Frisst die KI-Revolution ihre Kinder?

Während Hyperscaler ihre KI-Infrastruktur über Cloud, Werbung, Software und Geräteökosysteme querfinanzieren, geraten reine Frontier-Modell-Entwickler zunehmend in die Kostenfalle.

Der globale Ausbau der KI-Infrastruktur hat sich von einfachen Cloud-Rechenzentren hin zu hochintegrierten Finanzierungs- und Versorgungsmodellen entwickelt. Chiphersteller, Cloud-Riesen und Energieversorger gehen dabei zunehmend zu eng verzahnten Finanzierungs- und Versorgungsmodellen über.

Damit entstehen großflächige Campus-Strukturen, die in der Lage sind, den eigenen massiven Energiebedarf zu decken und gleichzeitig durch komplexe zirkuläre Finanzierungsmodelle abgesichert werden. Die Investitionen erreichen dabei Dimensionen von mehreren hundert Milliarden US-Dollar, die in den Aufbau eigener Standorte oder in Wholesale-Kapazitäten fließen.

Zugleich verschiebt sich die Rollenverteilung im Markt, weil große Cloudanbieter nicht mehr nur Infrastruktur bereitstellen, sondern zunehmend selbst zu Entwicklern von Frontier-Modellen werden.

Parallel dazu steigen die ökologischen und infrastrukturellen Anforderungen. Der Aufbau autarker Energieversorgung, etwa durch eigene Gaskraftwerke, wird zum Standard. Dies birgt zunehmende Herausforderungen hinsichtlich Transparenz, Flächennutzung und Umweltbelastung. Was Umfang, Komplexität und Emissionswirkung angeht, sind die Projekte mit herkömmlichen Industrieanlagen vergleichbar.

Der Umbau der USA zu einer giga(watt)nischen KI-Infrastruktur-Landschaft

In Gilroy, Kalifornien, baut Amazon Web Services (AWS) für mehrere Milliarden US-Dollar ein 438.500 Square Feet (ca. 40.700 m²) großes Rechenzentrum mit zwei Hauptgebäuden. Das Projekt hat die Baugenehmigung auf Verwaltungsebene erhalten und befindet sich im Bau. Jede Bauphase benötigt 49 Megawatt (MW) Strom, ergänzt durch 25 Notstrom-Dieselgeneratoren. Da eine Jahrzehnte alte Flächenwidmung („M2 General Industrial“) die Datenverarbeitung ohne Vorbehalt erlaubt, waren weder ein Stadtratsbeschluss noch eine öffentliche Anhörung erforderlich, was vor Ort Kritik bezüglich Transparenz, Wasser- und Energieverbrauch auslöste.

Für das Projekt „GW Ranch“ im Pecos County (Texas) erwarb AWS 8.400 Acres Land und investiert mehrere Milliarden US-Dollar. Um Verzögerungen beim Anschluss an das texanische Stromnetz (ERCOT) zu vermeiden, errichtet der Partner Pacifico Energy ein autarkes Erdgas-Kraftwerk („behind-the-meter“) mit 35 Gasturbinen und einer Leistung von 7,65 GW. Die weit fortgeschrittenen Genehmigungsverfahren erlauben einen jährlichen Ausstoß von bis zu 33 Millionen Tonnen CO₂, womit die Anlage zum größten Einzel-CO₂-Emittenten der USA werden könnte.

Microsoft hatte bereits zuvor ein ähnliches Modell für Pecos, Texas, angekündigt: Geplant ist ein Rechenzentrumsprojekt mit rund 2 GW Leistung, das über ein 2,67-GW-Erdgaskraftwerk versorgt werden soll. Auch dieses Vorhaben zeigt, wie stark sich KI-Infrastruktur von klassischen Netzanschlüssen löst und in Richtung eigener, direkt zugeordneter Energieversorgung verschiebt.

Von der Nischen-KI zum Frontier-Modell mit eigener Lieferkette

Auch SpaceXAI erweitert seine Recheninfrastruktur-Sparte zügig und könnte laut einer Analyse von SemiAnalysis bis Ende 2027 tatsächlich über 10 GW Rechenkapazität verfügen. Diese Kapazitäten dienen nicht nur dem Training und Betrieb des eigenen Modells Grok. SpaceXAI positioniert sich damit zunehmend als Wholesale-Anbieter für Rechenkapazitäten. Berichten zufolge sollen bereits Verhandlungen mit Microsoft über ein 3-GW-Kapazitätspaket im Wert von rund 150 Milliarden US-Dollar laufen.

