Künstliche Intelligenz beginnt nicht im Prompt. Sie beginnt im Rack. Sie beginnt bei Stromanschlüssen, Kühlkreisläufen, Lieferzeiten, Auslastung, Kabeln, Containern, Software-Tuning und der Frage, wie viele Tokens ein Unternehmen pro Euro, pro Watt und pro Stunde erzeugen kann.
Das klingt prosaisch. Es ist der neue Kostenkern der digitalen Wirtschaft. Darren Cox, General Manager von KAYTUS, beschreibt das Problem mit der Sprache eines Infrastrukturmannes. Viele Unternehmen wollen KI nutzen, bevor die Chance wieder verschwunden ist. Doch der Aufbau eines AI-Clusters dauert oft länger als der Markt wartet. 18 Monate, zwei Jahre: In dieser Zeit ändern sich Modelle, Preise, Kundenwünsche, Wettbewerber und Geschäftslogiken. Wer dann erst online geht, startet mit veralteter Kalkulation.
Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren
Cox nennt drei Engpässe, die über die KI-Ökonomie der nächsten Jahre entscheiden: Geschwindigkeit, Auslastung und Energie. Die Großen der Branche erreichen nach seiner Darstellung CPU-Auslastungen von 70 bis 80 Prozent. Kleine Anbieter, junge Firmen und viele Organisationen bleiben bei 15 bis 30 Prozent hängen. Dazwischen liegt kein technischer Schönheitsfehler. Dort liegt Geld. Dort liegt die Frage, ob KI ein Geschäftsmodell trägt oder nur eine teure Demonstration bleibt.
Tokens sind die neue Stückzahl
Industrieunternehmen kennen Stückkosten. Händler kennen Lagerumschlag. Medienhäuser kennen Reichweite. In der KI-Ökonomie kommt eine neue Kennzahl hinzu: Token-Ausbeute. Ein Token ist klein. Seine Summe ist groß. Jede Antwort eines Sprachmodells, jede Übersetzung, jede Analyse, jede Code-Zeile, jede Zusammenfassung, jedes Agentensystem verbraucht Tokens. Die Firma zahlt dafür über Hardware, Energie, Lizenz, Kühlung, Speicher, Netzwerk, Wartung und Personal. Wer Tokens verkauft, muss sie effizient erzeugen. Wer Tokens intern nutzt, muss wissen, welche Geschäftsprozesse dadurch schneller, besser oder kostengünstiger werden.
Cox formuliert das direkt: Der Cluster selbst verdient kein Geld. Erst die Tokens schaffen Umsatz oder geschäftlichen Nutzen. Damit verschiebt sich die Diskussion. KI ist keine Softwarefrage allein. Sie wird zur Produktionsfrage. Wie schnell entsteht Rechenleistung? Wie zuverlässig läuft sie? Wie hoch ist die Auslastung? Wie viel Energie verbraucht ein Ergebnis? Wie viel Kühlung braucht ein Rack? Wie lange dauert es vom Investment bis zur Monetarisierung?
Das ist die Sprache der Fabrik. Nur steht diese Fabrik in Rechenzentren.
Die große Verzögerung
Für viele Unternehmen klingt KI nach Geschwindigkeit. Die Infrastruktur dahinter arbeitet oft im Takt der Bauwirtschaft. Genehmigungen, Stromanschlüsse, Flächen, Kühlung, Lieferketten, GPU-Verfügbarkeit, Netzwerktechnik, Speicherarchitektur, Brandschutz, Betriebskonzepte. Wer einen AI-Cluster plant, betritt kein rein digitales Feld. Er betritt ein industrielles Projekt.
Cox spricht deshalb über „time to online“. Nicht die Folie entscheidet. Nicht die Strategie. Entscheidend ist der Tag, an dem der Cluster tatsächlich läuft. KAYTUS setzt auf modulare und containerisierte Lösungen. Teile des Rechenzentrums werden vormontiert, verkabelt, getestet, verpackt und geliefert. In der radikaleren Variante kommt ein kompletter Rechenzentrumsbaustein im Container: aufstellen, anschließen, betreiben.
Das Ziel ist eine andere Zeitrechnung. Aus 18 bis 24 Monaten sollen vier bis sechs Monate werden. Für Start-ups, Forschungseinrichtungen, Rechenzentrumsbetreiber und Industrieunternehmen ist das kein Komfortgewinn. Es verändert die Investitionslogik. Kapital ist im KI-Zeitalter nicht nur teuer. Es altert schnell.
Ein Cluster, der zwei Jahre nach der Entscheidung online geht, steht in einer anderen Welt als der, für die er gekauft wurde.
Europa trifft auf die Steckdose
Die zweite Grenze liegt im Strom. Cox spricht von AI-Deployments mit bis zu 250 Kilowatt pro Rack. Traditionelle Rechenzentren sind dafür oft nicht gebaut. Wer an KI denkt, muss also über Umspannwerke, Netzzugang, Energieverträge, Kühlung und Abwärme sprechen.
