Grafik: KI generiert
Die rasante Entwicklung der KI hat einen regelrechten Boom bei Rechenzentren ausgelöst. Unternehmen wie OpenAI und DeepSeek treiben diese Revolution voran und die Nachfrage nach Hochleistungsservern wächst exponentiell.
Doch mit der steigenden Rechenleistung geht auch ein massiver Energieverbrauch einher, ein Thema, das weltweit zu Diskussionen über Infrastruktur, Effizienz und zukünftige Investitionen führt [1].
Gleichzeitig stellt sich die Frage, ob aktuell eine Überinvestition in Rechenleistung stattfindet. So hat das chinesische KI-Unternehmen DeepSeek ein Modell vorgestellt, das effizienter arbeitet als bisherige Large Language Models (LLMs).
Bedeutet das, dass wir bald weniger Rechenleistung benötigen?
Oder tritt stattdessen das Jevons-Paradoxon ein, also der Effekt, dass effizientere Technologien den Gesamtverbrauch langfristig sogar erhöhen? [2, 3]
In diesem Beitrag lege ich den Fokus auf die wesentlichen Entwicklungen im Bereich Rechenzentren, den wachsenden Energiebedarf, regionale Besonderheiten, sowie aktuelle Herausforderungen und mögliche Investmentchancen.
Der Beitrag soll wie immer Hintergründe aktueller Geschehnisse beleuchten, zum Nachdenken anregen und Impulse geben. Genannte Aktien stellen natürlich keine Anlageberatung dar.
🤖 Rechenzentren: Die Grundlage der KI-Revolution
Die weltweit steigende Nachfrage nach KI-gestützter Software und digitalen Anwendungen erfordert leistungsfähige Rechenzentren. Die Analysten von Goldman Sachs prognostizieren, dass der weltweite Strombedarf von Rechenzentren bis 2027 um 50 % steigen wird und bis 2030 (im Vergleich zu 2023) um bis zu 165 % zunehmen könnte [1].
Diese nachfolgende Grafik prognostiziert den Energieverbrauch von Rechenzentren (in Terawattstunden) bis 2030. Sie unterscheidet zwischen KI- und Nicht-KI-basierten Anwendungen in den USA und dem Rest der Welt. Der Gesamtverbrauch soll bis 2030 auf über 1.000 TWh steigen [4].
Our analysts expect data center power consumption to increase by more than 160% by 2030
Quelle: [4], Primär: Masanet et al. (2020), Cisco, IEA, Goldman Sachs Research
Diese Daten zeigen, wie KI-Anwendungen den Energieverbrauch massiv in die Höhe treiben werden. Besonders auffällig ist der rapide Anstieg im Bereich “US AI” und “Rest of world AI”.
Die drei Hauptgründe für diesen Anstieg sind:
- Größere KI-Modelle:
Neue Modelle wie GPT-5 oder DeepSeek AI benötigen immer mehr Rechenleistung. Das Training und der Betrieb dieser Modelle erfordern Billionen von Berechnungen [1].
- Echtzeit-KI-Anwendungen:
Unternehmen integrieren KI in zahlreiche Anwendungen: von Suchmaschinen bis hin zu personalisierten Finanz- und Gesundheitsdiensten.
- Cloud Computing & Data Storage:
Mit der fortschreitenden Digitalisierung steigt der globale Bedarf an Datenspeicherung und Cloud-Diensten [1].
Welche Unternehmen dominieren den Markt?
Auf der Nachfrageseite für Rechenzentren bauen große Hyperscale-Cloud Anbieter und andere Unternehmen große Sprachmodelle (LLM’s) auf, die in der Lage sind, natürliche Sprache zu verarbeiten und zu verstehen. Diese Modelle müssen mit leistungsintensiven Prozessoren auf riesigen Informationsmengen trainiert werden [4].
Auf der Angebotsseite setzen Hyperscale-Cloud-Unternehmen, Rechenzentrumsbetreiber und Vermögensverwalter große Mengen an Kapital für den Bau neuer Rechenzentren mit hoher Kapazität ein.