Die Energieversorgung von SpaceXAI zeigt besonders deutlich, wie aggressiv KI-Anbieter inzwischen eigene Stromquellen aufbauen, um Netzengpässe zu umgehen. Für die Colossus-Rechenzentren in Memphis, Tennessee, und Southaven, Mississippi, setzte Elon Musk zunächst auf mobile Erdgas-Turbinen als schnelle Behind-the-Meter-Lösung; Umweltorganisationen und Bürgerrechtsgruppen kritisierten jedoch, dass zahlreiche Einheiten ohne ausreichende Luftreinhaltegenehmigungen betrieben worden seien. In Southaven erhielt SpaceXAI inzwischen eine Genehmigung für 41 permanente Gasturbinen mit insgesamt rund 1,2 GW Leistung, die Colossus 2 und weitere Ausbaustufen versorgen sollen. Parallel dazu soll SpaceX mehr als 2,8 Milliarden US-Dollar für zusätzliche mobile Gasturbinen eingeplant haben.

Parallel dazu versucht SpaceXAI, auch die nächste Engpassstufe der KI-Wertschöpfung zu kontrollieren: die Chipversorgung. Unter dem Namen „Terafab“ plant Tesla/SpaceXAI eine groß angelegte Halbleiterinitiative in Texas, die Chipdesign, Fertigung, Memory, Advanced Packaging und Testing stärker vertikal integrieren soll. Musk begründet den Vorstoß damit, dass Lieferanten wie TSMC, Samsung und Micron der erwarteten Chipnachfrage seiner Unternehmen langfristig nicht schnell genug nachkommen könnten. Geplant sind zwei Chiplinien: eine für Tesla-Fahrzeuge und Optimus-Roboter sowie eine zweite für KI-Infrastruktur und perspektivisch auch weltraumbasierte Rechenzentren.

Strategisch geht SpaceXAI weg vom reinen Einkauf knapper Vorprodukte und hin zur Kontrolle der gesamten Lieferkette – vom eigenen KI-Beschleuniger über Rechenzentrum und Stromversorgung bis zum fertigen Produkt. SpaceXAI wird damit zu einem Extrembeispiel für den neuen KI-Infrastrukturtyp: Rechenzentren werden als industrielle Einheit mit eigenen (fossilen) Kraftwerksflotten und Vorprodukten geplant.

Vom Social Network zum Hyperscaler

Meta treibt den Ausbau seiner KI-Infrastruktur ebenfalls in Multi-Gigawatt-Dimensionen voran und verknüpft ihn zunehmend mit langfristigen Energieabnahmeverträgen. Der Konzern investiert jährlich zwischen 60 und 65 Milliarden US-Dollar an Capital Expenditures in KI-Infrastruktur; allein für den Rechenzentrum-Campus „Hyperion“ im Richland Parish in Louisiana sind mehr als 50 Milliarden US-Dollar veranschlagt. Mark Zuckerberg skaliert dafür die Hardware-Flotte massiv auf weit über 1,3 Millionen GPUs, um Modelle wie Llama 4 zu trainieren. Der 1-GW-Cluster „Prometheus“ in Ohio soll 2026 ans Netz gehen; Hyperion ist auf bis zu 5 GW Leistung ausgelegt.

Kurzfristig deckt der lokale Versorger Entergy den Energiebedarf zunächst über Erdgas, mittelfristig sichert sich Meta jedoch Kernkraftkapazitäten von bis zu 6,6 GW: Dazu zählen Vereinbarungen mit Vistra über 2,1 GW aus bestehenden Atomkraftwerken plus 433 MW Ausbauleistung sowie Entwicklungsverträge für Small Modular Reactors mit TerraPower über bis zu 2,8 GW und Oklo über bis zu 1,2 GW bis 2035.

Diese Infrastruktur soll offenbar nicht ausschließlich dem Eigenbedarf dienen: Meta arbeitet Berichten zufolge unter dem Arbeitstitel „Meta Compute“ an einem Cloud-Geschäft, über das überschüssige KI-Rechenkapazitäten an externe Kunden vermietet werden könnten. Im Gespräch sind zwei Angebotsformen: einerseits der Verkauf von roher GPU-Kapazität an Unternehmen, Entwickler und KI-Startups, andererseits ein verwalteter Zugang zu auf Metas Infrastruktur gehosteten KI-Modellen – also ein Modell, das funktional an Angebote wie Amazon Bedrock erinnert.

