Mittwoch, 16. September 2026 von Dr. Michael Gebert Neoclouds verändern die Ökonomie der Künstlichen Intelligenz
Rechenleistung als Assetklasse
Es gibt Entwicklungen, deren Bedeutung sich zunächst an unscheinbaren Details erkennen lässt. Im Fall der künstlichen Intelligenz könnte eines dieser Details ausgerechnet an den Terminbörsen auftauchen. Die CME Group arbeitet an Futures auf die Mietkosten bestimmter Nvidia-GPUs, auch die Intercontinental Exchange bereitet entsprechende Instrumente für GPU-Rechenleistung vor. Was nach einem Nischenprodukt für Rohstoff- und Derivatehändler klingt, erzählt bei genauerem Hinsehen eine sehr viel größere Geschichte. Denn sobald sich Unternehmen gegen zukünftige Preise von Rechenleistung absichern können, sobald es Benchmarks, langfristige Lieferverträge, Fremdfinanzierungen und einen Terminmarkt gibt, verändert Compute seinen ökonomischen Charakter. Aus einer technischen Ressource wird zunehmend ein kalkulierbarer Produktionsfaktor, aus dem Produktionsfaktor ein finanzierbares Gut und aus diesem Gut möglicherweise eine neue Assetklasse.
Damit verschiebt sich auch der Blick auf den gegenwärtigen KI-Boom. Die öffentliche Wahrnehmung konzentriert sich noch immer stark auf Modelle, Anwendungen und die Frage, ob OpenAI, Anthropic, Google, Meta oder xAI beim nächsten Benchmark vorne liegen. Unterhalb dieser sichtbaren Ebene entsteht jedoch eine zweite, mindestens ebenso folgenreiche Ökonomie. Sie besteht aus Halbleitern, Rechenzentren, Stromanschlüssen, Transformatoren, Kühlsystemen, Netzwerken, Grundstücken und langfristigen Nutzungsverträgen. Vor allem aber besteht sie aus Kapital. Die Milliarden, die derzeit in künstliche Intelligenz fließen, finanzieren längst nicht mehr nur Softwareunternehmen. Sie bauen eine physische Infrastruktur auf, deren Dimensionen zunehmend an Energie-, Telekommunikations- oder Transportnetze erinnern.
Genau an dieser Stelle wird aus der technologischen Revolution eine wirtschaftspolitische Frage. Denn je größer diese Infrastruktur wird, desto wichtiger werden klassische Fragen der Kapitalökonomie: Wer finanziert sie, wie lange ist sie wirtschaftlich nutzbar, wie hoch muss ihre Auslastung sein und wer trägt das Risiko, wenn sich Preise, Nachfrage oder technologische Standards schneller verändern als erwartet?
Die Milliarden hinter dem Modell
Wie weit diese Entwicklung bereits fortgeschritten ist, zeigen einige der Verträge, die derzeit im Markt geschlossen werden. Anthropic soll sich gegenüber dem britischen Compute-Anbieter Nscale zu einem sechsjährigen Abkommen über Rechenleistung im Umfang von rund 45 Milliarden Dollar verpflichtet haben. Ab Ende 2027 soll dafür eine erhebliche neue Infrastrukturkapazität zur Verfügung stehen, ausgestattet mit Nvidias kommender Vera-Rubin-Generation. Bemerkenswert ist dabei nicht allein die absolute Summe. Nscale war wenige Monate zuvor nach einer Finanzierungsrunde mit rund 14,6 Milliarden Dollar bewertet worden. Der nominelle Wert eines einzigen Kundenvertrags erreicht damit eine Größenordnung, die ein Mehrfaches der damaligen Unternehmensbewertung ausmacht.
Noch deutlicher lässt sich die neue Compute-Ökonomie bei CoreWeave beobachten. Das Unternehmen gehört zu den prominentesten Vertretern jener Anbieterklasse, die inzwischen unter dem Begriff Neocloud zusammengefasst wird. CoreWeave meldete zuletzt einen Revenue Backlog von mehr als 100 Milliarden Dollar und konnte innerhalb kurzer Zeit weitere Kundenverpflichtungen in zweistelliger Milliardenhöhe gewinnen. Auf der anderen Seite der Bilanz steht allerdings ebenfalls eine Zahl von historischer Dimension: mehr als 35 Milliarden Dollar Schulden. Allein die Zinsbelastung erreicht inzwischen Größenordnungen, die bei vielen börsennotierten Unternehmen bereits einem beträchtlichen Teil des operativen Ergebnisses entsprechen würden.
