Roadmap: Der AI-Data-Center-Stack

• AI-Rechenzentren benötigen 12 bis 18 Monate für den Bau, aber 5 bis 7 Jahre für den Anschluss ans Stromnetz. Damit werden Strom, Genehmigungen und Baukompetenz statt GPUs zum zentralen Engpass für Skalierung.
• Anfang 2026 angekündigte Hyperscale-Rechenzentren umfassen 777 Projekte/190 GW. Um Strom zu sichern, entwickelt sich BYOP (Bring Your Own Power) – der Aufbau eigener Kraftwerke und Batterien – zur dominierenden Strategie.
• Startup-Chancen entstehen in sechs Bereichen: Genehmigungen/Standortwahl, Stromerzeugung, Übertragung/Leistungswandlung, Software, Bau/Instandhaltung und Kühlung.
• Wegen fehlender Stromausrüstung und steigender Rack-Dichten verlängern sich Beschaffungszeiten für Transformatoren auf bis zu 5 Jahre; einige AI-Racks nutzen 500 bis 600 kW, wodurch neue Stromarchitekturen wie 800 V DC und Solid-State-Transformatoren nötig werden.
• Nachhaltige Unternehmen in diesem Investitionszyklus werden voraussichtlich nicht nur Ausrüstung liefern, sondern Strompreise, Batterien, AI-Workloads und Kühlung gemeinsam steuern und Infrastruktur aufbauen, die langfristig in den Betrieb von Rechenzentren eingebettet bleibt.

---

Ein massiver Infrastruktur-Investitionszyklus, ausgelöst durch AI

• AI ist der stromhungrigste Workload in der Geschichte des Computings; Anfang 2026 waren Hyperscale-Rechenzentren mit 190 GW angekündigt.
  • Etwa 148 GW befinden sich in der Planungsphase, 21 GW im Bau und 12 GW im Betrieb.
  • Der weltweite Stromverbrauch von Rechenzentren dürfte sich bis 2030 mehr als verdoppeln.
  • In den USA wird erwartet, dass der Stromverbrauch von Rechenzentren den der gesamten energieintensiven Fertigungsindustrie übersteigt.
• Ein Rechenzentrum selbst kann in 12 bis 18 Monaten gebaut werden, der Anschluss ans Stromnetz dauert jedoch 5 bis 7 Jahre.
  • Von 110 Rechenzentren, die 2025 in Betrieb gehen sollten, verzögerte sich mehr als ein Viertel wegen Strom-, Genehmigungs- oder Bauproblemen.
  • Hyperscale-Betreiber beginnen, die Komplexität des direkten Baus und Betriebs eigener Erzeugungsanlagen in Kauf zu nehmen, um Sicherheit bei Kapazität und Zeitplan zu gewinnen.
• Die US-Regierung beginnt, AI-Infrastruktur als Frage der nationalen Sicherheit zu behandeln.
  • Im April 2026 aktivierte Präsident Trump Section 303 des Defense Production Act und stufte große Stromnetzausrüstung und Lieferketten als verteidigungsrelevant ein.
  • Damit wurde eine dringende Finanzierung durch den Bund erlaubt, um die US-Produktion zentraler Stromnetzkomponenten auszuweiten.
• 2025 entfielen auf Rechenzentren 4,5 Mrd. US-Dollar/78 % der 5,7 Mrd. US-Dollar an Venture-Investitionen im Bereich gebauter Umwelt.
• Bessemer Venture Partners vergleicht die heutigen Strominfrastruktur-Technologien mit der Rolle von massenproduziertem Stahl beim Bau von Eisenbahnen, Brücken und Fabriken und investiert in die physischen Systeme, die die AI-Ökonomie tragen sollen.

