Worauf KI läuft, und wo
Chips, Strom und Rechenzentren bestimmen, was KI kostet und wo sie leben kann. Was sich verändert hat und was das für ein Unternehmen heisst, das wählt, wo seine KI läuft.
Jede Antwort eines Assistenten wird irgendwo berechnet. Ein Chip in einem Rechenzentrum erledigt die Arithmetik, das Netz liefert den Strom, und eine Kühlung führt die Wärme ab. Für die meisten Unternehmen blieb das alles bisher unsichtbar.
Es wird zu einer unternehmerischen Entscheidung, denn es legt den Preis der KI fest, ihre Geschwindigkeit und den Ort, an den Ihre Daten gelangen.
Rechenleistung wächst schneller als alles um sie herum
Der AI Index 2026 der Stanford University schätzt, dass die weltweite KI-Rechenkapazität seit 2022 um das 3,3-Fache pro Jahr gewachsen ist, auf das Äquivalent von etwa 17,1 Millionen H100-Chips von Nvidia. Auf Nvidia entfallen mehr als 60 Prozent davon. Google und Amazon liefern einen Grossteil des Rests mit eigenen Chips, und Huawei hält einen kleinen, aber wachsenden Anteil. Fast jeder führende KI-Chip wird von einer einzigen Foundry gefertigt, TSMC in Taiwan.
Das Geld folgt. Die Internationale Energieagentur (IEA) berichtet, dass die Investitionen der grössten Technologiekonzerne 2025 über 400 Milliarden Dollar lagen und 2026 voraussichtlich um weitere 75 Prozent steigen. Sie verweist zudem auf einen Mangel an High-Bandwidth-Memory, einem festen Bestandteil der KI-Chip-Produktion, der ihrer Erwartung nach mindestens bis Ende 2027 anhalten wird.
Strom ist die neue Grenze
Chips brauchen Elektrizität. Die IEA zählt für 2025 einen Anstieg des Strombedarfs von Rechenzentren um 17 Prozent und um 50 Prozent bei Rechenzentren, die für KI gebaut sind. In ihrer Hauptprognose verdoppelt sich der Verbrauch der Rechenzentren ungefähr, von 485 Terawattstunden im Jahr 2025 auf 950 im Jahr 2030, rund 3 Prozent des weltweiten Strombedarfs. Der Verbrauch der auf KI ausgerichteten Rechenzentren verdreifacht sich im selben Zeitraum.
Der AI Index beziffert die Stromkapazität der KI-Rechenzentren Ende 2025 auf etwa 29,6 Gigawatt, vergleichbar mit der Spitzenlast des Bundesstaats New York. Nach seiner Schätzung ist der Strombedarf aller KI-Systeme zusammen mit dem nationalen Stromverbrauch der Schweiz oder Österreichs vergleichbar.
Europa möchte mehr von dieser Kapazität im eigenen Land haben. Die Europäische Kommission hat sich zum Ziel gesetzt, die Rechenzentrumskapazität in der EU innerhalb von fünf bis sieben Jahren zu verdreifachen, hält die IEA fest. Am 30. Juli 2026 eröffnete das EuroHPC Joint Undertaking einen Aufruf für bis zu sieben KI-Gigafabriken in mindestens sieben Mitgliedstaaten, mit öffentlichem Geld als Ankerkunde und über 20 Milliarden Euro privater Investitionen, die erwartet werden. Die Eingaben sind bis zum 12. November fällig, die Auswahl wird Anfang 2027 erwartet.
Jede Antwort kostet weniger
Während die Gesamtmenge wächst, wird die einzelne Antwort günstiger. Die IEA schreibt, der Energieverbrauch pro KI-Aufgabe sei zuletzt jedes Jahr um mindestens eine Grössenordnung gesunken, und eine einfache Textanfrage brauche heute typischerweise weniger Strom als ein Fernseher, der gleich lang läuft.
Die Preise erzählen dieselbe Geschichte. Epoch AI hat gemessen, wie schnell der Preis fällt, um ein bestimmtes Leistungsniveau zu erreichen: je nach Aufgabe zwischen 9 und 900 Mal pro Jahr. Die schnellsten Rückgänge waren jüngeren Datums, und Epoch betont ausdrücklich, dass sie nicht anhalten müssen.
Die Hardware darunter ist mitgezogen. Der AI Index stellt anhand von IEA-Daten fest, dass die Kosten für GPU-Rechenleistung seit 2006 um mehr als 99 Prozent gesunken sind und dass führende Chips pro Watt etwa zehnmal mehr Rechenleistung liefern als jene von vor zehn Jahren.
Der Haken ist die Arbeit selbst. Video, Reasoning und Agenten können pro Anfrage hunderte oder tausende Male mehr Energie brauchen als eine einfache Textantwort, hält die IEA fest. Die Einheit wird günstiger. Die Rechnung hängt davon ab, was Sie von der Maschine verlangen.