Mark Zuckerberg hatte die Option bereits gegenüber Investoren eingeräumt und darauf verwiesen, dass regelmäßig Unternehmen an Meta heranträten, um Rechenkapazität oder API-Dienste zu einem Aufpreis zu kaufen. Strategisch würde Meta damit nicht nur seine milliardenschweren Infrastrukturinvestitionen besser auslasten, sondern zugleich in direkte Konkurrenz zu AWS, Microsoft Azure, Google Cloud sowie spezialisierten Neocloud-Anbietern wie CoreWeave und Nebius treten.

Dieser massive Shift hin zur Atomenergie folgt unter anderem auf den eigenen Nachhaltigkeitsbericht des Unternehmens, demzufolge die Emissionen von Metas Rechenzentren im Jahr 2024 allein durch den Ausbau der KI-Infrastruktur im Jahresvergleich um 24 Prozent gestiegen waren.

Vom Treiber zum Bittsteller zum Hyperscaler?

Anthropic verfolgt eine breit diversifizierte Multi-Cloud- und Multi-Chip-Strategie. Die Beziehung mit dem Kernpartner AWS wurde 2026 auf bis zu 5 GW an KI-Rechenzentrumskapazität sowie ein Commitment von über 100 Milliarden US-Dollar ausgedehnt. Zusätzlich zu den ursprünglich vereinbarten 8 Milliarden US-Dollar investiert Amazon unmittelbar weitere 5 Milliarden US-Dollar und behält sich weitere Investitionen von bis zu 20 Milliarden US-Dollar vor. Im Rahmen von Project Rainier nutzt Anthropic Supercomputer-Cluster mit AWS-Trainium2-Chips. Google Cloud stellt ab 2026 über 1 GW an Kapazität bereit und gewährt Zugriff auf bis zu 1 Million TPUs. Zusätzlich sichert sich Anthropic über Microsoft Azure und Nvidia Compute-Kapazitäten im Wert von 30 Milliarden US-Dollar. Abgerundet wird die Infrastruktur durch Verträge mit Akamai über 1,8 Milliarden US-Dollar für dezentrale Edge-Inferenz sowie die Nutzung freier Kapazitäten des Colossus-1-Clusters von SpaceXAI.

Auch OpenAI hat seine ursprüngliche Exklusivität bei Microsoft aufgegeben und verfolgt mit Cloud- und Hardwareverträgen im Wert von mehreren hundert Milliarden US-Dollar eine aggressive Diversifizierung. Der größte Einzelauftrag betrifft die Oracle Cloud im Rahmen der Stargate-Initiative mit rund 300 Milliarden US-Dollar über fünf Jahre für bis zu 4,5 GW an Rechenkapazität. Der Ankerstandort ist ein Mega-Campus in Abilene, Texas, mit über 1,2 GW an Leistung und rund 400.000 Nvidia-GB200-GPUs.

Microsoft Azure bleibt weiterhin eine zentrale Plattform für Modelltraining und Inferenz. Zudem schloss OpenAI eine Sieben-Jahres-Vereinbarung mit AWS über 38 Milliarden US-Dollar sowie Verträge mit CoreWeave über 15,9 bis 22,4 Milliarden US-Dollar für Bare-Metal-GPU-Cluster ab. Zur weiteren Vermeidung von Engpässen nutzt OpenAI Google Cloud und setzt auf eigene Hardware-Initiativen: Dazu zählen Verträge mit AMD zur Abnahme von 6 GW an Instinct-GPUs ab Ende 2026 sowie eine Entwicklungspartnerschaft mit Broadcom für maßgeschneiderte KI-Beschleunigerchips bis 2029.

Für noch mehr Unabhängigkeit plant OpenAI zudem den Bau eigener Rechenzentren. Im Rahmen einer Partnerschaft zwischen Nvidia und OpenAI entsteht auf dem PORTS-Pike Technology Campus in Ohio ein Mega-Campus mit einer initialen Rechenkapazität von 4,25 Gigawatt (GW), die auf 8 bis 10 GW erweiterbar ist. SB Energy baut die Anlage und verleast sie für 20 Jahre an OpenAI, während Nvidia Finanzierungsgarantien („Residual-Value Guarantees“) von bis zu 105 Milliarden US-Dollar gewährt.

Zudem investiert Nvidia 1,5 Milliarden US-Dollar direkt in SB Energy. SoftBank und SB Energy investieren mindestens 4,2 Milliarden US-Dollar in die regionale Stromnetzinfrastruktur. Diese im August 2026 offiziell bestätigten Kapazitäten sollen ab 2028 schrittweise in Betrieb gehen. Greift OpenAI bei den Leasingzahlungen nicht, springt Nvidia als Ausfallbürge ein – ein Beispiel für zirkuläre KI-Finanzierungen, bei denen Chiphersteller die Kredite ihrer eigenen Kunden absichern.

