KI-Rechenzentrumsstatistiken.

Die KI-Nachfrage ist nicht mehr nur eine Frage der Modellqualität. Sie ist jetzt in Stromprognosen, Megawatt-Leasing, Hyperscaler-Investitionsausgaben, GPU-Umsätzen, KI-Server-Lieferungen, Kühldesigns, Strombeschaffung und Netzwarteschlangen sichtbar. Das Schwierigste daran ist, dass diese Zahlen nicht dasselbe messen. Eine TWh-Prognose ist keine Online-KI-Kapazität. Ein geplanter Gigawatt-Campus ist keine versorgte Leistung. Eine GPU-Bestellung ist kein bereitgestellter Cluster. Eine Cloud-Umsatzzahl ist keine Rechenzentrumskapazitätszahl.

Die klarste Lesart für 2026 ist ein Stapel verwandter Statistiken. Die IEA schätzt, dass globale Rechenzentren im Jahr 2024 etwa 415 TWh verbrauchten und bis 2030 etwa 945 TWh erreichen könnten. Berkeley Lab schätzt, dass US-Rechenzentren im Jahr 2023 176 TWh verbrauchten und bis 2028 325–580 TWh erreichen könnten. CBRE berichtet, dass der Leerstand von Rechenzentren auf dem nordamerikanischen Primärmarkt Ende 2025 auf 1,4 % sank. Gleichzeitig meldete NVIDIA im 1. Quartal des Geschäftsjahres 2027 einen Rechenzentrumsumsatz von 75,2 Milliarden US-Dollar, und CoreWeave meldete im 1. Quartal 2026 mehr als 1 GW aktive Leistung.

Das sind alles Signale der KI-Infrastruktur. Sie sind nicht austauschbar. Zusammen gelesen zeigen sie, warum die Kapazität von KI-Rechenzentren zu einer der praktischen Einschränkungen für den Modellzugriff, die Cloud-Preise, die Inferenzlatenz und die Bereitstellung von Unternehmens-KI geworden ist.

Die wichtigsten Zahlen zu KI-Rechenzentren

Die Top-Zahlen für 2026 verwenden unterschiedliche Nenner – Strom über die Zeit, Leistungskapazität zu einem bestimmten Zeitpunkt, Markt-MW und Hardware-Umsatz – daher ist jede als separates Signal und nicht als eine einzige Zahl zu lesen.

Warum die Einheiten wichtig sind: TWh, GW und Investitionsausgaben

Statistiken zur KI-Infrastruktur sehen oft so aus, als würden sie auf dieselbe Einschränkung hinweisen. Das tun sie nicht. TWh misst den über die Zeit verbrauchten Strom. MW und GW messen die Leistungskapazität zu einem bestimmten Zeitpunkt. Angebot kann die gebaute Rechenzentrumskapazität in einem Markt bedeuten, während im Bau befindlich zukünftige Kapazität bedeutet, die möglicherweise bereits vorvermietet ist. Aktive Leistung bedeutet Leistung, die aktuelle Operationen unterstützt, während vertraglich vereinbarte Leistung sich auf zukünftige Leistungszusagen beziehen kann. Investitionsausgaben sind Geld, das für Vermögenswerte gebunden oder ausgegeben wird, aber Investitionsausgaben zeigen nicht, wann ein Rechenzentrum in Betrieb genommen wird.

Diese Unterscheidung ist wichtig, da der KI-Ausbau schneller erfolgt, als viele öffentliche Dashboards sauber messen können. Die IEA-Zahlen von 415 TWh und 945 TWh beschreiben den globalen Rechenzentrums-Strombedarf, nicht nur den KI-Strombedarf. Die Berkeley Lab-Zahlen von 176 TWh und 325–580 TWh beschreiben US-Rechenzentren, nicht nur GPU-Cluster. Die CBRE-Zahl von 9.432 MW beschreibt die nordamerikanischen Primärmärkte für Rechenzentren, nicht die gesamte globale KI-Kapazität.

Die gleiche Regel gilt für GPUs. NVIDIAs Rechenzentrumsumsatz von 75,2 Milliarden US-Dollar im 1. Quartal des Geschäftsjahres 2027 beweist eine außergewöhnliche Nachfrage nach Beschleunigern, Netzwerken und Rechenzentrumsplattformen. Es beweist nicht, wie viele GPUs eingesetzt werden, wo sie installiert sind, welche Kunden darauf zugreifen können oder wie viel Strom für die Racks verfügbar ist.