Dazu gehören unteranderem:
- Microsoft $MSFT (-1,45 %) : Betreiber von Azure Cloud und Partner von OpenAI
- Alphabet $GOOGL (-1,13 %) : Mit Google Cloud und DeepMind
- Amazon $AMZN (-1,73 %) : AWS, der weltweit führende Cloud-Anbieter
- Meta $META (-1,83 %) : Entwickelt eigene KI-Chips und baut die Infrastruktur weiter aus
Zudem profitieren spezialisierte Rechenzentrumsanbieter wie Equinix $EQIX (-1,39 %) und Digital Realty $DLR (-1,08 %) , da sie physische Infrastruktur an die Hyperscaler liefern [6].
Die Nachfrage nach Rechenzentrumsinfrastruktur wird laut Goldman Sachs Research in den kommenden Jahren das Angebot zunehmend übersteigen.
Die Auslastungsrate der bestehenden Rechenzentren dürfte von etwa 85 % im Jahr 2023 auf mehr als 95 % bis Ende 2026 ansteigen. Ab 2027 wird jedoch voraussichtlich eine Entspannung eintreten, da neue Rechenzentren in Betrieb genommen werden und das durch KI getriebene Nachfragewachstum langsamer wird (siehe folgende Grafik) [1].
Derzeit schätzt Goldman Sachs, dass der globale Stromverbrauch des Rechenzentrumsmarktes bei etwa 55 Gigawatt (GW) liegt. Dieser setzt sich zusammen aus Cloud-Computing-Workloads (54 %), traditionellen Workloads, wie E-Mail oder Datenspeicherung (32 %) und KI (14 %) [1].
Für die Zukunft prognostizieren die Analysten, dass der Strombedarf bis 2027 auf 84 GW steigen wird. Dabei soll der Anteil von KI auf 27 % anwachsen, während der Cloud-Anteil auf 50 % und die traditionellen Workloads auf 23 % zurückgehen [1].
Bis Ende 2030 werden dann rund 122 Gigawatt (GW) Rechenzentrumskapazität online sein.
An dieser Stelle habe ich mich als Laie gefragt, wie die bisher genannten Einheiten zu verstehen sind, in meiner ersten Grafik spreche ich von 1.000 TWh Energieverbrauch aller Rechenzentren bis 2030 und jetzt ist hier die Rede von 122 GW Rechzentrumskapazität? Um den Rahmen nicht ganz zu sprengen, habe ich hierzu ganz zum Ende des Beitrags noch einen Abschnitt eingefügt, falls sich der ein oder andere ebenfalls als Laie fühlt und die „Einheiten“ ins Verhältnis setzt.
.. und jetzt weiter im Beitrag..
Ein zentrales Problem bleibt:
Woher kommt die ganze Energie?
⚡️Energieversorgung: Kann das Netz mithalten?
Laut Schätzungen von Goldman Sachs müssen bis 2030 weltweit über 720 Milliarden US-Dollar in den Ausbau des Stromnetzes investiert werden, um die neuen Rechenzentren mit ausreichend Energie zu versorgen [1].
Besonders in Europa, wo über viele Jahre ein rückläufiger Stromverbrauch erwartet wurde, kommt es zu einem regelrechten „Nachfrageschock“ [1].
Welche Energiequellen versorgen Rechenzentren?
- Erdgas & Batteriespeicher:
Erdgas wird als realistische kurzfristige Lösung angesehen, um die kontinuierliche Nachfrage zu decken. Es dient als Brückentechnologie, bis erneuerbare Energien und Speicherlösungen weiter ausgebaut sind, da erneuerbare Energien nicht rund um die Uhr verfügbar sind [4].
- Erneuerbare Energien:
Wind- und Solarenergie könnten langfristig etwa 80 % des Bedarfs decken, vorausgesetzt, es werden ausreichende Speicherlösungen integriert [4].
In der Praxis laufen Solaranlagen im Durchschnitt nur etwa 6 Stunden pro Tag, während Windkraftanlagen durchschnittlich 9 Stunden pro Tag laufen. Es gibt auch eine tägliche Volatilität in der Kapazität dieser Quellen, abhängig von der Ausstrahlung der Sonne und der Stärke des Windes [4].
