KI-Infrastruktur in Deutschland: Rechenzentren und GPUs

Wenn Sie eine KI nutzen, sehen Sie meist nur ein Eingabefeld. Dahinter arbeiten jedoch riesige Rechenzentren: Hallen voller Server, die Daten verarbeiten und KI-Modelle trainieren. Genau um diese digitale Infrastruktur läuft in Deutschland gerade ein Wettlauf.

Deutschland verfügt aktuell über rund drei Gigawatt Rechenzentrumsleistung, während die USA laut Bitkom mehr als 48 Gigawatt bereitstellen. Bis 2030 soll sich die deutsche Kapazität mindestens verdoppeln, die KI-Rechenkapazität sogar vervierfachen. Dafür hat die Bundesregierung erstmals eine nationale Rechenzentrumsstrategie mit 28 Maßnahmen beschlossen.

Der Ausbau stößt jedoch auf praktische Grenzen. Strom, Netzanschlüsse und geeignete Flächen sind knapp, während moderne GPU-Cluster so viel Energie wie eine Kleinstadt verbrauchen. In diesem Beitrag erfahren Sie, wo Deutschland bei der KI-Infrastruktur steht, welche Rechenleistung tatsächlich gebraucht wird und warum Fachleute die Zusammenarbeit in Europa für entscheidend halten.

Warum Deutschland Jetzt KI-Rechenkapazität Braucht

Deutschland verfügt über rund drei Gigawatt Rechenzentrumsleistung, während die USA mehr als 48 Gigawatt bereitstellen. Wenn Sie verstehen wollen, warum dieser Unterschied zählt, hilft ein Blick auf die konkreten Rechenaufgaben, knappen Grafikprozessoren und Branchen, die davon abhängen.

Vom Training Bis zur Inferenz: Welche Workloads Rechenleistung Benötigen

KI-Rechenlast lässt sich grob in zwei Bereiche teilen.

Training: Große Sprachmodelle wie die Modelle hinter ChatGPT von OpenAI trainieren Betreiber über Wochen auf Tausenden Grafikprozessoren gleichzeitig. Das ist der teuerste und energieintensivste Teil.

Inferenz: Auch jede einzelne Anfrage an ein KI-Modell verbraucht Rechenleistung. Bei Millionen Nutzern summiert sich das schnell.

Für Sie als Anwender ist dieser Unterschied wichtig. Generative KI mit sehr großen Modellen braucht eine andere Infrastruktur als spezialisierte KI-Anwendungen. Ein Modell zur Fehlererkennung in einer Produktionslinie läuft oft mit deutlich weniger Rechenleistung, teils sogar auf lokalen Servern in der Fabrik.

Warum GPUs und Hochleistungsrechner zum Engpass Werden

Der Engpass liegt selten bei den Hallen, sondern meist bei drei anderen Faktoren:

Faktor	Problem
GPUs	Lieferzeiten und Preise für aktuelle Grafikprozessoren sind hoch, die weltweite Nachfrage übersteigt das Angebot
Strom	Ein großes Rechenzentrum verbraucht so viel wie eine Kleinstadt und braucht einen leistungsfähigen Netzanschluss
Flächen und Kühlung	Geeignete Industrieflächen mit Wasser- und Netzzugang sind an vielen Standorten knapp

Zum Vergleich: Die zehn größten US-Rechenzentren erreichen zusammen ungefähr die Leistung aller deutschen Rechenzentren.

Die Bundesregierung will die Kapazität bis 2030 mindestens verdoppeln und sie für KI und Hochleistungsrechner sogar vervierfachen. Ob das gelingt, hängt vor allem von Genehmigungen, Netzausbau und Strompreisen ab.

Nutzen für Industrie, Forschung und Öffentliche Verwaltung

Der eigentliche Wert entsteht dort, wo Rechenleistung auf deutsche Daten trifft.

• Industrie und Automobilindustrie: Jahrzehntelang gesammelte Produktions-, Maschinen- und Sensordaten lassen sich für spezialisierte KI-Modelle nutzen, etwa zur Qualitätsprüfung oder Wartungsplanung.
• Medizin und Materialforschung: Simulationen und Bildanalysen brauchen Hochleistungsrechner, oft aber keine generative KI im großen Stil.
• Robotik: Steuerungsmodelle trainieren Entwickler zunächst und lassen sie anschließend direkt an der Maschine laufen.
• Forschung: Hochschulen und Institute melden steigenden Bedarf, auch bei kleinen und mittleren Unternehmen als Partner.
• Öffentliche Verwaltung: Eigene Rechenkapazität in Deutschland erlaubt es, sensible Daten zu verarbeiten, ohne sie an außereuropäische Anbieter zu geben.

