DCI Sonderausgabe 2026

DIGITALE SONDERAUSGABE www.datacenter-insider.de

09/2026

UND

WOLKEN MACHER

KI-JONGLEURE WIE WIRD AUS EXPERTISE EXZELLENZ?

Höhenflüge der KI-nativen Cloud Datacenter KI als Problem und Lösung für Rechenzentren Paradigmenwechsel: Das Rechenzentrum der Zukunft gibt Ressourcen zurück

Zukunft der Hardware: Neo-Rechenpfade erfordern radikal neue Infrastrukturen

WOLKENMACHER UND KI-JONGLEURE Wie wird aus Expertise Exzellenz?

Editorial

Datacenter sind die Heimat von Wolkenmachern und KI-Jongleuren – und noch nie hat sich in der IT im Bereich Software und Services, im Bereich Hardware und Hardware-Ausstattung mit Prozessoren und schnellen Interconnects mit neuen Kühleinheiten und Security, in den Rechenzentren mit neuen Konzepten und Techniken für Kühlung und Power-Supply so vieles rasant geändert wie heute, gerade jetzt, in diesem Moment.

Und hier ein Wort zur Warnung: Wer glaubt, es habe noch Zeit, sich um KI zu kümmern, hat die Zukunft verspielt. Daran ändert es auch nichts, dass es in den meisten Fällen noch kein Return on Investment gibt, geschweige denn Supergewinne.

Panikmachen aber hilft auch nicht nach dem Motto: Europa humpelt ja eh schon hinterher.

Spätestens die Trump-Ergüsse und Beschlüsse, seine Unzuverlässigkeit und Bedrohungen machen deutlich: Die scheinbar schöne heile Welt in der IT und außerhalb gibt es nicht. Europa, die Wirtschaft, die Gesellschaft und die politischen Rahmen müssen selbstständig werden – also Selbstständigkeit erlauben und zwar in einem Affenzahn. Ein gegenseitiges Verantwortungzuweisen ist kontraproduktiv… Die Politik muss, die Wirtschaft muss, die Unternehmen müssen…

Nein, jeder muss sich fragen: Welche Technik ist zu empfehlen und wie kann die KI dabei helfen?

Wie lassen sich Prozesse, Datacenter-Bauten, KI-Einführung beschleunigen, wie der Teufelskreis um mehr IT-Power, mehr Strom und mehr Kühlung durchbrechen?

Im Markt findet sich viel Expertise.

Wie wird daraus Excellenz?

Ihre Ulrike Ostler

Chefredakteurin DataCenter-Insider

INHALTSVERZEICHNIS Wie KI‑Jongleure den Weg zur Exzellenz meistern

22 10

KI-native Clouds: HÖHENFLÜGE der Wolkenmacher

34

Wie PHOENIQS und NorthC die Kronjuwelen der deutschen Industrie schützen wollen

Die heiligen Hallen der KI – ein Comic

Das grüne Herz der Digitalisierung: Rechenzentren auf dem Weg zur NetPositive-Infrastruktur

Die Autonomen im Anmarsch. Fast.

Kann die KI Rechenzentren steuern? Etalytics verspricht genau das!

42

Liquid Cooling next: Level Server steuert seine eigene Wasserkühlung in Echtzeit

70

62

50

Jetzt die Hart-Ware: Photonik-, QuantumAI- und (andere) -Rechenpfade im Realbetrieb

BILDQUELLEN: S. 06-08 - d.schrader.KI - .alexp / S. 10-21 - .alexp.KI / S. 22-23 - d.schrader.KI - .alexp / S. 42-48 - Ahmed.KI / S. 50-59 - .alexp.KI / S. 60-61 - .alexp.KI / S. 52-53 - .alexp.KI / S. 60-61 - igor.nazlo / S.68-73 - Slowlifetrader.KI /

WO

TREFFEN SICH DIE

UND

ENTSCHEIDER, VORDENKER MACHER DER

RECHENZENTRUMS-

BRANCHE? Wo wird mit Expertise, Innovationskraft und Weitblick die Zukunft von Infrastruktur, Betrieb und Technologie gestaltet?

DCI SONDERAUSGABE 2026

: Fil ipe M art in

su

nd

An

Au to ren

10

n

inska obyl K a

KI-native C

HÖH der Wo

DCI SONDERAUSGABE 2026

Clouds

HENFLÜGE olkenmacher Im Zeitalter hybrider Multi-Cloud-Architekturen müssen Betreiber ihre Infrastrukturen von Rechenzentren zu echten Exzellenzzentren weiterentwickeln. Über den Erfolg entscheidet nicht die Servicebreite, sondern die industrielle Umsetzungskraft des Tagesbetriebs.

11

12

DCI SONDERAUSGABE 2026

Das Ziel ist die Erschaffung einer Umgebung, die Workloads von klassischen Enterprise-Anwendungen bis hin zu High-Performance Computing (HPC) effizient, sicher und souverän verarbeitet.

Wer sind die Wolkenmacher – und wo?

Der Begriff „Cloud-Rechenzentrum“ bezieht sich auf Facilities eines Hyperscalers (AWS, Azure, Google, Meta, Microsoft, Alibaba Cloud, Oracle Cloud etc.); damit ist vielmehr das Bereitstellungsmodell gemeint.

Ein Enterprise-Rechenzentrum kann ein Cloud-Datacenter sein, wenn es nach Cloud-Prinzipien betrieben wird:

▶ V irtualisierung der Rechen-, Spei-

cher- und Netzwerkressourcen (VMware, Hyper-V, KVM, Proxmox),

▶ S elf-Service-Bereitstellung – Res-

sourcen on-demand, ohne manuellen Eingriff,

▶ R essourcen-Pooling – Hardware

wird mehreren Nutzern/Abteilungen zugeteilt,

▶ E lastizität – dynamische Skalierung nach Bedarf,

▶M etering – verbrauchsbasierte

Abrechnung intern (Chargeback/ Showback).

