Der Data-Center-Land-Rush: Was 100 Milliarden Dollar an KI-Infrastruktur-Investitionen tatsächlich bringt
Im Jahr 2026 sind die Summen, die für KI-Infrastruktur ausgegeben werden, kaum noch zu glauben. Microsoft hat sich für das Fiskaljahr 2026 zu 80 Milliarden Dollar verpflichtet. Die Investitionsausgaben von Google beliefen sich in den Jahren 2025 und 2026 auf 75 Milliarden Dollar. Amazon will bis 2028 mehr als 100 Milliarden Dollar ausgeben. SoftBank hat 100 Milliarden Dollar für die KI-Infrastruktur in den USA zugesagt. Meta gab für 2025 Investitionen in Höhe von 65 Milliarden Dollar an. Rechnet man alles zusammen, kommt man auf eine halbe Billion Dollar – alles angeblich mit dem gleichen Ziel: die physische Grundlage für KI im großen Maßstab zu schaffen.
Die Frage, die es wert ist, gestellt zu werden, ist nicht, ob diese Zahlen real sind. Das sind sie größtenteils. Die Frage ist, was sie tatsächlich kaufen, wer den Wert abschöpft und ob die Investitionswelle auf einen dauerhaften Vorteil oder einen sehr teuren Landrausch zusteuert, der irgendwann an eine Wand prallen wird.
Wohin das Geld tatsächlich fließt
Der Bau von Rechenzentren klingt einfach: große Gebäude, viele Server. Die Realität ist vielschichtiger. Der größte Kostenfaktor in einem modernen KI-Rechenzentrum ist nicht das Gebäude – es ist die Rechenleistung. Eine einzelne Nvidia H200 GPU kostet etwa 30.000 bis 40.000 Dollar. Ein NVL72-Rack mit 72 solcher GPUs kostet 3 Millionen Dollar oder mehr. Ein Hyperscaler, der 100.000 GPUs kauft (eine konservative Schätzung für einen großen Trainingscluster), gibt 3 bis 4 Milliarden Dollar aus, bevor auch nur ein Server eingebaut ist.
Nvidias GB200-Blackwell-Architektur, die Ende 2025 in größeren Stückzahlen ausgeliefert wurde, hat die Preisspirale weiter nach oben getrieben. Ein 72-GPU-NVL72-Blackwell-Rack kostet rund 3,5 Millionen Dollar, und die Nachfrage übersteigt das Angebot bei weitem. Das schafft eine ungewöhnliche Dynamik: Die Unternehmen, die am meisten für KI-Infrastruktur ausgeben, leiten dieses Geld größtenteils an einen einzigen Lieferanten weiter. Nvidia hat 2025 etwa 92 % der GPU-Umsätze in Rechenzentren erzielt. Der Infrastruktur-Landrausch ist in finanzieller Hinsicht weitgehend ein Nvidia-Vermögenstransfer.
Unterhalb der GPU-Ebene verteilt sich das Geld breiter. Netzwerktechnik (InfiniBand, Ethernet mit 400G/800G) ist teuer. Kühlung – traditionelles CHWS-Kaltwasser und zunehmend direkte Flüssigkühlung (DLC) für hochdichte GPU-Racks – kostet 1 bis 3 Millionen Dollar pro Megawatt Kapazität. Die Gebäude selbst werden in Tier-1-Märkten (Nord-Virginia, Phoenix, Chicago) hochgeboten, und die Bauzeit beträgt 18 bis 36 Monate. Und dann ist da noch der Strom.
Strom ist der eigentliche Engpass
Ein 100-Megawatt-Rechenzentrum – eine beachtliche, aber nicht außergewöhnliche Größe für einen KI-Cluster – benötigt etwa die Leistung eines kleinen Kraftwerks, das durchgehend läuft. Bei einem Gigawatt, der Größe, die Hyperscaler jetzt für einzelne Standorte anstreben, bräuchte man so etwas wie den Hoover Dam, der nur für diese Anlage arbeitet. Die Versorgungsunternehmen sind für diese sprunghafte Nachfrage nicht ausgelegt.
Die Anordnung der Federal Energy Regulatory Commission vom Juni 2026, die Netzbetreiber verpflichtet, Großkundenanschlüsse zu beschleunigen (FERCs „Show Cause“-Anordnungen an alle sechs regionalen Netzbetreiber), ist eine direkte Reaktion auf die Tatsache, dass Hyperscaler an die Grenzen der Stromkapazität stoßen. Im PJM – dem Netz, das den größten Teil der US-Ostküste und des Mittleren Westens abdeckt – gibt es einen Rückstau von 400 Gigawatt an Netzanschlussanträgen. Ein Rechenzentrum, das heute einen Standort qualifiziert, muss möglicherweise vier bis sechs Jahre auf einen zuverlässigen Netzanschluss warten.
Hyperscaler passen sich an, indem sie sich direkt neben der Stromerzeugung ansiedeln. Microsoft hat Verträge mit Constellation Energy und anderen Kernkraftbetreibern abgeschlossen, um bestehende Kernkraftwerke wieder in Betrieb zu nehmen oder zu lizenzieren. Google hat mit Kairos Power Verträge über kleine modulare Reaktoren (SMRs) geschlossen. Amazon hat den Datenpark von Talen Energy neben einem 2,5-GW-Kernkraftwerk in Pennsylvania erworben. Das Muster ist unverkennbar: Die nächste Phase der KI-Infrastruktur ist auch ein Ausbau der Energieinfrastruktur, bei dem Rechenzentren mit Städten um die knappe Netzkapazität konkurrieren.