Der Produktivitätsgewinn hängt weniger von der Zahl neuer Rechenzentren ab als davon, ob die Kapazität dort steht, wo sie gebraucht wird.

Kapazitäten im Globalen Vergleich

Deutschland kommt 2025 auf rund 2.980 Megawatt Anschlussleistung in Rechenzentren, während die USA schon 2024 etwa 48 Gigawatt erreichten. Diese Lücke prägt die Wachstumspläne bis 2030 und erklärt, warum Sie bei Cloud-Diensten und KI-Hardware auf wenige ausländische Anbieter angewiesen sind.

Deutschland, Europa, USA und China im Kapazitätsvergleich

Die Zahlen der Bitkom-Studie zeigen deutliche Größenunterschiede.

Region	Rechenzentrumsleistung	Stand
Deutschland	ca. 2.980 MW	2025
USA	ca. 48 GW	2024
China	ca. 38 GW	2024

Die USA hatten damit rund 16-mal so viel Leistung wie Deutschland. Die zehn größten US-Rechenzentren erreichen zusammen ungefähr die Leistung aller rund 2.000 deutschen Rechenzentren.

In Deutschland gibt es bisher kein Mega-Rechenzentrum, das ausschließlich für KI gebaut wurde. Innerhalb Europas ist Frankfurt der größte Standort, mit gut 1.100 MW und dem Netzknoten DE-CIX.

Was die Wachstumsziele Bis 2030 Bedeuten

Bis 2030 soll die deutsche Rechenzentrumskapazität die Marke von 5.000 Megawatt überschreiten. Gegenüber 2024 wäre das fast eine Verdopplung.

Bei der KI-Kapazität fällt das Ziel noch ehrgeiziger aus: Sie soll von heute 530 MW auf 2.020 MW im Jahr 2030 steigen. Der KI-Anteil an der Gesamtkapazität würde dadurch von 15 auf 40 Prozent wachsen.

Setzen Sie diese Ziele ins Verhältnis, relativiert sich das Bild. Die USA verfügten 2024 bereits über etwa zehnmal so viel Kapazität, wie Deutschland bis 2030 plant. Außerdem übersteigt der jährliche Zubau in den USA den kompletten deutschen Bestand um mehr als das Vierfache.

Das bedeutet nicht, dass der Ausbau wirkungslos bleibt. Er verbessert vor allem Ihre Versorgungssicherheit im Inland, verändert aber weniger die globale Rangfolge im KI-Wettbewerb.

Abhängigkeiten bei Cloud und KI-Hardware

Rund die Hälfte der deutschen Kapazitäten, genauer 49 Prozent oder etwa 1.450 MW, entfällt inzwischen auf Cloud-Infrastrukturen. 2019 waren es erst 29 Prozent.

US-Hyperscaler betreiben einen großen Teil dieser Cloud-Leistung. Recherchen von NDR und WDR zeigen, dass viele neue Rechenzentrumsprojekte in Deutschland amerikanischen Tech-Konzernen gehören.

Hinzu kommt die Hardware. Für das Training großer Sprachmodelle brauchen Betreiber Tausende GPUs, und Nvidia dominiert diesen Markt.

Für Sie bedeutet das zwei Abhängigkeiten zugleich: von der Software- und Dienstebene sowie von den Chips. Mehr Megawatt auf deutschem Boden lösen das zweite Problem nicht automatisch.

Die Richtige Infrastruktur: KI-Fabriken, Cloud und Edge

KI-Rechenzentren stellen andere Anforderungen an Strom, Kühlung und IT-Hardware als klassische Rechenzentren mit Standardservern. Wenn Sie planen, wo Ihre Modelle trainieren und wo sie später laufen sollen, brauchen Sie meist eine Kombination aus großen Rechenzentrums-Clustern, Cloud-Infrastruktur und kleinen Edge-Rechenzentren.

Merkmale von KI-Rechenzentren Gegenüber Klassischen Datacentern

Der größte Unterschied liegt in der Leistungsdichte. Klassische Rechenzentren in Deutschland galten bisher mit einem Netzanschluss von 5 bis 10 Megawatt als groß. Neue KI-Projekte planen oft mit 200 bis 500 Megawatt, einzelne sogar mit mehr als einem Gigawatt.