Gleiches gilt für eine Behörden-Cloud oder für den Betrieb in einer Colocation-Facility. (Ein carrier-neutrales Colocation-Datacenter kann durchaus als Plattform für Cloud-Dienste

eines „Wolkenmachers“ fungieren, aber es wird dabei selbst nicht zum Cloud-Rechenzentrum; der Betreiber vermietet dort nur Stellfläche, Strom, Kühlung und Netzanbindung.) Die tragende technische Grundschicht eines cloudifizierten Rechenzentrums bleibt ihre Virtualisierungs- und Management-Schicht. Sie ermöglicht die elastische Bereitstellung von Infrastruktur- und Plattformdiensten aus gemeinsamen Ressourcenpools und koordiniert die Mehrmandantenfähigkeit für Kosteneffizienz im großen Maßstab.

Ein Enterprise-Datacenter, das mit VMware vSphere, OpenStack, Microsoft Azure Stack oder Nutanix & Co. betrieben wird und Cloud-typische Selbstbedienung und Virtualisierung bietet, ist per Definition eine Private Cloud – also ein Cloud-Rechenzentrum im vollen Sinne. Doch die Cloud von heute ist deutlich breiter aufgestellt als in ihrer frühen Ausbauphase. Das Betriebsmodell moderner Cloud-Rechenzentren prägen neben virtuellen Maschinen längst auch Container-Plattformen, Managed Services und Bare-Metal-Dienste.

Das eigentliche Betriebsmodell entsteht heute aus dem Zusammenspiel von Abstraktion, Orchestrierung und hochautomatisierter Infrastruktur.

Architekturen der Cloud-Souveränität „Wolkenmacher“ bauen das architektonische Fundament digitaler Souve-

DCI SONDERAUSGABE 2026 Diese Echtzeit-Digital-Twin-Lösung der britischen EkkoSoft kombiniert KI-Analysen und innovative 3D-Visualisierungs- sowie Gaming-Softwaretechnologien, um eine immersive, echtzeitfähige Optimierung von Rechenzentren zu ermöglichen.

Bild: EkkoSense

ränität: Die Gerichtsbarkeit am Rechenzentrumsstandort entscheidet, wer auf Workloads, Daten und Dienste Zugriff hat. Eine souveräne CloudInfrastruktur muss nicht nur Skalierung und Elastizität liefern, sondern vor allem Transparenz über Datenflüsse, klare Mandanten¬trennung und die Möglichkeit, regulatorische Vorgaben und Unternehmensrichtlinien technisch durchzusetzen – von der ausschließlichen Gerichtsbarkeit über Verschlüsselung und Schlüsselverwaltung bis hin zu Audit Trails und Zugriffspfaden.

So wird aus einem Rechenzentrum im Cloud Betrieb ein echter Kontrollpunkt der digitalen Wertschöpfung – unabhängig davon, ob er als Hyperscaler-Region, Enterprise Cloud oder hybrides Edge Setup ausgeprägt ist.

„Mit dem Kopf in den Wolken“ auf Facility-Ebene

Cloud-Betrieb auf Facility-Ebene ist fest in der Gebäudetechnik verankert.

Strompfad, Kühlung, Flächennutzung, Brandschutz und physische Sicherheit bleiben die stillen Grundpfeiler Im Kern geht es um eine Architekdes Betriebs – nur müssen sie heute tur, die klassische Enterprise Anso ausgelegt sein, dass sie elastiwendungen, moderne Cloud Native sche Cloud-Workloads, schwankende Workloads und spezialisierte PlattLeistungsdichten und immer neue formdienste auf einer gemeinsamen Plattformdienste tragen, ohne jedes Betriebsbasis vereint, ohne die HoMal Wände abzureißen. Moderne heit über Daten und Steuerung aus Cloud-Rechenzentren setzen desder Hand zu geben. Virtualisierung, halb auf modulare, skalierbare FaciContainerisierung und Software lity-Konzepte: Leistungsreserven in Defined Infrastruktur bilden dabei Strom- und Kühlinfrastruktur, flexible die tragende Abstraktionsschicht, White-Space-Zonen, erweiterbare auf der sich souveräne PlattformRacksysteme und klare Trennung dienste wie Identitäts und Zugriffskritischer Versorgungswege sorgen management, Mandanten Isolierung, dafür, dass sich zusätzliche Kapazität Verschlüsselungs Policies und Daten- schrittweise aktivieren lässt, statt in lebenszyklussteuerung konsistent starren Ausbaustufen zu denken. verankern lassen.

13

14

DCI SONDERAUSGABE 2026

Um Kapazität, Energie, Kühlung und Workloads konsistent über Standorte und Clouds hinweg zu planen und zu steuern, nutzen Betreiber digitale Zwillinge und „single pane of glass“DCIMs. Das Ziel ist ein schrittweiser Übergang von Skripten zu Policies, von Dashboards zu AIOps mit definierten Leitplanken. Das FacilityManagement bewegt sich weg von reaktiver Störungsbeseitigung hin zu einem datengetriebenen Dauerbetrieb: Sensorik, DCIM Systeme und KI gestützte Auswertung optimieren PUE, Kühlregime und Lastverteilung in Echtzeit.

durchgespielt, bevor real umgebaut oder nachgerüstet wird. In Fallstudien ist hierbei von PUE Verbesserungen im Bereich von rund 12 bis 25 Prozent und Kühllastreduktionen um 30 bis 55 Prozent die Rede.

Ein oft zitiertes Industriebeispiel stammt aus einem großen Rechenzentrumsverbund von Foxconn, wo ein auf Nvidia Omniverse basierender Digital Twin in Kombination mit Siemens Technik dazu dient, Airflow und Kühlstrategien vorab zu optimieren; laut veröffentlichten Daten sank der Gesamtenergieverbrauch der Facility (Fertigung und Datacenter) dadurch um rund 30 Prozent, gleichzeitig ging die Zahl thermischer Hotspots um mehr als 20 Prozent zurück.