Neue Akteure und warum Hyperscale nicht mehr nur etwas für Hyperscaler ist
Der Kapitalbedarf der KI-Infrastruktur hat eine ungewöhnliche Gelegenheit für Finanzinvestoren geschaffen. CoreWeave, gestützt durch Nvidia-Eigenkapital und Fremdfinanzierung, erreichte bis 2025 eine Bewertung von 23 Milliarden Dollar und ging Anfang 2026 an die Börse – eines der am schnellsten wachsenden Infrastrukturunternehmen der Geschichte. Sein Modell – GPUs in großem Maßstab kaufen und an KI-Entwickler vermieten, die Spitzenkapazitäten benötigen – funktioniert genau deshalb, weil die Hyperscaler den Großteil ihrer eigenen GPU-Kapazität für interne Workloads reserviert haben.
Adam Selipsky, der ehemalige AWS-CEO, hat im Juni 2026 Helix Digital Infrastructure mit 10 Milliarden Dollar zugesagtem Kapital von KKR, einer Nvidia-Partnerschaft und der Ankerinvestition des kuwaitischen Staatsfonds gegründet. Das Versprechen ist vertikale Integration: Rechenzentren, Stromerzeugung, Übertragung und Glasfaser unter einem Dach. Crusoe Energy hat ein ähnliches integriertes Modell aufgebaut, ausgehend vom Abfackeln von Erdgas auf Ölfeldern. Die These ist in all diesen Fällen, dass der Besitz des gesamten Stacks – Compute, Strom, Konnektivität – Margen erzeugt, die nicht wegkonkurriert werden können.
Wer den Wert tatsächlich abschöpft
Bei jedem Infrastrukturausbau schneiden die Zulieferer oft besser ab als die Erbauer selbst. Das Eisenbahnzeitalter bereicherte Stahlunternehmen, nicht nur die Eisenbahnbetreiber. Der Internetausbau bereicherte Cisco und Kabelunternehmen. Die KI-Infrastrukturwelle folgt einem ähnlichen Muster:
Nvidia schöpft den direktesten Wert ab, mit Bruttomargen von über 70 % bei seinen Rechenzentrumsprodukten. Der Auftragsüberhang reicht bis weit ins Jahr 2027. AMDs MI300X hat Fortschritte gemacht, und Googles TPUs sind intern konkurrenzfähig, aber Nvidias CUDA-Ökosystem schafft Wechselkosten, die GPU-Anbieter von der Stange nur schwer überwinden können.
Stromversorger wie Constellation, Vistra und NRG Energy haben ihre Aktienkurse im Zeitraum 2024–2025 etwa verdoppelt, da das KI-Nachfragesignal die Strommärkte erreicht hat. Vor allem Kernkraftbetreiber profitieren, da die Kernkraft die Grundlast rund um die Uhr liefert, die KI-Trainingsworkloads benötigen.
REITs für Rechenzentren wie Equinix und Digital Realty profitieren von der Nachfrage nach Co-Location, auch wenn Hyperscaler, die ihre eigenen Einrichtungen bauen, den Anteil der REITs an den First-Party-KI-Ausbauten begrenzen.
Unsicherer ist die Wertschöpfung für die Hyperscaler selbst. Ob eine halbe Billion Dollar an Infrastrukturausgaben entsprechende Einnahmen aus KI-Anwendungen generieren, ist nicht geklärt. Die Analogie zur Cloud-Ära ist ermutigend – AWS, Azure und GCP generieren gemeinsam einen Jahresumsatz von über 400 Milliarden Dollar –, aber die KI-Anwendungsebene ist früher und unsicherer. Hyperscaler setzen darauf, dass Kapazitätsengpässe von heute zu Wettbewerbsvorteilen von morgen werden.
Was das in der Praxis bedeutet
Für Entwickler und Startups hat der Infrastruktur-Landrausch einen paradoxen Effekt: Er sollte Compute langfristig billiger machen (mehr Kapazität, mehr Wettbewerb), aber kurzfristig teurer (Nachfrage übersteigt Angebot, Spotpreise erhöht). Unternehmen, die sich 2024–2025 feste Verträge für GPU-Zugang gesichert haben, sitzen auf einem erheblichen Vorteil. Diejenigen, die jetzt in den Markt eintreten, zahlen erhöhte Spotpreise oder stehen auf langen Wartelisten.
Für Unternehmen, die ihre KI-Infrastrukturstrategie bewerten, ist die wichtigste Erkenntnis, dass Build vs. Buy zunehmend eine Frage des Zeitplans und der Workload-Eigenschaften ist. Allgemeine Inferenz und Experimente gehören in verwaltete Cloud-APIs. Das Trainieren großer proprietärer Modelle, das Betreiben dauerhafter Hochdurchsatz-Inferenz in großem Maßstab oder das Arbeiten in stark regulierten Umgebungen (in denen Daten nicht Ihr Kontrollbereich verlassen dürfen) rechtfertigen eigene oder dedizierte Infrastruktur – allerdings mit dem Verständnis, dass der Stromzugang heute eine ebenso wichtige Standortwahl ist wie die Netzwerkanbindung in den 2000er Jahren.
Der Landrausch wird nicht ewig dauern. Sobald sich die Rückstände bei Strom und Bau – voraussichtlich 2027–2028 – auflösen, wird die Verfügbarkeit von GPU-Kapazität normalisiert sein. Die Unternehmen, die sich Stromzugang, Beziehungen zu Chip-Anbietern und eine Erfolgsbilanz beim Betrieb in großem Maßstab während der Engpassphase sichern, werden einen strukturellen Vorteil haben. Der Rest wird sich das Nötige mieten können. Auf welcher Seite dieser Grenze ein Unternehmen landet, könnte durch Entscheidungen in den nächsten 18 Monaten bestimmt werden.