Strombedarf und Netzbelastung

Strom ist der sichtbarste Nenner, da KI-Workloads zu Serverleistung, Kühlleistung, Umspannwerksbedarf, Übertragungsbedarf und Beschaffungsrisiko führen. Die globale Basislinie stammt von der IEA: etwa 415 TWh Rechenzentrums-Stromverbrauch im Jahr 2024 und etwa 945 TWh im Jahr 2030 im Basisszenario. Derselbe IEA-Bericht verbindet das schnelle Wachstum mit KI-optimierten beschleunigten Servern, deren Wachstum im Basisszenario auf etwa 30 % pro Jahr prognostiziert wird.

Die Vereinigten Staaten haben eine schärfere kurzfristige Kurve. Berkeley Lab schätzt, dass US-Rechenzentren im Jahr 2023 176 TWh verbrauchten, gegenüber 58 TWh im Jahr 2014, und bis 2028 325–580 TWh verbrauchen könnten. Anteilsmäßig bedeutet dies, dass US-Rechenzentren von 4,4 % des US-Stromverbrauchs im Jahr 2023 bis zum Ende des Jahrzehnts einen viel größeren Anteil erreichen könnten, abhängig von den Wachstums- und Effizienzannahmen im LBNL-Bericht.

Die Modellierung der EIA für 2026 bietet eine engere Sichtweise. EIA AEO2026 konzentriert sich auf den Stromverbrauch von Servern im kommerziellen Sektor und prognostiziert einen Anstieg von 93–233 Milliarden kWh von 2024 bis 2030. Dieser engere Nenner ist nützlich, da er Server isoliert, sollte aber nicht als vollständige Schätzung des Rechenzentrums-Stromverbrauchs verwendet werden. Server befinden sich in Einrichtungen, die auch Kühlung, Stromverteilung, Backup-Systeme und Netzwerkausrüstung benötigen.

Die regionalen Zahlen sind für Betreiber noch aufschlussreicher. Die Analyse der EIA für Dominion Energy Virginia-Carolinas besagt, dass der Strombedarf in dieser Zone im Jahr 2024 um 6 % gestiegen ist und die sommerliche Spitzenlast von 2024 bis 2030 voraussichtlich um 25 % steigen wird. Nord-Virginia bleibt eine der dichtesten Rechenzentrumsregionen der Welt, daher ist dies eine nützliche Warnung für den Strommarkt: Das Wachstum von Rechenzentren ist oft lokal und netzspezifisch, auch wenn die KI-Nachfrage global ist.

Die politische Implikation ist nicht einfach „mehr Rechenzentren bauen“. Es ist die Stromversorgung. Die Clean-Energy-Seite des DOE besagt, dass Rechenzentren im Jahr 2023 etwa 4 % des US-Stromverbrauchs ausmachten und bis 2030 bis zu 9 % erreichen könnten, unter Berufung auf EPRI-ähnliche Analysen des US-Energieministeriums. Die Lastprognosematerialien von PJM für 2026 zeigen, warum regionale Netzbetreiber große Lasten genauer prüfen. Ein Rechenzentrum kann über Grundstücke, Kapital und Server verfügen, während es immer noch auf Umspannwerke, Übertragung, Genehmigungen und feste Stromversorgung wartet.

Investitionsausgaben, Hyperscaler und geplante KI-Infrastruktur

Die Investitionswelle der Hyperscaler ist eines der stärksten Anzeichen dafür, dass die KI-Infrastruktur zu einer Priorität in der Bilanz geworden ist. Es ist auch einer der Bereiche, die am leichtesten missverstanden werden können. Die Investitionsausgaben eines Unternehmens können Grundstücke, Gebäude, GPUs, CPUs, Netzwerke, elektrische Ausrüstung für Rechenzentren, Leasingverträge und Nicht-KI-Cloud-Infrastruktur umfassen. Der richtige Vergleich ist die Richtung des Umfangs, nicht der genaue KI-Marktanteil.

