Sie haben die Schlagzeilen sicher gesehen: Tech-Konzerne stecken Hunderte Milliarden Dollar in Rechenzentren von der Größe kleiner Städte. xAI, OpenAI, Google, Microsoft, Amazon – alle bauen um die Wette, immer größer, immer stromhungriger. Und die naheliegende Frage drängt sich auf: Wenn Sprachmodelle schon so gut sind, wozu braucht es dann Anlagen, die so viel Strom ziehen wie ganze Regionen?

Es ist keine Überwachung. Es ist Mathematik – nur eben in einem gewaltigen, teuren Ausmaß.

Zwei ganz unterschiedliche Aufgaben

KI-Rechenzentren erfüllen zwei verschiedene Funktionen, und jede braucht eine eigene Art von Infrastruktur.

Die erste ist das Training: Ein neues Modell von Grund auf lernen lassen, indem riesige Datenmengen durch das Netzwerk laufen, bis sich die internen Parameter auf etwas Brauchbares einpendeln. Training braucht Zehntausende spezialisierte Chips (GPUs oder TPUs), die eng koordiniert zusammenarbeiten und über ultraschnelle Netzwerke verbunden sind – denn die Berechnungen hängen in Echtzeit voneinander ab. Ein einzelner großer Trainingslauf kann zig Millionen Kilowattstunden verbrauchen – etwa so viel wie mehrere tausend Haushalte im Jahr – und läuft oft wochen- oder monatelang ununterbrochen.

Die zweite ist Inferenz: das fertige Modell tatsächlich laufen lassen, um Ihre Fragen zu beantworten, Code zu schreiben oder Dokumente zusammenzufassen. Jede einzelne Anfrage braucht nur einen Bruchteil der Rechenleistung eines Trainingslaufs. Aber multipliziert mit Milliarden Anfragen pro Tag, von Unternehmen und Privatpersonen weltweit, ergibt das wieder eine gewaltige, dauerhafte Rechenlast – und die wächst gerade schneller als das Training, weil immer mehr Unternehmen KI im Alltag einsetzen.

Warum „gut genug“ nicht das Ende der Geschichte ist

Hier kommt der Teil, der die meisten überrascht: Die Rechenleistung, die für das Training der besten verfügbaren Modelle nötig ist, hat sich in den letzten Jahren etwa jährlich verfünffacht. Das ist kein Marketing – dahinter steckt ein realer, messbarer Zusammenhang zwischen eingesetzter Rechenleistung und der Fähigkeit des resultierenden Modells. Auch wenn aktuelle Modelle schon wirklich gut sind: Die nächste Generation performt zuverlässig spürbar besser, wenn mehr Trainingsleistung dahintersteckt – genau deshalb bauen alle großen KI-Labore weiter größere Cluster, statt die Sache für erledigt zu erklären.

Gleichzeitig verschiebt sich der Schwerpunkt der Branche allmählich. Mit wachsender Verbreitung holt die Inferenz-Seite – also das tatsächliche Bedienen all dieser täglichen Anfragen – beim langfristigen Wachstumstreiber zum Training auf. Das braucht eine andere Art von Infrastruktur: kleinere, verteiltere Anlagen näher an den Nutzern, statt einer Handvoll riesiger, zentraler Trainings-Campusse.

Und die Sache mit der Überwachung?

Die Frage ist berechtigt, gerade weil diese Systeme mit so viel Daten in Berührung kommen. Aber der physische Grund, warum diese Anlagen so riesig sind, hat nichts mit dem Speichern oder Beobachten einzelner Personen zu tun. Sie sind gebaut, um mathematische Operationen – vor allem Matrizenmultiplikationen – in einem Tempo und Umfang auszuführen, das kein gewöhnlicher Computer schafft. Strom und Kühlung sind der begrenzende Faktor, nicht Speicherkapazität.

Das heißt nicht, dass Datenschutz kein Thema ist – im Gegenteil, das ist eine echte, eigenständige Frage, die Sie jedem Unternehmen stellen sollten, dem Sie Daten anvertrauen: Was passiert mit Ihren Daten, wo werden sie gespeichert, nach welchem Recht. Genau deshalb hosten wir bei leopard.ki in Deutschland, tragen die BITMi-Zertifizierungen „Software Hosted in Germany“ und „Software Made in Germany“ und arbeiten mit einer handkuratierten Wissensbasis, statt Gespräche Ihrer Kunden durch Systeme zu leiten, in die Sie keinen Einblick haben. Größe und Transparenz sind nicht dasselbe – und Sie sollten das eine nicht gegen das andere eintauschen müssen.