Newsletter · 31. Mai 2026
Weekly Digest 22
SoftBank steckt bis zu 75 Mrd. € in einen 5-GW-KI-Ausbau in Frankreich, TSMC erklärt Energieeffizienz zum entscheidenden Engpass der Chipbranche, und Unternehmen tauschen Tokenmaxxing gegen ROI-Disziplin.
Themen, die wir verfolgen
SoftBanks Vorstoß in Frankreichs KI-Infrastruktur
Quelle: Financial Times — SoftBank plant Rechenzentrumsausbau von bis zu 5 GW in Frankreich
SoftBank hat diese Woche eine der größten Zusagen für KI-Infrastruktur in Europa angekündigt. Der Konzern will in Frankreich KI-Rechenzentrumskapazität von bis zu 5 GW aufbauen und betreiben – ein Investitionsvolumen von bis zu 75 Mrd. €. Die erste Phase umfasst 45 Mrd. € und soll bis 2031 3,1 GW in der Region Hauts-de-France schaffen; erste Standorte sind in Dünkirchen, Bosquel und Bouchain geplant.
Es ist eine der ersten großen Ankündigungen im Rahmen von Europas KI-Infrastrukturstrategie. Bei den Entwicklern von Frontier-Modellen oder den Bilanzen der Hyperscaler wird Europa die USA nicht überbieten. Doch Frankreich bringt handfeste Voraussetzungen mit: kohlenstoffarmen Grundlaststrom, große Industrieflächen, einen vergleichsweise zentralistischen Staat, Erfahrung im Betrieb von Kernkraftwerken und eine Regierung, die KI-Infrastruktur als strategische Industriepolitik begreift.
Am Standort Bouchain kooperiert SoftBank mit EDF und nutzt damit ein ehemaliges Kraftwerksgelände für KI-Infrastruktur weiter. Auch Schneider Electric ist im Hafen von Dünkirchen mit an Bord und will dort einen großindustriellen Produktionscluster errichten – darunter Fertigungslinien für Rechenzentrumsgehäuse und integrierte Strommodule. Damit wird aus dem Projekt mehr als reine Rechenleistung; es rückt die Elektroausrüstung und die gesamte industrielle Lieferkette mit ins Bild.
Am klarsten ist die Lesart für Schneider Electric und die europäische Elektroausrüstungsbranche insgesamt: Die KI-Nachfrage zieht Investitionen in Strommodule, Kühlung, Schaltanlagen, Netzanbindungen und vorgefertigte Rechenzentrumsinfrastruktur vor. Positiv ist die Entwicklung auch für die Glaubwürdigkeit der französischen Industriepolitik. Dem Land ist es gelungen, Kernenergie, Netzzugang und Industrieflächen zu einem ernstzunehmenden Standortvorteil für KI-Infrastruktur zu machen.
Die eigentliche Frage sind Finanzierung und Umsetzung. SoftBank zählt inzwischen zu den aggressivsten Bilanzen im KI-Bereich – mit Engagements in OpenAI, Arm, Stargate-artiger Infrastruktur, Robotik und nun europäischen Rechenzentren. Ein 5-GW-Ausbau verlangt Stromverträge, Netzausbau, Fremdkapitalpartner, verfügbare Ausrüstung, Genehmigungen, Kunden und jahrelange Disziplin beim Bau. Die Schlagzeilenzahl ist daher weniger wichtig als die Frage, ob aus der ersten 3,1-GW-Phase tatsächlich vertraglich gesicherte Kapazität wird.
SoftBanks KI-Investitionsoffensive
TSMC und die KI-Strommauer
Quelle: Reuters — Energieverbrauch erzwingt ein Umdenken beim KI-Chipdesign, sagt TSMC
Quelle: SemiAnalysis — Inside the 800VDC revolution
TSMC erklärte diese Woche, Energieeffizienz sei zur wichtigsten Eigenschaft geworden, die Kunden von der nächsten Chipgeneration verlangen. Kevin Zhang, stellvertretender Co-COO und Senior Vice President bei TSMC, sagte, der Wandel zeige sich quer durch Edge-Geräte, Mobilgeräte, IoT, High-Performance-Computing und Rechenzentren. Die Kunden wollen weiterhin mehr Rechenleistung, brauchen sie aber zunehmend innerhalb eines engeren Leistungsrahmens.
Große KI-Rechenzentren brauchen Leistung im Gigawatt-Bereich. Die Chipindustrie muss deshalb aus jedem Watt mehr herausholen. TSMC strebt rund 30 % mehr Effizienz je Generation an und stellt sich auf eine Welt ein, in der einzelne Chips noch vor Ende des Jahrzehnts mehr als 1 MW ziehen können. Das verschiebt die Roadmap hin zu besserer Energiezufuhr, fortschrittlicherem Packaging, integrierter Photonik, neuen Wärmeleitmaterialien und engerer Speicheranbindung.
Der SemiAnalysis-Beitrag zu 800 VDC zeigt denselben Druck, der nun bis ins Rechenzentrum vordringt. Wenn KI-Racks sich Hunderten von Kilowatt nähern, stößt die alte Stromarchitektur an ihre Grenzen. Eine niedrigere Verteilungsspannung bedeutet höhere Stromstärke, mehr Kupfer, mehr Wandlertechnik, mehr Abwärme und weniger Platz für Rechenleistung. SemiAnalysis schätzt, dass der Umstieg auf 800 VDC den Stromverbrauch auf Anlagenebene um rund 5 % senken kann. Im Gigawatt-Maßstab wird daraus eine erhebliche Menge an Strom und Investitionsaufwand.
