In den letzten zwei Jahren haben sich die tats\u00e4chlichen Kosten f\u00fcr KI in Unternehmen ver\u00e4ndert. Nicht in der Theorie \u2013 sondern in der Praxis, bei konkreten Beschaffungsentscheidungen, wenn Unternehmen versuchen, einen Proof of Concept in eine produktive L\u00f6sung umzusetzen.<\/p>\n
Anfang dieses Monats versuchte eines unserer Entwicklungsteams bei der Arbeit an einer RAG-Plattform f\u00fcr Unternehmen, eine RAG-Pipeline auf der derzeitigen Standard-Cloud-Infrastruktur zu skalieren, stie\u00df dabei jedoch schnell an die Grenzen der GPU-Zuweisung. Dies veranlasst uns, die zunehmende Nutzung von Nerocloud in der KI-Infrastruktur von Unternehmen zu untersuchen.<\/p>\n
Die Nachfrage nach KI ist un\u00fcbersehbar. Von ChatGPT-\u00e4hnlichen Anwendungen und KI-Agenten f\u00fcr Unternehmen bis hin zu RAG-Systemen, Modell-Fine-Tuning und gro\u00df angelegter Computer Vision \u2013 Unternehmen investieren massiv in KI-F\u00e4higkeiten. Die gr\u00f6\u00dfere Herausforderung taucht oft hinter den Kulissen auf. Wenn diese Workloads von der Testphase in die Produktion \u00fcbergehen, sehen sich viele Teams mit GPU-Engp\u00e4ssen, langen Bereitstellungszeiten und stetig steigenden Cloud-Kosten konfrontiert.<\/span><\/span> Beim gro\u00df angelegten Einsatz von KI geht es nicht mehr nur darum, Modelle zu entwickeln \u2013 es geht vielmehr darum, die Infrastruktur bereitzustellen, die f\u00fcr deren effiziente Unterst\u00fctzung erforderlich ist.<\/span><\/p>\n AWS, Azure und Google Cloud wurden nicht f\u00fcr diesen Zweck entwickelt. Sie wurden f\u00fcr alles entwickelt \u2013 was bedeutet, dass sie f\u00fcr nichts Bestimmtes optimiert wurden. Um diese L\u00fccke zu schlie\u00dfen, ist eine neue Kategorie von Anbietern entstanden. Sie werden als \u201eNeoClouds\u201c bezeichnet und tauchen zunehmend auf den Auswahllisten f\u00fcr ernstzunehmende Unternehmensinfrastrukturen auf.<\/p>\n NeoCloud ist ein Cloud-Anbieter, dessen gesamtes Gesch\u00e4ftsfeld auf GPU-Rechenleistung f\u00fcr KI und Hochleistungs-Workloads ausgerichtet ist. Es handelt sich nicht um eine Produktlinie innerhalb einer umfassenderen Plattform, sondern um das gesamte Unternehmen.<\/p>\n Sie konzentrieren sich vor allem auf:<\/p>\n Im Gegensatz zu Hyperscalern, die jede erdenkliche Workload bedienen und die Vermietung von GPUs als eine von Tausenden von SKUs betrachten, sind NeoClouds speziell f\u00fcr KI konzipiert. Dieser Unterschied zeigt sich auf allen Ebenen der Infrastruktur.<\/p>\n Wichtigste Merkmale:<\/strong><\/p>\n Der unmittelbare Grund ist klar: Die Nachfrage nach KI-Rechenleistung \u00fcbersteigt das Angebot der Hyperscaler.<\/p>\n Zu den Arbeitslasten, die diesen Bedarf verursachen, geh\u00f6ren:<\/p>\n Der Bau neuer Hyperscale-Rechenzentren dauert drei bis f\u00fcnf Jahre. Die Zeitr\u00e4ume f\u00fcr die Einf\u00fchrung von KI werden in Quartalen gemessen. Diese L\u00fccke schlie\u00dft sich nicht so schnell.<\/p>\n Infolgedessen sehen sich Unternehmen, die anspruchsvolle KI-Anwendungen einsetzen, regelm\u00e4\u00dfig mit folgenden Herausforderungen konfrontiert:<\/p>\n NeoClouds gibt es, weil diese Probleme struktureller Natur und nicht nur vor\u00fcbergehend sind.