Klein genug fürs Büro
Die zweite Verschiebung betrifft die Grösse. Ein leistungsfähiges Modell braucht kein Rechenzentrum mehr. Nvidias DGX Spark ist ein Desktop-Rechner mit bis zu 128 GB Speicher. Nvidia gibt an, dass er Modelle mit bis zu 200 Milliarden Parametern ausführt, Modelle mit bis zu 70 Milliarden feinabstimmen kann und dass sich bis zu vier Geräte für grössere Modelle verbinden lassen.
Kleinere Modelle werden für ihre Grösse immer besser. Der AI Index verweist auf ein offenes Modell mit 32 Milliarden Parametern, fast 90-mal weniger als Grok 4, das bei mehreren Benchmarks vergleichbare Ergebnisse erreicht. Seine Entwickler haben es mit weit weniger Tokens trainiert und die Daten mit grosser Sorgfalt ausgewählt.
Die Schweiz baut ihr eigenes. Apertus, im September 2025 von der EPFL, der ETH Zürich und dem Nationalen Hochleistungsrechenzentrum der Schweiz veröffentlicht, wurde mit mehr als 10 Millionen GPU-Stunden auf dem Supercomputer Alps trainiert, in Grössen von 8 und 70 Milliarden Parametern, mit 15 Billionen Tokens in mehr als 1'000 Sprachen. Seine Gewichte, seine Rezepte und die Dokumentation seiner Trainingsdaten sind öffentlich. Im Juli 2026 folgte Version 1.5, mit Bild- und Audioverständnis und einer Familie kompakter Modelle.
Das Land hat die Köpfe dafür. Der AI Index zählt in der Schweiz 110,5 KI-Autorinnen, -Autoren und -Erfinder pro 100'000 Einwohner, vor jedem anderen Land, dicht gefolgt von Singapur.
Hosting in der Schweiz und in Europa
Die grossen Anbieter sind näher gerückt. Im Juni 2025 kündigte Microsoft 400 Millionen Dollar für den Ausbau seiner vier Rechenzentren bei Zürich und Genf an, mit KI für regulierte Branchen wie Gesundheitswesen, Finanzen und Verwaltung im Blick. Heise berichtete unter Berufung auf Reuters, die Erweiterung solle die Daten innerhalb der Schweizer Grenzen halten.
Swisscom baut auf einer eigenen Plattform. Im Februar 2026 lancierte sie einen Assistenten für Unternehmenswissen, der vollständig in der Schweiz betrieben wird, auf mehreren unverändert eingesetzten Open-Source-Modellen. Alle Daten werden in ihren Schweizer Rechenzentren gespeichert und verarbeitet, und Unternehmensdaten trainieren die Basismodelle nicht. Die zugrunde liegende Plattform bietet anderen GPU-Kapazität und Modellschnittstellen an, und Swisscom nannte Apertus unter den Modellen, die sie ergänzen möchte.
Wählen, wo Ihre KI läuft
Für ein kleines oder mittleres Unternehmen läuft es auf drei Optionen hinaus. Ein Frontier-Modell, das über eine Schnittstelle gemietet wird, mit Enterprise-Konditionen und einer europäischen Region. Ein offenes Modell, gehostet in einer Schweizer oder europäischen Cloud. Oder ein Modell auf eigener Hardware, im eigenen Gebäude oder im eigenen Cloud-Konto.
Wir entscheiden mit vier Dingen im Blick: wie sensibel die Daten sind, wie viel Arbeit durch das Modell läuft, weil ein Fixpreis einen nutzungsabhängigen erst ab einem bestimmten Volumen schlägt, wie schnell eine Antwort da sein muss und wer das System betreut, sobald es läuft.
Wir nutzen selbst mehr als eine davon. Twin arbeitet bei uns in Claude und ChatGPT sowie auf unserer eigenen Hardware mit einem eigenen Modell. Studio hält seine Daten in Zürich. Für Kunden läuft Twin in der Schweiz oder in der EU oder auf der eigenen Hardware des Kunden.
Eigna, gebaut von unserem Partner Eigna Labs, steht am privaten Ende. Es läuft in der eigenen Cloud eines Unternehmens oder auf dessen eigenen Servern, von einer einzelnen Maschine bis zum Cluster, und ist für den vollständigen Offline-Betrieb in geschlossenen Netzen ausgelegt. Korrekturen trainieren es auf der eigenen Hardware des Unternehmens nach, und eine neue Version geht erst live, wenn sie in den Tests besser abschneidet.
Die Maschine lässt sich in einer Tabelle auswählen. Welche Daten das Haus verlassen dürfen, ist ein Urteil, und es gehört einer Person, die dafür geradesteht. Beginnen Sie bei den Daten. Der Chip, das Gebäude und das Land ergeben sich daraus.