1. Genehmigungen und Standortwahl

• Bevor Rechenzentren Strom sichern oder GPUs installieren können, benötigen sie mehrere Genehmigungen von Kommunen und Bundesstaaten.
  • Dazu gehören Flächennutzung, Umweltauflagen, Netzanschlussverträge, Luft- und Wassergenehmigungen, Untersuchungen zu bedrohten Arten sowie Kulturerbeprüfungen.
  • Genehmigungsprozesse und Dauer unterscheiden sich je nach Zuständigkeitsgebiet, was das Projektmanagement komplex macht.
• Von März 2024 bis März 2025 wurden 16 Rechenzentrumsentwicklungen durch Genehmigungsbeschränkungen verzögert oder abgelehnt; Widerstand aus der lokalen Bevölkerung war ein wichtiger Faktor.
• In den USA werden jährlich mehr als 5 Mrd. US-Dollar für komplexe Infrastrukturgenehmigungen ausgegeben.
  • Das entspricht mehr als einem Drittel der gesamten Genehmigungsausgaben in den USA.
  • Mehr als 1,5 Bio. US-Dollar an Infrastrukturkapital sind in Genehmigungsverfahren gebunden.
  • Große Beratungsfirmen und mehr als 50.000 kleine Anbieter bedienen den Markt, doch viele haben weniger als 15 Mitarbeitende, und ein Großteil der Arbeit erfolgt manuell.
• Lorica entwickelt einen AI-gestützten Service zur Vorbereitung und Durchführung von Genehmigungen, der Datenerfassung, Strukturierung und Einreichung automatisiert.
  • Das Unternehmen baut eine Informationsschicht auf, die Daten über den optimalen Genehmigungspfad je Projekt sammelt und damit Zeitpläne und Risiken für das nächste Projekt prognostiziert.
• Paces integriert Stromnetz-, Genehmigungs- und Umweltdaten in einer Plattform.
  • Die Plattform erkennt Netzengpässe, Konflikte bei der Flächennutzung und Umweltprobleme, bevor Kapital gebunden wird.
  • Kunden berichten, dass sich die Zahl abgeschlossener Deals durch frühzeitige Risikoerkennung etwa verdreifacht hat.
• Räumliche Modellierung, Drohnenvermessung und Simulationen zur Ressourcenbelastung können ebenfalls genutzt werden, um vor großen Kapitalzusagen mögliches lokales Gegenmobilisieren zu erkennen.
• Vielversprechende Produkte müssen getrennte Daten in einer Oberfläche zusammenführen, kontextnutzende Agents einsetzen und ein Daten-Flywheel aufbauen, dessen Genauigkeit bei wiederholten Projekten steigt.

2. Eigene Stromerzeugung und BYOP

• Netzgebundene Standorte stellen mit 45 % der angekündigten Projekte die größte Gruppe, doch eigene Erzeugung und hybride Ansätze machen fast die Hälfte der angekündigten Kapazität aus.
• BYOP ist eine Strategie, Strom direkt hinter dem Zähler (BTM) zu erzeugen, um Warteschlangen für Netzanschlüsse zu umgehen.
  • Allein 2025 wurden BTM-Gaskraftwerksprojekte mit rund 50 GW angekündigt.
  • Es hat sich als dominierende Strategie etabliert, um neue AI-Rechenzentren schnell in Betrieb zu nehmen.
• Erzeugungstechnologien werden rund um modulare Architekturen entwickelt, die Lieferkettenschocks abfedern und passend zur Nachfrage skalieren können.
• Boom Supersonic wandelte den Kern eines Jet-Triebwerks für Überschallflugzeuge in Superpower, eine 42-MW-Erdgasturbine für Rechenzentren, um.
• Arbor entwickelt eine Gasturbine der nächsten Generation, die überkritisches CO₂ als Arbeitsmedium nutzt und Carbon Capture integriert.
• BTM-Batterien laden in günstigen Nebenlastzeiten und entladen zu Spitzenzeiten, um Nachfrageentgelte zu reduzieren.
  • Sie bieten auch Notstrom und Unabhängigkeit vom Netz.
  • Calibrant Energy finanziert und installiert Batteriesysteme für Hyperscale-Rechenzentren direkt.
• Exowatt entwickelt modulare Solarstromerzeugung und Thermalbatterien für AI-Fabriken mit dem Ziel, rund um die Uhr bei Bedarf lieferbaren Strom bereitzustellen.
• Inertia will den laserbasierten Trägheitsfusion-Ansatz des Lawrence Livermore National Laboratory kommerzialisieren und Kraftwerke im Netzmaßstab bauen.
  • Fusion ist die langfristigste Technologie, gilt aber wegen ihres Potenzials, saubere, dispatchbare Grundlast in großem Maßstab zu liefern, ab den 2030er-Jahren als Schlüsselbereich.
• American Terawatt baut private Hochspannungs-Gleichstromnetze, die Erzeugungsquellen und Rechenzentren ohne Umweg über das öffentliche Stromnetz verbinden.
• Langfristige Wettbewerbsfähigkeit entsteht durch niedrige Stromgestehungskosten (LCOE), wiederholbare Deployment-Modelle und stabile Lieferketten.
  • Nach Lieferung der Ausrüstung sollten Unternehmen Software für Dispatch-Optimierung und prädiktive Steuerung ergänzen können.
  • Da sich Stromarchitekturen auf NVIDIAs 800-V-DC-Architektur hin konsolidieren, entsteht die Chance, sich als zentraler Infrastrukturpartner zu positionieren.