<\/p>\n Der entscheidende Punkt ist nicht, dass NeoClouds besser sind als Hyperscaler. Vielmehr sind sie f\u00fcr andere Aufgaben optimiert. F\u00fcr das Hosting allgemeiner Anwendungen, Datenpipelines oder SaaS-Infrastrukturen bleiben Hyperscaler die sinnvolle Standardwahl. Bei anhaltenden GPU-intensiven KI-Workloads sieht die Rechnung oft anders aus.<\/p>\n Unternehmen k\u00f6nnen leistungsstarke GPUs bereitstellen, ohne sich in Warteschlangen hinter Quotensystemen einreihen oder auf Kapazit\u00e4ten warten zu m\u00fcssen, die in der ben\u00f6tigten Region m\u00f6glicherweise nicht verf\u00fcgbar sind. F\u00fcr Teams, die ein Modell trainieren oder ein Produkt auf den Markt bringen m\u00fcssen, ist dieser Zeitunterschied entscheidend.<\/p>\n Die Infrastruktur wurde speziell f\u00fcr folgende Zwecke entwickelt:<\/p>\n Die Ausf\u00fchrung von KI-Workloads auf einer Infrastruktur, die f\u00fcr allgemeine Rechenaufgaben ausgelegt ist, bedeutet, dass man sich mit Einschr\u00e4nkungen herumschlagen muss, die eigentlich gar nicht vorhanden sein sollten.<\/p>\n Viele Unternehmen empfinden NeoClouds bei kontinuierlich laufenden Workloads als deutlich kosteng\u00fcnstiger als die On-Demand-Preise der Hyperscaler. Die Einsparungen h\u00e4ngen davon ab, dass die Vertragsverpflichtungen auf die tats\u00e4chlichen Nutzungsmuster abgestimmt sind \u2013 entscheidend ist die GPU-Auslastung, nicht der angegebene Stundensatz.<\/p>\n Support-Teams, die die praktischen Fehlerursachen bei verteilten Trainingsprozessen verstehen: warum ein Job bei 98% ins Stocken ger\u00e4t, wie man vLLM im Hinblick auf Durchsatz versus Latenz optimiert und welche InfiniBand-Topologie sich auf die Modellparallelit\u00e4t auswirkt. Dieses Fachwissen ist \u00fcber allgemeine Cloud-Supportkan\u00e4le nur selten verf\u00fcgbar.<\/p>\n Beispiele:<\/strong> Crusoe, IREN<\/p>\n Der Schwerpunkt liegt auf einer nachhaltigen KI-Infrastruktur, die am Standort erneuerbarer oder ungenutzter Energiequellen errichtet wird. Dies ist relevant f\u00fcr Organisationen mit CO\u2082-Reduktionszielen oder Anforderungen an die ESG-Berichterstattung.<\/p>\n Beispiele:<\/strong> DigitalOcean, Hot Aisle<\/p>\n Entwickelt f\u00fcr schnelle Bereitstellung und hohe Entwicklerproduktivit\u00e4t. K\u00fcrzere Bereitstellungszyklen, \u00fcbersichtlichere APIs und eine klare Preisgestaltung. Eher geeignet f\u00fcr Teams, die KI-Funktionen z\u00fcgig auf den Markt bringen, als f\u00fcr Unternehmen, die Trainingsl\u00e4ufe im Petabyte-Bereich durchf\u00fchren.<\/p>\n Beispiele:<\/strong> CoreWeave, TensorWave<\/p>\n Entwickelt f\u00fcr KI-Training und -Inferenz im gro\u00dfen Ma\u00dfstab. CoreWeave ist der gr\u00f6\u00dfte Anbieter in dieser Kategorie \u2013 mit einem Jahresumsatz von \u00fcber 1,45 Billionen Yen und Kunden wie Microsoft, Meta und OpenAI. Diese Anbieter agieren in einer Gr\u00f6\u00dfenordnung, die der von Hyperscalern entspricht, konzentrieren sich dabei jedoch weiterhin auf ihren Kernbereich als GPU-Spezialisten.