Generative KI fühlt sich an wie reine Magie: ein Textfeld, ein Satz, ein Ergebnis. Doch dieser Komfort ist nur die Spitze eines Eisbergs, den Jensen Huang als größtes Infrastrukturprojekt in der Geschichte der Menschheit bezeichnet. Unter der Oberfläche liegen fünf Schichten, die zusammen entscheiden, ob ChatGPT/Claude/Gemini und Co. günstig, schnell, zuverlässig – bzw. überhaupt verfügbar sind.
KI ist keine App. KI ist Industriepolitik.
Layer 1: Energie
Bevor ein Modell antwortet, muss irgendwo Leistung fließen: für GPUs/CPUs, für Kühlung, Netzteile, Transformatoren, Pumpen usw. KI verändert hier die Spielregeln, weil sie oft sehr hohe Leistungsdichten benötigt – viel Strom auf wenig Fläche. Nicht die Server sind oft der Engpass, sondern die Frage: Wie schnell bekomme ich Leistung ans Grundstück?
Prognosen für den Strombedarf von KI-Rechenzentren in den USA lagen bereits 2023 bei 14–19 GW – und für 2026 werden bis zu 50 GW genannt. Das sind Größenordnungen aus der Industrie. Der angekündigter Anthropic/Amazon Campus-Komplex in Indiana wird mit 18 Gebäuden à 68 MW beziffert – zusammen rund ~1,2 GW Anschlussleistung. Zum Vergleich: Die Jahreshöchstlast des Berliner Stromnetzes lag an einem Wintertag bei 2,1 GW. Heißt: Ein einzelner KI-Standort kann sich in die Dimension einer halben Metropole schieben – netztechnisch, politisch und gesellschaftlich.
Warum diese Schicht kritisch ist:
- Stromanschluss und Netzkapazität sind häufig der langsamste Teil des gesamten Vorhabens.
- Lastspitzen aus KI-Clustern sind oft synchron (viele GPUs gleichzeitig)
- Energiepreise und Verfügbarkeit wirken direkt auf die KI-Kosten – und damit darauf, ob ein Produkt wirtschaftlich ist.
Layer 2: Chips & Compute
Wenn Energie das Fundament ist, ist Compute das tragende Skelett: Chips, Speicher, Netzwerktechnik, Racks, Verkabelung, Kühlkreisläufe. Wer hier nur an „die GPU“ denkt, unterschätzt den Stack.
Was sich gerade verändert:
- KI-Racks liegen heute nicht mehr bei 10–20 kW, sondern erreichen >100 kW Leistungsdichte: Klassische Rechenzentrumsdesigns kommen an Grenzen.
- Kühltechnik wandert von Luft in Richtung Flüssig- oder Hybridlösungen.
- Supply Chain wird strategisch: Nicht nur Chips, sondern auch Memory wird zum globalen Nadelöhr.
KI-Racks bringen durch Stromschienen, Flüssigkühlung und dichtere Komponenten schnell ~1.800 kg auf die Waage. Das verändert Statik, Doppelböden, Logistik, Wartung.
Layer 3: Cloud & Datacenter
Ein großer Teil des Datacenter Bestands ist für neue genAI Leistung nicht ausgelegt. Eine globale Erhebung über 700+ Rechenzentren kommt zum Befund: <5 % gelten als AI-ready. Und nur ~5 % erreichen im Schnitt >30 kW Rack-Dichte. Spätestens hier wird KI zu einem realen Bauprojekt. Datacenter sind Grundstücke, Gebäude, Beton, Kupfer, Sicherheit, Brandschutz, Wasser-/Kältesysteme – und: Genehmigungen.
Typische Engpässe:
- Bauzeit und Fachkräfte
- Lieferzeiten für kritische Infrastruktur
- Standortfragen: Netzanschluss, Kühlmöglichkeiten, regulatorisches Umfeld
Kupfer ist dabei überall und für große Rechenzentrumsprojekte werden ca. 5.000–10.000 Tonnen Kupfer gerechnet:
- in Leistungskabeln. Sammelschienen, Erdung, Schutz und Verteilung...
Layer 4: KI Modelle
Training, Fine-Tuning, Inferenz. Modelle sind die Motoren, die aus Rechenleistung Funktion machen. Doch sie haben eine Eigenschaft, die viele Geschäftsmodelle prägt: Compute = Kosten
Für ein führendes Modell-Produkt wurden ~6,1 Mrd. $ Umsatz bei ~48 % Marge gerechnet– zugleich aber ~3,2 Mrd. $ allein für Inference-Compute.
Zwei Kräfte arbeiten gegeneinander:
- Modelle werden effizienter (mehr Leistung pro Recheneinheit).
- Gleichzeitig wächst die Nutzung (mehr Nutzer, mehr Automatisierung, mehr Anfragen, mehr Agenten).
Das Ergebnis: Selbst wenn die Effizienz steigt, kann die Gesamtnachfrage nach Compute weiter wachsen, weil die neuen Möglichkeiten sofort in neue Produkte fließen.
Layer 5: Anwendungen – hier entsteht Nutzen (und Nachfrage)
Ganz oben sitzen die Anwendungen: Assistenten, Copilots, Automatisierungen, branchenspezifische Tools. Hier wird KI sichtbar – und hier entscheidet sich, ob sich die darunterliegende Infrastruktur lohnt.
Was diesen Layer besonders macht:
- Anwendungen erzeugen Traffic: Jede nützliche Funktion treibt Inferenz.
- Die besten Produkte sind selten KI-Demos, sondern Workflows: Sie schließen Lücken, sparen Zeit, reduzieren Fehler.
- Distribution schlägt oft Technik: Wer Nutzerzugang, Datenflüsse und Prozesse besitzt, kann KI schneller verankern.
