Chris Miglino, CEO von Axe Compute – Interviewreihe

Chris Miglino ist CEO von Axe Compute und verfügt über mehr als zwei Jahrzehnte Erfahrung im Aufbau, in der Skalierung und bei Investitionen in Technologieunternehmen. Er war Mitgründer von Social Reality und arbeitete mit DNA Fund zusammen. Dabei verbindet er unternehmerischen Hintergrund mit Erfahrung an den Kapitalmärkten und bei Infrastrukturinvestitionen. Bei Axe Compute konzentriert er sich auf die betrieblichen und finanziellen Herausforderungen, die mit dem Ausbau dedizierter KI-Rechenkapazität für Unternehmenskunden verbunden sind.

Axe Compute stellt dedizierte Bare-Metal-GPU-Infrastruktur für KI-Workloads in Unternehmen bereit. Das Angebot Axe Access ermöglicht den Zugang zu verfügbarer GPU-Kapazität, während Axe Build Infrastruktur entwickelt, die auf die längerfristigen Anforderungen der Kunden zugeschnitten ist. In diesem Interview spricht Miglino über die Wirtschaftlichkeit von GPUs, Einschränkungen bei der Stromversorgung, Clusterleistung, Partnerschaften bei der Bereitstellung sowie darüber, wie der Wandel hin zu Inferenz und KI-Agenten die Nachfrage nach Unternehmensinfrastruktur verändern könnte.

Ihre Laufbahn umfasst mehr als zwei Jahrzehnte unternehmerischer Tätigkeit – von der Mitgründung von Social Reality über die Leitung von DNA Fund bis zu Ihrer heutigen Position als CEO von Axe Compute. Was hat Sie ursprünglich am Markt für KI-Infrastruktur gereizt, und welche Chance haben Sie erkannt, auf die herkömmliche Cloud-Anbieter nicht angemessen eingegangen sind?

Die Chance, die ich erkannte, war einfach: KI entwickelt sich schneller als die Infrastruktur, die sie unterstützen soll. Ich habe mehr als zwei Jahrzehnte damit verbracht, Unternehmen aufzubauen, zu skalieren und in sie zu investieren. Genau in dieser Lücke habe ich die größten Chancen gefunden. Von der Mitgründung von Social Reality bis zu meiner Arbeit bei DNA Fund haben mich stets grundlegende Probleme angezogen, bei denen ein klarer Weg von neuer Technologie zu echtem kommerziellem Mehrwert führt. Unternehmen investierten Milliarden in KI, doch viele konnten sich keine verlässliche Kapazität zu Kosten sichern, die wirtschaftlich sinnvoll waren. Herkömmliche Cloud-Anbieter haben außergewöhnlich erfolgreiche Unternehmen aufgebaut, doch ihre Infrastruktur ist auf flexible, gemeinsam genutzte Umgebungen ausgelegt – nicht auf kontinuierliche, rechenintensive KI-Workloads, die rund um die Uhr laufen. Ich habe selbst Unternehmen aufgebaut und weiß daher, was Unternehmen brauchen: planbare Kosten, verlässlichen Zugang und Raum für Wachstum. Ich sah die Chance, eine dedizierte Infrastruktur zu schaffen, die auf die tatsächlichen Anforderungen von KI in Unternehmen zugeschnitten ist und ihnen die Kontrolle über ihre Rechenleistung gibt, ohne sie zu Rechenzentrumsbetreibern zu machen. Deshalb bin ich bei Axe Compute. Die Unternehmen, die die Infrastruktur hinter der KI aufbauen, werden darüber entscheiden, wie weit und wie schnell sich die Technologie skalieren lässt.

Da Unternehmen den Einsatz von KI beschleunigen, ist der Zugang zu leistungsstarker GPU-Rechenleistung zu einem entscheidenden Faktor geworden. Welche größten Fehlvorstellungen haben Unternehmen hinsichtlich ihres Rechenbedarfs, und wie sollten sie dedizierte GPU-Infrastruktur mit herkömmlichen Cloud-Diensten vergleichen?