Der Grund sind die GPUs. Grafikprozessoren für KI-Training brauchen pro Rack deutlich mehr Strom als Standardserver für E-Mail, Speicher oder Datenbanken.

Merkmal	Klassisches Rechenzentrum	KI-Rechenzentrum
Typische Hardware	CPU-Standardserver, Speicher	GPU-Cluster, schnelle Netzwerke
Leistung pro Rack	meist unter 10 kW	oft 40 kW und mehr
Kühlung	Luftkühlung	Direktkühlung am Chip, Flüssigkeit
Auslastung	schwankend	über lange Zeit sehr hoch

Wichtig für Sie: Die direkte Chip-Kühlung im geschlossenen Kreislauf verbraucht kein Wasser und ermöglicht es, die Abwärme weiterzunutzen.

Spezialisierte Rechenzentren für Wirtschaft und Wissenschaft

Nicht jede Organisation braucht eine eigene KI-Fabrik. In Deutschland entstehen deshalb spezialisierte Rechenzentren, die Rechenleistung bündeln und gemeinsam nutzbar machen.

Für die Forschung sind das vor allem EuroHPC-Systeme und die sogenannten KI-Fabriken, die Supercomputing mit Datenbeständen verbinden. Ab 2028 sollen KI-Gigafactories mit deutlich mehr Rechenleistung dazukommen.

Für Unternehmen bieten Anbieter wie T-Systems in München oder kommerzielle Betreiber GPU-Kapazität als Dienstleistung an. Das ist oft sinnvoller, als selbst zu bauen.

Prüfen Sie bei der Auswahl drei Punkte:

• Verfügbarkeit konkreter GPU-Typen und Wartezeiten
• Datenschutz und Gerichtsstand des Betreibers
• Vertragslaufzeit, weil Rechenzentren zehn Jahre und länger in Betrieb bleiben

Laut Bitkom-Schätzungen soll der Anteil von KI-Rechenzentren in Deutschland bis 2030 von rund 15 auf etwa 40 Prozent steigen.

Cloud-Infrastrukturen und Edge-Rechenzentren Sinnvoll Kombinieren

Training und Anwendung haben unterschiedliche Anforderungen. Das Training großer Modelle passt gut in zentrale Cloud-Infrastrukturen mit vielen GPUs an einem Ort.

Die Anwendung, also die Inferenz, läuft oft besser in der Nähe des Nutzers. Edge-Rechenzentren sind kleiner und stehen nahe bei Fabriken, Städten oder Netzknoten wie dem DE-CIX bei Frankfurt.

Das bringt Ihnen drei Vorteile:

1. Kurze Latenz für Robotik, Fertigung und Fahrassistenz
2. Weniger Datentransfer, weil Rohdaten vor Ort verarbeitet werden
3. Mehr Kontrolle, weil sensible Daten das Werk nicht verlassen

In der Praxis nutzen viele Unternehmen ein hybrides Modell: Cloud-Computing für rechenintensive Trainingsläufe und eigene oder lokale IT-Infrastruktur für den laufenden Betrieb. Entscheidend ist, dass beide Ebenen über verlässliche Netze verbunden sind.

Strom, Netze und Flächen als Harte Ausbaugrenzen

Ein neues Rechenzentrum scheitert in Deutschland selten am Kapital oder an der Nachfrage. Meist fehlen Netzanschlüsse und geeignete Industrieflächen. Dazu kommt die Frage, wie Sie die Abwärme wieder loswerden.

Netzanschlüsse und Stromnetze Frühzeitig Planen

Der Strombedarf ist der erste harte Filter. Deutschland verfügt über rund drei Gigawatt Rechenzentrumsleistung, die USA über mehr als 48 Gigawatt. Das entspricht einem Faktor von etwa 16.

Wenn Sie bis 2030 die Rechenzentrumskapazität verdoppeln und die KI-Kapazität vervierfachen wollen, brauchen Sie vor allem Leitungen. Genau hier liegt der Engpass.

Ein einzelnes KI-Rechenzentrum kann eine Anschlussleistung im dreistelligen Megawatt-Bereich anfordern. Das entspricht dem Stromverbrauch einer Kleinstadt.

Planen Sie deshalb früh:

• Netzverträglichkeit prüfen, bevor Sie Grundstücke kaufen
• Wartezeiten einkalkulieren – Netzanschlüsse und Umspannwerke brauchen oft Jahre
• Lastflexibilität anbieten, etwa über Batteriespeicher

Sinnvoll ist es, Ausbau und Energieplanung gemeinsam zu denken, statt beide Themen nacheinander zu bearbeiten.

