KI-Rechenzentren & GPU-Infrastruktur

KI hat die Rechenzentrumsbranche in zwei Produkte gespalten: Bestandsfläche, gebaut für Racks mit 5–15 kW, und KI-taugliche Kapazität mit 60–130+ kW je Rack samt Flüssigkeitskühlung — und die zweite Kategorie wird so schnell absorbiert, wie sie entsteht. Dieser Hub behandelt die Ökonomie von Dichte und Kühlung, die Entscheidung zwischen Miete und Colocation sowie die Suche nach GPU-fähiger Kapazität, gestützt auf unseren laufenden GPU-Preistracker und den Anlagenkatalog mit aiReady-Kennzeichnung.

Marktkontext: KI verschlingt die Kapazitätspipeline

Die Größenordnungen sind eindeutig. McKinsey prognostiziert eine weltweite Rechenzentrumsnachfrage von rund 219 GW bis 2030, wobei KI-taugliche Kapazität um etwa 33 % jährlich wachsen muss und KI-Workloads bis zum Ende des Jahrzehnts die Hälfte bis rund 70 % der Gesamtnachfrage stellen. Diese Nachfrage trifft auf einen Markt, der bereits rekordverdächtig eng ist: Leerstand in Northern Virginia nahe 0,5 %, rund drei Viertel der im Bau befindlichen US-Kapazität vorvermietet und nordamerikanische Wholesale-Raten auf einem Rekordwert von 196,25 $/kW/Monat laut CBRE — wobei Betreiber KI-optimierter, flüssigkeitsgekühlter Anlagen explizite Mietaufschläge gegenüber konventioneller Fläche durchsetzen.

Auf der Hardwareseite ist der Markt schnell gereift. Die H100-Mietpreise fielen vom Höchststand 2023 mit über 8 $/Std. auf rund 2–3 $/Std. im Spotmarkt und etwa 2,35 $/Std. bei einjährig gebundenen Verträgen, da sich das Angebot normalisierte und die Generationen B200/GB200 ausgeliefert wurden — eine Neubewertung, die die Rechnung „bauen oder mieten“ für alle unterhalb der Hyperscale-Größe verändert hat. Genau diese Kurve verfolgt unser GPU-Tracker täglich; unser Leitfaden zu H100-Mietpreisen erklärt die Vertragsstrukturen hinter den Schlagzeilenraten.

Die Konsequenz für Käufer: Entscheidungen zur KI-Infrastruktur sind heute Entscheidungen in zwei Märkten. Sie bepreisen gleichzeitig physische Kapazität (Colocation, $/kW) und Rechenleistung (GPU-Miete, $/GPU-Stunde), und die optimale Antwort verschiebt sich mit Auslastung, Laufzeit und Hardwaregeneration. Die meisten Beratungsquellen decken nur einen Markt ab. Wir verfolgen beide.

Dichte und Kühlung: warum 100-kW-Racks alles verändert haben

Ein modernes KI-Trainings-Rack ist ein physisch anderes Objekt als das, wofür Rechenzentren gebaut wurden. Ein NVIDIA GB200 NVL72 System zieht rund 120–132 kW in einem einzigen Rack — gegenüber dem Enterprise-Standard von 5–15 kW —, und Cluster-Architekturen kommender Generationen drängen auf 250 kW+ pro Rack. Aus dieser Zahl folgen drei technische Konsequenzen:

Kühlung wird flüssig. Oberhalb von rund 50 kW/Rack lässt sich schlicht nicht mehr genug Luft bewegen. Die Branche hat sich auf zwei Ansätze standardisiert:

	Direct-to-Chip (DTC)	Immersion
Funktionsweise	Kühlplatten auf GPUs/CPUs; Kühlmittelkreis über CDU	Server in dielektrischer Flüssigkeit getaucht
Unterstützte Rack-Dichte	80–132+ kW (aktuelle Generation)	100–250+ kW
In Flüssigkeit abgeführte Wärme	ca. 70–80 % (Rest über Luft)	ca. 95–100 %
Nachrüstaufwand im Gebäude	Moderat — CDUs, Rohrleitungen, Wasserkreislauf	Hoch — Tanks, Fluidhandling, neues Betriebsmodell
Hardwarekompatibilität	Standard-OEM-Racks (NVL72 wird DTC-fähig ausgeliefert)	Erfordert immersionstaugliche Hardware
Marktposition 2026	Dominante Wahl für neue KI-Bauten	Nische: HPC, Krypto, extreme Dichte

DTC gewinnt die meisten Deployments, weil es das Betriebsmodell aus Racks und Reihen erhält und zugleich die aktuellen GPU-Thermik bewältigt; es erhöht die Investitionen in Mechanik und Elektrik typischerweise um 7–10 %, senkt den Kühlenergiebedarf aber so weit, dass der PUE von etwa 1,5 im Bestand auf 1,1–1,2 fällt — eine dauerhafte Ersparnis von 20–25 % bei den gesamten Stromkosten.