Der größte Irrtum ist die Annahme, dass mehr GPUs automatisch eine bessere KI-Leistung bedeuten. Die Architektur rund um diese GPUs, der verlässliche Zugang zu ihnen und die Kosten für ihren Betrieb sind ebenso wichtig. Der zweite Irrtum besteht darin, anzunehmen, dass das für Unternehmenssoftware entwickelte Cloud-Modell auch für KI das richtige ist. Public Cloud eignet sich hervorragend für Experimente, unvorhersehbaren Bedarf und Workloads, die sich schnell hoch- oder herunterfahren lassen. Sobald man jedoch im Produktivbetrieb rund um die Uhr rechenintensive Workloads ausführt, ändern sich die Kostenverhältnisse. Man bezahlt dann nicht mehr für gelegentliche Rechenleistung, sondern finanziert einen kontinuierlichen Industriebetrieb über ein verbrauchsbasiertes Preismodell. Ich rate Unternehmen, Auslastung, Laufzeit der Workloads, Netzwerkanforderungen und Gesamtkosten über mehrere Jahre hinweg zu betrachten – nicht nur die stündlichen GPU-Preise. Dedizierte Infrastruktur bietet bei dauerhaft laufenden Workloads planbare Kosten und Kontrolle. Welche Lösung die richtige ist, hängt jedoch davon ab, wie man KI tatsächlich einzusetzen plant.

Axe Compute bietet mit Axe Access und Axe Build zwei unterschiedliche Modelle, die sowohl sofort verfügbare GPUs als auch speziell entwickelte KI-Infrastruktur ermöglichen. Können Sie erklären, wie diese Modelle funktionieren, welche Kundengruppen sie bedienen und wie Unternehmen herausfinden können, welcher Ansatz am besten zu ihren KI-Workloads passt?

Wir haben Axe Access und Axe Build entwickelt, weil Unternehmen nicht alle am selben Punkt stehen und nicht in dasselbe Infrastrukturmodell gezwungen werden sollten. Axe Access richtet sich an Unternehmen, die jetzt dedizierte GPU-Kapazität benötigen – sei es, um einen bestehenden Betrieb auszubauen, ein neues Modell einzuführen oder sich von ihrem bisherigen Anbieter unabhängiger zu machen. Axe Build ist für Kunden gedacht, die eine dedizierte Infrastruktur benötigen, die auf ihre langfristigen Anforderungen zugeschnitten ist – von der Kapazität über die Architektur bis hin zum Betrieb. Die Entscheidung hängt von Zeitpunkt, Umfang und Anpassungsbedarf ab. Müssen Sie Workloads sofort ausführen, beginnen Sie mit verfügbarer Kapazität. Planen Sie einen mehrjährigen KI-Betrieb, bauen Sie die passende Infrastruktur dafür auf. Entscheidend ist für mich, Kunden einen praktikablen Weg von der Nachfrage zu einsatzbereiter Kapazität zu eröffnen, denn die Technologie ist erst dann wertvoll, wenn man sie nutzen kann.

Axe Compute hat KI-Infrastrukturprojekte mit einem Vertragsvolumen von mehr als 3,45 Milliarden US-Dollar angekündigt, was die erhebliche Nachfrage nach dedizierter Rechenkapazität widerspiegelt. Was waren die größten Herausforderungen dabei, diese Zusagen in betriebsbereite GPU-Cluster umzusetzen, und welche Lehren haben Sie daraus gezogen, die Infrastruktur in diesem Tempo auszubauen?