Vor diesem Hintergrund setzen viele Datacenter-Betreiber bereits digitale Zwillinge (engl. Digital Twins) ein, um das Leistungsniveau ihrer Facilities zu optimieren. Luftströme, thermiAuf Anbieterseite treten neben sche Zonen und Workload Szenarien Siemens vor allem EkkoSense und werden zunächst im virtuellen Zwilling Schneider Electric als Taktgeber

Unsichtbares visualisieren: Ein Digitaler Zwilling ermöglicht automatische Erkennung von Anomalien der Stromversorgungskette mittels fortgeschrittener Machine-LearningVerfahren.

Bild: EkkoSense

DCI SONDERAUSGABE 2026

auf. EkkoSense verweist neben dem Einsatz bei Telefónica Germany auf Projekte bei Telehouse, Virgin Media O2, Africa Data Centres und einem globalen Bankkonzern, in denen 3D Digital Twins mit KI Analytik helfen, thermische Risiken sichtbar zu machen, Kühlkapazität freizusetzen und Energieverluste zu reduzieren.

Schneider Electric positioniert EcoStruxure IT Advisor explizit als Digital Twin Baustein für den Rechenzentrumsbetrieb; Praxisberichte heben vor allem die ganzheitliche 360 Grad Sicht auf Strom, Kühlung und IT Last, „What if“-Simulationen für Umbauten und Verdichtungen sowie spürbare Einsparungen bei Energieverbrauch und Inbetriebnahmezeiten hervor.

Gut angebunden: Geheimnisse der Cloud-Konnektivität Cloud-Rechenzentren sind entlang der Nord‑Süd‑Achse für den schnellen Zutritt optimiert und intern in der Ost‑West‑Achse hochgradig vermascht – damit Workloads mit minimaler Latenz untereinander kommunizieren können. Der Großteil des Datenverkehrs innerhalb eines Cloud-Rechenzentrums fließt als Ost‑West‑Traffic – in manchen Analysen werden über 70 Prozent Server‑zu‑Server‑Kommunikation genannt. Microservices, verteilte Datenbanken, Caches und Service‑Meshes treiben diesen lateralen Verkehr sowohl innerhalb eines Rechenzentrums als auch zwischen VPCs und VNets massiv in die Höhe.

Entsprechend wandelt sich das Sicherheitsmodell: Weg von einer vorwiegend perimeterorientierten Nord‑Süd‑Kontrolle hin zu Zero‑Trust‑Mechanismen für Ost‑West‑Bewegungen – etwa durch Segmentierung, Workload‑identitätsbasierte Policies und feingranulare Mikrosegmentierung gegen laterale Angriffe. Architekturen der Konnektivität sind das Geheimrezept führender Cloud-Betreiber. Ihr Erfolgsrezept liegt weniger in reiner Bandbreite als in der Art, wie sie Datenpfade zwischen Kundenstandorten, Internet‑Endpunkten, Edge‑Clouds und anderen Clouds strategisch zuschneiden, optimieren und steuern.

Hyperscaler strukturieren die Datenpfade zwischen Kundenstandorten, Internet, Edge‑Standorten und anderen Clouds bewusst: Sie lenken Nord‑Süd‑Lasten über stark gesicherte Edge‑Knoten und API‑Gateways und verteilen Ost‑West‑Lasten über dicht vermaschte Fabrics und Overlays, um Performance, Resilienz und Sicherheitskontrollen entlang des gesamten Pfades steuern zu können.

Carrier- und Cloud‑neutrale Interconnection‑Hubs bilden zentrale Schaltstellen „cloudifizierter“ Datenpfade. In solchen Knotenpunkten treffen Enterprise‑Rechenzentren, Hyperscaler, Carrier und SaaS‑Anbieter aufeinander, durchgeschaltet über Internet Exchanges und private Cross‑Connects. Carrier-neutrale

15

16

DCI SONDERAUSGABE 2026

Colocation-Rechenzentren werden oft mit Cloud-Rechenzentren gleichgesetzt – zu Unrecht. Kunden betreiben dort ihre eigene Hardware statt die Dienste einer Cloud zu nutzen.

Die Überschneidung entsteht dort, wo Cloud-Anbieter an ColocationStandorten Direktverbindungsknoten (z. B. AWS Direct Connect, Azure ExpressRoute) betreiben – das macht die Facility jedoch nicht zum Cloud-Datacenter. Carrier-neutrale Colo-Standorte bilden lediglich die physische Grundlage, auf der solche

Weitwinkelblick in ein Colocation-Rechenzentrum: Carrier-neutrale ColocationDatacenter sind die physische Grundlage, auf der ggf. Cloud-Dienste aufsetzen; hier sind also Wolkenmacher willkommen.

Bild: Taylor Vick/Unsplash

Cloud-Dienste aufsetzen, sie sind aber selbst keine Cloud-Infrastruktur im Sinne von IaaS/PaaS-Angeboten.

Direktanbindungen über Dienste wie AWS Direct Connect, Azure ExpressRoute oder vergleichbare Angebote stellen private, SLA‑gestützte Leitungen in die Cloud‑Rechenzentren bereit und umgehen das öffentliche Internet; sie senken Latenz, stabilisieren den Durchsatz und machen Kapazitäten planbarer, weil der Verkehr nicht über unkontrollierte

Transitpfade geroutet wird. Diese Interconnection‑Hubs bestimmen, ob Workloads in hybriden und Multi‑Cloud‑Architekturen weitgehend frei zwischen Plattformen verschoben werden können – gestützt durch neutrale Switching‑Fabrics und virtuelle Cloud‑Router – oder ob sie faktisch an proprietäre Netzpfade und egress‑sensitive Verbindungen gebunden bleiben. Moderne Konzep-

DCI SONDERAUSGABE 2026

te setzen deshalb auf Cloud‑neutrale Fabrics und virtuelle Router‑Dienste, die Verbindungen zu mehreren Clouds, Partnern und Standorten als abstrahierten „Konnektivitätsdienst“ bereitstellen, anstatt jede Pfadkombination physisch oder logisch einzeln zu verdrahten.