Die Grafik zeigt die Schwankungen der Kapazitätsfaktoren für Wind- und Solarenergie in den USA im Jahr 2023. Der Kapazitätsfaktor gibt an, wie effizient eine Energiequelle ihre maximale Leistung über das Jahr hinweg nutzt.
- Windenergie (hellblaue Linie): Die höchsten Kapazitätsfaktoren treten in den Wintermonaten (Jan–März) auf und sinken in den Sommermonaten (Jun–Aug) deutlich ab.
- Solarenergie (dunkelblaue Linie): Die Effizienz steigt im Frühling (März–Mai) an und erreicht in den Sommermonaten (Jun–Aug) ihr Maximum, bevor sie im Winter (Nov–Dez) abfällt.
Die Grafik verdeutlicht, dass sich Wind- und Solarenergie saisonal ergänzen können: Während Wind im Winter effizienter ist, liefert Solarenergie im Sommer die höchsten Erträge. Dies zeigt, wie wichtig ein ausgewogener Energiemix zur Sicherstellung der Versorgungssicherheit ist.
Neben der Suche nach umweltfreundlichen Energiequellen zur Stromversorgung von Rechenzentren können Technologieanbieter die Emissionsintensität durch Effizienzgewinne reduzieren.
Die nachfolgende Grafik zeigt die Entwicklung der Arbeitslast (Workload) und des Energieverbrauchs von Rechenzentren zwischen 2015 und 2023. Obwohl die Arbeitslast fast verdreifacht wurde, blieb der Energieverbrauch bis 2019, dank Effizienzsteigerungen nahezu konstant. Ab 2020 haben sich dann die Effizienzgewinne verlangsamt.
Quelle: [4], Primär: Masanet et al. (2020), IEA, Cisco, Goldman Sachs Research
Diese Grafik unterstützt die Diskussion über das Jevons-Paradoxon (siehe weiter unten). Effizienzgewinne könnten langfristig durch höhere Arbeitslasten und KI-Nachfrage ausgeglichen oder sogar übertroffen werden. Dies hebt die Notwendigkeit hervor, die Energiequellen von Rechenzentren nachhaltiger zu gestalten.
- Nuklearenergie:
In der Zwischenzeit unterstützen die Regierungen auch die Kernenergie im Großen und Ganzen stärker. Die Schweiz überdenkt den Einsatz von Kerngeneratoren für ihre Stromversorgung, während die Kernenergie in den USA parteiübergreifende Unterstützung genießt und die australische Oppositionspartei Pläne zur Einführung von Kernreaktoren vorgelegt hat [4].
Die Teilnehmer der COP28-Konferenz Ende 2023, einem jährlichen Gipfeltreffen, der von den Vereinten Nationen zur Bekämpfung des Klimawandels einberufen wurde, einigten sich darauf, die globale Nuklearkapazität bis 2050 zu verdreifachen [4].
Kernenergie gilt als ideale Option für die Basisstromversorgung, da sie zuverlässig und konstant Energie liefert.
So setzen auch immer mehr der großen Techkonzerne wie z.B. Alphabet, Amazon und Microsoft auf kleine modulare Kernkraftwerke (SMRs).
📊 Effizienzsteigerung & das Jevons-Paradoxon
Mit neuen Technologien wie DeepSeek könnte KI künftig effizienter arbeiten. Doch bedeutet eine höhere Effizienz automatisch, dass weniger Rechenleistung benötigt wird?
Das Jevons-Paradoxon: Mehr Effizienz = mehr Verbrauch?
Das Jevons-Paradoxon beschreibt, dass Effizienzsteigerungen oft nicht zu einem geringeren, sondern zu einem insgesamt höheren Verbrauch führen.
• Beispiel:
Im 19. Jahrhundert führten effizientere Dampfmaschinen nicht zu einem geringeren Kohleverbrauch, im Gegenteil, da die Maschinen billiger und vielseitiger einsetzbar wurden, stieg der Kohleverbrauch sogar an.