Die Stromverteilung skaliert hoch. Racks mit 60–130 kW benötigen Überkopf-Stromschienen ab 415 V, Zuleitungen mit hoher Stromstärke und eine Bodentraglast von 1.500–2.000 kg je Rack. Die Netzanschluss-Reserve wird strategisch: Ein H100-Cluster mit 1.024 GPUs zieht insgesamt rund 1,5–2 MW; ein Trainingsaufbau mit 16.000 GPUs nähert sich 25–30 MW — Größen, die Sie umgehend zum Wholesale-Mieter machen, der über Strom verhandelt, statt zum Retail-Käufer, der Racks auswählt. Zu den Anforderungen in dieser Größenordnung siehe unseren Hyperscale-Hub und Strom-Hub.

Die Konsequenz für die Vorauswahl: Der Großteil des weltweit installierten Colocation-Bestands kann moderne KI-Cluster ohne Nachrüstung nicht aufnehmen. Die Nachrüstung luftgekühlter Bestandsfläche auf flüssigkeitsgekühlte Dichte kostet 2–4 Mio. $ pro MW. Deshalb ist „GPU-fähig“ heute das wichtigste Einzelkriterium bei der Anlagenauswahl — und deshalb kennzeichnet unser Katalog Anlagen mit dem Flag aiReady, das Dichte, Unterstützung für Flüssigkeitskühlung und Stromreserve abdeckt.

Colocation oder GPU-Miete: der Entscheidungsrahmen

Die folgenreichste Entscheidung zur KI-Infrastruktur unterhalb von rund 50 Mio. $ Volumen ist die Frage, ob man Hardware in Colocation besitzt oder GPU-Kapazität mietet. Die ehrliche Antwort ist Arithmetik, nicht Ideologie:

Mieten, wenn: die Auslastung unsicher oder sprunghaft ist; der Projekthorizont unter rund 12–18 Monaten liegt; Sie sofort Frontier-Hardware benötigen (B200/GB200-Miete schlägt einen sechsmonatigen Beschaffungszyklus); oder die Teamkapazität für Infrastrukturbetrieb bei null liegt. Bei rund 2,35 $/Std. mit Bindung kostet eine H100 etwa 20.600 $ pro GPU und Jahr, wobei Strom, Kühlung, Netzwerk und Hardwarerisiko vollständig beim Anbieter liegen.

Colocaten, wenn: Sie über zwei Jahre oder länger eine hohe Auslastung (60 %+) halten; die Workload-Daten Anforderungen an Ansässigkeit oder Sicherheit haben; oder Sie groß genug sind, dass die Margen der Vermieter Ihre Betriebskosten übersteigen. Ein eigener H100-Knoten kostet etwa 25.000–30.000 $ pro GPU an Investition zuzüglich 3.000–5.000 $ pro GPU und Jahr für Colocation-Strom und -Fläche (in Märkten mit rund 0,08–0,12 $/kWh — ein Grund, warum südostasiatische Colocation für Inferenzflotten attraktiv ist). Über drei Jahre harter Auslastung liegt Eigentum typischerweise 30–50 % unter der Miete — sofern die Auslastung hält.

Der Break-even liegt bei etwa 12–18 Monaten dauerhafter Nutzung. Zwei Faktoren verschieben ihn nach hinten: der Generationswechsel bei GPUs (eine eigene H100-Flotte konkurriert im zweiten Jahr mit Mieten der nächsten Generation) und fallende Mietpreise (der Markt verbilligte sich in zwei Jahren um rund 60–70 %). Ein Faktor zieht ihn nach vorn: Mietkapazität der neuesten Generation ist zum Start knapp und hochpreisig — genau dann, wenn die Trainingsnachfrage ihren Höhepunkt erreicht.