3. Übertragung/Leistungswandlung und der mittlere Abschnitt der Stromversorgung

• Jeder Strom, der ein Rechenzentrum erreicht, durchläuft Transformatoren, die die Spannung auf Erzeugungs-, Übertragungs- und Anlagenseite ändern.
• Die Nachfrage nach Transformatoren ist von 2019 bis 2025 um 119 % gestiegen, doch die Produktionskapazität hielt nicht Schritt.
  • Lieferzeiten von GE, Siemens, Mitsubishi und anderen stiegen von etwa einem Jahr vor Covid-19 auf bis zu 5 Jahre.
  • Auch die Lieferzeiten für Schaltanlagen überschritten 60 Wochen; Hochspannungskabel und Leistungsschalter gelten als nächste Engpässe.
• In der Cloud-Ära lag die Rack-Leistungsdichte bei 20 bis 40 kW, doch einige AI-Trainingscluster nutzen 500 bis 600 kW pro Rack.
  • NVIDIA zielt nach Rubin Ultra auf 1 MW pro Rack.
  • Mit der Standardisierung auf 800 V DC verursachen bestehende AC/DC-Wandlungsstufen Energieverluste und zusätzliche Ausrüstung.
• Chancen im Bereich Stromübertragung lassen sich in drei Gruppen einteilen:
  • Stromnetzausrüstung schneller liefern als etablierte Anbieter.
  • Transformatoren und Leistungswandlungsarchitekturen selbst neu gestalten.
  • Mehr Kapazität aus bereits installierter Übertragungsinfrastruktur herausholen.
• Ayr Energy nutzt Auftragsfertiger in Indien, um Transformatoren und Leistungsschalter für Umspannwerke und Übertragung zu produzieren.
  • Die bislang 3 bis 5 Jahre langen Lieferzeiten sinken auf 6 bis 12 Monate.
• Solid-State-Transformatoren (SST) integrieren mehrere Leistungswandlungsstufen in ein modulares Gerät.
  • Mit Silicon-Carbide-Halbleitern wandeln sie Mittelspannungs-AC direkt in 800 V DC um.
  • Durch bidirektionale und programmierbare Architekturen lassen sie sich direkt mit Batteriespeichern, Solarstrom und eigener Erzeugung integrieren.
• Heron Link von Heron Power ist ein modularer Mittelspannungs-SST, der für 800-V-DC-Wandlung entwickelt wurde und als wichtiger Partner an NVIDIAs 800-V-DC-Architektur beteiligt ist.
• DG Matrix entwickelt einen Multi-Port-SST, der verschiedene Spannungen und Frequenzen aufnehmen und 800 V DC oder AC ausgeben kann.
  • Er integriert 10 bis 17 bisher separate Stromsysteme in einem Gerät.
• Die Kosten für Netzengpässe in den USA liegen bei rund 11,5 Mrd. US-Dollar pro Jahr.
  • Da Betreiber den Echtzeitstatus von Übertragungsleitungen nicht ausreichend kennen, wird viel Kapazität konservativ unterhalb der tatsächlichen thermischen Grenzen betrieben.
• FUSION-T von GridAstra modelliert dynamische Übertragungskapazität, fortgeschrittene Leistungsflussregler und Rekonfiguration der Netztopologie in einer Umgebung.
  • Es erstellt Steuerungspläne, die Strom von überlasteten Leitungen automatisch auf weniger ausgelastete Leitungen umleiten.
• TS Conductor verdoppelt durch Neubeseilung mit Verbundkern-Leitern die Kapazität bestehender Übertragungskorridore ungefähr.
  • So lassen sich Genehmigungen und Wegerechte vermeiden, die für den Bau neuer Übertragungsleitungen erforderlich wären.
• Wettbewerbsfähigkeit entsteht dadurch, gleichzeitig sofort lieferfähig zu sein und eine Produktionsstruktur zu besitzen, die Hyperscale-Mengen bewältigt.