Darin liegt zunächst kein Widerspruch. Im Gegenteil: Solange die Nachfrage nach Rechenleistung schneller wächst als das Angebot, ist es wirtschaftlich rational, möglichst viel Kapital einzusetzen, um Kapazität aufzubauen. Wer heute über Tausende hochmoderne GPUs, geeignete Stromanschlüsse und betriebsbereite Rechenzentren verfügt, besitzt eine Ressource, die große AI-Labs dringend benötigen. Das Geschäftsmodell der Neoclouds basiert deshalb weniger auf der Breite eines klassischen Cloud-Angebots als auf der Fähigkeit, genau diese Knappheit schnell zu monetarisieren.
CoreWeave, Nscale, Nebius oder Lambda sind keine kleinen Varianten von AWS oder Azure. Sie konzentrieren sich auf einen besonders kapitalintensiven Ausschnitt des Marktes: hochoptimierte Rechenleistung für Training und Inferenz großer KI-Modelle. Ihr Vorteil liegt darin, große Cluster moderner GPU-Generationen schneller verfügbar zu machen als viele traditionelle Anbieter. Die eigentliche Herausforderung besteht allerdings darin, dass die dafür notwendigen Investitionen lange vor den daraus entstehenden Einnahmen anfallen. Rechenzentren müssen errichtet, Stromverträge geschlossen, Hardware bestellt und Netzwerke aufgebaut werden, bevor ein Kunde die erste GPU-Stunde bezahlt. Damit bekommt der langfristige Kundenvertrag eine neue Funktion. Er ist nicht mehr lediglich ein Vertriebsinstrument, sondern zunehmend die Grundlage der Finanzierung. Erwartete Einnahmen aus mehrjährigen Take-or-pay-Verträgen werden zur Basis für Kredite, mit denen wiederum weitere Infrastruktur entsteht. Je stärker Banken und andere Kapitalgeber bereit sind, diese künftigen Compute-Cashflows zu finanzieren, desto schneller kann das System wachsen.
Der Übergang zur Assetklasse vollzieht sich genau hier. Kreditgeber finanzieren nicht länger ausschließlich ein Gebäude mit technischem Inventar, sondern zunehmend die Erwartung, dass eine bestimmte Menge Rechenleistung über Jahre hinweg ausreichend Nachfrage erzeugt. Bei einigen jüngeren Finanzierungsstrukturen reicht die Laufzeit des Fremdkapitals inzwischen über die durchschnittliche Restlaufzeit der zugrunde liegenden Kundenverträge hinaus. Ein Teil des Risikos verschiebt sich damit vom sicheren Vertragscashflow hin zur Annahme, dass sich die Hardware auch später noch zu attraktiven Konditionen vermieten lässt. Dieser Schritt erinnert an andere Infrastrukturmärkte, unterscheidet sich von ihnen jedoch in einem entscheidenden Punkt: Die zentrale Technologie altert wesentlich schneller.
Nvidia wird zum Architekten eines Ökosystems
Kein Unternehmen steht stärker im Zentrum dieser Entwicklung als Nvidia. Lange funktionierte die vielleicht etwas zu einfache Metapher vom Schaufelverkäufer im Goldrausch erstaunlich gut. Während sich AI-Labs gegenseitig mit neuen Modellen überboten, verdiente Nvidia an nahezu jedem zusätzlichen Rechencluster. Inzwischen ist diese Beschreibung zu eng geworden, weil Nvidia zunehmend nicht nur Lieferant, sondern Mitgestalter und Kapitalgeber des entstehenden Compute-Ökosystems ist.
Das Unternehmen hat Milliarden in CoreWeave und Nebius investiert und verbindet diese Beteiligungen mit langfristigen Ausbauplänen für zusätzliche AI-Factory-Kapazitäten. Gleichzeitig bleiben genau diese Unternehmen bedeutende Käufer von Nvidia-Systemen. Auf diese Weise entsteht ein Netzwerk, in dem mehrere Rollen ineinandergreifen: Nvidia entwickelt und liefert die Hardware, beteiligt sich an Infrastrukturunternehmen, diese schließen langfristige Verträge mit AI-Labs ab, die erwarteten Einnahmen ermöglichen neue Finanzierungen und mit dem aufgenommenen Kapital werden weitere Nvidia-Systeme bestellt.