Beim Auto: Kraftstoffeffizientere Motoren führten nicht zu weniger Benzinverbrauch, sondern dazu, dass Menschen mehr Auto fahren.
• Übertragen auf KI:
Wenn KI-Modelle effizienter werden, sinken die Kosten pro Berechnung. Das macht KI-Anwendungen in noch mehr Bereichen attraktiv, was wiederum zu einem höheren Gesamtbedarf an Rechenleistung führt.
🌎 Regionale Verteilung und weltweiter Ausbau der Rechenzentrumsinfrastruktur
Aktuelle Verteilung: Wo stehen die Datenzentren heute?
Heute befinden sich die meisten Datenzentren in der Region Asien-Pazifik sowie in Nordamerika. Bekannte Standorte sind:
Nordamerika:
• Northern Virginia
• San Francisco Bay Area
Asien
• Beijing
• Shanghai
Diese Regionen zeichnen sich durch hohe Rechenleistung, intensiven Datenverkehr und eine starke Nachfrage von Unternehmenscampussen aus [1].
Die Grafik zeigt zusätzlich die historische Entwicklung der Rechenzentrumskapazitäten nach Regionen (Nordamerika, APAC etc.) von 2017 bis 2024. Die Zahlen illustrieren, wie schnell die Infrastruktur für die KI-Revolution wächst und unterstreicht, warum der Energiebedarf der Rechenzentren so rasant ansteigt.
Der Anstieg der Kapazität von etwa 20 GW im Jahr 2017 auf fast 60 GW im Jahr 2024 zeigt einen enormen Wachstumstrend. Dies korreliert direkt mit der steigenden Nachfrage nach KI-Anwendungen und Cloud-Computing.
Wie wächst das Angebot?
Goldman Sachs Research schätzt, dass die weltweite Rechenzentrums-Kapazität bis Ende 2030 wie oben bereits erwähnt auf etwa 122 GW ansteigen wird. Dabei wird der Anteil der Hyperscaler und spezialisierten Betreiber von aktuell 60 % auf etwa 70 % steigen [1].
- Asien-Pazifik:
In den vergangenen zehn Jahren wurde hier der größte Zubau an Rechenzentren verzeichnet.
- Nordamerika:
Für die nächsten fünf Jahre ist in Nordamerika der größte Zubau an neuen Datenzentren geplant.
📈 Investmentchancen: Einige Gewinner der KI- und Rechenzentrumsrevolution
US-Aktien z.B.:
- Carrier Global $CARR (-0,89 %) : Präzise Kühltechnologie und Klimatisierung für Rechenzentren
- Vertiv Holdings $VRT (-2,4 %) : Spezialist für Kühl- und Stromversorgungslösungen speziell für Rechenzentren
- Brookfield Renewable Partners $BEP.UN : Führender Anbieter Erneuerbarer Energien (Wasserkraft, Solar, Wind) - Lieferverträge (PPAs) mit Rechenzentren
- ON Semiconductor $ON (-2,87 %) : Führend bei Chips für Energieeffizienz und Wärmemanagement. Lösungen reduzieren Stromverbrauch in Rechenzentren und unterstützen Integration von KI
- Texas Instrumentes $TXN (-0,06 %) : Energiesparende Halbleiterprodukte, die in den Servern von Rechenzentren Verwendung finden
- Equinix $EQIX (-1,39 %) : Spezialisiert auf Rechebzentrumsinfrastruktur
- Digital Realty $DLR (-1,08 %) : Anbieter physischer Infrastruktur für Rechenzentren
- IBM $IBM (-0,97 %) : Quantencomputer-Technologien die potenziell weniger Energie verbrauchen und Entwicklung Energieeffizienter KI-Lösungen
- Arista Networks $ANET (-2,54 %) : Spezialist für Hochgeschwindigkeits-Netzwerkprodukte für Rechenzentren
- Nvidia $NVDA (-2,68 %) : Führend bei KI-GPUs, Führend im KI-Training Markt. Beste Wahl für große KI-Modelle und Training in Rechenzentren
- AMD $AMD (-1,9 %) : Konkurrenz zu Nvidia mit eigenen KI-Chips, jedoch besser im KI-Interferenz Markt positioniert, wo Energieeffizienz und Kosteneffektivität entscheidend sind. Der Interferenz-Markt wird der nächste wichtigste Markt, vielleicht sogar der wichtigere.
