Der Wettlauf um Künstliche Intelligenz wird physisch

In den vergangenen Jahren wurde die Geschichte der künstlichen Intelligenz fast ausschließlich in der Sprache der Software erzählt. Modelle werden immer leistungsfähiger, schneller und spezifischer. Milliarden von Dollar fließen in Grundmodelle, Forschungslabore und Start-ups, die ganze Branchen umgestalten wollen. Regierungen haben nationale KI-Strategien veröffentlicht und jedes Vorstandszimmer im Land hat über Integrationsstraßenkarten diskutiert. Das Gespräch war weit verbreitet, zukunftsorientiert und in wichtigen Aspekten unvollständig.

KI ist kein Zauber. Sie lebt nicht in der Wolke in irgendeiner metaphorischen Bedeutung. Jedes trainierte Modell, jede beantwortete Anfrage, jedes generierte Bild hängt von physischer Infrastruktur ab – Rechenzentren, die enorme Mengen an Energie verbrauchen, Kühlsysteme, die rund um die Uhr laufen, Glasfaserkabel, die Daten über Kontinente tragen, Umspannstationen, die alles mit funktionierenden Stromnetzen verbinden.

Die hohen Energiekosten der Inferenz

Wir haben mehr als 200 leitende KI-Entscheidungsträger in den USA befragt, und die Daten bestätigen, was viele innerhalb der Branche bereits anerkannt haben. Fast 29% der Organisationen sagen, dass Energiekosten bereits ihre Fähigkeit, KI zu skalieren, einschränken. Mehr als ein Viertel (28%) sagt, dass steigende Strompreise sie gezwungen haben, die KI-Schulung zu verlangsamen oder ganz einzustellen. Verzögerungen bei der Netzverbindung, Kühllimitationen, Konnektivitätsengpässe und Planungsengpässe werden alle als wachsende Barrieren genannt. Die Infrastrukturschicht, die lange als jemand anderes Problem behandelt wurde, ist jetzt jedermanns Problem.

Das ist nicht ganz überraschend, wenn man es im Nachhinein betrachtet. Der Maßstab, auf dem moderne KI operiert, ist wirklich außergewöhnlich. Das Training eines großen Frontier-Modells kann so viel Strom verbrauchen wie hunderte Haushalte in einem Jahr – ein einzelner GPT-4-Trainingslauf verbraucht ungefähr 50 GWh Strom – was dem Jahresverbrauch von 40.000 US-Haushalten entspricht. Die Ausführung von Inferenz über Millionen von täglichen Nutzern erfordert Rechenzentren einer Größe und Dichte, die vor einem Jahrzehnt noch undenkbar gewesen wären. Und die Nachfrage beschleunigt sich, getrieben von der Verbreitung von KI-Anwendungen, der Expansion von agentischen Systemen und der zunehmenden Integration von KI in Kerngeschäftsprozesse. Der Stromverbrauch von Rechenzentren wächst um etwa 15% pro Jahr – mehr als viermal so schnell wie der gesamte Stromverbrauch aller anderen Sektoren zusammen. Die physische Welt wird aufgefordert, eine exponentielle Kurve aufzunehmen, und sie wurde nie so schnell dazu entworfen.

Die Strategie verschiebt sich in die physische Welt

Was den aktuellen Moment besonders aufschlussreich macht, ist, wo die Einschränkungen tatsächlich auftreten. Land, stellt sich heraus, ist nicht das Kernproblem. Nur etwa 14% der Unternehmen in unserer Forschung identifizieren die Verfügbarkeit von Land als ihre primäre Herausforderung. Das härtere Problem ist alles, was passieren muss, nachdem man das Land gefunden hat. Ein Standort ohne Netzkapazität ist nutzlos; keine Planungsgenehmigung bedeutet, dass man gestrandet ist; und wenn es keine widerstandsfähige Konnektivität gibt, kann die KI nicht funktionieren. Der Flaschenhals ist nicht der Raum – es ist der komplexe, langsame Prozess, physischen Raum in betriebsfähige Rechenumgebungen umzuwandeln. Diese Unterscheidung ist wichtig, weil sie viel schwieriger mit Geld allein zu lösen ist.

Es verändert auch, wie wir über nationale KI-Wettbewerbsfähigkeit nachdenken sollten. Das Gespräch hat sich lange auf Forschungstalent, Investitionsvolumen und den Wettlauf, die leistungsfähigsten Modelle zu trainieren, konzentriert. Aber die Infrastrukturstrategie wird als ebenso entscheidende Variable herausgestellt. In Regionen, in denen die Genehmigung schneller erfolgt, in denen die Energiepolitik besser an die industrielle Nachfrage angepasst ist und in denen private Investitionen in große Infrastrukturprojekte reifer sind, kann KI einfach schneller skaliert werden. Die USA haben hier strukturelle Vorteile, die oft unterschätzt werden. Sie sind nicht glamouröse Vorteile – sie umfassen Netzplanung, Baurechtsreform und Versorgungsunternehmenskoordination – aber sie werden zunehmend folgenreich.

Geopolitik fügt eine weitere Schicht der Komplexität hinzu. Etwa ein Drittel (33%) der befragten Unternehmen sagen, dass sie aufgrund geopolitischer Bedenken aktiv darüber nachdenken, KI-Arbeitslasten in andere Regionen oder Länder zu verlagern. Neben den praktischen Einschränkungen von Strom und Planung müssen Organisationen jetzt auch Souveränität, Lieferkettenresilienz und politische Stabilität der Umgebungen berücksichtigen, in denen sie Rechenleistung bereitstellen. Das Ergebnis ist eine Neugestaltung, wohin KI-Infrastrukturinvestitionen fließen – in Regionen mit reichlich erneuerbarer Energie, verfügbarer Netzkapazität und schnelleren regulatorischen Wegen, unabhängig davon, wo diese Regionen auf einer traditionellen Technologiekarte liegen.

Die erste Phase der KI-Revolution wurde durch das definiert, was in der Software möglich war. Die nächste Phase wird durch das definiert, was in der physischen Welt erreichbar ist – durch die unglamouröse, mühsame Arbeit des Aufbaus von Strominfrastruktur, der Sicherung von Energieversorgung und der Navigation durch die bürokratische Komplexität der großflächigen industriellen Bereitstellung.

Hier wird die USA einen Vorteil haben, den keine Menge an Modellfähigkeit leicht überwinden kann. Die Zukunft von KI hängt davon ab, dass das Stromnetz funktioniert. Das ist weniger aufregend als die Schlagzeilen suggerieren. Es ist jedoch wichtiger.