Die Ergebnisse von Microsoft für das 3. Quartal des Geschäftsjahres 2026 geben eine nützliche Aufteilung. Microsoft meldete Investitionsausgaben von 31,9 Milliarden US-Dollar, einschließlich Finanzierungsleasingverträgen, und das Management gab an, dass etwa zwei Drittel auf kurzlebige Vermögenswerte wie GPUs und CPUs entfielen. Diese Aufteilung ist wichtig, da sie schnell abschreibbare Rechenleistung von längerlebigen Rechenzentrums- und Netzwerkressourcen trennt. Sie zeigt auch, warum Investitionsausgaben nicht sofort zu neuem Angebot führen: Rechenressourcen können vor der vollständigen Verfügbarkeit des Campus, der Stromversorgung und des Netzwerk-Stacks überall dort eintreffen, wo Kunden sie benötigen.

Alphabet bietet eine ähnliche Aufteilung. Alphabet meldete Investitionsausgaben von 35,7 Milliarden US-Dollar im 1. Quartal 2026, hauptsächlich für technische Infrastruktur für KI. Das Unternehmen gab an, dass etwa 60 % auf Server und etwa 40 % auf Rechenzentren und Netzwerke entfielen. Dies ist nützlich, da es zeigt, dass KI-Infrastruktur sowohl ein Chip-/Serverproblem als auch ein Immobilien-/Strom-/Netzwerkproblem ist.

Metas Prognose zeigt den Umfang der KI-Infrastruktur für soziale Plattformen. Meta erhöhte die Investitionsausgabenprognose für 2026 auf 125 bis 145 Milliarden US-Dollar, einschließlich Tilgungszahlungen für Finanzierungsleasingverträge. Die Formulierung „Finanzierungsleasing“ ist wichtig: Eine Zahl, die Tilgungszahlungen für Leasingverträge enthält, ist nicht direkt vergleichbar mit einer engeren, nur den Kauf betreffenden Investitionsausgabenzahl eines anderen Unternehmens.

Amazons Investitionsausgaben sind noch größer. Im Amazon Jahresbericht 2025 gibt das Unternehmen an, dass es im Jahr 2026 Investitionsausgaben von etwa 200 Milliarden US-Dollar erwartet, hauptsächlich für AWS, und dass ein erheblicher Teil an Kundenverpflichtungen gebunden ist. Diese Formulierung verbindet Investitionsausgaben mit der Nachfrage, aber geplante Investitionsausgaben für 2026 sind immer noch geplante Investitionsausgaben. Es sind keine bereits getätigten Investitionsausgaben, und es ist kein direktes Maß für die Online-KI-Rechenzentrumskapazität.

Oracle und OpenAI zeigen eine weitere Ebene: vertraglich vereinbarte KI-Infrastruktur und geplante Campusse. Oracles FY2026-Ergebnisse betonen das Wachstum der Cloud-Infrastruktur und die verbleibenden Leistungsverpflichtungen, die an die KI-Nachfrage gebunden sind. OpenAIs Stargate-Ankündigung beschrieb bis zu 500 Milliarden US-Dollar über vier Jahre für die US-KI-Infrastruktur, während ein OpenAI- und Oracle-Update fast 7 GW geplanter Kapazität und mehr als 400 Milliarden US-Dollar über drei Jahre beschrieb. Dies sind wichtige Verpflichtungssignale. Sie sind keine Garantie dafür, dass fast 7 GW heute live sind.

GPU-, KI-Server-, Speicher- und Rack-Angebot

Die Rechenleistung ist nach der Stromversorgung der zweite wichtige Nenner. NVIDIAs Rechenzentrumssegment ist das sauberste öffentliche Signal für die Hardware-Nachfrage. NVIDIA meldete im Geschäftsjahr 2026 einen Rechenzentrumsumsatz von 115,2 Milliarden US-Dollar, ein Plus von 142 % gegenüber dem Vorjahr. Im 1. Quartal des Geschäftsjahres 2027 meldete NVIDIA einen Rechenzentrumsumsatz von 75,2 Milliarden US-Dollar, ein Plus von 92 % gegenüber dem Vorjahr.

Diese Zahlen erklären, warum Gespräche über KI-Rechenzentren so oft mit GPUs beginnen. Sie sollten dort nicht enden. NVIDIAs Rechenzentrumsumsatz umfasst Beschleuniger, Systeme, Netzwerke und Plattformkomponenten. Er gibt keine saubere öffentliche Zählung der in jedem KI-Rechenzentrum eingesetzten GPUs an, noch zeigt er, wie viel Rackplatz oder Strom dort verfügbar ist, wo diese GPUs benötigt werden.

