Microsofts KI-Engpass liegt bei Strom und Rechenzentren – nicht bei Chips

Microsofts KI-Infrastrukturproblem ist zunehmend ein Bereitstellungsproblem. Chips im Lager erzeugen noch keine nutzbare Rechenleistung: Sie müssen in fertiggestellten Rechenzentren installiert, mit Strom versorgt, gekühlt, vernetzt und von Fachkräften betrieben werden. Berichten zufolge warten bei Microsoft Tausende fortschrittlicher KI-Chips auf ihren Einsatz, weil der Bau von Rechenzentren hinter den Zeitplänen zurückliegt.

Damit wird ein großer Hardwareetat zu einem langsameren Weg zu Umsatz. Die Nachfrage nach Azure soll die verfügbare Kapazität übersteigen. Stromanschlüsse und sofort nutzbare Rechenzentrumsflächen begrenzen daher, wie schnell Microsoft zusätzliche Beschleuniger in Betrieb nehmen kann.

Was der Engpass für Azure und Copilot bedeutet

Azure OpenAI und Copilot fallen dadurch nicht automatisch aus. Das Problem ist weniger die grundsätzliche Verfügbarkeit als der fehlende Spielraum: Microsoft kann womöglich weniger Kunden gleichzeitig aufnehmen, die Rechenleistung in einzelnen Regionen langsamer ausbauen, neue Regionen später eröffnen oder Kapazität schwieriger zwischen Azure-Kunden und eigenen Produkten verschieben.

Für Azure-Kunden kann sich das als regionale Knappheit, verzögerte Freischaltung oder strengere Zuteilung leistungsstarker Instanzen bemerkbar machen. Für Microsoft ist auch die Wirtschaftlichkeit entscheidend. Ein nicht installierter Beschleuniger erzeugt keine Inferenzkapazität. Laufende Anwendungen müssen unter Umständen weiterhin auf teurerer Standardhardware betrieben werden.

Besonders empfindlich ist Copilot bei diesem Zielkonflikt. Der Dienst muss sehr viele Anfragen zu verlässlich kalkulierbaren Kosten verarbeiten. Ein effizienterer KI-Beschleuniger kann die Rechnung verbessern – aber erst, wenn der Chip an einen funktionierenden Cluster angeschlossen ist.

Maia 200 senkt möglicherweise Kosten, aber nicht den Strombedarf

Microsofts Maia 200 ist vor allem für Inferenz ausgelegt – also für die Phase, in der ein bereits trainiertes Modell Antworten erzeugt. Nach Angaben von Microsoft erreicht der Chip bei den Formaten FP4 und FP8 höhere Leistungswerte als vergleichbare Beschleuniger von AWS und Google. Dabei handelt es sich um Herstellerangaben und nicht um unabhängige End-to-End-Benchmarks.

Andere Berichte beziffern den Vorteil bei den Betriebskosten für Microsoft- und OpenAI-Workloads auf etwa 30 bis 40 Prozent gegenüber führenden Nvidia-Chips. Auch das ist eine gemeldete Schätzung und keine Garantie für jedes Modell, jede Softwareumgebung oder jede Auslastung.

Die strategische Idee dahinter ist klar: Wenn Maia unter realen Produktionsbedingungen wie erwartet arbeitet, kann Microsoft bei bestimmten Inferenzaufgaben seine Abhängigkeit von Nvidia verringern und die Kostenstruktur von Diensten wie Copilot und Azure OpenAI verbessern.

Der eigene Chip beseitigt jedoch nicht die physischen Voraussetzungen. Auch Maia benötigt High-Bandwidth Memory (HBM), fortschrittliche Gehäuse- und Packaging-Technik, Netzwerke, Racks, Kühlsysteme und verfügbare Megawatt. Maia kann also die Wirtschaftlichkeit eines laufenden Rechenzentrums verbessern – ein unfertiges oder nicht ausreichend versorgtes Rechenzentrum aber nicht in Betrieb nehmen.

Maia 300 ist eine Wette auf Skalierung – noch keine verfügbare Kapazität

Reuters berichtete, Microsoft wolle Maia 300 möglicherweise bereits im Herbst vorstellen und verhandele mit TSMC über Fertigungskapazitäten für mehr als 300.000 Chips mit Auslieferung im Jahr 2027. Langfristig soll sogar eine Kapazität von mehr als einer Million Einheiten angestrebt werden.

Diese Zahlen sollten als Pläne und Verhandlungen verstanden werden, nicht als bestätigte Lieferungen. Microsoft widerspricht den berichteten Angaben. Selbst eine gesicherte Fertigungskapazität würde außerdem nicht automatisch Speicher, weitere Komponenten, Systemintegration oder betriebsbereite Rechenzentrumsstandorte sicherstellen.