Man sollte daraus keine vorschnelle Skandalerzählung konstruieren. Lieferantenbeteiligungen, strategische Finanzierungen und langfristige Abnahmevereinbarungen sind in kapitalintensiven Industrien keineswegs ungewöhnlich. Autohersteller sichern sich Rohstoffe, Energieunternehmen beteiligen sich an Infrastrukturprojekten und Flugzeugbauer unterstützen mitunter die Finanzierung ihrer Kunden. Neu ist vielmehr die Geschwindigkeit, mit der solche Strukturen in einem jungen Markt entstehen, dessen zentrale Technologie gleichzeitig außerordentlich kurzen Innovationszyklen unterliegt.
Solange die Nachfrage nach KI-Rechenleistung hoch bleibt, funktioniert dieser Kreislauf wie ein Beschleuniger. Mehr Kapital erzeugt mehr Kapazität, mehr Kapazität ermöglicht größere Modelle und Anwendungen, die wiederum zusätzliche Nachfrage nach Rechenleistung erzeugen. Sollte sich dieses Verhältnis jedoch verändern, kann derselbe Mechanismus seine Richtung wechseln. Sinkende Preise für Compute, niedrigere Auslastung oder technologische Sprünge könnten dann nicht nur einzelne Betreiber treffen, sondern gleichzeitig Finanzierer, Investoren und Lieferanten berühren.
Genau deshalb ist die Frage nach der wirtschaftlichen Lebensdauer der Hardware so wichtig. Eine heute errichtete AI Factory ist keineswegs nach drei Jahren wertlos. Gebäude, Netzanschlüsse, Kühlanlagen, Transformatoren und Glasfaserverbindungen besitzen lange Nutzungsdauern. Auch ältere GPUs verschwinden nicht plötzlich aus dem Markt. Sie können weiterhin trainieren, inferieren oder für weniger anspruchsvolle Anwendungen eingesetzt werden. Entscheidend ist jedoch nicht, ob sie technisch noch funktionieren, sondern zu welchem Preis sich ihre Rechenleistung dann noch verkaufen lässt.
Eine H100 wird auch in einigen Jahren mathematische Operationen ausführen können. Ihre ökonomische Konkurrenzfähigkeit entscheidet sich aber daran, wie viel Rechenleistung eine neuere Architektur pro Watt, pro Stunde und pro investiertem Dollar liefert. Wenn die Leistungsfähigkeit neuer Generationen schneller steigt als die Nachfrage, können die Preise älterer Compute-Kapazität deutlich unter Druck geraten. Für einen hoch verschuldeten Infrastrukturbetreiber ist diese Differenz entscheidend.
Dass nun Terminmärkte für GPU-Rechenleistung entstehen, ist deshalb mehr als eine Kuriosität. Sie sind Ausdruck eines Marktes, der beginnt, genau dieses Preisrisiko zu quantifizieren. Was Unternehmen bislang weitgehend über individuelle Cloud- und Mietverträge geregelt haben, bekommt zunehmend Eigenschaften klassischer Commodity- und Infrastrukturmärkte. Compute erhält Benchmarks, Spotpreise und Absicherungsinstrumente. Die Finanzialisierung der künstlichen Intelligenz findet damit nicht erst irgendwann statt. Sie hat längst begonnen.
Europa beantwortet dieselbe Frage mit Industriepolitik
Wer diese Entwicklung ausschließlich als amerikanische Kapitalmarktgeschichte interpretiert, übersieht allerdings einen wesentlichen Teil des Bildes. Europa reagiert auf dieselbe Knappheit von Rechenleistung, nur mit einem anderen institutionellen Modell. Während in den USA überwiegend Private Equity, Fremdkapital, Projektfinanzierungen und langfristige Abnahmeverträge den Ausbau antreiben, kombiniert Europa privates Kapital mit staatlicher und europäischer Industriepolitik.
Die erste Stufe bilden die inzwischen aufgebauten beziehungsweise geplanten AI Factories. Sie sollen Hochleistungsrechnen nicht nur großen Forschungsinstituten zugänglich machen, sondern ausdrücklich auch Start-ups, Scale-ups, Mittelständlern und industriellen Unternehmen. Dahinter steht die Erkenntnis, dass der Zugang zu ausreichender Rechenleistung selbst zu einem Wettbewerbsfaktor wird. Wer innovative Modelle oder Anwendungen entwickeln möchte, aber weder die finanziellen Mittel noch die Beschaffungsmacht eines Hyperscalers besitzt, soll auf eine europäische Infrastruktur zurückgreifen können.