Wirklich belastbare Cloud‑Konnektivität entsteht erst durch Redundanz und intelligente Steuerung. Dazu gehören aktiv‑aktive Anbindungen, geografisch verteilte Peering‑ und PoP‑Standorte, gezieltes Traffic‑Engineering mit SD‑WAN und softwaredefiniertem DCI sowie automatisierte Überwachungs‑ und Failover‑Mechanismen, die Störungen und Überlast früh erkennen und den Verkehr umleiten, bevor Nutzer etwas davon merken. Betreiber, die diese Ebenen im Griff haben, machen ihr Rechenzentrum zu einem Knotenpunkt globaler Datenströme – und sichern ihren Cloud‑Services damit einen strukturellen Vorteil: verlässlich erreichbare Anwendungen mit nachvollziehbarer Performance, auch wenn sich die zugrunde liegenden physischen und virtuellen Pfade ständig verändern.

Virtualisierung, Orchestrierung, Automatisierung Der Betrieb von Cloud-Rechenzentren wird weitgehend Software‑ und KI‑gesteuert: Provisionierung, Skalierung, Überwachung und Fehlerbehebung laufen als automatisierte Workflows in einem Cloud‑Opera-

ting‑Model ab. Infrastruktur wird über APIs und Infrastructure-as-Code definiert, CI/CD‑Pipelines spielen sowohl Softwarecode als auch Konfigurations‑ und Policy‑Änderungen ins Rechenzentrum aus. AIOps‑Plattformen korrelieren Metriken, Logs und Traces, erkennen Anomalien, leiten Ursachen her und stoßen Standard‑Remediation selbständig an – von Scale‑out und Rebalancing bis zu Neustarts oder Routing‑Anpassungen unter definierten Guardrails.

Das Herz eines Cloud-Rechenzentrums bildet seine Virtualisierungsund Orchestrierungsschicht: Die Rechen-, Speicher- und Netzwerkressourcen werden in der Softwarelogik zu elastischen Pools vereint und den betreffenden Arbeitslasten zugeteilt.

So lassen sich Anwendungen von der physischen Infrastruktur entkoppeln und weitgehend unabhängig von der Hardware betreiben. Klassische Hypervisor-Virtualisierung hält dabei Legacy‑Workloads und zustandsbehaftete Enterprise-Anwendungen in Betrieb, während Container-Plattformen wie Kubernetes Cloud-native Dienste mit hoher Änderungsfrequenz und kurzen Release-Zyklen tragen – oft eingebettet in gemeinsame Infrastruktur- und Identitätsmodelle.

Bare-Metal-Clouds ergänzen dieses Betriebssystem um eine dritte Betriebsform: physisch dedizierte Server ohne Hypervisor-Schicht, die aber wie Cloud-Ressourcen über APIs, Self‑Service-Portale und Auto-

17

18

DCI SONDERAUSGABE 2026

Prädiktive Wartung von EkkoSense zielt darauf ab, Anomalien der Kühlungssysteme im Rechenzentrum vorherzusagen, um kostspielige Ausfälle zu verhindern.

Bild: EkkoSense

matisierung bereitgestellt und wieder freigegeben werden. Sie schlagen eine Brücke zwischen klassischem Dedicated Hosting und virtueller Cloud – mit voller Hardwarekontrolle, maximaler Performance und strikter Isolierung für daten- oder latenzkritische Workloads im Cloud-Betrieb.

Sie verbinden schnelle Bereitstellung, nutzungsabhängige Abrechnung und Integration in Orchestrierungs- und IaC-Stacks.

Automations- und OrchestrierungsStacks steuern Provisionierung, Skalierung, Rollouts und Recovery über heterogene Landschaften hinweg, von VMs und Containern bis hin zu Datenbanken und Netzwerkfunktionen. Infrastructure-as-Code, deklarative Templates und Policy-Engines sorgen dafür, dass komplette Anwendungs- und Infrastruktur-Stacks reproduzierbar, auditierbar und über mehrere Standorte oder Clouds hinweg konsistent bleiben – eine Grundvoraussetzung, um Cloud-Ressourcen effizient zu betreiben, ohne in manuelle Klickpfade und unüberschaubare Skriptlandschaften abzurutschen.

Viele Cloud-Rechenzentren entwickeln sich aktuell klar in Richtung

„KI‑Factory“: Hochdichte GPU‑Cluster, neue Kühlkonzepte und stark automatisierte Betriebsmodelle prägen die Roadmaps von Hyperscalern und Neo-Clouds.

Das Aufkommen von Neo-Clouds Bei den sogenannten Neo-Clouds ist von spezialisierten KI-nativen-Clouds die Rede, die GPU-as-a-Service und hochperformante, für KI- und HPCWorkloads optimierte Infrastrukturen bereitstellen. Diese KI‑Fabriken-as-aService bieten Training, Fine‑Tuning und Inferenz als Kernoutput an. CoreWeave ist hier klarer Marktführer mit über 250.000 GPUs in 32 Rechenzentren. Als einziger Anbieter erreichte CoreWeave das Platinum-Rating im SemiAnalysis-ClusterMAX-Ranking.

Wichtigste Einzelkunden sind Microsoft (60 Prozent des Umsatzes) und OpenAI. Besonderheit: InfiniBandNetworking mit RDMA für Near-ZeroLatenz bei verteiltem Training.