- Broadcom $AVGO (-2,51 %) : Profitiert von Netzwerklösungen für Rechenzentren
- Microsoft $MSFT (-1,45 %) , Google $GOOGL (-1,13 %) , Amazon $AMZN (-1,73 %) : Die großen Hyperscaler, die massiv in KI und Cloud investieren
Europäische Aktien z.B.:
- Siemens Energy $ENR (-5,08 %) : Wichtige Rolle in Modernisierung von Stromnetzen, Integration Erneuerbarer Energien und Verbesserung von Speicherlösungen für die Zuverlässigkeit von Rechenzentren
- Schneider Electric $SU (-2,67 %) : Führend in der Entwicklung von Energiemanagement und Kühltechnologie für Rechenzentren - Besonderheit in der Automatisierung beider Systeme.
- ASML $ASML (-2,91 %) : Unverzichtbar für die moderne Chipproduktion
- Infineon $IFX (-5,14 %) und STMicroelectronics $STM (-4,51 %) : Führende Halbleiterunternehmen mit Fokus auf KI-Anwendungen
- RWE $RWE (+0,45 %) und Enel $ENEL (+0,78 %) : Versorger, die verstärkt auf erneuerbare Energien für Rechenzentren setzen
Japanische Aktien z.B.:
- Daikin Industries $6367 (+0,52 %) : Weltmarktführer bei Klimatisierung und Kühlung, bietet spezialisierte Kühlsysteme für Rechenzentren und durch KI-gestützte Anlagenmanagementsysteme um Effizienz weiter zu steigern
- Tokyo Electron $8035 (+1,4 %) : Wichtiger Zulieferer für die Halbleiterfertigung
- Mitsubishi Heavy Industries $7011 (-7,36 %) : Arbeitet an der Entwicklung neuer Kernkraftwerke zur Sicherstellung der Energieversorgung
🧠 Fazit: KI, Rechenzentren & Energie als Jahrhunderttrend?
Obwohl einige Analysten vor einer möglichen Überinvestition warnen, deuten die Zahlen darauf hin, dass der Bedarf an Rechenleistung und Energie für KI-Rechenzentren weiterhin stark steigen wird.
- Effizienzgewinne durch Modelle wie DeepSeek oder neue Chip-Technologien könnten den Energieverbrauch pro Rechner senken, doch das Jevons-Paradoxon führt dazu, dass der Gesamtbedarf steigt, weil effizientere Systeme vermehrt eingesetzt werden.
Die größten Gewinner sind daher:
- Halbleiterunternehmen: Sie liefern die benötigten KI-Chips.
- Rechenzentrumsbetreiber: Sie bauen die nötige Infrastruktur aus.
- Energieversorger: Sie stellen die Energieversorgung für die KI-Revolution sicher.
Langfristig könnten diese Unternehmen zu den größten Profiteuren der kommenden Jahrzehnte gehören.
👨🏽💻 Wie positioniere ich mich?
Persönlich sehe ich mich mit dem NASDAQ 100 $CSNDX (-1,31 %) gut aufgestellt (Depot-Anteil bei 23%), da der Fokus auf US-Technologie- und Wachstumswerte liegt. Der ETF ergänzt meinen All-World mit einer stärkeren Gewichtung auf innovative Sektoren wie KI und Cloud-Computing.
in naher Zukunft werde ich mir zusätzlich die Daikin Industrie $6367 (+0,52 %) Aktie näher anschauen, um das Japan Exposure zu erhöhen und der Kurs auf den ersten Blick einen Einstieg bietet.