Mit den geplanten AI Gigafactories erreicht diese Strategie eine neue Größenordnung. Die Europäische Union will mehrere Anlagen ermöglichen, die jeweils mit mehr als 100.000 modernen KI-Prozessoren arbeiten können. Öffentliche Mittel in Milliardenhöhe sollen dabei erheblich größere private Investitionen mobilisieren. Die zugrunde liegende industriepolitische Annahme ist klar: Europa kann seine strukturelle Abhängigkeit von amerikanischen Cloud- und Compute-Anbietern nicht allein über Regulierung reduzieren. Es braucht eigene physische Kapazität.
Deutschland wird dabei zu einem interessanten Labor, weil hier mittlerweile mehrere Modelle nebeneinander entstehen. JUPITER in Jülich steht für öffentlich finanzierte Hochleistungsinfrastruktur und gehört zur europäischen Exascale-Strategie. HammerHAI in Stuttgart verbindet den EuroHPC-Ansatz mit einem stärkeren Fokus auf industrielle KI-Nutzung. Bayern arbeitet mit Blue Swan an einer Bewerbung für eine der europäischen Gigafactories. Der Bund hat bereits einen hohen dreistelligen Millionenbetrag als möglichen deutschen Beitrag zu einem solchen Projekt eingeplant, wobei die Bundesregierung gleichzeitig deutlich macht, dass sie weder selbst Betreiber noch Eigentümer der Infrastruktur werden möchte.
Parallel zu diesen öffentlich flankierten Projekten rollt eine private Investitionswelle durch den deutschen Markt. Deutsche Telekom und Nvidia bauen in München eine Industrial AI Cloud auf. Google investiert Milliarden in deutsche Rechenzentrumsinfrastruktur, AWS treibt seine European Sovereign Cloud voran, und mit der Schwarz-Gruppe treten zunehmend Akteure in den Markt ein, die bislang nicht zum klassischen Kreis der globalen Hyperscaler gehörten. Das geplante Rechenzentrum der Lidl- und Kaufland-Muttergesellschaft bei Rostock erreicht bereits in seiner ersten Ausbaustufe eine Dimension, die noch vor wenigen Jahren als außergewöhnliches Großprojekt gegolten hätte.
Diese Programme und Investitionen lassen sich nicht seriös zu einer einzigen Gesamtsumme addieren. Laufzeiten, Finanzierungsmodelle und Verwendungszwecke unterscheiden sich zu stark. In ihrer Richtung sind sie allerdings eindeutig. Rechenleistung ist nicht länger eine unsichtbare IT-Dienstleistung, die Unternehmen irgendwo aus der Cloud beziehen. Sie wird zu Standortpolitik, Energiepolitik, Kapitalmarktpolitik und zunehmend auch zu einer Frage nationaler und europäischer Resilienz.
Die Frage nach der Souveränität
Gerade deshalb wäre es zu einfach, Europas Milliardeninvestitionen entweder enthusiastisch als lang erwarteten digitalen Befreiungsschlag zu feiern oder sie reflexhaft als Subventionswettlauf abzutun. Die entscheidende Frage lautet vielmehr, was Europa mit dieser Infrastruktur tatsächlich erreichen möchte und wie der Erfolg gemessen werden soll.
Schon der Begriff der digitalen Souveränität ist weniger eindeutig, als es politische Programme häufig vermuten lassen. Ein Rechenzentrum kann in Deutschland stehen, deutschem oder europäischem Recht unterliegen und trotzdem nahezu vollständig auf amerikanischen GPUs, amerikanischen Netzwerkkomponenten und amerikanischen Software-Stacks basieren. Das kann gegenüber einer vollständig außerhalb Europas betriebenen Cloud durchaus ein strategischer Fortschritt sein. Es ist aber nicht dasselbe wie technologische Autonomie.
Souveränität lässt sich deshalb nicht allein über den Standort eines Rechenzentrums definieren. Sie entsteht aus einer Kombination von Infrastrukturzugang, Kontrolle über Daten, verlässlichen Lieferketten, Energieverfügbarkeit, Finanzierung, eigener Softwarekompetenz und der Fähigkeit, auf dieser Infrastruktur wettbewerbsfähige Produkte zu entwickeln. Wenn Europa Milliarden in Compute investiert, dabei aber dauerhaft bei Chips, grundlegenden Software-Stacks und führenden Modellen von externen Anbietern abhängig bleibt, entsteht eine andere Form von Souveränität als diejenige, die politische Schlagworte gelegentlich suggerieren.