Zu den am schnellsten wachsenden Wolkenmachern zählt die Neocloud Lambda. Das Unternehmen, kaum aus den Startlöchern, plant bis 2030 eine Leistung von 3 GW. Lambda baut

DCI SONDERAUSGABE 2026

und betreibt eigene Rechenzentren – keine gemieteten Colocation-Flächen als Fundament, sondern vielmehr Single-Tenant-Superclusters, co-engineered über Power, Cooling, Networking und Software. Lambda setzt auf hybrides Kühldesign: Liquidto-the-Chip-Direktkühlung kombiniert mit Luftkühlung, ausgelegt auf Rack-Dichten über 600 kW. Das ist auf die thermischen Anforderungen von Nvidia HGX B200, B300 und GB300 NVL72 zugeschnitten – Hochleistungs-Chips, die konventionelle Luftkühlung überfordern. Nvidia hat bereits 18.000 GPUs über einen 1,5-Mrd.-$-Vierjahresvertrag an Lambda geliefert.

Auch europäische Anbieter gewinnen an Bedeutung: Nscale (UK), Scaleway (Frankreich) und Sustainable Metal Cloud positionieren sich als DSGVO-konforme Alternativen für KI-Workloads mit Datensouveränitätsanforderungen. Für Unternehmen aus dem DACH-Raum und der EU, die Trainingsdaten oder Inferenz-Outputs nicht in US-Rechenzentren verlagern wollen oder dürfen, bieten diese Wolkenmacher GPU-Infrastruktur unter europäischem Rechtsrahmen.

Modular, ein Stack für Wolkenmacher Modular, ein Spezialist für hochperformante KI‑Inferenzplattformen aus dem kalifornischen Palo Alto, bietet Wolkenmachern eine Plattform, die offene und proprietäre Modelle auf Nvidia und AMD GPUs in der eigenen Cloud oder im Kunden-eigenen VPC ausführt und dabei Performance Optimierung und Hardware Portabilität in den Vordergrund stellt. Das Kernprodukt ist MAX, ein hardwareagnostisches Inferenz-Framework (ein Hypervisor für KI). Über die MAX‑Engine können Unternehmen State‑of‑the‑Art‑Modelle auf Nvidia‑ und AMD‑GPUs sowohl in der Modular‑Cloud als auch im eigenen VPC betreiben – mit vollständiger Kontrolle über Performance‑Tuning, Kosten und Hardware-Portabilität.

Wo sich AIOps in der Cloud das Sagen nimmt AIOps in Cloud-Rechenzentren setzt auf der Ebene klassischer Betriebskennzahlen – Metriken, Logs und eBPF bringt Kernel-LevelObservability in den CloudBetrieb: Von Kubernetes bis zur Bare-Metal-Infrastruktur leitet eBPF Systemdaten direkt an Tools wie Cilium, Falco und Pixie weiter – das neue Fundament für CloudMonitoring und -Sicherheit.

Bild: ebpf.io

19

20

DCI SONDERAUSGABE 2026

Superintelligenz im Cloud-Betrieb: Der Neocloud-Anbieter Lambda bietet in Zusammenarbeit mit Prime Data Centers speziell entwickelte NvidiaBlackwell-Infrastrukturen im as-a-Service-Bereitstellungsmodell, um die fortschrittlichsten KI-Workloads zu beschleunigen.

Bild: Prime Data Centers

Events – auf und führt im Idealfall zu einem digitalen Zwilling, der den laufenden Betrieb aktiv steuert.

Während Kennzahlen wie PUE, Auslastungsgrade, Temperaturprofile oder Incident-Statistiken in herkömmlichen Monitoring- und DCIMSystemen vor allem beschreibend zum Vorschein treten, nutzen AIOps-Plattformen Datenströme aus Sensorik, um Anomalien zu erkennen, Ursachen einzugrenzen und künftige Zustände zu prognostizieren. Sie korrelieren Logs, Messwerte und Alarme über komplexe Cloud und Hybridlandschaften hinweg, reduzieren Alarmrauschen und priorisieren Störungen nach tatsächlicher Business-Wirkung – mit dokumentierten Effekten wie kürzeren Incident Laufzeiten oder einer reduzierter Anzahl von Support-Tickets.

In Verbindung mit digitalen Zwillingen entsteht daraus ein virtuelles Versuchslabor für den Cloud-Betrieb: KI Modelle speisen sich aus denselben

Telemetriequellen wie das klassische Monitoring, aber projizieren deren Muster in ein räumlich und logisch konsistentes Abbild des Rechenzentrums. AIOps Engines simulieren dort „What if“-Szenarien, bewerten Konfigurationsänderungen und Umbauten vorab, um automatisiert Optimierungen vorzuschlagen – von der Anpassung von Kühl-Setpoints über die Verlagerung von Workloads bis hin zu geänderten Wartungsfenstern.

Betreiber, die diesen Schritt gehen, verschieben ihren Cloud Datacenter Betrieb von reaktiver Störungsbearbeitung hin zu prädiktiven, datengetriebenen Abläufen.

Fazit

Wer Standortwahl, Energieversorgung und Konnektivität als integrierte Infrastruktur denkt und als eine elastische Ressource verlässlich bereitstellt, kann Kapazitäten als innovative Cloud-Dienste ausrollen und Kosten über Skaleneffekte drücken. Das sind die Wolkenmacher von morgen.

DAS COMMUNITY-TREFFEN DES JAHRES

s

n: Filipe Mar

tin

DCI SONDERAUSGABE 2026

Au

e tor

22

d un

Anna Kobylin

sk

a

KI

DCI SONDERAUSGABE 2026

Wie

Mit dem rasanten Aufkommen von KI-Arbeitslasten wachsen die Anforderungen an thermisches Management, Stromversorgung und Konnektivität in nie dagewesenem Maße.

Wer KI-Modelle jonglieren will, muss diese neuen Herausforderungen meistern.

I‑Jongleure den Weg zur Exzellenz meistern

23

24

DCI SONDERAUSGABE 2026

er aktuelle KI‑Boom hat weltweit eine beispiellose Bau‑ und Ausbauwelle von Rechenzentren ausgelöst. JLL spricht von einem globalen „Investitions‑Superzyklus“ im Wert von 3 Billionen US-Dollar bis 2030, der einen Anstieg der Anschlussleistung von 103 Gigawatt auf 200 Gigawatt nahezu verdoppeln dürfte. Das Geld fließt. Doch zwischen der Beschaffung von KI‑Kapazitäten und einem tatsächlich produktiven KI‑Einsatz liegt nach wie vor noch ein erheblicher Unterschied.