Sollte der Hochlauf gelingen, könnte Maia 300 Microsofts Eigenentwicklung von einem begrenzten internen Programm zu einer bedeutenden zusätzlichen Quelle für Inferenzkapazität machen. Entscheidend ist deshalb die Reihenfolge: Fertigung, Systemintegration und die Bereitstellung der Rechenzentren müssen zeitlich zusammenpassen.

AWS und Google haben bei der Bereitstellung einen Vorsprung

AWS verfügt über eine deutlich länger etablierte Plattform für eigene Beschleuniger. Amazon gibt an, über alle drei Trainium-Generationen hinweg 1,4 Millionen Chips eingesetzt zu haben. Mehr als eine Million Trainium2-Chips sollen laut TechCrunch für Anthropics Claude verwendet werden. Mit Inferentia betreibt AWS außerdem eine eigene, auf Inferenz ausgerichtete Chipfamilie.

Googles TPU-Programm hat eine noch längere Produktionsgeschichte. Die Ironwood-Architektur soll sich in Pods mit bis zu 9.216 Chips skalieren lassen. Berichte nennen zudem einen möglichen Zugriff von Anthropic auf bis zu eine Million Google-TPUs. Das ist jedoch eine Kapazitätszusage und kein eindeutiger Vergleich mit der tatsächlich installierten Flotte.

Ein sauberer, öffentlicher Vergleich der gesamten KI-Chipbestände von Microsoft, AWS und Google ist nicht möglich. Die Anbieter zählen unterschiedliche Generationen, Workloads, Besitzmodelle und Definitionen von „installiert“, „eingesetzt“ oder „zugesagt“.

Die vorsichtige Schlussfolgerung lautet daher: AWS und Google scheinen bei der ausgereiften Bereitstellung eigener KI-Chips und bei der Betriebserfahrung vorn zu liegen. Microsoft versucht, diesen Abstand mit Maia zu verkürzen.

Der branchenweite Engpass könnte den Abstand vergrößern

Microsoft ist mit den Problemen nicht allein. Eine von Ars Technica zusammengefasste Untersuchung kam zu dem Ergebnis, dass rund 40 Prozent der für 2026 geplanten Rechenzentrumsprojekte in den USA von Verzögerungen bedroht waren. Als Gründe wurden Engpässe bei Arbeitskräften, Strom und Materialien sowie Schwierigkeiten bei Genehmigungen genannt.

Ein weiterer Flaschenhals ist der Speicher. Branchenberichte prognostizieren, dass Rechenzentren 2026 mehr als 70 Prozent der weltweiten Produktion hochwertiger Speicherchips verbrauchen könnten. Der Chef von Synopsys rechnet zudem damit, dass die Halbleiterknappheit bis 2027 anhalten könnte. Das kann Kosten erhöhen und Lieferzeiten für andere Branchen verlängern; wie stark der Effekt ausfällt, hängt jedoch vom Speichertyp, dem jeweiligen Anbieter und den Vertragsbedingungen ab.

So entsteht eine größere Lücke zwischen geplanter und tatsächlich nutzbarer KI-Kapazität. Unternehmen mit bereits versorgten Standorten, früh gesicherten Netzanschlüssen, etablierten Lieferketten und großen laufenden Clustern können zusätzliche Workloads schneller aufnehmen. Neue Standorte warten dagegen möglicherweise auf Transformatoren, Kühlsysteme, qualifizierte Arbeitskräfte oder die Verbindung zum Stromnetz.

Das strategische Urteil

Die Verzögerungen bei den Rechenzentren entwerten Microsofts KI-Strategie nicht. Sie machen ihren Erfolg aber stark von der Umsetzung abhängig. Microsoft kann Beschleuniger kaufen, eigene Maia-Chips entwickeln und Fertigungsvereinbarungen anstreben – keiner dieser Schritte erzeugt automatisch kundenfähige Rechenleistung.

Kurzfristig drohen ein langsameres Kapazitätswachstum bei Azure und höhere Grenzkosten für die Inferenz bei Produkten wie Copilot und Azure OpenAI. Das Wettbewerbsrisiko besteht darin, dass AWS und Google ihre bereits eingesetzten Eigenentwicklungen nutzen, um vor Microsofts nächster Ausbaustufe bessere Preise, verlässlichere Verfügbarkeit und mehr Vertrautheit bei Entwicklern anzubieten.

Maia 200 könnte die Kosten senken, sobald Microsoft ihn in größerem Maßstab einsetzen kann. Maia 300 könnte die Versorgung 2027 diversifizieren, wenn die berichteten Fertigungspläne Realität werden. Bis dahin bleibt Microsofts zentrale Herausforderung jedoch ausgesprochen bodenständig: Gekaufte Chips und ambitionierte Pläne müssen in mit Strom versorgte, produktionsbereite Rechenleistung verwandelt werden.