Laut einer aktuellen McKinsey-Analyse könnten bis 2030 rund 7 Billionen US-Dollar in den Aufbau von Compute-Infrastruktur fließen – vom Stromanschluss bis zum GPU-Server.
Allein für KI-Workloads sei ein Investitionsbedarf von 5,2 Billionen USD zu erwarten, verteilt auf Chips, Rechenzentren, Stromversorgung und Kühlung.
McKinsey & Company, Juli 2025AI workloads are reshaping the cost of compute—doubling power needs and driving data center demand to unprecedented levels.
Die Frage lautet also nicht mehr ob Rechenleistung zur Engpassressource wird – sondern wann und für wen.
Zwischen Milliardenprognose und technischer Realität liegt eine Lücke
McKinsey benennt eine zentrale Herausforderung: die Unsicherheit der Compute-Nachfrage.
Zwar geht das „Accelerated Case“-Szenario von einem 30-fachen Anstieg der AI-Workload bis 2030 aus. Doch die Bandbreite der Vorhersagen ist enorm – und Fehler kosten Milliarden.
Der Unterschied zwischen Unterbau und Überbau wird zur wirtschaftlichen Kernfrage.
Für uns als Distributor ist das keine abstrakte Makro-Prognose.
Wenn ein Kunde dringend High-End-GPUs benötigt, die weltweit gerade keiner liefern kann – oder Monate im Voraus eine Infrastruktur beschafft, die dann nie produktiv geht – dann wird „Unsicherheit der Nachfrage“ zur realen Herausforderung im Projektgeschäft.
Und viele Systemhäuser kennen genau dieses Spannungsfeld nur zu gut.
Gleichzeitig macht die Studie deutlich:
70–80 % der AI-bedingten Infrastrukturkosten fallen außerhalb der Chip-Ebene an.
Es geht um Energie, Fläche, Kühlung – und verlässliche Hardware.
Compute ist nicht beliebig skalierbar – und schon gar nicht virtuell
Auch wenn Public Clouds nach außen „unendlich skalierbar“ erscheinen, bleibt die physikalische Realität eine andere:
Compute ist Hardware. Sie muss produziert, betrieben, gekühlt und vorgehalten werden.
Das gilt im Hyperscaler-Modell ebenso wie in Forschung, Industrie und Mittelstand. McKinsey spricht zu Recht von einer „physical bottleneck to AI progress“ – verursacht durch Energieengpässe, Flächenknappheit, Infrastrukturverzögerungen und die Verfügbarkeit spezialisierter Komponenten.
Wer hier zu spät plant oder auf falsche Skalierungsmodelle setzt, verliert.
Was folgt daraus für IT-Entscheider in Europa?
Viele Unternehmen spüren den Druck bereits – besonders in regulierten oder performancekritischen Bereichen wie Medizin, Industrieautomatisierung, Forschung oder Automotive.
- Cloud-only reicht nicht, wenn Energiebedarf, Datenschutz oder Latenz zum Engpass werden.
- Edge-Deployments sind oft kein „Add-on“, sondern Voraussetzung für Echtzeitfähigkeit und Souveränität.
- Hybride Strategien müssen geplant, nicht gehofft werden.
Ein konkretes Beispiel:
Für ein international tätiges Unternehmen aus der molekularbiologischen Wirkstoffforschung haben wir 2024 eine GPU-beschleunigte HPC-Plattform umgesetzt – mit skalierbarer Architektur, NVIDIA H100 SXM GPUs, über 900 GB/s Bandbreite und mehr als 512 GB RAM pro System. Ziel war die Beschleunigung KI-gestützter Prozesse wie Virtual Screening und Proteinstruktur-Analysen – Verfahren, bei denen Rechenzeit nicht nur Geld kostet, sondern Forschungszeit.
Die Herausforderung lag nicht in der Software, sondern – wie so oft – in der Infrastruktur. Es ging um:
- eine zuverlässige Versorgung der Systeme mit Strom und Kühlung,
- die Auswahl sinnvoller Komponenten für Simulationslasten,
- und die Frage, wie sich zukünftige Anforderungen skalierbar abbilden lassen, ohne überzubauen.
➡ Genau das meint McKinsey, wenn sie von einer „physical bottleneck to AI progress“ sprechen.
Was in der Studie oft nach Milliarden, Hyperscalern und US-Märkten klingt, ist in der Praxis deutlich greifbarer:
Die Limits sind real – sie beginnen bei der Stromverteilung im Serverraum und enden beim Liefertermin der GPUs.
Und das betrifft eben nicht nur Amazon & Co., sondern auch Forschungseinrichtungen in Baden-Württemberg oder Systemhäuser in Norddeutschland.
Gerade deshalb ist dieser McKinsey-Artikel auch lesenswert:
Er benennt klar, dass Investitionen ohne realistische Bedarfsplanung ins Leere laufen – und dass der Engpass oft nicht im Algorithmus liegt, sondern in der Infrastruktur, die ihn tragen soll.
Unser Standpunkt: Planungstiefe schlägt Hypekurven
In unserer täglichen Arbeit mit Systemhäusern, MSPs und spezialisierten OEMs erleben wir, wie schwer es ist, aus einem vagen KI-Vorhaben eine belastbare Compute-Strategie zu formen. Die McKinsey-Studie liefert wichtige Makro-Perspektiven – aber die entscheidenden Entscheidungen fallen lokal:
- Welche GPU-Server passen zu meinen Trainings- und Inferenz-Lasten?
- Wie skaliert mein Storage, wenn die Modelle wachsen?
- Welche Netzwerke und Stromversorgungen muss ich vorhalten, um Engpässe zu vermeiden?
Das sind keine Presets.
Das ist technische Planung – im Maschinenraum der Infrastruktur.
Quelle
- McKinsey & Company (Juli 2025): The cost of compute – A \$7 trillion race to scale data centers