen erhielt, kommentiert diese Entwicklung: »Jedes Mal, wenn es eine technologische Revolution gab, kam es zu einem solchen Platzen einer Blase. Und KI hat den Charakter einer vierten industriellen Revolution. Sie verfügt aber auch über das Potenzial, eine neue Blase und ihr Platzen hervorzurufen.«

Training und Inference: Warum der Rechenbedarf wächst

Die ständig verbesserten Fähigkeiten von KI hängen mit dem Wachstum von Rechenzentren zusammen. Um neue KI-Modelle und ihre Anwendungsmöglichkeiten zu erstellen, braucht man eine bisher nicht bekannte Rechenleistung: Nur so lassen sich große Datenmengen analysieren und Muster in ihnen erkennen. Dieser Prozess, bekannt als »Training Run«, kann Hunderte von Millionen Dollar kosten, da man Zehntausende von spezialisierten Chips braucht, um diese Datenmengen adäquat zu verarbeiten. Dieses Training funktioniert dann am besten, wenn die Chips die Datenmengen über sehr schnelle Verbindungen austauschen. Kommt es zu Problemen mit der eingesetzten Hardware, kann der ganze Prozess ins Stocken geraten.

Sobald ein KI-Modell fertiggestellt ist, übernimmt ein größeres Netzwerk von Rechenzentren eine besondere Rolle: Es stellt die Rechenleistung bereit, damit das System zunächst Anfragen in Echtzeit bearbeiten kann. Dieser Prozess, bekannt als »Inference«, treibt den Bedarf nach weiterer Rechenleistung und damit nach weiteren Rechenzentren mit steigender Tendenz an. Um diese Prozesse schneller abzudecken, steigt auch die Produktion von Halbleitern rasant an. Im März 2024 gab es weltweit etwa 2,4 Millionen KI-Systeme mit der Leistung eines H100-Chips. Da jeden Monat Millionen Chips mit gesteigerter Leistung in Betrieb genommen werden, wird man laut »Epoch KI« bis Ende 2028 wahrscheinlich bereits über rund 200 Millionen H100-Äquivalente verfügen. Diese Entwicklung könnte durch Probleme bei der Chip- und Komponentenfertigung, ihrer Finanzierung und auch durch öffentlichen Widerstand verlangsamt werden.

Strombedarf als Herausforderung des KI-Ausbaus

Hinzu kommt, dass der Betrieb neuer Rechenzentren sehr große Mengen an Strom benötigt. Laut dem Marktforschungsunternehmen »SemiAnalysis« verbrauchten solche Einrichtungen im vergangenen Jahr weltweit 64 Gigawatt Strom. Bis Ende 2030 wird sich dieser Verbrauch voraussichtlich vervierfachen und den Stromverbrauch aller Länder Südamerikas und Afrikas zusammen übertreffen. »Viele Unternehmen befinden sich heute im Grunde in einem Wettrüsten im Bereich der KI«, interpretiert Carl Benedikt Frey, Wirtschaftswissenschaftler an der Universität Oxford, diese Entwicklung: »Wenn diese Unternehmen nicht weiter investieren, werden sie sich praktisch aus der Konkurrenz zurückziehen.«

Rechenleistung und Investitionen im globalen Wettbewerb

Weltweit betrachtet, könnten sich dann die Unterschiede zwischen den besonders industrialisierten Ländern und den bisher zurück gebliebenen Kontinenten weiter verstärken. Die USA verfügen aktuell über etwa 5.500 Rechenzentren – etwa zehnmal so viele wie das nächstplatzierte Land. Sie liegen damit weit vor dem Rest der Welt, einschließlich China. Laut »Epoch KI« kontrollieren gegenwärtig US-Unternehmen wie zum Beispiel Amazon, Google, Microsoft und Meta über rund 80 Prozent der weltweiten Rechenleistung, mit der KI-Prozesse durchgeführt werden können. Allein Google soll viermal so viele KI-Chips besitzen wie alle chinesischen Unternehmen zusammen.