Das wird für Deutschland und Europa zum Standortthema. Die großen Cluster stehen hier noch am Anfang. Cox erwartet die großen Deployments ab 2027. Dann wird sichtbar, welche Regionen die Last tragen können. Glasfaser allein reicht nicht. Talent allein reicht nicht. Förderprogramme allein reichen nicht. Ohne Energie, Kühlung und Flächen bleiben KI-Strategien dekorativ.
Für den Mittelstand entsteht daraus eine unbequeme Wahl. Nicht jedes Unternehmen wird eigene KI-Infrastruktur betreiben. Viele werden Cloud-Angebote nutzen. Doch auch dann verschwindet die Infrastrukturfrage nicht. Sie wandert in die Kostenstruktur des Anbieters, in Verträge, Latenzen, Datenhaltung, Compliance und Abhängigkeiten. Wer KI in Produkte, Service, Entwicklung oder Verwaltung einbaut, muss verstehen, wo die Rechenleistung sitzt und wie ihr Preis entsteht.
Der Mittelstand braucht keine KI-Romantik
Viele Geschäftsleitungen fragen noch: Welches Modell nutzen wir? Die härtere Frage lautet: Welcher Prozess verdient den Rechenaufwand?
Ein Sprachmodell kann Angebote schreiben, Servicefälle vorsortieren, technische Dokumentation durchsuchen, Einkaufsdaten analysieren, Code generieren, Wartungsberichte verdichten, Qualitätsabweichungen erkennen und Vertriebswissen zugänglich machen. Doch jede dieser Anwendungen verbraucht Tokens. Jede braucht Datenqualität, Berechtigungen, Prozessanbindung und Kontrolle.
Der Mittelstand wird daher in den kommenden Jahren eine neue Disziplin lernen müssen: KI-Betriebswirtschaft. Dazu gehört die Entscheidung, welche Aufgaben billige Modelle erledigen dürfen, wo leistungsfähigere Systeme nötig sind, welche Daten lokal bleiben, welche Abläufe in die Cloud können und wo eigene Infrastruktur sinnvoll wird.
Die alte IT-Frage lautete: Was kostet der Server? Die neue Frage lautet: Was kostet eine Entscheidung, die von KI vorbereitet wird? Was kostet eine Kundenantwort? Was kostet ein Entwicklungszyklus? Was kostet ein Fehler? Was kostet eine zu langsame Antwort?
Große Unternehmen rechnen in Clustern
Konzerne werden früher oder später eigene KI-Fabriken aufbauen oder eng mit spezialisierten Betreibern zusammenarbeiten. Für sie geht es um Verfügbarkeit, Skalierung, Datensouveränität und Kostenkontrolle. In Forschung, Produktentwicklung, Simulation, Logistik, Marketing, Kundenservice und Softwareentwicklung entstehen ständig neue Rechenbedarfe.
Cox verweist auf ein Beispiel an der Universität Köln: 48-facher Performance-Faktor gegenüber der vorherigen Generation bei geringerem Energieverbrauch. Solche Sprünge verändern Budgets. Sie verändern auch Erwartungen. Wer mit weniger Energie mehr Leistung erzeugt, gewinnt nicht nur technisch. Er gewinnt Zeit, Handlungsspielraum und finanzielle Luft.
Doch die Rechnung bleibt hart. AI-Cluster kosten schnell Hunderte Millionen Dollar. Sie müssen sich amortisieren. Damit bekommt das Rechenzentrum eine Rolle, die früher der Fabrikhalle gehörte. Es wird zum Ort, an dem Kapitalbindung, Produktionsleistung, Energieeffizienz und Marktgeschwindigkeit zusammenlaufen.
Infrastruktur wird Chefsache
Lange galt IT-Infrastruktur als Thema für Spezialisten. Der Vorstand interessierte sich für Software, Daten, Plattformen und digitale Produkte. Server standen im Keller oder beim Dienstleister. KI dreht diese Ordnung um. Die Infrastruktur bestimmt, welche Strategie realistisch ist.
Ein Unternehmen, das KI in Entwicklung und Produktion einbauen will, braucht Rechenleistung zu kalkulierbaren Kosten. Ein Versicherer, der Dokumente automatisiert prüft, braucht sichere Datenpipelines und verlässliche Modelle. Ein Maschinenbauer, der Servicewissen per KI verfügbar macht, braucht klare Rechte, Speicherarchitektur und Latenz. Ein Händler, der Kundenkommunikation automatisiert, muss Tokenkosten gegen Marge rechnen.
Die Geschäftsführung muss daher neue Fragen stellen: Welche KI-Anwendungen bringen Umsatz? Welche sparen Kosten? Welche verbrauchen Rechenleistung ohne Wirkung? Welche Daten dürfen wohin? Wer misst Auslastung? Wer verhandelt Energie? Wer prüft, ob ein Modell kleiner, billiger und ausreichender wäre? Wer stoppt Projekte, die nur rechnen und nichts verbessern?