Prognosen für KI-Server-Lieferungen helfen, das Bild der Lieferkette zu vervollständigen. TrendForce erwartet ein Wachstum der globalen KI-Server-Lieferungen um mehr als 28 % gegenüber dem Vorjahr im Jahr 2026, während ASIC-basierte KI-Server fast 28 % der KI-Server-Lieferungen ausmachen werden. Dies deutet auf eine breitere KI-Hardware-Mischung hin, nicht nur auf GPU-Systeme. Es deutet auch auf ein Inferenzwachstum hin: Wenn Inferenz einen größeren Anteil der Workloads ausmacht, können spezialisiertere Beschleuniger und ASIC-basierte Systeme wirtschaftlich wichtig werden.

Speicher und Packaging sind eine weitere Engpassschicht. Die HBM-Berichterstattung von TrendForce zeigt eine hohe Bandbreitenspeicher-Nachfrage, die mit dem Wachstum von KI-Servern verbunden ist. HBM ist keine Metrik für die Rechenzentrumskapazität, aber es ist eine Einschränkung des Compute-Angebots. Ein Cloud-Anbieter kann mehr KI-Kapazität wünschen und dennoch mit Einschränkungen bei der Beschleunigerversorgung, dem Speicher-Packaging, fortschrittlichen Netzwerken oder der Stromversorgung konfrontiert sein.

Die Rack-Dichte macht die Hardware-Geschichte physisch. Höher dichte KI-Racks belasten jeden Raum und jede Stromkette stärker. Die Global Data Center Survey 2025 des Uptime Institute hebt den Druck auf Strom, Kühlung und Dichte bei den Betreibern hervor. Deshalb sehen KI-Rechenzentren zunehmend weniger wie gewöhnliche Serverräume von Unternehmen aus und mehr wie leistungsdichte Industriestandorte mit spezialisierter Kühlung, Transformatoren, Schaltanlagen und Netzwerken.

Die praktische Erkenntnis: GPU-Verfügbarkeit ist notwendig, aber nicht ausreichend. Ein bereitgestellter KI-Cluster benötigt Beschleuniger, Server, Netzwerke, Speicher, Rack-Strom, Kühlung, Software, Orchestrierung und kundenfertige Kapazität. Jede Statistik, die beim Chip-Umsatz oder den Server-Lieferungen aufhört, ist nur eine Schicht des Stacks.

Trainingscluster und Inferenzkapazität sind unterschiedliche Probleme

Die Nachfrage nach KI-Rechenzentren wird oft als eine Welle beschrieben, aber Training und Inferenz belasten die Infrastruktur unterschiedlich. Das Training von Grenzmodellen bevorzugt sehr große, eng vernetzte Beschleunigercluster. Diese Cluster benötigen enorme zusammenhängende Leistung, Hochgeschwindigkeitsnetzwerke, dichte Kühlung und zuverlässigen Zugriff auf denselben Pool von Beschleunigern für lange Jobs. Das ist die Welt, die durch NVIDIAs Wachstum des Rechenzentrumsumsatzes, Microsofts GPU-lastige Investitionsausgaben-Aufteilung und Alphabets serverlastige KI-Infrastrukturausgaben impliziert wird.

Die Inferenz hat eine andere Form. Sobald KI-Produkte in die Suche, Codierung, Kundenbetreuung, Unternehmens-Workflows, E-Commerce, Analysen und agentische Automatisierung übergehen, wird die Infrastrukturfrage zu Kosten, Latenz, regionaler Verfügbarkeit und stetiger Auslastung. Die Inferenz kann immer noch High-End-Beschleuniger verwenden, aber sie schafft auch Nachfrage nach spezialisierten Beschleunigern, ASIC-Systemen, optimierten Netzwerken und Kapazität näher an Benutzern und Anwendungen. Deshalb ist TrendForces Prognose, dass ASIC-basierte KI-Server im Jahr 2026 fast 28 % der KI-Server-Lieferungen ausmachen könnten, es wert, neben dem GPU-Umsatz gelesen zu werden.