Standortwahl zwischen Industrieflächen und Energieversorgung

Frankfurt zeigt, was passiert, wenn sich alles an einem Ort ballt. Dort verbrauchen über 100 Rechenzentren bis zu 40 Prozent des städtischen Stroms.

Freie Industrieflächen mit passender Stromversorgung sind in solchen Regionen knapp und teuer. Deshalb rücken Standorte in den Blick, an denen viel erneuerbare Energie verfügbar ist, etwa in Norddeutschland nahe Windparks.

Auch die Akzeptanz vor Ort entscheidet mit. In Groß-Gerau stoppte der Stadtrat das größte geplante Rechenzentrum der Rhein-Main-Region.

Prüfen Sie bei der Standortwahl mindestens diese Punkte:

Faktor	Worauf es ankommt
Fläche	Erschlossenes Industriegebiet, Erweiterungsoption
Energieversorgung	Nähe zu Umspannwerk und Erzeugung
Genehmigung	Bebauungsplan, kommunale Zustimmung
Wärmeabnahme	Nahwärmenetz in erreichbarer Nähe

Kühlung, Wasserbedarf und Technische Gebäudeinfrastruktur

Jede Kilowattstunde, die in die Server geht, wird zu Wärme. Diese Wärme müssen Sie abführen, und das kostet zusätzlich Energie oder Wasser.

Luftkühlung reicht bei hohen Leistungsdichten oft nicht mehr aus. Moderne KI-Racks arbeiten deshalb häufig mit Flüssigkeitskühlung direkt am Chip.

Der Wasserbedarf ist dabei zu einem echten Standortfaktor geworden. Geschlossene Kreisläufe und adiabate Systeme unterscheiden sich stark darin, wie viel Wasser sie tatsächlich verdunsten.

Sie können die Abwärme nutzen, statt sie einfach abzugeben. Eine Einspeisung in Nahwärmenetze funktioniert aber nur, wenn ein Abnehmer in der Nähe existiert und die Temperaturen passen. Das gehört in die frühe Planung, nicht erst in die Betriebsphase.

Nachhaltigkeit und Abwärme Wirtschaftlich Umsetzen

Der Stromverbrauch deutscher Rechenzentren lag 2024 bei über 21 Milliarden Kilowattstunden, und KI-Workloads treiben diesen Wert weiter nach oben. Wer Nachhaltigkeit als Kostenfaktor statt als Marketingthema begreift, senkt Betriebskosten, erfüllt gesetzliche Vorgaben und erschließt neue Erlösquellen aus Wärme und Netzdienstleistungen.

Energieeffizienz Trotz Steigender Leistungsdichte

Ein klassisches Server-Rack zog früher 5 bis 10 kW. GPU-Racks für KI-Training erreichen heute 40 bis über 100 kW.

Luftkühlung stößt in diesem Bereich an ihre Grenzen. Direkte Flüssigkühlung am Chip führt die Wärme effizienter ab und senkt den Energiebedarf für die Kühlung deutlich.

Das Energieeffizienzgesetz (EnEfG) setzt klare Zielwerte. Neue Rechenzentren müssen einen PUE-Wert von höchstens 1,2 erreichen. Bestehende Anlagen liegen oft noch bei 1,4 oder darüber.

Diese Hebel helfen Ihnen dabei:

• Höhere Kaltwassertemperaturen ermöglichen mehr freie Kühlung übers Jahr
• Natürliche Kältemittel wie Propan und Wasser statt klimaschädlicher Alternativen
• Ökostrom-Beschaffung über langfristige Lieferverträge
• Warm-/Kaltgang-Einhausung verhindert Luftvermischung im Bestand

Abwärmenutzung für Wärme- und Nahwärmenetze

Bisher wird nur rund ein Zehntel der anfallenden Abwärme aus deutschen Rechenzentren tatsächlich genutzt. Das Potenzial ist also groß.

Das EnEfG verlangt von neuen Anlagen ab Juli 2026 eine Abwärmenutzung von mindestens 20 Prozent. Ab Juli 2028 gilt der Wert von 20 Prozent für alle neuen Rechenzentren mit entsprechender Anschlussleistung.

Das Grundproblem ist die Temperatur. Luftgekühlte Anlagen liefern Abwärme mit 25 bis 35 °C, Wärmenetze brauchen aber oft 60 bis 80 °C.