Erfahrene Teams teilen zunehmend auf: eigene, colocatete Kapazität, dimensioniert auf die Grundlast der Inferenz; gemietete Kapazität für Trainingsspitzen und Generationsexperimente. Beide Seiten dieses Portfolios zu bepreisen erfordert Live-Daten aus beiden Märkten — und genau das veröffentlicht diese Website unter /de/index/ und /de/gpu/.

Der GPU-Markt hat sich ausdifferenziert — bepreisen Sie die Generation, nicht „eine GPU“

„GPU-Preise“ sind heute vier eigenständige Märkte auf unterschiedlichen Kurven, und sie zu vermengen ist der häufigste — und teuerste — Analysefehler, den wir sehen:

Segment	Hardware	Marktverhalten (2026)
Frontier	GB200/B200-Klasse	Knapp, mit Aufschlag bepreist, eher zugeteilt als verkauft; Vielfaches der H100-Raten
Arbeitspferd	H100/H200	Liquide, wettbewerbsintensiv; ca. 2–3 $/Std. Spot, ca. 2,35 $/Std. bei Einjahresbindung
Value	A100 und früher	Stark rabattiert; tauglich für Fine-Tuning, kleinere Modelle, Batch-Inferenz
Inferenzoptimiert	L40S und Spezialteile	Bepreist nach Ökonomie je ausgeliefertem Token, nicht nach Trainings-FLOPs

Drei Dynamiken bestimmen die Kurven. Generationskaskade: Jeder neue Flaggschiff-Start drückt die Vorgängergeneration binnen etwa eines Jahres um 30–50 % — genau das Muster, das die H100 von über 8 $/Std. auf 2,35 $ mit Bindung führte. Laufzeitspread: Spot-, Monats- und ein- bis dreijährig gebundene Raten für identische Hardware können sich um mehr als 40 % unterscheiden; die Vertragslaufzeit auf die Sicherheit der Workload abzustimmen ist daher ebenso viel wert wie die Anbieterwahl. Anbieterstreuung: Listenpreise der Hyperscaler für dieselbe GPU liegen um das 2- bis 4-Fache über den Raten spezialisierter GPU-Clouds, mit der größten Lücke im Arbeitspferd-Segment. Unser GPU-Tracker hält das aktuelle Bild über alle Segmente hinweg vor; behandeln Sie jede einzelne genannte Zahl — auch unsere aus dem letzten Quartal — als Momentaufnahme einer schnell laufenden Kurve.

Netzwerk: die dritte Säule, die Käufer zu spät entdecken

KI-Cluster scheitern häufiger am Netzwerk als an Strom oder Kühlung, denn Training ist eine synchronisierte Workload: Tausende GPUs tauschen bei jedem Schritt Gradienten aus, und die langsamste Verbindung gibt das Tempo des gesamten Clusters vor. Praktische Folgen für Kapazitätskäufer:

• Ost-West dominiert. Ein Cluster mit 1.024 GPUs benötigt eine blockierungsfreie 400/800G-Fabric (InfiniBand oder RoCE Ethernet), deren Kosten — oft 2.000–4.000 $ je GPU für Switching und Optik — neben den Beschleunigern selbst in Ihrem Investitionsmodell stehen müssen.
• Physische Nähe ist beim Training nicht verhandelbar. Die Latenzbudgets der Fabric halten Trainingscluster innerhalb eines Saals oder benachbarter Säle; ein Trainingscluster lässt sich nicht über zwei Gebäude spannen, geschweige denn über zwei Anlagen. Das schränkt die Anlagenwahl auf Standorte mit großer zusammenhängender GPU-fähiger Fläche ein — eine weitere Dimension, die die aiReady-Vorauswahl unseres Katalogs abdeckt.
• Inferenz verteilt sich, Training konzentriert sich. Auslieferungsverkehr verträgt gewöhnliche Metro-Latenz, was Hub-and-Spoke-Architekturen erst funktionieren lässt — schwergewichtige Cluster in Wholesale-Fläche, Inferenzknoten näher an den Nutzern (siehe unseren Edge-Hub).

Beim Vergleich von Colocation-Angeboten für GPU-Deployments fragen Sie gezielt nach der Unterstützung strukturierter Verkabelung für faserstarke Fabrics, nach Cross-Connect-Preisen im Volumen (Dutzende 400G-Verbindungen verändern die Rechnung — siehe den Abschnitt zu versteckten Kosten in unserem Colocation-Hub) und nach Cloud-On-Ramps, falls Ihre Architektur hybrid ist.