Die Unterscheidung wirkt sich auch auf die Geografie aus. Ein Trainingscluster kann dort angesiedelt werden, wo sehr große Stromblöcke, Land und Kühlung gesichert werden können. Die Inferenzkapazität muss möglicherweise näher an Cloud-Regionen, Unternehmenskunden, Verbraucherverkehr oder regulierten Datenstandorten liegen. JLLs globaler Rechenzentrums-Ausblick weist auf eine große Kapazitätserweiterung bis 2030 hin, während CBREs Nordamerika-Bericht einen geringen Leerstand auf dem Primärmarkt zeigt. Beide Signale können wahr sein, da ein Markt zukünftige Ausbauten haben kann, während ihm heute noch das richtige, latenzarme oder strombereite Inventar fehlt.

Für KI-Teams ändert dies den Kapazitätsplan. Modelltrainingskapazität, Batch-Inferenzkapazität, Echtzeit-Inferenzkapazität und regionale Unternehmenskapazität sollten separat geplant werden. Ein großer zukünftiger Campus löst nicht automatisch die geringe Latenz bei der Inferenz in einer eingeschränkten Metropolregion. Die gesamten KI-Investitionsausgaben eines Cloud-Anbieters garantieren nicht die genaue GPU-Klasse, Speicherkonfiguration, Region und Verfügbarkeitsfenster, die ein Produktteam benötigt.

Cloud-, Neocloud- und Colocation-Kapazität

Cloud-Käufer erleben Einschränkungen der KI-Infrastruktur durch Verfügbarkeit, Preis, Latenz und reservierte Kapazität. Der physische Markt unter dieser Erfahrung ist eng. CBREs H2 2025-Bericht besagt, dass das Angebot auf dem nordamerikanischen Primärmarkt 9.432 MW erreichte, der Leerstand auf 1,4 % sank, die Nettoabsorption 2.497,6 MW erreichte und 5.994,4 MW im Bau waren, so CBRE. Geringer Leerstand und eine große Baupipeline können nebeneinander bestehen, da die im Bau befindliche Kapazität möglicherweise bereits vor der Fertigstellung zugesagt ist.

JLL und Cushman zeigen den globalen und amerikanischen Ausbau. JLL prognostiziert, dass die globale Rechenzentrumskapazität bis 2030 200 GW erreichen könnte, wobei 97 GW von 2025 bis 2030 hinzukommen. Cushman & Wakefield schätzt, dass Amerika im 2. Halbjahr 2025 43,4 GW Betriebskapazität und 25,3 GW im Bau hatte, wobei fast 89 % vorab zugesagt waren. Diese Zahlen stützen die gleiche Richtung: Das Angebot wächst schnell, doch die verfügbare Kapazität kann weiterhin knapp bleiben.

Neoclouds machen den Kapazitäts-Stack sichtbarer, da einige öffentliche Anbieter Leistung und Rückstand offenlegen. CoreWeaves Einreichung von 2025 meldete 43 Rechenzentren, über 850 MW aktive Leistung und 3,1 GW vertraglich vereinbarte Leistung. CoreWeaves Q1 2026-Veröffentlichung besagte, dass die aktive Leistung 1 GW überstieg, der Umsatzrückstand 99,4 Milliarden US-Dollar erreichte und die Umsatzprognose für 2026 11,2 bis 11,4 Milliarden US-Dollar betrug. Dies ist ein nützliches öffentliches Beispiel für den Unterschied zwischen Live-Infrastruktur und zukünftigen Verpflichtungen.

Cloud-Umsatzwachstum ist ein Nachfragesignal, keine Kapazitätsmetrik. Synergy Research beschreibt ein starkes Wachstum der Cloud-Infrastruktur, da KI die Nachfrage antreibt, und Synergys Neocloud-Berichterstattung diskutiert ein schnelles KI-gesteuertes Neocloud-Wachstum. Diese Links helfen, die Käufernachfrage zu erklären, aber ein Umsatzdiagramm kann nicht beantworten, wie viele MW online sind, wie viel Rack-Kapazität frei ist oder ob in einer bestimmten Region GPUs verfügbar sind.

Die Lektion für Betreiber ist, Beschaffungsfragen konkret zu halten. Fragen Sie, ob die Kapazität aktiv oder vertraglich vereinbart ist. Fragen Sie, ob der Anbieter Strom, Colocation-Fläche, Netzwerke und Kühlung kontrolliert. Fragen Sie, ob die Kapazität für Training oder Inferenz optimiert ist. Fragen Sie, ob die Arbeitslast eine Hyperscale-Region, eine spezielle KI-Cloud oder eine Colocation-Bereitstellung in der Nähe der Benutzer benötigt.