4. Software, die Strom und AI-Workloads verbindet

• Rechenzentren werden zu komplexen Energiesystemen, die Erzeugungsquellen, Batterien, Netzanschlüsse und wechselnde AI-Workloads gemeinsam betreiben.
• Strommanagement, Job-Scheduling, Netzkommunikation und Compliance verbleiben in voneinander getrennten Systemen.
  • Bestehende DCIM-Systeme von Schneider, Vertiv, Sunbird und anderen wurden für Rechenzentren früherer Generationen entworfen.
• Neue Softwarechancen entstehen bei gestaffelten SLAs, der Integration von Energieökonomie und physischer Anlagensteuerung sowie DCIM für AI-Workloads.

Gestaffelte SLAs, die flexible Workloads berücksichtigen

• Bestehende Stromverträge und Rechenzentrums-Serviceverträge behandeln AI-Workloads als feste Nachfrage, die nicht unterbrochen werden kann.
• Tatsächlich lassen sich manche AI-Jobs flexibel betreiben.
  • Trainingsjobs können pausiert und anschließend fortgesetzt werden.
  • Batch-Inferenz kann in Regionen mit ausreichend Strom verlagert werden.
  • Jobs mit niedriger Priorität können längere Latenzen akzeptieren.
• Weil die Flexibilität von Jobs nicht in Verträgen abgebildet ist, bleibt nutzbare Netzkapazität ungenutzt.
• Gestaffelte SLAs sind darauf ausgelegt, verschiebbare Trainingsjobs in Nebenlastzeiten zu verlagern, die Verzögerung weniger wichtiger Jobs zu erhöhen und in Netznotlagen Kapazität zurückzugeben.
• Emerald AI plant GPU-Workloads dynamisch entsprechend der Stromlage.
  • Bei knappem Netzstrom stoppt oder begrenzt es Batch-Training.
  • Latenzsensitive Inferenz wird geschützt.
  • Rechenlast wird in Regionen mit reichlich Strom verlagert.
• Die Aurora AI Factory in Virginia, an der Emerald, Digital Realty, NVIDIA, EPRI und PJM beteiligt sind, soll der erste kommerzielle Nachweis für ein Rechenzentrum werden, das seinen Strombedarf flexibel anpasst.

Integration von Energieökonomie und physischer Anlagensteuerung

• Unternehmen, die mehrere Rechenzentren betreiben, müssen Immobilien, Strompreise und Hedges, Job-Scheduling sowie Compliance gemeinsam verwalten.
  • Tausende Stromrechnungen werden abgerechnet.
  • Risiken aus Großhandelsstrompreisen werden gehedgt.
  • Batterien werden passend zu Echtzeitpreisen geladen und entladen.
  • Erneuerbare-Energien-Zertifikate werden bilanziert.
• Derzeit wird dies oft über zusammengeklebte Spreadsheets und Einzellösungen erledigt.
• Verse integriert Stromrechnungsmanagement, Power Purchase Agreements (PPA), Energieportfolio-Analysen sowie Risikomanagement und Hedging in einer Plattform.
  • Dispatch Intelligence trifft Echtzeit-Ladeentscheidungen für BTM-Batterien.
  • Langfristige PPA-Bedingungen beeinflussen die Art der Batterieentladung, und überhöhte Nachfrageentgelte können die gesamte Hedging-Strategie beeinflussen.

