Microsofts AI-knelpunt is stroom voor datacenters, niet het kopen van chips

Microsofts AI-probleem verschuift steeds meer van aanschaf naar uitvoering. Chips in de voorraad creëren pas bruikbare rekenkracht wanneer ze zijn geïnstalleerd in voltooide datacenters met stroom, koeling, netwerken en personeel om de systemen te beheren. Volgens berichten wachten duizenden geavanceerde chips op zo’n inzet, omdat de bouw van datacenters achterloopt.

Daarmee verandert een groot hardwarebudget in een trager pad naar omzet. De vraag naar Azure zou groter zijn dan de beschikbare capaciteit, terwijl elektriciteit en direct inzetbare datacenterruimte praktische grenzen blijven aan de snelheid waarmee Microsoft nieuwe AI-accelerators online kan brengen.

Wat betekent dit voor Azure en Copilot?

Dit betekent niet dat Azure OpenAI of Copilot plotseling ophouden te werken. Het betekent vooral dat Microsoft minder ruimte heeft om nieuwe klanten toe te laten, de verwerkingscapaciteit te verhogen, nieuwe regio’s te openen of rekenkracht tussen zakelijke workloads en de eigen producten te verschuiven.

Voor Azure-klanten kan de druk zichtbaar worden als schaarste in bepaalde regio’s, een tragere onboarding of strengere toewijzing van krachtige capaciteit. Voor Microsoft is ook de financiële kant belangrijk: een niet-geïnstalleerde accelerator levert geen inferentiecapaciteit op, terwijl een actieve workload mogelijk op duurdere algemene hardware moet draaien.

Copilot is extra gevoelig voor die afweging. De bedrijfseconomie van de dienst hangt af van het verwerken van zeer grote aantallen verzoeken tegen voorspelbare kosten. Een efficiëntere accelerator kan die kosten verbeteren, maar pas nadat de chip is aangesloten op een werkend cluster.

Maia 200 verlaagt mogelijk kosten, maar maakt geen elektriciteit

Microsofts Maia 200 is in de eerste plaats ontworpen voor inferentie: de fase waarin getrainde modellen antwoorden genereren. Microsoft zegt dat de chip hogere FP4- en FP8-prestaties kan leveren dan vergelijkbare accelerators van AWS en Google. Dat zijn echter door Microsoft gerapporteerde vergelijkingen, geen onafhankelijke end-to-end-benchmarks.

Andere berichtgeving schat het operationele kostenvoordeel van Maia 200 voor Microsoft- en OpenAI-workloads op ongeveer 30 tot 40 procent tegenover geavanceerde Nvidia-hardware. Dat blijft een gerapporteerde schatting en is geen garantie voor elk model, elke softwarestack of elke bezettingsgraad.

De strategische gedachte is duidelijk: als Maia 200 op productieschaal presteert zoals verwacht, kan Microsoft voor bepaalde inferentieworkloads minder afhankelijk worden van Nvidia en de kostenstructuur van diensten als Copilot en Azure OpenAI verbeteren.

Maar eigen chips nemen de fysieke randvoorwaarden niet weg. Maia heeft nog altijd high-bandwidth memory (HBM), geavanceerde verpakking, netwerken, racks, koeling en beschikbare megawatts nodig.

Kort gezegd: Maia kan de economie van een draaiend datacenter verbeteren. De chip kan een onaf of niet van stroom voorzien datacenter niet laten draaien.

Maia 300 is een schaalweddenschap, geen geïnstalleerde capaciteit

Reuters meldde dat Microsoft Maia 300 mogelijk al dit najaar wil onthullen en met chipfabrikant TSMC spreekt over productiecapaciteit voor meer dan 300.000 chips, bedoeld voor levering in 2027. Volgens hetzelfde bericht ligt er op langere termijn een ambitie van meer dan één miljoen exemplaren.

Die aantallen moeten worden gezien als plannen waarover wordt onderhandeld, niet als bevestigde leveringen. Microsoft betwist de gemelde cijfers. Bovendien moet Microsoft na het vastleggen van productiecapaciteit nog geheugen en andere componenten regelen, de systemen integreren en de chips installeren in faciliteiten die daadwerkelijk over stroom beschikken.