Die wichtigste Erkenntnis ist, dass es zwei völlig unterschiedliche Disziplinen sind, Nachfrage zu gewinnen und Infrastruktur bereitzustellen – und man muss in beiden außergewöhnlich gut sein. Bei vertraglich vereinbarten Projekten im Wert von mehr als 3,45 Milliarden US-Dollar zählt jede Phase: Einrichtungen, Stromversorgung, Beschaffung, Finanzierung, Netzwerktechnik und die technische Arbeit, die nötig ist, um Cluster in Betrieb zu nehmen. Jede Phase hat ihren eigenen Zeitplan, und eine einzige Verzögerung kann die gesamte Bereitstellung aufhalten. Der entscheidende Faktor ist die Stromversorgung. Man kann Zusagen, Kapital und Ausrüstung bereitstehen haben, aber ohne Strom erwirtschaftet nichts davon eine Rendite. Wir haben gelernt, bei der Reihenfolge von Projekten, der Auswahl von Partnern und der Kapitalallokation diszipliniert zu skalieren. Und wir vergessen nie, dass der Wert vertraglich vereinbarter Projekte nicht mit bereits bereitgestellter und umsatzgenerierender Infrastruktur gleichzusetzen ist. Erfolgreich werden die Unternehmen sein, die Zusagen konsequent in zuverlässige, betriebsbereite Kapazität umsetzen. Die Umsetzung ist das Geschäftsmodell.

Die Verfügbarkeit von GPUs steht bei Diskussionen über KI-Infrastruktur oft im Mittelpunkt. Doch auch Stromversorgung, Kühlung, Netzwerktechnik und Rechenzentrumskapazitäten können ähnlich große Engpässe darstellen. Welcher dieser Engpässe ist Ihrer Meinung nach die größte langfristige Gefahr für die Skalierbarkeit von KI, und wie begegnet Axe Compute diesen Herausforderungen?

Stromversorgung. Fast alle anderen Bereiche der KI-Infrastruktur lassen sich schneller ausbauen oder aufrüsten als die zugrunde liegenden Stromversorgungssysteme. Die GPU-Technologie entwickelt sich rasch weiter, Kapital lässt sich einsetzen und Einrichtungen lassen sich bauen. Doch der Ausbau von Übertragungsleitungen, Netzanschlüssen und Erzeugungskapazitäten im großen Maßstab dauert oft länger als die Planungszyklen von KI-Unternehmen. Wir brauchen ein Stromnetz, das auf Grundlage einer verlässlichen Nachfrage geplant ist und die massiven neuen Konzentrationen von Rechenleistung aufnehmen kann. Das lässt sich nicht dadurch lösen, dass man mehr Geld für Hardware ausgibt. Axe Compute richtet die Infrastrukturentwicklung an der realistisch verfügbaren Stromversorgung aus und arbeitet mit Partnern zusammen, die sich mit KI-Bereitstellungen mit hoher Leistungsdichte auskennen. Kühlung und Netzwerktechnik sind entscheidend, insbesondere wenn die Rack-Dichte steigt. Doch eine zuverlässige und bezahlbare Stromversorgung wird bestimmen, wo KI-Infrastruktur entsteht und welche Betreiber profitabel skalieren können.

Der Aufbau eines leistungsstarken KI-Clusters umfasst weit mehr als die Montage Tausender GPUs. Wie wirken sich Faktoren wie die Netzwerkarchitektur, der Speicherdurchsatz, die Workload-Orchestrierung und die GPU-Auslastung auf die Leistung in der Praxis aus, und wo unterschätzen Unternehmen die technische Komplexität am häufigsten?

Die GPU steht im Mittelpunkt der Aufmerksamkeit, doch ihre Leistung hängt von allem ab, was sie umgibt – und genau hier unterschätzen Unternehmen die Komplexität. Man kann extrem leistungsstarke Prozessoren einsetzen. Wenn das Netzwerk jedoch Daten nicht effizient zwischen ihnen übertragen kann oder der Speicher sie nicht schnell genug mit Daten versorgt, bezahlt man für ungenutzte Kapazität. Besonders wichtig ist das beim Training im großen Maßstab, bei dem die Kommunikation zwischen GPUs maßgeblich beeinflussen kann, wie schnell das Training eines Modells abgeschlossen ist. Die Orchestrierung fügt eine weitere Komplexitätsebene hinzu, denn man muss Planung, Ressourcenzuweisung, Ausfälle und wechselnde Nachfrage verwalten, ohne Kapazitäten ungenutzt zu lassen. Ich beurteile die Leistung anhand des tatsächlich erzielten Nutzens, nicht anhand theoretischer Kennzahlen, denn ein gut ausgelasteter Cluster kann wirtschaftlich deutlich effizienter sein als ein größerer, der ineffizient betrieben wird. KI-Infrastruktur muss kontinuierlich über Hardware, Software und Betrieb hinweg optimiert werden. Der Kauf von Ausrüstung ist keine einmalige Angelegenheit.