In der Global Data Center Survey 2025 berichtet Uptime, dass ungefähr ein Drittel der Datacenter-Eigentümer und -Betreiber „irgendeine Form von AI Training oder Inference“ ausführt. Die AI Infrastructure Survey 2025 zeigt: Rund ein Drittel der Betreiber setzt bereits KI‑Training oder ‑Inference ein; innerhalb dieser Gruppe nutzen etwa 30 Prozent KI‑Training und 32 Prozent KI‑Inference, während ein weiterer großer Block von Betreibern den Einstieg in den kommenden Jahren plant.

Im Kommen: Drei von zehn Datacenter-Betreibern führen bereits KI-Training durch, mehr als jeder Zweite davon On-Premises (n=426).

Bild: Uptime Institute AI Infrastructure Survey 2025

Während die Zahl neuer KI-Fabriken explodiert, stottert vielerorts der Tagesbetrieb. Die Messlatte für KI-Readiness ist für viele Betreiber deutlich höher als angenommen und die Praktikabilitäten anders als gedacht. Etwa jeder zweite Befragte gibt an, in den letzten drei Jahren mindestens einen Datacenter-Ausfall erlebt zu haben, enthüllte eine Studie des Uptime Institute vom vergangenen Jahr (2025).

Der Weg zur KI‑Fabrik führt dabei nicht zwangsläufig über Neubauten.

Betreiber können in Stufen modernisieren, sofern sie die entscheidenden fünf Bereiche – Kühlung, Netzwerk, Speicher, Energie und Orchestrierung – ganzheitlich betrachten. Wer KI produktiv und wirt-

DCI SONDERAUSGABE 2026

schaftlich betreiben will, braucht ein Betriebsmodell, das auf hochdichte, hochdynamische Lasten ausgelegt ist.

KI Readiness entsteht nicht durch den bloßen Einbau leistungsstarker Beschleuniger. Kühlung, Stromversorgung, Netzwerk und Speicherpfade müssen die Charakteristik von KI Lasten tatsächlich tragen.

Genau hier liegt die Messlatte für KI Readiness vielerorts höher als zunächst angenommen.

Thermisches Management als Messlatte für KI-Readiness Klassische Luftkühlung stößt bei den höchsten Leistungsdichten moderner KI-Cluster an physikalische und regulatorische Grenzen.

ASHRAE verweist seit Jahren darauf, dass HPC- und GPU-Umgebungen mit Rack-Dichten bereits im Zehner- bis dreistelligen Kilowattbereich häufig auf Full- oder Hybrid-Flüssigkühlung setzen müssen, weil sich solche Leistungsniveaus anders kaum noch bei der erforderlichen Dichte beherrschen lassen.

Für Betreiber bedeutet das: Die Kühlfrage ist nicht länger eine reine Optimierungsaufgabe im Bestand, sondern zunehmend eine Architekturfrage. Zu prüfen ist, ob direkte Flüssigkühlung, Rear-Door-HeatExchanger oder hybride Konzepte erforderlich werden, um hohe Leistungsdichten dauerhaft sicher zu fahren.

Auch Herstellerdesigns für aktuelle GPU-Systeme unterstreichen, wie schmal der thermische Korridor geworden ist. Nvidia nennt für DGXH100/H200-Systeme hohe Luftvolumina, erhebliche Wärmeabgabe und umfangreiche Stromversorgung pro System; zugleich betont das Unternehmen in seinen Design-Guides die Bedeutung von Aisle Containment und hochdichtegerechter Luftführung.

Die Schlussfolgerung daraus ist klar: KI-Rechenzentren werden thermisch präziser, dichter und mechanisch anspruchsvoller. Die Kühlung wird damit vom flankierenden Gewerke-Thema zum harten Kern der Infrastrukturplanung.

Stromdynamik verschiebt die Reservelogik Ebenso einschneidend verändern sich die Strompfade. KI-Trainingslasten verhalten sich nicht wie klassische Web-, Virtualisierungs- oder Datenbankserver. Uptime beschreibt, dass spezialisierte KI-Hardware bei sehr hohen Leistungsdichten große Lastschwankungen erzeugt und wiederholt Stromspitzen nahe oder sogar oberhalb der nominel-

25

26

DCI SONDERAUSGABE 2026

len Hardware-Leistungswerte verursachen kann. Hinzu kommen kurzfristige Transienten, die Netzteile, Steckverbinder, USV-Auslegung und Schutzmechanismen stärker belasten als in traditionellen IT-Lastprofilen.

Für Betreiber heißt das: TDP allein reicht als Planungsgröße nicht mehr aus. Kapazitätsplanung, Sicherheitsmargen und die Auslegung von Rack-Stromschienen, Branch-Circuits, PDUs und Transformatoren müssen die Dynamik der Last berücksichtigen, nicht nur deren Mittelwert. Uptime nennt dafür auch konkrete betriebliche Reaktionen: überprovisionierte USV-Kapazität auf Rack-Ebene, dedizierte und großzügiger ausgelegte Stromkreise für GPU-Server, softwareseitige Power Caps und eine bewusstere Verteilung hochdichter Systeme über Racks und Hallen.

Genau daran wird sichtbar, dass KI-Infrastruktur die alte Reservelogik vieler Rechenzentren verschiebt. Die zentrale Frage lautet nicht mehr nur, wie viel Redundanz formal vorhanden ist, sondern ob die elektrische Infrastruktur die reale Dynamik der Lastkurven sauber abfangen kann. Mindestens ebenso kritisch wie die Energieversorgung ist das Netzwerk.