Noch wichtiger ist die ökonomische Frage der Auslastung. Eine Gigafactory mit 100.000 GPUs ist zunächst keine digitale Strategie, sondern eine enorme Produktionskapazität. Ihr strategischer Wert entsteht erst dann, wenn Unternehmen, Forschungseinrichtungen und AI-Anbieter diese Kapazität dauerhaft produktiv nutzen und bereit sind, einen wirtschaftlich tragfähigen Preis dafür zu bezahlen. Europa könnte deshalb theoretisch zwei entgegengesetzte Fehler machen: zu wenig Infrastruktur aufbauen und damit seine Abhängigkeit verfestigen oder sehr viel Infrastruktur finanzieren, ohne gleichzeitig eine ausreichend große Nachfrage- und Wertschöpfungsbasis zu entwickeln.
Damit rückt auch die Rolle des Staates in ein neues Licht. Wenn öffentliche Mittel privates Kapital mobilisieren sollen, genügt es nicht, allein das Investitionsvolumen als Erfolg zu verbuchen. Entscheidend wird sein, welche strategischen Gegenleistungen daraus entstehen. Dazu können verlässliche Zugangsrechte für europäische Unternehmen gehören, wettbewerbsfähige Preise, Kapazitätsreservierungen, Forschungseffekte, Steueraufkommen, technologische Spillovers oder eine höhere Resilienz kritischer Infrastruktur. Solche Effekte lassen sich durchaus begründen. Sie sollten aber vor der Investition präzise definiert werden und nicht erst dann, wenn die Anlagen bereits gebaut sind.
Der vielleicht größte strategische Engpass könnte zudem an einer ganz anderen Stelle entstehen. Mit jedem zusätzlichen Rechenzentrum nimmt die Bedeutung von Stromversorgung, Netzanschlüssen, Kühlung, Transformatoren und Genehmigungen zu. In vielen Regionen ist längst nicht mehr der Zugang zu GPUs das alleinige Problem. Es fehlt an ausreichend schnell verfügbaren Megawatt, an Netzinfrastruktur oder an der Möglichkeit, neue Großverbraucher innerhalb weniger Jahre anzuschließen.
Damit konkurriert künstliche Intelligenz zunehmend mit klassischen Industrieprojekten um dieselbe physische Infrastruktur. Ein großer AI-Campus steht irgendwann nicht mehr nur im Wettbewerb mit einem anderen Rechenzentrum, sondern möglicherweise auch mit einem Chemiepark, einer Batteriefabrik oder einem klimaneutralen Stahlwerk um Netzkapazität und Energie. Spätestens an diesem Punkt ist KI endgültig keine reine Digitaltechnologie mehr.
Zwei unterschiedliche Wetten auf dieselbe Zukunft
Amerika und Europa beantworten die entstehende Compute-Ökonomie bislang auf unterschiedliche Weise. Das amerikanische Modell setzt darauf, dass die Nachfrage nach Rechenleistung so stark wächst, dass private Betreiber auch sehr große Infrastrukturinvestitionen über langfristige Verträge und erhebliche Fremdkapitalvolumina refinanzieren können. Solange die Auslastung hoch bleibt und Kunden bereit sind, attraktive Preise für moderne GPU-Kapazitäten zu zahlen, besitzt diese Rechnung eine überzeugende Logik.
Europa geht von einer anderen Prämisse aus. Hier dominiert die Sorge, dass ein ausschließlich marktgetriebener Ausbau die bestehenden Abhängigkeiten eher verfestigen als beseitigen könnte. Öffentliche Mittel sollen deshalb helfen, schneller eigene Kapazitäten aufzubauen, privaten Investoren einen Teil des Anfangsrisikos abzunehmen und Compute für europäische Unternehmen verfügbar zu machen.
Keine dieser beiden Strategien ist per se überlegen. Beide sind Wetten auf dieselbe Zukunft und beide enthalten erhebliche Unsicherheiten. Das amerikanische Modell könnte unter Druck geraten, wenn Compute schneller zur Commodity wird als erwartet und hoch verschuldete Betreiber plötzlich mit sinkenden Preisen und geringerer Auslastung konfrontiert werden. Das europäische Modell könnte hingegen erhebliche öffentliche Mittel binden, ohne gleichzeitig genügend eigene Wertschöpfung oberhalb der Infrastruktur zu erzeugen.