KI-Skalierung wird zu einem Energieproblem, das sich durch den gesamten Stack zieht. Es beginnt auf Transistor- und Package-Ebene und setzt sich über HBM, Power-Shelves im Rack, Sammelschienen, Kühlsysteme, Umspannwerke und Netzanschlüsse fort. Nvidia, AMD, Google, Microsoft und die übrigen großen Abnehmer von KI-Silizium brauchen mehr Spitzenleistung – doch die relevantere Kennzahl ist zunehmend die nutzbare Rechenleistung pro Watt, pro Rack, pro Megawatt und pro Dollar an Rechenzentrumsinvestitionen.
Die Foundry legt damit faktisch den Leistungsrahmen künftiger KI-Systeme fest. Zugleich verlängert sie die Liste der Halbleiter-Engpässe, die Investoren im Blick behalten müssen. Advanced Packaging, HBM-Integration, optische Interconnects, Substrate, Flüssigkeitskühlung, Strommodule und Design-Technology-Co-Optimization werden allesamt Teil des KI-Skalierungs-Stacks.
Tokenmaxxing trifft auf ROI-Disziplin
Quelle: Axios — KI-Ausgaben und die Frage nach dem ROI im Unternehmen
Quelle: The Information — Meta stellt internes KI-Token-Leaderboard ein
Quelle: arXiv — Tokenverbrauch bei agentischen Coding-Aufgaben
Tokenmaxxing war in den vergangenen Wochen eine der schrägeren Kennzahlen rund um die KI-Einführung im Silicon Valley. Die Idee ist simpel: Mitarbeiter dazu bringen, mehr KI-Tokens zu verbrauchen – häufiger und in mehr Arbeitsabläufen. Bei Meta gab es im April eine intern von Mitarbeitern gebaute Bestenliste, die den Tokenverbrauch nachverfolgte. Amazon legte später eine ähnliche Kiro-Bestenliste still, nachdem Mitarbeiter anfingen, auf den Verbrauch statt auf ein nützliches Ergebnis hin zu optimieren.
Die ursprüngliche Logik war nicht völlig unvernünftig. Unternehmen wollen, dass ihre Mitarbeiter Sicherheit im Umgang mit KI-Tools gewinnen, und der Verbrauch lässt sich leichter messen als der Umbau von Arbeitsabläufen. Bestenlisten erzwingen das Ausprobieren. Sie machen die KI-Nutzung sichtbar. Und sie erzeugen sozialen Druck in Entwicklungsabteilungen, die KI-Tools sonst womöglich als optionale Nebensache behandeln würden.
Das Problem: Tokenverbrauch ist ein schwacher Indikator für Produktivität. Axios berichtet, dass Corporate America allmählich einen Kostenschock bei KI zu spüren bekommt. Microsoft fährt in Teilen des Konzerns bereits Claude-Code-Lizenzen zurück. Ubers COO sagte, man sehe bislang keinen klaren Zusammenhang zwischen intensiverer KI-Nutzung und besseren Produktergebnissen. Es geht nicht darum, ob KI-Tools nützlich sind – sondern darum, ob höhere Ausgaben für Inferenz verlässlich mehr Output liefern.
Der stärkste Beleg stammt aus einer aktuellen Studie zu agentischen Coding-Aufgaben. Die Autoren stellen fest, dass KI-Agenten rund 1.000-mal mehr Tokens verbrauchen können als reine Chat- oder Reasoning-Aufgaben im Code. Verschiedene Durchläufe derselben Aufgabe können um das bis zu 30-Fache im Tokenverbrauch schwanken, und ein höherer Verbrauch schlägt sich nicht verlässlich in höherer Genauigkeit nieder. Die Kosten sind damit nicht nur hoch, sondern auch unberechenbar.
Daraus ergibt sich eine andere Kostenstruktur als bei klassischer SaaS. Eine normale SaaS-Lizenz hat relativ gut kalkulierbare Grenzkosten. Ein Agent dagegen kann Modelle wiederholt aufrufen, Dateien prüfen, Kontext erneut einlesen, Tools ausführen, Fehler korrigieren und so lange in Schleife laufen, bis ein Abbruchkriterium erreicht ist. Die Rechnung hängt vom Workflow-Design ab, von der Kontextgröße, der Modellwahl, dem Verhalten der Tools – und davon, wie gut das System weiß, wann es aufhören soll.
Genau deshalb entsteht gerade eine neue Ebene an Werkzeugen für das KI-Kostenmanagement. Unternehmen brauchen Token-Observability, eine Kostenzuordnung auf Workflow-Ebene, günstigeres Modell-Routing, Caching, Kontext-Kompaktierung, Freigabeschwellen und eine Messung der Kosten pro Ergebnis.
OpenRouter sammelte diese Woche eine Series B über 113 Mio. $ ein – mit strategischen Investoren wie Alphabets CapitalG, NVentures, ServiceNow, MongoDB, Snowflake und Databricks. Das ist das richtige Marktsignal. Unternehmen werden mehr Tokens verbrauchen, nicht weniger – doch sie müssen klug dem jeweils passenden Modell zugewiesen werden. Ein Modell auf PhD-Niveau hat bei einer Dateinamen-Änderung oder einer Formatierungsaufgabe nichts zu suchen.