Als die opschaling lukt, kan Maia 300 Microsofts eigen-chipprogramma veranderen van een relatief beperkt intern project in een betekenisvolle alternatieve bron van inferentiecapaciteit. Het succes hangt dan af van de volgorde en timing: productie, systeemintegratie en datacenterinfrastructuur moeten gelijktijdig beschikbaar komen.

AWS en Google hebben een voorsprong in implementatie

AWS heeft een volwassener portfolio van eigen AI-accelerators. Amazon zegt dat er over drie generaties heen 1,4 miljoen Trainium-chips zijn ingezet. Volgens TechCrunch draaien meer dan één miljoen Trainium2-chips workloads voor Anthropic’s Claude. AWS beschikt daarnaast over Inferentia, een afzonderlijke chiplijn voor inferentie. Dat geeft het bedrijf ervaring met zowel training als het serveren van modellen.

Google heeft een nog langere productiegeschiedenis met zijn TPU-programma. De Ironwood-architectuur zou kunnen opschalen naar pods van 9.216 chips. Andere berichten spreken over toegang voor Anthropic tot maximaal één miljoen Google-TPU’s, maar dat is een capaciteitsafspraak en geen definitieve vergelijking van het aantal geïnstalleerde chips.

Er bestaat geen betrouwbare openbare ranglijst die Microsofts totale aantal AI-chips één-op-één vergelijkt met dat van AWS en Google. De bedrijven tellen verschillende generaties, workloads, eigendomsmodellen en definities van ‘geïnstalleerd’, ‘ingezet’ en ‘toegezegd’.

De voorzichtige conclusie is daarom beperkter: AWS en Google lijken voor te liggen in volwassen implementatie van eigen chips en operationele ervaring, terwijl Microsoft met Maia probeert die achterstand in te halen.

Waarom de krapte in de hele sector belangrijk is

Microsoft is niet het enige bedrijf dat tegen deze grenzen aanloopt. Een door Ars Technica samengevat rapport stelde vast dat ongeveer 40 procent van de Amerikaanse datacenterprojecten die voor 2026 gepland stonden risico liep op vertraging. Als oorzaken werden tekorten aan personeel, stroom en materialen genoemd, naast problemen met vergunningen.

Ook geheugen vormt een beperking. Volgens sectorrapportages zouden datacenters in 2026 meer dan 70 procent van de productie van geavanceerd geheugen kunnen verbruiken. Een bestuurder van Synopsys zei bovendien dat de krapte op de halfgeleidermarkt tot in 2027 kan aanhouden. Dat kan de kosten verhogen en levertijden voor andere sectoren verlengen, al verschilt het effect per geheugentype, leverancier en contract.

Zo kan de kloof tussen geplande en daadwerkelijk bruikbare AI-capaciteit groter worden. Bedrijven met al van stroom voorziene locaties, vroeg vastgelegde afspraken met nutsbedrijven, volwassen toeleveringsketens en grote operationele clusters kunnen workloads blijven toevoegen. Nieuwere faciliteiten wachten ondertussen op transformatoren, koelsystemen, vakmensen of aansluitingen op het elektriciteitsnet.

Het strategische oordeel

De vertragingen bij datacenters maken Microsofts AI-strategie niet ongeldig, maar ze maken de strategie wel sterk afhankelijk van de uitvoering. Microsoft kan accelerators kopen, Maia-chips ontwerpen en productieafspraken sluiten. Geen van die stappen levert automatisch rekenkracht op die klanten kunnen gebruiken.

Op korte termijn dreigt vooral een tragere groei van de Azure-capaciteit en een hogere marginale inferentiekost voor producten als Copilot en Azure OpenAI. Het concurrentierisico is dat AWS en Google hun bestaande implementaties van eigen chips gebruiken om eerder betere prijzen, beschikbaarheid en vertrouwdheid bij ontwikkelaars te bieden dan Microsofts volgende generatie chips en datacenters operationeel is.

Maia 200 kan de kosten verlagen zodra Microsoft de chip op grote schaal kan inzetten. Maia 300 kan in 2027 de aanvoer diversifiëren als het gemelde productieplan werkelijkheid wordt. Tot die tijd blijft Microsofts centrale AI-uitdaging eenvoudig te formuleren, maar moeilijk op te lossen: gekochte chips en ambitieuze plannen omzetten in capaciteit die daadwerkelijk van stroom is voorzien en klaar is voor productie.