Wie das Magazin »c’t« auf seiner Web-Seite schreibt, haben die Unternehmen Amazon, Alphabet, Meta und Microsoft seit dem Jahr 2023 bereits mehr als eine Billion Dollar in die neue KI-Technologie und in den Bau von Rechenzentren gesteckt. Und für das Jahr 2026 planen diese Unternehmen neue Investitionen im Umfang von 745 Milliarden Dollar. Damit werden 20 Milliarden mehr investiert, als die ursprünglichen Prognosen ergeben hatten. Das Marktforschungsinstitut Gartner hat vor kurzem in einer Prognose diese Entwicklung als das »größte Infrastruktur-Projekt in der Geschichte der Menschheit« bezeichnet.

Auch die Europäische Union (EU) investiert sehr stark in den Bau neuer, KI-fähiger Rechenzentren. Vor kurzem hat sie eine Ausschreibung für den Bau von bis zu sieben KI-Rechenzentren gestartet. Dafür sind bis zu zehn Milliarden Euro geplant, und private Unternehmen sollen ebenfalls 20 Milliarden Euro für solche Investitionen bereitstellen. Die ersten Bauprojekte sollen im Jahr 2027 starten.

Die offene Frage nach Wert und Rendite

Zur Zeit existieren die Dringlichkeit geplanter Investitionen und eine spürbare Unsicherheit nebeneinander. Das wirft komplexe Fragen auf – wie zum Beispiel: Wozu ist KI überhaupt geeignet? Wie erkennt man, was man genau kauft, und wie misst man den Wert dessen, was diese Investitionen überhaupt ermöglichen? Und was muss man im Detail dafür bezahlen? Und wie werden sich diese Preise in Zukunft verändern? Der Wirtschaftsspezialist Howard Rubin, der Unternehmen bei ihren Ausgaben für Technologie unterstützt, kommentiert diese Entwicklung: »Es ist eine Währung, bei der man instinktiv nicht weiß, was man einsetzt, und es gibt noch keine entsprechenden Buchhaltungsmethoden. KI wird derzeit als Investition betrachtet, aber es ist eine riskante Investition, falls sie keine Rendite abwirft.« (Siehe auch: The Technology Economists – www.techeconomists.com.)

Hartmut Wiehr

Freier Journalist

Ausführliche Tipps mit Praxisbeispielen

[Inference] Die folgenden Ausführungen sind redaktionelle Handlungsvorschläge zu den sieben vorhandenen Tipps, keine Erfolgszusagen. Alle Praxisbeispiele sind ausdrücklich fiktive Anwendungsszenarien; sie beschreiben keine überprüften Projekte oder beobachteten Ergebnisse. Die bestehenden Quellen [1], [4] und [5] dienen als thematischer Hintergrund, nicht als Beleg für diese Beispiele.

1. Mit einer konkreten Aufgabe starten: Das Problem vor der Technik klären

[Inference] Umsetzung: Beschreiben Sie zunächst einen abgegrenzten Prozess: Welche Eingaben liegen vor, welches Ergebnis wird benötigt und wer gibt es frei? Dokumentieren Sie den bisherigen Ablauf einschließlich Bearbeitung und Nachprüfung. Legen Sie anschließend Kriterien für ein brauchbares Ergebnis fest, bevor Sie ein Modell auswählen. Zum Projektauftrag gehören auch ausdrücklich ausgeschlossene Aufgaben und eine verantwortliche Stelle für die fachliche Abnahme.
Fiktives Praxisbeispiel: Ein Maschinenbauunternehmen könnte einen internen Assistenten für die Suche in freigegebenen Wartungshandbüchern erproben. Der Pilot wäre auf die Suche nach passenden Dokumentstellen beschränkt; eigenständige Wartungsentscheidungen und Eingriffe in Maschinen wären ausgeschlossen. Fachlich geprüfte Testfragen würden vor Projektbeginn zusammengestellt und mit den erwarteten Fundstellen versehen.
Prüffragen: Verweist die Antwort auf die passende Dokumentversion? Ist die Fundstelle nachvollziehbar? Wie viel Zeit beansprucht die notwendige Kontrolle gegenüber der bisherigen Suche? Diese Fragen wären Grundlage einer späteren Abnahme, keine vorweggenommenen Testergebnisse.