<\/p>\n Beispiele:<\/strong> Core42 (VAE\/Europa), IBM<\/p>\n Entwickelt f\u00fcr Compliance, Governance und regulierte Branchen. Core42 ist derzeit der aktivste Akteur in diesem Bereich: ein von G42 unterst\u00fctztes Unternehmen, das k\u00fcrzlich 1,455 Mrd. von HSBC eingeworben hat, eine Partnerschaft mit Red Hat und Microsoft Azure f\u00fcr eine von Grund auf auf Souver\u00e4nit\u00e4t ausgelegte Infrastruktur eingegangen ist und den \u00f6ffentlichen Sektor, die Verteidigungsindustrie sowie regulierte Branchen in den Vereinigten Arabischen Emiraten bedient \u2013 mit einem nun in Dublin eingerichteten europ\u00e4ischen Hauptsitz. Seine Plattform f\u00fcr souver\u00e4ne Kontrollen, Insight, bietet regulierten Organisationen technische und richtlinienbasierte Kontrollen \u00fcber Datenklassifizierung, Datenstandort und die Governance von KI-Workloads. F\u00fcr Organisationen, die im Nahen Osten oder in regulierten Sektoren in Europa t\u00e4tig sind, ist Core42 eine zunehmend glaubw\u00fcrdige Alternative zu den souver\u00e4nen Angeboten der Hyperscaler. Die Frage, die es beantwortet, lautet nicht nur \u201cWo befinden sich die Daten?\u201d, sondern \u201cWer steuert die gesamte KI-Pipeline, einschlie\u00dflich Modellgewichten, Inferenz-Eingaben und Pr\u00fcfpfaden?\u201d<\/p>\nWas sind NeoClouds?<\/h2>\n
\n
\n
Warum NeoClouds auf dem Vormarsch sind<\/h2>\n
\n
\n
NeoClouds im Vergleich zu herk\u00f6mmlichen Cloud-Anbietern<\/h2>\n
\n\n
\n \nMerkmal<\/th>\n Herk\u00f6mmliche Cloud (AWS, Azure, GCP)<\/th>\n NeoClouds<\/th>\n<\/tr>\n<\/thead>\n \n Schwerpunkt<\/td>\n Allgemeine Cloud-Workloads<\/td>\n KI- und GPU-Workloads<\/td>\n<\/tr>\n \n Verf\u00fcgbarkeit von GPUs<\/td>\n Dienst\u00fcbergreifend<\/td>\n GPU-orientiert<\/td>\n<\/tr>\n \n Bereitstellungsgeschwindigkeit<\/td>\n M\u00e4\u00dfig<\/td>\n Schneller f\u00fcr KI-Anwendungen<\/td>\n<\/tr>\n \n KI-Kompetenz<\/td>\n Allgemeiner Cloud-Support<\/td>\n auf KI spezialisierte Teams<\/td>\n<\/tr>\n \n Kostenmodell<\/td>\n Breites Preisspektrum f\u00fcr alle Dienstleistungen<\/td>\n AI-orientiert, Preisgestaltung pro GPU<\/td>\n<\/tr>\n \n Aktualit\u00e4t der Hardware<\/td>\n Ausgewogen \u00fcber alle Produktlinien hinweg<\/td>\n Aktuelle GPUs werden bevorzugt behandelt<\/td>\n<\/tr>\n \n Staatliche \/ regionale Optionen<\/td>\n In einigen M\u00e4rkten nur eingeschr\u00e4nkt verf\u00fcgbar<\/td>\n Wachstum, insbesondere in Gro\u00dfbritannien und Europa<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n Vorteile von NeoClouds<\/h2>\n
Schnellerer Zugriff auf die GPU<\/h3>\n
KI-optimierte Infrastruktur<\/h3>\n
\n
Bessere Wirtschaftlichkeit bei dauerhaften Auslastungen<\/h3>\n
Native KI-Unterst\u00fctzung<\/h3>\n
Arten von NeoCloud-Anbietern<\/h2>\n
Energieoptimierte NeoClouds<\/h3>\n
NeoClouds \u2013 speziell f\u00fcr Entwickler<\/h3>\n
Auf Skalierbarkeit ausgerichtete KI-Anbieter<\/h3>\n
KI-Clouds f\u00fcr Unternehmen und staatliche Stellen<\/h3>\n
F\u00fcr wen ist NeoClouds geeignet?<\/h2>\n
KI-Startups<\/h3>\n
\n
SaaS-Unternehmen<\/h3>\n
\n
Unternehmen<\/h3>\n