DCIM für AI-Workloads

• Für Rechenzentrumsbetreiber ist es schwierig, den tatsächlichen Stromverbrauch je Rack, thermische Reserven, durch konservative Ratings ungenutzte Kapazität und GPUs mit sinkender Leistung in Echtzeit zu erkennen.
• DCIM der nächsten Generation muss folgende Funktionen kombinieren:
  • Echtzeit-Telemetrie
  • prädiktive Simulation von Wärme- und Stromflüssen
  • AI-basierte Anomalieerkennung
  • verlässliche autonome Steuerung über Dashboard-Anzeigen hinaus
• Aravolta und Phaidra entwickeln unter anderem AI-basierte Betriebssysteme.

AI-Automatisierung der Arbeit von Stromversorgern

• Stromversorger und Netzbetreiber müssen Anschlussanträge, Erzeugungs- und Übertragungsplanung, Modellierung des Lastwachstums sowie Tarifregulierungsverfahren bearbeiten.
• AI-basierte Software kann folgende Bereiche automatisieren:
  • Netzanschlussstudien
  • Planung von Kapitalprojekten und Lastprognosen
  • regulatorische Unterlagen und Tarifprüfungsverfahren
• Senpilot entwickelt ein Betriebssystem für Stromversorger, das Agents für Engineering, Regulierung und Kundenservice in einer Plattform bündelt.
• Software für Stromversorger veränderte sich im Enterprise-Tech-Markt bislang langsam, doch AI könnte der Anlass sein, bestehende Systeme zu ersetzen.

Netzplanung und Netzbetrieb

• BTM-Erzeugung hilft kurzfristig bei der Stromversorgung, langfristig muss das öffentliche Netz neue Lasten jedoch schneller aufnehmen.
• ThinkLabs AI, eine Ausgründung von GE Vernova, entwickelt einen AI-Digital-Twin des Stromnetzes, der physikalische Gesetze berücksichtigt.
  • Er modelliert Leistungsflüsse, Engpässe und Auswirkungen neuer Anschlüsse in kürzerer Zeit als bestehende Tools.
  • Er hilft Stromversorgern, Netzausbau zu planen und neue Lasten effizienter anzuschließen.
• Die wertvollste Software muss IT-Workloads und physische Stromanlagen in Echtzeit verbinden und auf Basis der gesammelten Daten direkt Maßnahmen ergreifen können.

5. Bau/Instandhaltung und Arbeitskräftemangel

• Ende 2025 beträgt der Arbeitskräftemangel in der Bauindustrie rund 439.000 Personen.
• Die maximale Zahl der Arbeitskräfte vor Ort bei Rechenzentren ist von etwa 750 in der Cloud-Ära auf heute 4.000 bis 5.000 gestiegen.
• Das Durchschnittsalter der Rechenzentrumsbelegschaft liegt bei 53 Jahren, und 60 % der Betreiber haben Schwierigkeiten bei der Einstellung.
• Arbeitskräftemangel ist neben Strom und Genehmigungen zu einem Faktor geworden, der Projekte verzögert; Robotik, Automatisierung und AI-Software werden vom Bau bis zur Stilllegung eingesetzt.

Frühe Bauphase

• Bedrock Robotics ergänzt bestehende Schwermaschinen über Bedrock Operator um autonome Fahrfunktionen.
• Built Robotics entwickelt autonome Erdbewegungs- und Rammgeräte für Rechenzentren und Solarparks.
• TerraFirma ist ein technologiegestützter Subunternehmer, der robotergestützte Erdarbeiten auf realen Rechenzentrumsbaustellen einsetzt.
• DroneDeploy sammelt Baustellendaten per Drohne und prüft mit AI Baufortschritt, Sicherheitsrisiken und Ausführungsqualität.

Betrieb und Instandhaltung

• MaintainX stellt Instandhaltungsteams AI-basierte Asset- und Arbeitsinformationen bereit.
• Gecko Robotics inspiziert Industrieanlagen robotergestützt und erkennt Korrosion sowie strukturelle Probleme vor Ausfällen.
• Watney Robotics entwickelt autonome Roboter, die Reparaturen, Logistik und regelmäßige Instandhaltungsaufgaben innerhalb von Anlagen übernehmen.