2. Den gesamten Betrieb kalkulieren: Nicht nur den Modellpreis vergleichen

[Inference] Umsetzung: Stellen Sie einmalige Aufwände und laufende Kosten getrennt dar. Zur ersten Gruppe gehören beispielsweise Schnittstellenentwicklung, Datenbereinigung und Einrichtung der Tests. Im Betrieb sollten Sie Rechenleistung, Lizenzen, Überwachung, fachliche Nachprüfung, Wartung und Änderungen berücksichtigen. Vergleichen Sie Angebote für denselben Zeitraum und denselben Leistungsumfang. Erfassen Sie neben Durchschnittskosten auch Kosten bei erhöhtem Anfragevolumen; ein niedriger Einstiegspreis allein ist kein vollständiger Kostenvergleich.
Fiktives Praxisbeispiel: Ein technischer Kundendienst könnte einen Assistenten für Antwortentwürfe testen. Die Kalkulation würde nicht nur den Preis je Anfrage enthalten, sondern auch den Aufbau der Wissenssammlung und die Prüfung jedes Entwurfs vor dem Versand. Zusätzliche Nacharbeit an unbrauchbaren Entwürfen würde separat erfasst, statt als eingesparte Bearbeitungszeit zu gelten.
Prüffragen: Was kostet ein fachlich freigegebener Antwortentwurf insgesamt? Welche Kosten steigen mit der Nutzung und welche fallen unabhängig davon an? Auf dieser Basis ließe sich ein Kostenblatt erstellen, ohne Einsparungen oder Renditen zu unterstellen.

3. Reale Lastprofile testen: Den Alltag statt der Vorführung prüfen

[Inference] Umsetzung: Stellen Sie einen Testbestand zusammen, der typische, schwierige und unvollständige Anfragen abdeckt. Prüfen Sie nicht nur einzelne Antworten, sondern auch gleichzeitige Zugriffe, längere Eingaben und Wiederholungen. Halten Sie Modellversion, Einstellungen und Testbedingungen fest, damit Vergleiche nachvollziehbar bleiben. Definieren Sie vorab, wie die Anwendung bei Zeitüberschreitungen oder nicht ausreichend belegbaren Antworten reagieren soll.
Fiktives Praxisbeispiel: Ein Großhändler könnte die Suche nach Artikelinformationen mit kurzen Produktnamen, mehrdeutigen Bezeichnungen und umfangreichen technischen Beschreibungen testen. Zusätzlich würde er einen Arbeitsbeginn mit vielen gleichzeitigen Anfragen simulieren. Das Testkonzept sähe vor, unklare Fälle an die gewöhnliche Suche beziehungsweise eine fachliche Klärung zurückzugeben.
Prüffragen: Wie lang sind typische Antwortzeiten und die längeren Wartezeiten unter Spitzenlast? Welche Aufgaben bleiben ungelöst? Ändert sich die fachliche Qualität bei höherer Parallelität? Zu dokumentieren wären die gemessenen Werte, nicht allein ein Durchschnitt oder eine besonders gelungene Demonstration.

4. Kapazität und Energie gemeinsam prüfen: Den Betrieb mitplanen

[Inference] Umsetzung: Beschreiben Sie den voraussichtlichen Rechenbedarf anhand Ihrer Aufgaben und Betriebszeiten. Für eigene Infrastruktur sollten qualifizierte Fachstellen die vorhandene Stromversorgung, Kühlung und Betriebsreserven prüfen. Bei Cloud-Angeboten sollten Sie klären, welche Kapazität tatsächlich zugesagt ist und auf welcher Messgrenze Verbrauchsangaben beruhen. Unterscheiden Sie gemessene Werte, Anbieterangaben und Schätzungen ausdrücklich; eine Leistungsangabe ist noch keine Angabe zum Energieverbrauch über einen Zeitraum.
Fiktives Praxisbeispiel: Ein Unternehmen könnte eine interne Dokumentensuche sowohl in einer Cloud-Umgebung als auch auf vorhandenen Servern erproben. Für beide Varianten würde es denselben Testbestand verwenden. Die zuständigen Fachstellen würden prüfen, welche zusätzlichen Betriebsaufwände einzubeziehen sind und ob die Werte überhaupt miteinander vergleichbar sind.
Prüffragen: Sind die Angaben auf denselben Zeitraum und dieselbe Aufgabe bezogen? Ist Kühlung enthalten? Handelt es sich um Messungen oder Zuordnungen? Wo der Anbieter keine belastbaren Angaben liefert, sollte das Kosten- und Energieblatt eine Datenlücke ausweisen, statt sie mit einer vermeintlich exakten Zahl zu füllen.