Warum riesige Baupipelines immer noch kapazitätsbeschränkt wirken

Der größte scheinbare Widerspruch in den Rechenzentrumsstatistiken für 2026 ist, dass die Pipeline enorm aussieht, während Käufer immer noch auf Knappheit stoßen. CBRE berichtet Ende 2025 fast 6 GW im Bau auf nordamerikanischen Primärmärkten. Cushman & Wakefield berichtet 25,3 GW im Bau in ganz Amerika. JLL prognostiziert etwa 97 GW zusätzlicher globaler Kapazität von 2025 bis 2030. Das sind große Zahlen, aber sie befinden sich an unterschiedlichen Punkten im Lieferzeitplan.

Mehrere Kräfte halten die Marktkapazität knapp. Erstens ist ein im Bau befindliches Projekt keine verfügbare Kapazität. Zweitens kann ein großer Teil der zukünftigen Kapazität vor der Fertigstellung des Gebäudes vorab zugesagt werden. Cushmans fast 89 % Vorabzusage aus dem Amerikas-Update ist hier das klarste Signal. Drittens kann der Engpass außerhalb des Gebäudehülls liegen. Eine Rechenzentrums-Hülle kann einfacher zu bauen sein als der Strompfad, der sie mit Energie versorgt. Viertens ist nicht jedes MW für jede KI-Arbeitslast geeignet.

Der Kapazitätsmarkt hat auch ein Sequenzierungsproblem. Ein Campus kann mit unterschiedlichen Geschwindigkeiten angekündigt, genehmigt, finanziert, vermietet, gebaut, angeschlossen, in Betrieb genommen und mit Servern gefüllt werden. OpenAIs Stargate-Pläne und Amazons Investitionsausgabenpläne für 2026 zeigen Absicht und Investitionsumfang. CoreWeaves aktive Leistung zeigt die Live-Betriebsfläche. CoreWeaves vertraglich vereinbarte Leistung zeigt zukünftige Verpflichtungen. Die Lücke zwischen diesen Zuständen ist der Punkt, an dem Käufer Knappheit empfinden.

Deshalb ist der Leerstand eine besonders aussagekräftige Statistik. CBREs 1,4 % Leerstand muss nicht beweisen, wie viele KI-Modelle in jeder Einrichtung trainiert werden. Es beweist, dass das verfügbare Primärmarkt-Rechenzentrums-Inventar extrem knapp ist. Wenn diese Knappheit mit KI-gesteuerter Leistungsdichte, höheren Investitionsausgaben und längeren Versorgungszeitplänen zusammenfällt, führt dies zu einem Markt, in dem große Kunden Kapazitäten früher reservieren und kleinere Käufer weniger einfache Optionen haben.

Kühlung, Wasser, PUE und Nachhaltigkeitsgrenzen

KI-Rechenzentren sind nicht nur strom-, sondern an einigen Standorten auch kühl- und wasserbeschränkt. Die gebräuchlichste Effizienzmetrik ist PUE, oder Power Usage Effectiveness. Google meldet einen gleitenden 12-Monats-PUE-Wert von 1,09 für seine gesamte Flotte, was bedeutet, dass der Betriebsaufwand im Verhältnis zur IT-Leistung gering ist. Das ist eine beeindruckende Betriebseffizienz, aber PUE bedeutet nicht, dass der gesamte Strombedarf gering ist. Wenn die IT-Last schnell wächst, kann der Gesamtstromverbrauch steigen, selbst wenn sich der PUE-Wert verbessert.

Die Kühlstrategie wird zu einem Design-Differenzierungsmerkmal. Microsoft hat Rechenzentrumsdesigns beschrieben, die die Wasserverdunstung in Kühlsystemen reduzieren oder eliminieren, zusammen mit umfassenderen Gemeinschafts- und wasserpositiven Verpflichtungen. Diese Designentscheidungen sind wichtig, da hochdichte KI-Racks Einrichtungen zu Flüssigkeitskühlung oder hybriden Kühlarchitekturen drängen können.