KI allein ist kein tragfähiges Geschäftsmodell

Hyperscaler wie AWS, Google oder Microsoft haben einen entscheidenden Vorteil – sie können KI-Infrastruktur über mehrere Erlösquellen refinanzieren: über Cloud-Verträge, eigene KI-Produkte, bestehende Software-Abonnements, Werbeerlöse, Geräte, Online-Handel, Entwicklerplattformen oder Beteiligungen. Dadurch müssen eigene KI-Modelle zunächst nicht isoliert profitabel sein. Sie können als Leadgenerator, Kundenbindungsinstrument oder Verteidigungsmechanismus für bestehende Plattformgeschäfte dienen.

Hinzu kommt ein oft unterschätzter Hardwarevorteil: Mit Initiativen wie dem Open Compute Project haben Meta, Google und AWS über Jahre hinweg Server-, Rack-, Strom- und Kühlungsdesigns mitgeprägt – und damit jene physische Kostenbasis optimiert, die reine Modellanbieter heute teuer einkaufen müssen.

Reine Frontier-Modell-Entwickler wie Anthropic müssen dagegen einen deutlich größeren Teil ihrer Wertschöpfung direkt über Tokenpreise, API-Nutzung und Enterprise-Verträge erwirtschaften, während ein erheblicher Teil der Einnahmen sofort wieder in Entwicklung, Training und reservierte Cloud-Kapazitäten zurückfließt.

Bei Google zeigt sich dieses Modell besonders deutlich. Alphabet kann die Kosten für Gemini, TPUs und großskalige Rechenzentren sowohl über Google Cloud als auch über das weiterhin hochprofitable Such- und Werbegeschäft monetarisieren. Dazu profitiert Google von der Infrastrukturabhängigkeit anderer Modellanbieter: Anthropic und andere KI-Unternehmen kaufen TPU- und Cloud-Kapazitäten ein, wodurch ein Teil des Geldes aus der Frontier-Modell-Ökonomie zurück in Googles Infrastrukturgeschäft fließt. Mit jedem KI-Workload stärkt Google Cloud sein eigenes TPU-Ökosystem. Fixkosten verteilen sich auf mehrere Bereiche. Mit der Kontrolle der Rechen- und Distributionsschicht schützt Google gleichzeitig das Kerngeschäft Search.

Microsoft verfolgt eine ähnliche, aber stärker auf Enterprise-Distribution ausgerichtete Mixkalkulation. Die Milliardeninvestitionen in OpenAI und Azure-KI-Kapazitäten sind nicht nur eine Wette auf einzelne Modelle, sondern speisen mehrere Produktebenen zugleich: Azure OpenAI Service, GitHub Copilot, Microsoft 365 Copilot, Copilot Studio, Dynamics, Security und die eigene MAI-Modellfamilie. Der Konzern kann KI-Funktionen in bestehende Arbeitsumgebungen wie Word, Excel, Teams, Outlook oder GitHub integrieren und damit zusätzliche Nutzungs- und Abonnementerlöse erzielen, ohne jeden Kunden neu gewinnen zu müssen.

Während reine Modellanbieter für Reichweite, Infrastruktur und Enterprise-Vertrieb zahlen müssen, verfügen Anbieter wie AWS, Google oder Microsoft bereits über die Distributionskanäle, Kundenbeziehungen, Compliance-Rahmen und Abrechnungsmodelle, auf die KI als Premiumschicht aufgesetzt werden kann.

Für Anthropic ist diese Entwicklung ambivalent. Einerseits wächst das Unternehmen rasant und hat mit Claude im Enterprise- und Entwicklergeschäft eine starke Position aufgebaut. Andererseits hängt das Geschäftsmodell strukturell an fremder Infrastruktur: Selbst Multi-Cloud-Strategien mit AWS, Google Cloud und Microsoft Azure reduzieren nur die Abhängigkeit von einzelnen Lieferanten, nicht jedoch das Dilemma zwischen Abhängigkeiten und langfristigen Abnahmeverträgen.

Je stärker Google, Microsoft, Amazon oder Meta eigene Modelle, eigene Chips und eigene Cloud-Angebote bündeln, desto schwieriger wird es für reine Modellanbieter, dauerhaft vergleichbare Margen zu erzielen. Langfristig könnte deshalb nicht das beste Modell allein gewinnen, sondern die Plattform, die Modellqualität, Rechenkapazität, Vertrieb, Energieversorgung und Querfinanzierung am effizientesten verbindet.