5. Zugriffsrechte begrenzen: Befugnisse vor dem Einsatz festlegen

[Inference] Umsetzung: Erstellen Sie eine Übersicht der Datenquellen und Werkzeuge, die die Anwendung benötigt. Unterscheiden Sie Leserechte, Schreibrechte und Aktionen mit Freigabepflicht. Beginnen Sie den Pilotbetrieb mit dem für die abgegrenzte Aufgabe vorgesehenen Zugriff und lassen Sie die Berechtigungen fachlich und technisch prüfen. Dokumentieren Sie außerdem, wer Zugänge ändern oder sperren darf und welche Vorgänge nachvollziehbar protokolliert werden sollen. Diese Empfehlungen sind keine Zusage vollständiger Sicherheit.
Fiktives Praxisbeispiel: Ein Assistent im Einkauf könnte freigegebene Produktkataloge durchsuchen und einen Bestellvorschlag vorbereiten. Bestellungen auslösen, Bankverbindungen ändern oder neue Lieferanten anlegen dürfte er im vorgesehenen Pilotkonzept nicht. Eine Bestellung bliebe an den regulären Freigabeprozess gebunden.
Prüffragen: Welche erlaubten Aktionen sind tatsächlich erforderlich? Lassen sich abgelehnte Zugriffe und Freigaben nachvollziehen? Entsprechen die eingerichteten Rechte dem dokumentierten Konzept? Solche Prüfungen sollten in einer kontrollierten Testumgebung erfolgen, ohne vertrauliche Echtdaten unnötig einzubeziehen.

6. Alternativen vergleichbar halten: Auswahl und Wechsel vorbereiten

[Inference] Umsetzung: Vergleichen Sie unterschiedliche Angebote mit demselben Testbestand, denselben Qualitätskriterien und einem einheitlichen Kostenrahmen. Halten Sie fest, welche Leistungen enthalten sind und welche gesondert beschafft werden müssten. Prüfen Sie vor Vertragsschluss außerdem Exportmöglichkeiten, dokumentierte Schnittstellen und Bedingungen für eine Beendigung. Ein angebotener Datenexport sollte praktisch getestet werden; die bloße Zusage eines Exports beschreibt noch nicht den Aufwand eines Wechsels.
Fiktives Praxisbeispiel: Ein Unternehmen könnte zwei Lösungen für die Suche in technischen Handbüchern vergleichen. Beide müssten dieselben Fragen beantworten und nachvollziehbare Fundstellen liefern. Zusätzlich würde das Projektteam mit nicht vertraulichen Testdaten einen Export und deren Übernahme in eine alternative Umgebung erproben.
Prüffragen: Welche Dokumente, Einstellungen und Protokolle sind exportierbar? Welche Teile müssten neu aufgebaut werden? Welche vertraglichen Fristen und Gebühren gelten? Eine Vergleichsmatrix würde offene Punkte sichtbar machen, statt eine allgemeine Überlegenheit eines Anbieters zu behaupten.

7. Skalierung an überprüfbare Kriterien knüpfen: Schrittweise freigeben

[Inference] Umsetzung: Legen Sie vor dem Pilotbetrieb fest, welche fachlichen, technischen und wirtschaftlichen Kriterien für eine Erweiterung erfüllt sein müssen. Ordnen Sie die Entscheidung einer verantwortlichen Stelle zu und dokumentieren Sie die Prüfergebnisse. Eine Freigabe sollte sich auf einen klar beschriebenen Umfang beziehen; neue Datenquellen oder zusätzliche Aktionen wären gesondert zu bewerten. Planen Sie auch Rückkehrmöglichkeiten zum bisherigen Ablauf sowie Anlässe für Pause und erneute Prüfung.
Fiktives Praxisbeispiel: Ein Assistent zur internen Dokumentensuche könnte zunächst für eine begrenzte Wissenssammlung erprobt werden. Vor der Aufnahme weiterer Sammlungen würde das Projektteam prüfen, ob Fundstellen nachvollziehbar, Zugriffsrechte passend und Betriebsaufwände dokumentiert sind. Bei offenen Abnahmefragen bliebe der Umfang unverändert; das Beispiel unterstellt keine erfolgreiche Einführung.
Prüffragen: Liegen die vereinbarten Nachweise vor? Wer trägt die Betriebsverantwortung? Ist der bisherige Suchweg weiterhin verfügbar? Ein dokumentierter Freigabevermerk sollte den zugelassenen Einsatz, bestehende Einschränkungen und den nächsten Prüfzeitpunkt nennen.