Ebenso gut ist allerdings ein drittes Szenario möglich. Die Nachfrage nach Rechenleistung könnte über viele Jahre so stark steigen, dass Effizienzsteigerungen und zusätzliche Kapazitäten kaum ausreichen, um sie zu befriedigen. Neue Agentensysteme, multimodale Modelle, industrielle Simulationen, Robotik und eine immer stärkere Verlagerung von KI in Unternehmensprozesse könnten den Compute-Bedarf schneller wachsen lassen, als neue Rechenzentren gebaut werden können. Dann würden sowohl die amerikanischen Neoclouds als auch die europäischen Gigafactories weniger wie Überinvestitionen aussehen als vielmehr wie frühe Infrastruktur für eine neue industrielle Epoche.
Gerade deshalb führt die gegenwärtig beliebte Frage nach einer möglichen „KI-Blase“ analytisch nicht besonders weit. Ob ein Investitionsboom im Rückblick eine Blase war, lässt sich zuverlässig erst beurteilen, wenn die Erwartungen auf die Realität getroffen sind. Wesentlich interessanter ist die Beobachtung, dass sich die ökonomische Struktur der künstlichen Intelligenz bereits jetzt fundamental verändert.
Noch vor wenigen Jahren konnte man KI überwiegend als Softwarethema betrachten. Heute werden GPU-Cluster über Milliardenkredite finanziert, Chipanbieter beteiligen sich an ihren größten Infrastrukturkunden, Banken beleihen zukünftige Compute-Cashflows, Staaten reservieren Milliarden für strategische Rechenkapazität und Terminbörsen entwickeln Instrumente zur Absicherung zukünftiger GPU-Preise. Damit hat die künstliche Intelligenz den Serverraum endgültig verlassen und den Kapitalmarkt erreicht.
Für Unternehmenslenker verändert sich damit auch die strategische Perspektive. Die Frage nach dem besten Modell oder dem geeignetsten Copiloten bleibt wichtig, ist aber nur noch ein Teil des Bildes. Wer künstliche Intelligenz in großem Maßstab einsetzen möchte, wird sich zunehmend mit Fragen auseinandersetzen müssen, die bislang eher aus Energieversorgung, Industrie und Finanzierung bekannt waren: Wie verlässlich ist der Anbieter? Welche Abhängigkeiten entstehen? Wie flexibel sind langfristige Verträge? Wie entwickelt sich der Preis der benötigten Rechenleistung? Welche Rolle spielen Datenstandort und Portabilität? Und was geschieht mit der eigenen Kostenstruktur, wenn ein heute noch knapper Produktionsfaktor plötzlich deutlich günstiger wird – oder umgekehrt noch knapper als erwartet?
Die nächste Phase des KI-Wettbewerbs wird deshalb vermutlich nicht allein von besseren Algorithmen entschieden. Sie wird auch davon abhängen, wer Rechenleistung finanzieren, mit Energie versorgen und über Jahre hinweg auslasten kann. Damit rücken drei ausgesprochen klassische ökonomische Größen ins Zentrum einer Technologie, die sich selbst gerne als Beginn einer völlig neuen Epoche versteht: Kapital, Energie und Auslastung.
Darin liegt genau die eigentliche Pointe des derzeitigen KI-Booms. Je leistungsfähiger und abstrakter die Modelle werden, desto physischer wird die Infrastruktur, auf der sie beruhen. Und je größer diese Infrastruktur wird, desto weniger genügt es, künstliche Intelligenz ausschließlich als Softwareinnovation zu betrachten. Wer verstehen will, wem die nächste Phase der KI-Ökonomie gehören wird, sollte deshalb nicht nur auf die nächste Modellgeneration schauen- und sollte sich ansehen, wem die Rechenzentren gehören, wer ihre Schulden finanziert und wer am Ende die Rechnung für ihre Auslastung bezahlt. ■
#KünstlicheIntelligenz #ArtificialIntelligence #AI #AIInfrastructure #AICompute #Compute #Neocloud #CloudComputing #GPU #NVIDIA #DataCenters #AIGigafactories #AIFactories #AIInvestment #TechInvestment #DigitalInfrastructure #DigitalSovereignty #EuropeanAI #AIEurope #AIinGermany #HighPerformanceComputing #HPC #DigitalTransformation #TechnologyStrategy #Innovation #FutureOfAI #AIEconomy #TechEconomy #EnterpriseAI #KIExpertenforum
