Mega-Modelle sind nicht der Kern der Rechenkrise

Jedes Mal, wenn ein neues KI-Modell veröffentlicht wird – GPT-Updates, DeepSeek, Gemini – staunen die Menschen über die enorme Größe, die Komplexität und zunehmend über den Rechenhunger dieser Mega-Modelle. Die Annahme ist, dass diese Modelle die Ressourcenbedürfnisse der KI-Revolution definieren.

Diese Annahme ist falsch.

Ja, große Modelle sind rechenintensiv. Aber der größte Druck auf die KI-Infrastruktur kommt nicht von einer Handvoll Mega-Modellen – er kommt von der stillen Verbreitung von KI-Modellen über Branchen hinweg, jedes für spezifische Anwendungen fein abgestimmt, jedes auf unvorhersehbare Weise Rechenleistung verbrauchend.

Trotz des potenziellen Wettbewerbs unter den LLMs zentralisiert sich die KI-Landschaft nicht – sie fragmentiert sich. Jedes Unternehmen nutzt nicht nur KI – sie trainieren, passen und bereitstellen private Modelle an, die auf ihre Bedürfnisse zugeschnitten sind. Es ist diese Situation, die eine Infrastrukturanforderungskurve schaffen wird, auf die Cloud-Anbieter, Unternehmen und Regierungen nicht vorbereitet sind.

Wir haben dieses Muster bereits gesehen. Cloud hat nicht die IT-Arbeitslasten konsolidiert – sie hat ein sich ausbreitendes Hybrid-Ökosystem geschaffen. Zuerst war es Server-Sprawl. Dann VM-Sprawl. Jetzt? KI-Sprawl. Jede Welle der Rechnertechnologie führte zu einer Verbreitung, nicht zu einer Vereinfachung. KI ist da keine Ausnahme.

KI-Sprawl: Warum die Zukunft der KI aus einer Million Modellen und nicht nur einem besteht

Finanzen, Logistik, Cybersicherheit, Kundenservice, Forschung und Entwicklung – jede hat ihr eigenes KI-Modell, das für ihre eigene Funktion optimiert ist. Organisationen trainieren nicht ein KI-Modell, um ihre gesamte Operation zu beherrschen. Sie trainieren Tausende. Das bedeutet mehr Trainingszyklen, mehr Rechenleistung, mehr Speicherbedarf und mehr Infrastruktur-Sprawl.

Dies ist nicht theoretisch. Selbst in Branchen, die traditionell vorsichtig bei der Technologieadoption sind, beschleunigt sich die KI-Investition. Ein McKinsey-Bericht von 2024 fand heraus, dass Organisationen jetzt KI in durchschnittlich drei Geschäftsfunktionen einsetzen, wobei Fertigung, Lieferkette und Produktentwicklung die Spitze bilden (McKinsey).

Gesundheitswesen ist ein gutes Beispiel. Navina, ein Startup, das KI in elektronische Gesundheitsakten integriert, um klinische Erkenntnisse zu gewinnen, hat gerade 55 Millionen Dollar in Serie-C-Finanzierung von Goldman Sachs erhalten (Business Insider). Energie ist nicht anders – Branchenführer haben das Open Power AI Consortium ins Leben gerufen, um KI-Optimierung für Netz- und Anlagenbetrieb zu bringen (Axios).

Der Rechenaufwand, über den niemand spricht

KI bricht bereits traditionelle Infrastrukturmodelle. Die Annahme, dass Cloud unbegrenzt skaliert, um KI-Wachstum zu unterstützen, ist völlig falsch. KI skaliert nicht wie traditionelle Arbeitslasten. Die Nachfragekurve ist nicht allmählich – sie ist exponentiell, und Hyperscaler halten nicht Schritt.

• Leistungsbeschränkungen: KI-spezifische Rechenzentren werden jetzt um Leistungsverfügbarkeit herum gebaut, nicht nur um Netzwerkrückgrate.
• Netzwerk-Engpässe: Hybrid-IT-Umgebungen werden ohne Automatisierung unverwaltbar, was KI-Arbeitslasten nur verschärfen wird.
• Wirtschaftlicher Druck: KI-Arbeitslasten können Millionen in einem einzigen Monat verbrauchen, was finanzielle Unvorhersehbarkeit schafft.

Rechenzentren verbrauchen bereits 1% des globalen Stromverbrauchs. In Irland verbrauchen sie jetzt 20% des nationalen Stromnetzes, ein Anteil, der bis 2030 erheblich ansteigen soll (IEA).

Dazu kommt der drohende Druck auf GPUs. Bain & Company warnte kürzlich, dass das KI-Wachstum den Boden für eine Halbleiterknappheit bereitet, getrieben von der explosiven Nachfrage nach Rechenzentrum-Grade-Chips (Bain).

Währenddessen wächst das Nachhaltigkeitsproblem von KI. Eine Analyse von 2024 in Sustainable Cities and Society warnt, dass die weitverbreitete Einführung von KI im Gesundheitswesen den Energieverbrauch und die Kohlenstoffemissionen des Sektors erheblich erhöhen könnte, es sei denn, es werden gezielte Effizienzen erzielt (ScienceDirect).

KI-Sprawl ist größer als der Markt – es ist eine Frage der Staatsmacht

Wenn Sie denken, KI-Sprawl sei ein Unternehmensproblem, denken Sie noch einmal nach. Der größte Treiber der KI-Fragmentierung ist nicht der private Sektor – es sind Regierungen und militärische Verteidigungsbehörden, die KI in einem Umfang einsetzen, den kein Hyperscaler oder Unternehmen erreichen kann.

Die US-Regierung allein hat KI in über 700 Anwendungen in 27 Agenturen eingesetzt, darunter Intelligenzanalyse, Logistik und mehr (FedTech Magazine).

Kanada investiert bis zu 700 Millionen Dollar, um die inländische KI-Rechenleistung zu erweitern und eine nationale Herausforderung zu starten, um souveräne Rechenzentrum-Infrastruktur zu stärken (Innovation, Science and Economic Development Canada).

Und es gibt wachsende Forderungen nach einem “Apollo-Programm” für KI-Infrastruktur – was die Erhebung von KI von einem kommerziellen Vorteil zu einem nationalen Imperativ unterstreicht (MIT Technology Review).

Militärische KI wird nicht effizient, koordiniert oder für Kosten optimiert – sie wird von nationalen Sicherheitsmandaten, geopolitischer Dringlichkeit und der Notwendigkeit von geschlossenen, souveränen KI-Systemen getrieben. Selbst wenn Unternehmen KI-Sprawl einhegen, wer wird den Regierungen sagen, sie sollten langsamer machen?

Denn wenn die nationale Sicherheit auf dem Spiel steht, fragt niemand, ob das Stromnetz es aushält.