Zwei Wege funktionieren in der Praxis:

Ansatz	Temperaturniveau	Typischer Einsatz
Direkte Einspeisung	40–60 °C	Nahwärmenetze der 4. Generation, Neubauquartiere
Großwärmepumpen	Anhebung auf 70–85 °C	Bestandsnetze in Städten

Entscheidend ist die Nähe zum Abnehmer. Prüfen Sie die Anschlussmöglichkeit an ein Wärmenetz früh bei der Standortwahl, denn Leitungen über mehrere Kilometer rechnen sich selten.

Rechenzentren als Flexible Partner der Energiewende

Ihre unterbrechungsfreie Stromversorgung enthält bereits Batteriespeicher. Wenn Sie sie größer dimensionieren, können Sie die Speicher doppelt nutzen: als Notstromreserve und zur Netzstützung.

Damit kappen Sie Lastspitzen und senken Netzentgelte. Zusätzlich können Sie am Regelenergiemarkt teilnehmen.

Auch die Rechenlast selbst ist flexibel. Trainingsläufe für KI-Modelle sind nicht zeitkritisch und lassen sich in Stunden mit viel Wind- oder Solarstrom verschieben.

Vor Ort erzeugte erneuerbare Energien verringern die Abhängigkeit vom Netzanschluss. Photovoltaik auf Dach und Freifläche deckt allerdings nur einen Teil des Bedarfs, weil Rechenzentren rund um die Uhr laufen.

Projekte und Standorte im Deutschen Ausbau

Der Ausbau der Rechenzentren in Deutschland konzentriert sich auf wenige Schwerpunkte: das Rhein-Main-Gebiet rund um Frankfurt, den Raum München, die Lausitz in Brandenburg und Nordrhein-Westfalen. Laut Auswertungen von NDR und Süddeutscher Zeitung sind derzeit insgesamt 99 Projekte geplant, 41 davon befinden sich bereits im Bau.

Frankfurt und Hessen als Cloud-Knotenpunkt

Frankfurt ist der wichtigste Standort für Rechenzentren in Deutschland. Grund dafür ist der Internetknoten DE-CIX, über den ein großer Teil des europäischen Datenverkehrs läuft.

Rund um die Stadt ist über Jahre ein dichtes Rechenzentrums-Cluster entstanden. Weil Flächen und Netzanschlüsse in Frankfurt knapp werden, weichen Betreiber ins Umland aus, etwa nach Hanau oder Dietzenbach.

Google hat für die Region ein Milliardenprogramm angekündigt und betreibt in Hessen mehrere Standorte. Auch andere Hyperscaler wie Amazon und Microsoft sind hier aktiv.

Für dich als Nutzer bedeutet das kurze Wege: Viele Cloud-Dienste, die du täglich verwendest, laufen physisch über Server in dieser Region.

München und Bayern für Industrielle KI

In München entsteht mit der „Industrial AI Cloud“ eines der bekanntesten KI-Projekte des Landes. Dahinter stehen die Deutsche Telekom und der Chiphersteller Nvidia.

Der Fokus liegt auf industriellen Anwendungen. Unternehmen aus dem Maschinenbau, der Automobilbranche und der Robotik sollen dort Rechenleistung mieten, ohne eigene Hardware kaufen zu müssen.

Bayern profitiert dabei von der Nähe zu Industriekunden und Forschungseinrichtungen. Anders als klassische Cloud-Standorte ist das Projekt weniger auf Datenspeicherung ausgelegt, sondern auf das Training und den Betrieb von KI-Modellen.

Die Rechenleistung liefern spezialisierte GPU-Systeme von Nvidia. Sie benötigen pro Fläche deutlich mehr Strom als herkömmliche Server.

Lübbenau und Brandenburg: Strukturwandel mit Großrechenzentren

In Lübbenau in der Lausitz baut Schwarz Digits, die IT-Sparte der Schwarz Gruppe (Lidl und Kaufland), ein sehr großes Rechenzentrum. Angekündigt sind Investitionen von rund 11 Milliarden Euro und der Einsatz von bis zu 100.000 GPUs.

Der Standort ist kein Zufall. In der Lausitz wird die Braunkohle zurückgefahren, und vorhandene Netzanschlüsse, Umspannwerke sowie freie Industrieflächen stehen bereit.

Brandenburg ist damit neben dem Raum Berlin zu einer der wichtigsten Wachstumsregionen geworden. Kommunen erhoffen sich Gewerbesteuer und Arbeitsplätze.

Gleichzeitig gilt: Der laufende Betrieb solcher Anlagen schafft weniger Stellen, als die Baugröße vermuten lässt.