FAQ: Zehn Fragen zum KI- und Rechenzentrumsboom

1. Warum benötigt KI zusätzliche Rechenzentrumsinfrastruktur?

Training und Einsatz von KI-Modellen benötigen Rechenleistung. Die IEA beschreibt zugleich wachsende Nutzung und neue, teilweise deutlich energieintensivere Anwendungen, etwa Videoerzeugung und agentische Aufgaben. Das erklärt den Infrastrukturbedarf, bedeutet aber nicht, dass jedes angekündigte Bauprojekt tatsächlich umgesetzt wird. [1]

2. Was unterscheidet Training von Inferenz?

Beim Training werden Modellparameter anhand von Trainingsdaten angepasst. Inferenz bezeichnet die Anwendung eines trainierten Modells auf neue Eingaben, beispielsweise zur Verarbeitung einer Anfrage. IBM erläutert, dass die geeignete Inferenzkonfiguration unter anderem vom Anwendungsfall, der Arbeitslast und den Anforderungen an Antwortzeit und Kosteneffizienz abhängt. [5]

3. Sind H100-Äquivalente dasselbe wie KI-Systeme?

Nein. H100-Äquivalente sind eine Vergleichseinheit für Rechenkapazität unterschiedlicher KI-Chips. Epoch KI führt Chipstückzahlen und Rechenkapazität als unterschiedliche Größen. Aus einer Kapazitätsangabe lässt sich deshalb weder die Zahl eigenständiger KI-Anwendungen noch die Zahl tatsächlich betriebener Agenten unmittelbar ablesen. [2]

4. Warum sind Angaben in Gigawatt und Terawattstunden zu unterscheiden?

Gigawatt bezeichnet Leistung; Terawattstunden bezeichnet eine Energiemenge über einen Zeitraum. Eine Anschluss- oder Leistungsangabe allein beziffert daher noch keinen Jahresstromverbrauch. Epoch KI unterscheidet Leistungsdaten von Rechenkapazität, während die IEA den Strombedarf über Zeiträume analysiert. Vergleiche müssen Zeitraum, Auslastung und betrachteten Umfang ausdrücklich nennen. [1][2]

5. Senken effizientere Chips automatisch den Gesamtstrombedarf?

Eine solche Schlussfolgerung deckt die IEA-Analyse nicht. Sie beschreibt sinkenden Energiebedarf je einzelner Aufgabe, zugleich wachsende Nutzung und energieintensivere Anwendungsarten. Entscheidend ist das Zusammenspiel von Effizienz, Nutzungsumfang und Art der Aufgaben. Ein effizienterer Einzelvorgang bedeutet deshalb nicht automatisch einen niedrigeren Gesamtverbrauch. [1]

6. Welche Infrastrukturengpässe stehen im Mittelpunkt?

Die IEA untersucht insbesondere, wie schnell Stromnetze und Lieferketten mit dem Ausbau Schritt halten können. Die europäische Gigafactory-Initiative nennt zudem Hochgeschwindigkeitsverbindungen, Energieeffizienz sowie die Verbindung von Prozessoren, Software und Cloud-Infrastruktur. Ein Rechenzentrum ist damit mehr als die Summe seiner Chips. [1][3]

7. Was plant Europa mit den KI-Gigafactories?

Die Europäische Kommission veröffentlichte am 30. Juli 2026 eine Ausschreibung für bis zu sieben KI-Gigafactories. Bis zu zehn Milliarden Euro aus EU- und nationalen Mitteln sollen mindestens 20 Milliarden Euro privater Investitionen mobilisieren. Vorgesehen ist Zugang für unter anderem Start-ups, kleinere und mittlere Unternehmen, Industrie und Forschung. Die Mitteilung beschreibt beabsichtigte Förderung und Ausbauziele, nicht bereits vollständig verfügbare Kapazität. [3]