Demontage von Ausrüstung und Kreislaufnutzung

• Da Hyperscale-Betreiber schneller auf neueste GPUs und Server umstellen, wächst die Menge ausgemusterter Ausrüstung rapide.
• Molg entwickelt robotergestützte Mikrofabriken, die Server, Laptops und industrielle Elektronik automatisch zerlegen.
  • Durch Teilegewinnung, Remanufacturing und Recycling wird Wert aus ausgemusterter Ausrüstung zurückgewonnen.
• Langfristige Wettbewerbsfähigkeit entsteht durch die Kombination von Automatisierung und proprietären Felddaten.
  • Ausfälle werden vor Kettenstörungen vorhergesagt.
  • Qualitätsprobleme bei der Ausführung werden vor Nacharbeiten entdeckt.
  • Rückgewinnbarer Wert in auszusondernder Ausrüstung wird identifiziert.

6. Kühltechnologien für hochdichte AI-Racks

• AI-Racks werden voraussichtlich innerhalb des nächsten Jahres eine 50-mal höhere Leistungsdichte als in der Cloud-Ära erfordern.
• Luftkühlung kann Wärme nicht schnell genug abführen, um Leistungsbegrenzungen und Hardwarealterung zuverlässig zu verhindern.
• Da Überhitzung die Hardwarelebensdauer und Performance pro Watt direkt beeinflusst, gestalten Hyperscale-Betreiber und Frontier-Labs die Kühlarchitektur selbst neu.
• Flüssigkühlung entwickelt sich zur dominierenden Kühlarchitektur für neue AI-Rechenzentren.
  • Direct-to-Chip-Kühlung leitet Kühlmittel über Cold Plates und Manifolds an die Prozessoroberfläche.
  • Immersionskühlung taucht ganze Server in eine nichtleitende Flüssigkeit und bewältigt extrem hohe Rack-Dichten.
  • Direct-to-Chip-Kühlung lässt sich leichter in bestehende Rechenzentrumsarchitekturen integrieren und hat kurzfristig einen breiteren Einsatzbereich.
• Corintis entwickelt AI-entworfene mikrofluidische Cold Plates.
  • Sie leiten Kühlmittel direkt zu den Hotspots des Chips und bieten höhere Leistung als herkömmliche Kupferplatten mit parallelen Kanälen.
• Es entsteht auch ein Softwaremarkt, der den Betrieb von Kühlanlagen mit AI optimiert.
• Phaidra nutzt den Echtzeit-Stromverbrauch als frühes Signal für Nachfragespitzen.
  • Das System passt Kühlsysteme an, bevor die Chiptemperatur steigt, und erhöht so die thermische Stabilität.
• Kühlung wandelt sich von einfacher Nebeninfrastruktur zu einem aktiven Steuerungssystem, das Chip-Performance, Hardwarelebensdauer sowie Wasserverbrauch und Emissionen von Rechenzentren bestimmt.
• Vielversprechende Kühltechnologien dürfen nicht an einen bestimmten Hardwareanbieter gebunden sein und müssen sich an verändernde Rechenzentrumsarchitekturen anpassen können.

Betriebsinfrastruktur, die über die Investitionswelle hinaus bleibt

• Die Energieschicht der AI-Infrastruktur ist ein vernetztes Ökosystem aus Erzeugung, Dispatch, flexiblem Verbrauch, Netzmodernisierung und Software für Stromversorger.
• In jedem Bereich gibt es eigene Unternehmensmöglichkeiten, doch langfristige Wettbewerbsfähigkeit entsteht durch die Fähigkeit, mehrere Schichten zu verbinden.
• Die attraktivsten Unternehmen können aus dem aktuellen massiven Capex-Zyklus heraus wachsen und auch dann als Betriebsinfrastruktur für Rechenzentren und Stromversorger langfristige Erlöse erzielen, wenn der Neubau sich verlangsamt.