Nordrhein-Westfalen als Standort für Forschung und Energieinfrastruktur

Nordrhein-Westfalen zieht besonders große Projekte an. Im März 2026 fand dort der Spatenstich für Rechenzentren von Microsoft statt, unter anderem im Rheinischen Revier.

Auch hier spielt der Kohleausstieg eine Rolle. Ehemalige Kraftwerksstandorte bringen starke Stromanschlüsse mit, die neue Rechenzentren direkt nutzen können.

Dazu kommt die Forschungslandschaft. Mit dem Forschungszentrum Jülich steht in NRW einer der leistungsstärksten Supercomputer Europas, der für Wissenschaft und KI-Training genutzt wird.

Meta und Amazon sind in Deutschland ebenfalls mit Infrastrukturprojekten vertreten. Nach der NDR-Auswertung liegen 14 der geplanten Anlagen mit mehr als 100 Megawatt Leistung in der Hand von US-Firmen. Dieser Punkt prägt die Debatte über digitale Souveränität.

Souveränität und Strategie für den KI-Standort

Deutschland verfolgt seit März 2026 eine nationale Rechenzentrumsstrategie mit klaren Zielvorgaben bis 2030. Für Sie als Unternehmen bedeutet das: mehr Rechenkapazität im Inland, neue europäische Kooperationen und veränderte regulatorische Rahmenbedingungen.

Ziele der Nationalen Rechenzentrumsstrategie

Die Bundesregierung hat am 18. März 2026 die Rechenzentrumsstrategie beschlossen. Sie umfasst 28 Maßnahmen in drei Handlungsfeldern.

Handlungsfeld	Schwerpunkt
Energie und Nachhaltigkeit	Schnellere Netzanschlüsse, erneuerbare Energien, Abwärmenutzung
Standort und Fläche	Flächen ausweisen, Genehmigungen beschleunigen
Technologie und Souveränität	HPC-Netzwerke, sichere Cloud für Behörden-KI

Die Zahlen sind konkret: Bis 2030 soll sich die Rechenzentrumskapazität mindestens verdoppeln. Bei KI und High-Performance-Computing ist sogar eine Vervierfachung geplant.

Deutschland betreibt bereits über 2.000 Anlagen und liegt damit in Europa vorn. Alle Maßnahmen sollen innerhalb von zwölf Monaten starten. Die Bundesregierung will die Strategie außerdem jedes Jahr aktualisieren.

Europäische Zusammenarbeit und Souveräne Cloud-Angebote

Digitale Souveränität endet nicht an der Landesgrenze. Die Europäische Union baut mit Milliardenmitteln mehrere KI-Gigafactories auf, um den Zugang zu Hochleistungsrechnern in Europa zu verbessern.

Parallel dazu entstehen in Deutschland eigene Angebote. Die Industrial AI Cloud in München richtet sich an Firmen, die KI-Modelle trainieren möchten, ohne sensible Daten außer Landes zu geben.

Auch Deutsche Telekom und Schwarz Digits positionieren sich als europäische Alternativen zu US-Anbietern. Eine Auswertung des NDR zeigt allerdings, dass ein großer Teil der geplanten Projekte Hyperscalern wie Google, Amazon oder Meta gehört.

Beides schließt sich nicht aus. Entscheidend ist für Sie, wer die Kontrolle über Daten, Schlüssel und den Software-Stack behält.

Regulierung, Cybersicherheit und Investitionsbedingungen

Der Ausbau der Cloud-Infrastrukturen läuft nicht im rechtsfreien Raum. Die EU-KI-Verordnung bringt gestaffelte Pflichten und Fristen mit sich, die je nach Risikoklasse Ihres Systems unterschiedlich ausfallen.

Dazu kommen Vorgaben aus dem Energieeffizienzgesetz sowie Anforderungen an die Cybersicherheit kritischer Infrastrukturen.

Für Investoren zählen vor allem drei Faktoren:

• Strompreise und die Zusage sicherer, bezahlbarer Versorgung
• Genehmigungsdauer für Bau und Netzanschluss
• Verfügbare Flächen mit passender Netzanbindung

Genau hier setzt die Strategie mit Praxis-Checks und einer praxisnahen Auslegung bestehender Vorschriften an. Kritik gibt es trotzdem: Fachverbände bemängeln, dass verbindliche Zeitpläne und finanzielle Zusagen an vielen Stellen fehlen.

Für das KI-Ökosystem hängt viel davon ab, wie schnell die angekündigten Maßnahmen tatsächlich greifen.