8. Wie lässt sich der wirtschaftliche Nutzen eines KI-Projekts beurteilen?

[Inference] Redaktionelle Empfehlung: Eine Aufgabe mit und ohne KI anhand derselben Qualitätsanforderungen vergleichen. Bearbeitungsaufwand, Nachprüfung, Integration und laufenden Betrieb gemeinsam erfassen. Erst daraus ergibt sich eine projektspezifische Nutzenbewertung. Die Empfehlung verbindet die Kosten- und Betriebsfragen der Inferenz mit dem kontextbezogenen Messen und Steuern im NIST-Rahmenwerk; sie sagt keine Rendite voraus. [4][5]

9. Welche Rolle spielt KI-Governance?

Das freiwillige NIST KI Risk Management Framework strukturiert Risikomanagement in Govern, Map, Measure und Manage. Governance ist darin eine übergreifende Funktion; die Risikobearbeitung soll den Lebenszyklus der Anwendung begleiten. Das ergänzende Profil für generative KI bietet eine Grundlage, um spezifische Risiken zu identifizieren und passende Maßnahmen auszuwählen. Das Rahmenwerk ersetzt keine Prüfung der jeweils geltenden rechtlichen Anforderungen. [4][6]

10. Beweist der Rechenzentrumsboom eine KI-Blase?

Die recherchierten Quellen belegen Ausbaupläne, Investitionen und Unsicherheiten, aber nicht das Vorliegen einer spekulativen Blase. Ich kann das nicht überprüfen. [Inference] Redaktionelle Einordnung: Investitionsvolumen und angekündigte Kapazität sollten nicht als Nachweis künftiger Nachfrage oder wirtschaftlicher Tragfähigkeit behandelt werden. Die IEA weist ausdrücklich darauf hin, dass nicht alle geplanten Projekte realisiert werden. [1]

Quellen und Recherchehinweis

Rechercheabruf: 21. Oktober 2026. Die Quellen belegen die neu ergänzten Sachangaben; sie stellen keinen vollständigen Faktencheck des unveränderten Ausgangsartikels dar. Prognosen und angekündigte Fördervolumina sind keine bereits eingetretenen Ergebnisse. [Inference] Redaktionelle Ableitungen sind ausdrücklich gekennzeichnet.
[1] Internationale Energieagentur: Key Questions on Energy and KI, Executive summary (2026). https://www.iea.org/reports/key-questions-on-energy-and-ai/executive-summary
[2] Epoch KI: Data on KI chip sales, laufend aktualisierte Datensammlung. https://epoch.ai/data/ai-chip-sales
[3] Europäische Kommission: EU launches KI Gigafactories call to boost Europe’s computing capacity and unlock more than €30 billion in investment, 30. Juli 2026. https://digital-strategy.ec.europa.eu/en/news/eu-launches-ai-gigafactories-call-boost-europes-computing-capacity-and-unlock-more-eu30-billion
[4] NIST: KI RMF Core, Funktionen Govern, Map, Measure und Manage. https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
[5] IBM: Was ist KI-Inferenz?, aktualisiert am 13. Januar 2026. https://www.ibm.com/de-de/think/topics/ai-inference
[6] NIST: künstliche Intelligenz Risk Management Framework: Generative künstliche Intelligenz Profile, Juli 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

Management Summary, Tipps, FAQ und Bild wurden mit Hilfe von KI erstellt

5026 Artikel zu „KI Rechenz“

Effizienz | Favoriten der Redaktion | Infrastruktur | Nachhaltigkeit | News | Rechenzentrum

KI-Infrastruktur: Rechenzentren zwischen Leistungsdichte, Kühlung und Nachhaltigkeit

23. September 2026

KI-Workloads verschieben die Prioritäten im Rechenzentrumsdesign: Entscheidend sind nicht mehr nur Fläche und klassische Skalierung, sondern verfügbare Energie, hohe Leistungsdichten, hybride Kühlung, kurze Bereitstellungszeiten und eine belastbare ESG-Strategie. Das Interview mit Claudius Kirmse von Vertiv zeigt, warum Betreiber Infrastruktur künftig stärker als integrierte Plattform aus Stromversorgung, Kühlung, Steuerung und Standortstrategie denken müssen. Management Summary KI…