Kleine Modelle „stehlen“ die Nachfrage nach Cloud-Rechenleistung, Billionen-Dollar-Investitionen in Datenzentren stehen auf dem Prüfstand

AI-Anwendungen expandieren weiterhin, doch die Investitionen in großflächige Datenzentren, die diese Welle unterstützen, stehen vor neuen Herausforderungen auf der Nachfrageseite.

Ein Bericht von Jefferies weist darauf hin, dass mit der Verbesserung der Leistung und der Senkung der Kosten kleiner Sprachmodelle die AI-Infrastruktur von einer zentralisierten Cloud zu lokalen Lösungen verlagert werden könnte, was den Bedarf an cloudbasierter Rechenleistung sowie die enormen Kapitalausgaben für Datenzentren unter Druck setzt.

Eine wichtige Grundlage für diese Einschätzung ist die Beobachtung der tatsächlichen Nutzung von AI-Servern in jüngster Zeit. Im September 2026 erstellte Swerve Research Technologies durch die Überwachung der Warteschlangen für Anfragen an Anthropic-Server einen „Congestion Index“ und stellte fest, dass die Auslastung der betreffenden Server im Vergleich zum Spitzenwert im Januar/Februar 2026 um 26 % gesunken ist. Dieser Indikator steht nicht direkt im Zusammenhang mit den Einnahmen eines Unternehmens, aber wenn die Auslastung weiterhin sinkt, könnte dies darauf hinweisen, dass ein Teil der Rechenleistung beginnt, ungenutzt zu bleiben.

Gleichzeitig expandieren die Investitionen in die AI-Infrastruktur weiterhin rasant. Der Markt erwartet derzeit, dass die vier US-Technologieriesen Meta, Alphabet, Amazon und Microsoft bis 2027 zusammen Kapitalausgaben in Höhe von 990 Milliarden US-Dollar tätigen werden. Der Bericht stellt fest, dass, falls das Wachstum der Nachfrage nach AI-Rechenleistung nicht mit dem Ausmaß dieser Investitionen Schritt halten kann, einige Datenzentren mit unzureichenden Erträgen und sogar dem Risiko „brachliegender Vermögenswerte“ konfrontiert sein könnten.

Sinkende Serverauslastung: AI-Rechenleistung vor Bewährungsprobe

Das von Meta entwickelte AI-Produkt Muse wurde am 8. September eingeführt und trieb den Aktienkurs von Meta in den folgenden Wochen um 21 % nach oben – ein Highlight unter den jüngsten AI-Verbraucheranwendungen. Laut Bericht reicht jedoch der Erfolg einer einzelnen Anwendung nicht aus, um einen kontinuierlichen Investitionszyklus in die gesamte AI-Infrastruktur zu rechtfertigen.

Bemerkenswerter ist, dass AI-Unternehmen selbst einige Signale senden, die vom allgemeinen Marktoptimismus abweichen. Sowohl der CEO von Anthropic, der CEO von OpenAI Sam Altman als auch Elon Musk haben kürzlich öffentlich die Notwendigkeit einer verlangsamten AI-Entwicklung thematisiert; die ursprünglich für Anthropic geplante IPO wurde auf November verschoben.

Gleichzeitig hat Anthropic bereits einen 45-Milliarden-US-Dollar schweren, auf drei Jahre ausgelegten Rechenleistung-Vertrag mit SpaceX geschlossen und Milliardendeals mit Amazon und Google Cloud abgeschlossen. Wenn das Wachstum der AI-Einnahmen sich verlangsamt und große Rechenleistungsverträge weiterhin erfüllt werden müssen, könnte der Kostendruck für Unternehmen weiter steigen.

Berichten zufolge verhandelte Meta im Juli mit Anthropic über die Vermietung von bis zu 10 Milliarden US-Dollar an Rechenleistungskapazitäten in Datenzentren innerhalb von zwei Jahren. Der Bericht stellt fest, dass große Tech-Unternehmen aktiv nach externen Kunden suchen, um ihre Rechenkapazitäten auszulasten, was zeigt, dass mit der schnellen Expansion der Infrastruktur die Maximierung der Anlagenutzung zu einer neuen Herausforderung wird.

Kleine Modelle holen auf: Lokale Implementierung entlastet Cloud-Nachfrage

Im Vergleich zu kurzfristigen Änderungen der Serverauslastung konzentriert sich der Bericht verstärkt auf Veränderungen in den AI-Modellarchitekturen.

Die gemeinsam von der Stanford University und Together AI veröffentlichte Studie „Intelligence per Watt“ zeigt, dass kleine Sprachmodelle große Modelle schnell einholen, während der Energieverbrauch und die Rechenleistungskosten um 50% bis 85% niedriger sind. Sollte dieser Trend anhalten, könnten sich sowohl das erforderliche Ausmaß an Rechenleistung als auch die Kostenstruktur für den Einsatz von AI in Unternehmen verändern.

Traditionell verließen sich Unternehmen vor allem auf zentrale, cloudbasierte große Modelle, um AI-Aufgaben zu erfüllen. Mit der gesteigerten Leistungsfähigkeit kleiner Modelle könnten einige Szenarien auf lokale Bereitstellungen umschwenken. Für Branchen wie Banken, die hohe Ansprüche an Datensicherheit stellen, besteht eine starke Nachfrage nach lokaler Implementierung; wenn kleine Modelle die Kosten für den Einsatz weiter senken, könnte dieses Modell noch breiter Anwendung finden.

Das bedeutet, dass das Wachstum von AI-Anwendungen nicht zwangsläufig zu einem proportionalen Wachstum der Nachfrage nach cloudbasierter Rechenleistung führt. Unternehmen könnten einerseits AI-Anwendungen ausweiten, gleichzeitig aber ihre Abhängigkeit von großen Modell-APIs und zentralisierten cloudbasierten Rechenressourcen reduzieren.

Dies ist auch der Hauptgrund für die im Bericht geäußerte Skepsis gegenüber den Investitionen in Höhe von fast einer Billion US-Dollar: Wenn künftig mehr AI-Anwendungen von kostengünstigen, kleinen und lokalisierten Modellen getragen werden, könnte das derzeitige Investitionsvolumen in groß angelegte Datenzentren nicht dem tatsächlichen Bedarf an Rechenleistung entsprechen.

In diesem Szenario müssen die eigentlichen Fragen neu bewertet werden – nämlich ob die AI-Nachfrage zentralisierte Rechenleistung benötigt und ob diese Datenzentren Erträge generieren können, die ihren Investitionsvolumen entsprechen.