Die Fabric als Taktschiene KI-Training ist primär ein Netzwerkproblem. In verteilten Trainingsund Inferenzumgebungen verlagert sich die Netzwerkbelastung tief in den Ost-West-Verkehr der Fabric. Dort entscheiden Latenz, Jitter, Paketverlust und Tail Latency darüber, ob teure Beschleuniger tatsächlich arbeiten oder auf Synchronisation warten – schon Mikrosekunden-Verzögerungen („Jitter“) oder einzelne Drops reichen, um ganze Jobs auszubremsen.

Nvidias NCCL-Bibliothek (Nvidia Collective Communications Library, ausgesprochen „Nickel“) bündelt kollektive Operationen wie All‑ Reduce oder All‑Gather zu hochoptimierten Kommunikationsmustern und zielt dabei auf maximale Bandbreite bei minimalem Software‑Overhead. Bei kleinen Nachrichten dominiert die Latenz, bei großen Nachrichten bricht schon moderater Jitter die Pipeline und senkt die erzielbare Bus‑Bandbreite deutlich.

Nvidia weist in mehreren technischen Veröffentlichungen darauf hin, dass NCCL-gestützte Kollektivoperationen wie All-Reduce oder AllGather äußerst sensibel auf Verzögerungen, Jitter und Paketverluste reagieren. Schon kleine Störungen im Datenpfad können die Synchro-

DCI SONDERAUSGABE 2026

Im Takt des GPU-Gehirns: Datenmuster der Synchronisierung von GPU-Knoten in einem Cluster, der neuronale Netze ausführt. Bild: Nvidia

nisation zwischen GPUs unterbrechen und die Effizienz des gesamten Clusters sichtbar senken. In dieser Logik fungiert das Netzwerk nicht bloß als Transportmedium, sondern als Taktschiene des KI-Betriebs.

Bei All‑Reduce, All‑Gather und verwandten Kollektiven müssen alle GPUs einer Gruppe eng synchron arbeiten; sobald ein Rank „hinterherhinkt“, steht die gesamte Operation, weil Ring‑, Tree‑ oder ähnliche Algorithmen auf jede Teilnachricht warten müssen.

Zu den typischen Stolperfallen zählen außerdem:

▶N etzwerk‑Congestion und Überbuchung: Stau in der Fabric

(z. B. zu hoher Oversubscription‑Faktor, fehlende oder falsche Congestion Control) sorgt für variable Latenz und sporadische Drops; bei NCCL‑Rings beschränkt das den Durchsatz auf den langsamsten Link.

▶ T opologie‑Mismatch: Wenn die physische Fabric nicht zu den von NCCL erwarteten Kommunikationsmustern passt (z. B. unvollständige NVLink‑Messpunkte, suboptimales Fabric‑Layout), wird der Ring/Tree über „teure“ Pfade geführt und der All‑Reduce hängt an einzelnen NIC‑ oder Switch‑Hops.

▶ S chlechte oder fehlerhafte QoS‑/PFC‑Konfiguration: Bei

RoCE‑basierten Fabrics führen falsch konfigurierte Prioritäten, fehlende PFC/ECN oder aggressive Buffer‑Sparmaßnahmen zu Head‑of‑Line‑Blocking, Congestion‑Spreading und letztlich zu genau dem Loss/Jitter, den NCCL schlecht verträgt.

▶H eterogene oder asymmetrische Links: Mischungen aus 400‑

und 800‑Gb/s‑Ports, unterschiedliche Switch‑Generationen oder asymmetrische Routen (ECMP‑Hashing, einseitige Hotspots) machen bestimmte Pfade zum Flaschenhals; Kollektive liefern dann nur den Durchsatz des langsamsten Abschnitts.

▶U nzureichende GPU‑/NCCL‑Tuningparameter: Falsch gewählte Chunk‑Größen, zu wenige/viele CTAs pro GPU oder ungeeignete Protokolle (LL/LL128 vs. Simple) führen dazu, dass Latenz nicht versteckt wird und Bandbreite nicht saturiert; das äußert sich typischerweise als „S‑Kurve“ mit Einbrüchen bei bestimmten Message‑Größen.

27

28

DCI SONDERAUSGABE 2026

▶H ost‑ und PCIe‑Bottlenecks: Wenn PCIe‑Lanes, NUMA‑Zuweisung oder GPUDirect‑RDMA‑Pfade nicht sauber eingerichtet sind, limitiert der Host‑I/O die Kollektivoperation – in der Praxis oft sichtbar als deutlich schlechtere Inter‑Node als Intra‑Node‑BusBw (also die gemessene effektive Bandbreite innerhalb eines Knotens).

▶ F ehlende Fehler‑Robustheit im Großcluster-Maßstab: Klassi-

sche NCCL‑Setups gehen von stabilen Links aus; auf sehr großen Clustern führen sporadische Link‑Flaps oder NIC‑Resets leicht zu Abbrüchen oder langen Rekonfigurationszeiten, wenn keine zusätzlichen Fault‑Tolerance‑Mechanismen genutzt werden.

Daraus folgt unmittelbar die Gretchenfrage vieler Netzwerkarchitekturen: InfiniBand oder Ethernet mit RDMA über RoCE (RDMA over Converged Ethernet)? Erfordern die Workloads die extreme, deterministische Latenz-Garantie von InfiniBand (ideal für gigantische Trainingscluster), oder reicht eine hochgradig optimierte RoCE-v2-Umgebung auf leistungsstarken Standard-Switches?

Wer auf Ethernet setzt, muss Protokolle wie PFC (Priority Flow Control) und ECN (Explicit Congestion Notification) fehlerfrei im gesamten Netzwerk-Design implementieren, um eine strikt verlustfreie Übertragung („Lossless Fabric“) zu garantieren. Dazu gehören konsistente QoS-Profile, sauber dimensionierte Switch-Buffer, sorgfältig gesetzte ECN-Schwellen und RNICs, die Congestion-Feedback (CNPs) korrekt auswerten – sonst verwandeln sich vermeintlich „kleine“ Drops sofort in massive Einbrüche bei den NCCL-Kollektiven.