Wasserstatistiken erfordern eine besonders sorgfältige Lektüre. Die MOST Policy Initiative-Notiz erklärt, dass Rechenzentren Wasser direkt zur Kühlung und indirekt durch die Stromerzeugung verbrauchen können. Direkter Wasserverbrauch der Einrichtung, Wasserentnahme, Wasserverbrauch, Wasserintensität und indirekter Wasserverbrauch im Zusammenhang mit der Stromerzeugung sind unterschiedliche Metriken. KI-spezifische Wassergesamtwerte sind oft schwieriger zu überprüfen als Strom- und Kapazitätsstatistiken.

Die Strombeschaffung ist heute Teil des Nachhaltigkeits- und Zuverlässigkeits-Stacks. Constellations Microsoft-Vereinbarung unterstützt die Wiederinbetriebnahme von Three Mile Island Unit 1 als Crane Clean Energy Center durch einen 20-jährigen Stromabnahmevertrag. Googles Kairos Power-Vereinbarung deckt zukünftige Kernenergie aus mehreren kleinen modularen Reaktoren ab. Diese Deals sind bedeutsam, weil große Käufer von KI-Infrastruktur versuchen, feste saubere Energie zu sichern. Sie sollten nicht als sofortige Rechenzentrumskapazität gelesen werden.

Die umweltbezogene Schlussfolgerung ist nuanciert. Die Effizienz kann sich verbessern, während die Gesamtlast steigt. Anlagen mit niedrigem PUE können lokale Netze immer noch belasten. Wassersparende Designs können den direkten Wasserverbrauch reduzieren, während das Wasser für die Stromerzeugung Teil des breiteren Fußabdrucks bleibt. Die Beschaffung sauberer Energie kann die Emissionen im Laufe der Zeit reduzieren, beseitigt aber nicht die Notwendigkeit von Übertragung, Umspannwerken und lokalen Genehmigungen.

Für lokale Gemeinschaften sind die relevanten Zahlen oft lokal und nicht global. Eine weltweite 945 TWh Rechenzentrumsprognose der IEA ist für die makroökonomische Energieplanung wichtig, aber eine Gemeinschaft kümmert sich um ein bestimmtes Umspannwerk, Wassersystem, Übertragungskorridor, Steuerbasis, Lärmprofil und Bauzeitplan. Die gleiche Unterscheidung gilt für Wasser. Ein PUE auf Flottenebene oder eine Wasserstrategie von Google oder Microsoft kann die Richtung weisen, während die Frage auf Projektebene standortspezifisch bleibt.

Die wichtigsten Einschränkungen für 2026, die es zu beachten gilt

Der KI-Ausbau skaliert auf jeder Ebene gleichzeitig, aber die Engpässe sind gestaffelt. Dies sind die fünf Einschränkungen, die darüber entscheiden, ob gebundene Investitionen in nutzbare KI-Kapazität umgewandelt werden.

Was das bedeutet, wenn Sie KI-Infrastruktur bauen, kaufen oder betreiben

Die praktische Lektion ist nicht einfach, dass KI-Infrastruktur groß ist. Es ist, dass verschiedene Zahlen unterschiedliche Betriebsfragen beantworten.

Kapazitätszahlen lesen, ohne sich täuschen zu lassen

Verwenden Sie den globalen Strombedarf für den makroökonomischen Energiedruck. Verwenden Sie US-Stromprognosen für die nationale Netzplanung. Verwenden Sie Serverstrom, wenn die Quelle explizit nur Server betrifft. Verwenden Sie MW und GW Angebot für die Anlagenkapazität. Verwenden Sie Leerstand, Absorption und Vorabzusage für Marktknappheit. Verwenden Sie Investitionsausgaben für den Investitionsumfang. Verwenden Sie aktive Leistung für die Live-Anbieterpräsenz. Verwenden Sie vertraglich vereinbarte Leistung und geplante GW für zukünftige Kapazität. Verwenden Sie GPU-Umsatz und KI-Server-Lieferungen für die Dynamik des Compute-Angebots.

Verwenden Sie diese Zahlen nicht als Ersatz füreinander. Die IEA-Prognose von 945 TWh für 2030 im Basisszenario ist nicht dasselbe wie JLLs mögliche globale Kapazität von 200 GW bis 2030. CBREs 1,4 % Leerstand in Nordamerika ist nicht dasselbe wie CoreWeaves 1+ GW aktive Leistung. NVIDIAs Rechenzentrumsumsatz von 75,2 Milliarden US-Dollar ist nicht dasselbe wie die bereitgestellte GPU-Kapazität.

Häufig gestellte Fragen

Quellen und weiterführende Literatur