Zusätzlich hat AMD $AMD (-1,9 %) meine Aufmerksamkeit gezogen, die Begründung stellt die Positionierung im bereits oben genannten Interferenz-Markt dar. Aktuell fließt das meiste Kapital in den Ausbau neuer KI Modelle. Sobald diese jedoch zur „Commodity“ werden und jeder sie einsetzt wird wohl der Großteil des Kapitals in den Interferenz Markt fließen (Markt für die Anwendung von KI-Modellen).
Weiterhin habe ich die Siemens AG $SIE (-3,43 %) mit ca. 2,3% Portfolio Anteil mit dabei (wächst noch bis auf ca. 4%) welche ich ebenfalls aus folgenden Gründen (Im Kontext des Beitrags) gut für die Zukunft aufgestellt sehe:
Netzwerkstabilität
- Entwickelt Technologien für intelligente Stromnetze („Smart Grids“), essenziell für Integration erneuerbarer Energien in die Versorgung von Rechenzentren.
Rechenzentrumssteuerung
- Bietet Automatisierungs- und Überwachungssysteme die den Energieverbrauch und Effizienz von Rechenzentren optimieren
Effiziente Gebäudestruktur
- Die „Smart-Infrastructure“-Sparte unterstützt Rechenzentren mit Energieeffizienten Lösungen für Beleuchtung, Klimatisierung und Gebäudeüberwachung
Nicht direkt Kühlsysteme, aber:
- bietet Technologien, die die Energieeffizienz von Kühlsystemen steigern, indem sie Energieströme und Datenanalysen optimieren
Wie ist eure Meinung❓
- Welche Unternehmen habt ihr auf dem Schirm?
- Droht eine Überinvestition oder stehen wir erst am Anfang einer Jahrhundert-Revolution?
Vielen Dank fürs Lesen! 🤝
..Genannter Exkurs folgt nach den Quellen..
__________
Quellen:
[2] „The Coal Question“
http://digamo.free.fr/peart96.pdf
[3] https://de.m.wikipedia.org/wiki/Jevons-Paradoxon
[5] https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
[6] https://www.cbre.com/insights/reports/global-data-center-trends-2024
__________
🧭 Exkurs: zu Gigawatt und Terawattstunden
Um den Zusammenhang zwischen den beiden Angaben, 122 GW (Gigawatt) und 1.000 TWh (Terawattstunden) zu verstehen, ist es wichtig, die Einheiten und deren Bedeutung zu klären:
- 122 GW (Gigawatt):
Bezieht sich auf die aktuelle durchschnittliche Leistungskapazität, die Rechenzentren weltweit benötigen, um zu funktionieren. Leistung (gemessen in GW) beschreibt die Energiemenge, die pro Sekunde verbraucht wird. Es handelt sich hier also um eine Momentaufnahme des Energiebedarfs.
- 1.000 TWh (Terawattstunden):
Dies ist eine Angabe über den Energieverbrauch über einen bestimmten Zeitraum, in diesem Fall ein Jahr. Es beschreibt, wie viel Energie insgesamt in 12 Monaten benötigt wird.
Die Prognose von 1.000 TWh liegt etwas unter dem Wert, der sich aus der Berechnung ergibt. Aus der Grafik lassen sich Werte etwas über 1.000 TWh erkennen, nach der Berechnung auf Grundlage von 122 GW Leistungskapazität müsste der Energieverbrauch bei ca. 1069 TWh liegen.
Generelle Gründe für Abweichungen können nichtsdestotrotz folgende sein:
- Effizienzsteigerungen: Rechenzentren könnten durch verbesserte Kühlung, optimierte Hardware und Software effizienter arbeiten und somit weniger Energie verbrauchen.
- Spitzen- vs. Durchschnittsverbrauch: Die Angabe von 122 GW könnte den Spitzenbedarf widerspiegeln, während der tatsächliche Durchschnittsbedarf im Jahr etwas niedriger ausfällt.
- Anpassungen im Modell: Es ist möglich, dass die Prognose von 1.000 TWh konservativ ist und nicht alle zusätzlichen Lasten oder regionalen Unterschiede einbezieht.
Dies zeigt, wie stark die Nachfrage nach Rechenzentren und Energie durch KI und Digitalisierung bis 2030 steigen wird
__________