Wohin mit KI-Kapazität: die Geografie verschiebt sich

KI-Workloads sind latenztoleranter als nutzernahe Anwendungen — einen Trainingsjob kümmert es nicht, ob er in Ashburn oder Johor läuft. Diese Toleranz lenkt KI-Kapazität, angesichts von Leerstandsquoten unter 1 % und Preisen über 215 $/kW in den US-Kernmärkten, in stromreiche, günstigere Märkte um: US-Sekundärmetropolen, die nordischen Länder, den Nahen Osten und vor allem Südostasien, wo Thailands BOI 2025 rund 746 Mrd. THB an Rechenzentrumsinvestitionen genehmigte, die Pipeline in Johor rund 4–5 GW erreichte und Malaysia KI-taugliche Projekte inzwischen ausdrücklich priorisiert. Industriestrom zu 0,08–0,12 $/kWh und Baukosten 20–40 % unter US-Niveau schlagen direkt auf niedrigere $/GPU-Stunde durch, wenn Sie Flotten im großen Maßstab betreiben — das vollständige regionale Bild finden Sie in unserem Entwicklungs-Hub und in der Thailand-Analyse.

Wie Coloprice hilft: die Brücke von Colocation zu GPU

Jede andere Quelle deckt nur die Hälfte dieses Marktes ab. Colocation-Verzeichnisse verfolgen keine GPU-Preise; GPU-Marktplätze decken keine physische Kapazität ab. Da die eigentliche Entscheidung — Rechenleistung mieten, Hardware betreiben oder etwas dazwischen — beide Seiten umfasst, haben wir die Brücke gebaut:

• Laufende GPU-Preise, kostenlos. Der GPU-Tracker verfolgt Mietraten über Anbieter und Generationen hinweg — von der H100 ab rund 2,35 $/Std. mit Bindung bis zu den aktuellen Aufschlägen für B200/GB200 —, sodass Sie jedes Anbieterangebot in Sekunden einordnen. Der H100-Preisleitfaden entschlüsselt die Vertragsstrukturen.
• GPU-fähige Anlagen, filterbar. Unser Katalog mit 202 Anlagen bietet einen aiReady-Filter für Hochdichte-Strom und Unterstützung von Flüssigkeitskühlung — damit wird aus der Frage „Welche Anlagen weltweit können 100-kW-Racks tatsächlich aufnehmen?“ statt wochenlanger RFI-E-Mails eine Zwei-Minuten-Abfrage.
• Beide Märkte auf einem Benchmark. Colocation-Raten und GPU-Raten nebeneinander, dazu Marktangebotsdaten in den Statistiken — der vollständige Datensatz für das obige Modell aus Miete und Colocation.
• Passende Angebote binnen eines Werktags, kostenlos. Beschreiben Sie Ihren Bedarf unter /de/quote/ — ein flüssigkeitsgekühlter Cluster mit 20 Racks, 2 MW GPU-fähige Fläche in Südostasien oder eine GPU-Mietverpflichtung, die Sie einordnen wollen — und wir liefern binnen eines Werktags passende Optionen von Anlagen und Anbietern, die wir geprüft haben. Keine Listungsgebühren, die die Auswahl formen, keine Blackbox namens „Angebot anfordern“.
• Vertiefungen. Beginnen Sie mit dem Leitfaden zur Colocation-Preisgestaltung für die $/kW-Seite und mit dem Investitionsleitfaden, wenn Sie KI-Kapazität finanzieren statt kaufen.

KI-Infrastruktur ist der Markt mit der schnellsten Preisbewegung in der Technologiebranche — GPU-Raten bewegten sich in zwei Jahren um über 60 %, Colocation um 6–12 % in die Gegenrichtung. Entscheidungen auf Basis veralteter Daten sind in beide Richtungen teuer: auf der einen Seite zu viel für Rechenleistung bezahlt, auf der anderen Kapital in der falschen Anlage gebunden. Prüfen Sie /de/gpu/, filtern Sie /de/data-centers/, vergleichen Sie gegen /de/index/ — und lassen Sie /de/quote/ binnen eines Werktags echte, vergleichbare Angebote auf Ihren Tisch bringen.