Axe Compute hat vor Kurzem eine strategische Partnerschaft mit Penguin Solutions angekündigt, um die Bereitstellung von KI-Infrastruktur im großen Maßstab zu beschleunigen. Welche konkreten technischen und betrieblichen Fähigkeiten bringt diese Partnerschaft mit sich, und wie trägt sie dazu bei, die Bereitstellungszeiten zu verkürzen und zugleich Zuverlässigkeit und Leistung sicherzustellen?

Penguin bringt drei Dinge ein: von Experten geleitete Bereitstellungs- und Betriebsservices an ausgewählten GPU-Cluster-Standorten, die Software ClusterWareAI zur Verwaltung des Clusterbetriebs im großen Maßstab sowie eine 24×7-Abdeckung durch ein Netzwerkbetriebszentrum mit einem Penguin-Team, das mit unserem Team zusammenarbeitet. Das ist wichtig, denn die nächste Phase des Wachstums der KI-Infrastruktur hängt davon ab, wie effizient Unternehmen komplexe Umgebungen im großen Maßstab bereitstellen und betreiben können. Bei der Bereitstellung eines KI-Clusters müssen Rechenleistung, Netzwerktechnik, Speicher und Verwaltungssysteme zu einer Umgebung integriert werden, die auch unter anspruchsvollen Workloads zuverlässig läuft. Die Fachleute von Penguin erhöhen unsere Bereitstellungskapazität, sodass wir schneller bereitstellen, mehr Projekte übernehmen und das Umsetzungsrisiko verringern können. Ziel ist es, die Bereitstellung planbarer und besser reproduzierbar zu machen, ohne Abstriche bei der Leistung. Denn ein Projekt schneller abzuschließen, schafft nur dann Mehrwert, wenn die Infrastruktur nach der Inbetriebnahme zuverlässig läuft.

Wie werden sich Ihrer Einschätzung nach die Anforderungen von Unternehmen an die Rechenleistung verändern, wenn sich KI über das Training großer Modelle hinaus in Richtung Inferenz, autonomer Agenten und Echtzeitanwendungen weiterentwickelt? Wird dieser Wandel die Konzeption, Bereitstellung und geografische Verteilung von GPU-Clustern grundlegend verändern?

Inferenz wird letztlich einen enormen Anteil am kommerziellen KI-Infrastrukturmarkt ausmachen, insbesondere wenn Unternehmen nicht mehr nur Modelle entwickeln, sondern KI in Produkte, Betriebsabläufe und kundennahe Dienste integrieren. Das Training erfolgt in konzentrierten Phasen. Bei der Inferenz geht es um Verfügbarkeit, Latenz, Durchsatz und die kontinuierliche Verarbeitung von Millionen Anfragen. Agenten kommen als weitere Ebene hinzu: Sie führen mehrere Aufgaben aus und greifen im Verlauf eines Arbeitsablaufs wiederholt auf Modelle zu. Jede einzelne Anfrage mag klein sein, doch die Gesamtnachfrage steigt schnell. Ich gehe davon aus, dass große, zentralisierte Cluster weiterhin anspruchsvolle Workloads bewältigen werden, während geografisch stärker verteilte Kapazitäten Anwendungen unterstützen, bei denen Reaktionszeiten und der Speicherort der Daten eine Rolle spielen. Unternehmen werden außerdem besser darin, Workloads der jeweils passenden Hardware zuzuweisen, statt davon auszugehen, dass alles die leistungsstärkste GPU erfordert. Mich begeistert, dass die Nachfrage deutlich vielfältiger werden wird. Davon profitieren Anbieter, die die passende Kapazität am passenden Standort und zu den passenden wirtschaftlichen Konditionen bereitstellen können.