Container sind keine Abkürzung, sie sind eine andere Bauweise
KAYTUS verspricht vertikale Integration: Produktdesign, Fertigung, Vormontage, Logistik, Installation, Softwareabstimmung. Der Vorteil liegt in der Kontrolle der Kette. Weniger Schnittstellen bedeuten weniger Fehler beim Aufbau. Vorgefertigte Module verkürzen Lieferzeiten. Containerisierte Rechenzentren reduzieren Baustellenrisiken. Das erinnert an Fertighäuser, nur mit Hochleistungsrechnern, Stromschienen, Kühlung und Netzwerken.
Diese Bauweise passt zum KI-Zeitalter. Denn die Nachfrage wächst schneller als klassische Rechenzentren gebaut werden. Wer Kapazität modular aufbauen kann, gewinnt Flexibilität. Forschungseinrichtungen können Projekte schneller starten. Rechenzentrumsbetreiber können Kapazität näher an Nachfrage bringen. Unternehmen können Pilotcluster zügiger in Betrieb nehmen und später erweitern.
Doch auch Container brauchen Strom, Genehmigung, Kühlung, Sicherheit, Wartung und Integration. Der Container löst nicht die Standortfrage. Er macht sie sichtbarer.
Die neue Effizienzfrage
Effizienz war in der Digitalisierung lange ein Wort für schlanke Prozesse. In der KI bekommt sie einen physischen Kern. Ein schlecht ausgelasteter Cluster verbrennt Kapital. Ein ineffizient gekühltes Rack treibt Betriebskosten. Ein falsch abgestimmtes Modell frisst Tokens. Eine überdimensionierte Anwendung macht jede Kundenanfrage teurer als nötig.
Cox spricht vom Total Cost of Ownership. Der Begriff klingt trocken. Für KI wird er zum Überlebenskriterium. Die Kosten liegen nicht nur im Kauf der Hardware. Sie liegen im Betrieb, in Energie, Wartung, Kühlung, Software, Personal, Standzeit, Auslastung und der Zeit bis zum ersten produktiven Einsatz.
Wer KI ernsthaft einführt, muss daher messen. Nicht nur Modellgüte. Auch Kosten je Vorgang. Energie je Ergebnis. Auslastung je Cluster. Durchlaufzeit je Prozess. Fehlerquote je Automatisierung. Umsatzbeitrag je Anwendung. Ohne diese Kennzahlen wird KI zum Budgetloch mit Innovationsetikett.
Deutschland vor dem nächsten Infrastrukturtest
Deutschland diskutiert KI oft als Frage von Regulierung, Forschung und Anwendung. Das ist zu schmal. Die kommenden Jahre werden zeigen, ob der Standort KI-Infrastruktur im industriellen Maßstab beherrscht. Strompreise, Netzausbau, Genehmigungen, Rechenzentrumsflächen, Kühlung, Fachkräfte, Kapital und Lieferketten entscheiden mit.
Die großen Cluster kommen, sagt Cox. Ab 2027 werde das Spiel offener. Für Deutschland kann das eine Chance sein. Das Land kennt komplexe technische Systeme, industrielle Planung, Präzision, Mittelstand, Forschung, Maschinenbau, Chemie, Automotive, Medizintechnik. Viele dieser Branchen brauchen KI nicht als Chatfenster. Sie brauchen KI als Werkzeug für Simulation, Qualität, Wartung, Materialentwicklung, Robotik, Planung und Service.
Dafür braucht es Rechenleistung. Und Menschen, die diese Rechenleistung wirtschaftlich einsetzen.
Die Server sind zurück
Die digitale Ökonomie hat viele Jahre so getan, als sei Infrastruktur unsichtbar. Cloud klang leicht. Apps klangen immateriell. KI beendet diese Illusion. Hinter jedem Modell stehen Chips, Racks, Speicher, Kabel, Kühlung, Stromverträge und Lieferfristen.
Server werden damit wieder strategisch. Nicht als alte IT-Kisten. Als Produktionsmittel. Wer sie falsch plant, verliert Zeit. Wer sie schlecht auslastet, verliert Geld. Wer sie nicht bekommt, verliert Marktchancen. Wer sie effizient betreibt, senkt die Kosten der Intelligenz.
Die Wirtschaft muss sich daran gewöhnen. Der Wettbewerb um KI entscheidet sich nicht allein im Modell. Er entscheidet sich in der Fähigkeit, Rechenleistung rechtzeitig, effizient und bezahlbar in Geschäftsprozesse zu bringen. Tokens sind die neue Stückzahl. Das Rechenzentrum ist die neue Fabrik. Und der Mittelstand muss lernen, seine KI nicht an der Begeisterung zu messen, sondern an der Rechnung.