Der Aufbau einer KI-Infrastruktur erfordert erhebliche Vorabinvestitionen, während sich die GPU-Technologie weiterhin rasant weiterentwickelt. Wie geht Axe Compute bei der Finanzierung und dem Betrieb dedizierter GPU-Cluster wirtschaftlich vor, und wie können Unternehmen vermeiden, sich an teure Hardware zu binden, die möglicherweise schon vor dem Ende ihrer Nutzungsdauer veraltet?

Ausgangspunkt ist die Kundennachfrage, nicht die Hardware. Teure Geräte zu kaufen und darauf zu hoffen, dass sie anschließend ausgelastet werden, ist der falsche Ansatz. Dies ist kein Softwaregeschäft: Hier geht es um schwere physische Anlagen, lange Bauzeiten und Technologie, die sich innerhalb kurzer Zeit dramatisch verbessert. Bei Axe Compute basiert unser Ansatz auf vertraglich gesicherter Nachfrage, disziplinierter Bereitstellung und einer Infrastruktur, die auf Kunden mit dauerhaftem Kapazitätsbedarf ausgelegt ist. Die technische Überalterung ist real, aber eine GPU, die nicht mehr die neueste ist, hat deshalb nicht automatisch keinen kommerziellen Wert mehr. Nicht jede Inferenzanwendung und jedes KI-System in Unternehmen benötigt die neueste Hardwaregeneration, und durch eine intelligente Zuweisung der Workloads lässt sich die produktive Nutzungsdauer der vorhandenen Infrastruktur verlängern. Kunden sollten die Wirtschaftlichkeit über die gesamte Vertragslaufzeit hinweg betrachten: Auslastung, Leistungsanforderungen und Flexibilität im Zuge des technologischen Fortschritts. Ziel ist es, sicherzustellen, dass die wirtschaftliche Nutzungsdauer der Infrastruktur die dafür eingesetzten Investitionen rechtfertigt – und kein Geschäftsmodell aufzubauen, das davon abhängt, dass die Hardware für immer ihren ursprünglichen Wert behält.

Wo sehen Sie mit Blick auf die kommenden drei bis fünf Jahre die größten Chancen für Innovationen und Investitionen in die KI-Infrastruktur? Wird der Markt Ihrer Einschätzung nach weiterhin von Hyperscalern und großen GPU-Anbietern dominiert werden, oder könnten spezialisierte Infrastrukturunternehmen grundlegend verändern, wie Unternehmen Zugang zu KI-Rechenleistung erhalten?

Ein so großer und komplexer Markt lässt sich nicht effizient von einer Handvoll Anbietern bedienen, die alle dasselbe Infrastrukturmodell verfolgen. Die Hyperscaler werden weiterhin eine enorme Bedeutung haben, aber ich bin mit Blick auf die kommenden drei bis fünf Jahre sehr optimistisch, was spezialisierte Betreiber angeht. Wir stehen noch am Anfang, KI-Investitionen in die Infrastruktur umzusetzen, auf die Unternehmen sich täglich verlassen. Unternehmen haben unterschiedliche Anforderungen an Leistung, Datenhoheit, Kosten, Zeitpläne und geografische Standorte. Das eröffnet Betreibern wie uns echte Chancen. Die interessantesten Investitionsmöglichkeiten sehe ich bei der Energieinfrastruktur, effizienteren Kühlsystemen, fortschrittlicher Netzwerktechnik und Software zur besseren GPU-Auslastung, denn diese Faktoren wirken sich unmittelbar auf die Wirtschaftlichkeit von KI aus. Auch die Finanzierung wird sich weiterentwickeln, da Investoren mehr Vertrauen in die Anlagen und die Cashflows aus vertraglich gesicherter Kapazität gewinnen. Für Axe Compute besteht die Chance darin, beim Aufbau dieses Marktes zu helfen, indem wir Organisationen, die KI ernsthaft in den Produktivbetrieb überführen wollen, dedizierte KI-Kapazität zugänglicher, planbarer und skalierbarer machen. Genau das meinen wir mit Rechenleistung ohne Kompromisse.

Vielen Dank für das interessante Interview. Leserinnen und Leser, die sich über dedizierte GPU-Kapazitäten und KI-Infrastruktur für Unternehmen informieren möchten, sollten Axe Compute besuchen.