Initiativen wie das Ultra Ethernet Consortium (UEC) zeigen hier klar die Marschrichtung für die Zukunft auf: UEC 1.0 bringt eine explizit auf niedrige Latenzen, skalierbare Congestion Control und Interoperabilität für KI- und HPC-Workloads ausgelegte Ethernet-Architektur, inklusive moderner RDMA-Transporte und senderbasierter Staukontrolle

KI-Training über RoCE: Schematischer Aufbau des GPU‑zu‑GPU‑ Datentransfers über RDMA‑Netzwerk mit CPU‑Proxy und Channel‑Buffern im HBM der GPUs. Bild: Meta

DCI SONDERAUSGABE 2026

29

für kollektive Operationen wie All‑Reduce und All‑to‑All. Hinzu kommt die Sensitivität auf Paketverlust. NCCL setzt typischerweise auf quasi verlustfreie Fabrics (NVLink, InfiniBand, RoCE mit PFC) und verzichtet im Protokoll weitgehend auf aufwändige Fehlerkorrektur oder Retransmits; fällt ein Paket weg, stallen die Pipelines und es kommt zu Timeouts oder massiven Performance‑Drops.

Bei der GPU zu GPU Datenübertragung über RDMA fähige NICs im Ethernet Netz werden die CPU und der System Speicher auf beiden Seiten umgangen, um Latenz zu senken und Bandbreite zu maximieren.

Bild: Cisco

Nvidia beschreibt InfiniBand, RoCE und iWARP als die zentralen RDMA-Technologien; RoCE bietet gegenüber iWARP deutliche Vorteile bei Latenz, Durchsatz und CPU‑Overhead, verlangt aber ein sehr sorgfältig ausgelegtes, möglichst verlustfreies Ethernet‑Design. Auf der operativen Ebene gehören dazu Lossless-Fabric-Tests mit synthetischen NCCL-Workloads, konsequentes Telemetrie-Monitoring von Tail-Latencies und Drops sowie eine enge Verzahnung mit den Beobachtungsmöglichkeiten neuer NCCL-Versionen (z. B. zusätzliche Metriken und Traces für Netzwerkanomalien).

Zugleich zeigt die Praxis: Unabhängig vom Protokoll landen praktisch alle großen KI‑Fabriken wieder bei Varianten von Fat‑Tree‑ bzw. Spine‑ Leaf‑Topologien (2 Hop, vollvermascht), allerdings werden sie in mehreren Dimensionen deutlich verschärft ausgelegt.

GPU-Compute Traffic, Storage und Management laufen typischerweise nicht mehr über eine einzige, konvergente Fabric, sondern werden auf getrennte – teils physisch isolierte – Leaf-Spine-Fabrics verteilt, oft sogar als Dual-Plane mit zwei unabhängigen Spine-Ebenen für dieselbe GPU-Fabric. Gleichzeitig steigen die Portgeschwindigkeiten massiv: 400 GbE pro GPU-Node ist heute ein gängiger Zielwert, häufig mit 2×400 GbE oder mehr pro Server, um die verfügbare Bandbreite zwischen GPUs und den dahinterliegenden Speichersystemen voll auszunutzen.

30

DCI SONDERAUSGABE 2026

Anders als im klassischen Enterprise-Rechenzentrum wird die Fabric konsequent als voll blockierungsfreier Fat Tree geplant; Oversubscription, die man früher zugunsten geringerer Kosten akzeptiert hat, ist in Trainingspods tabu, weil bereits moderate Engpässe die GPU Auslastung deutlich einbrechen lassen. Um die zahlreichen All-to-Allund Collective-Operationen effizient abzuwickeln, setzen Betreiber auf RDMA-fähige Fabrics (meist RoCE v2), Priority Flow Control und ECN sowie fein abgestimmte Congestion-Control-Profile, sodass die Kommunikation zwischen den Knoten verlustfrei und mit möglichst deterministischer Latenz abläuft.

Parallel dazu wird Leaf Spine häufig „rail optimized“ aufgebaut: Jede GPU Rail oder NVLink Domain im Rack erhält dedizierte Uplinks zu bestimmten Leafs und klar definierte Pfade über die Spines, damit Kollektivoperationen innerhalb eines Trainingsclusters möglichst wenig Umwege und Contention sehen. Diese Anforderungen führen zu deutlich höheren Portdichten und Switch-Stückzahlen als in herkömmlichen Cloud-Fabrics. Trainings-Traffic, Inferenz, Storage-Replikation und Management werden in getrennte Traffic-Klassen gegossen – vom simplen VLAN/VRF Split bis hin zu komplett separaten Fabrics –, damit sich Performance kritische Flows nicht gegenseitig stören.

Die gesamte Fabric wird in der Regel mit hohem Automatisierungsgrad (ZTP, intent based Networking) betrieben, flankiert von umfangreicher Telemetrie bis auf Flow Ebene, um Microbursts und entstehende Congestion-Stellen frühzeitig erkennen und gegensteuern zu können. Statt eines monolithischen Datacenter Netzes setzen viele Architekturen schließlich auf klar definierte Pods oder Zonen – etwa AI Pods oder AI Zones –, die als wiederholbare Bausteine mit identischem Schema geplant werden und sich bei Bedarf horizontal erweitern lassen.

Einige Hyperscaler und HPC‑Zentren experimentieren mit alternativen Topologien: Dragonfly(+), Torus/Mesh und diverse Hybriden (z. B. Rail‑optimiert, Multi‑Plane, Zettafly). Dragonfly‑Varianten reduzieren die Hop‑Zahl und den Switch‑Bedarf, sind aber empfindlicher für Congestion und erfordern ausgefeilte, adaptive Routing‑Verfahren. Torus‑ und Mesh‑Netze – etwa in TPU‑Pods – verbinden Beschleuniger direkt in Gittern und Punkten bei nachbarschaftslastigen Workloads, verlangen jedoch eine streng topologiebewusste Job‑Platzierung.

Hypercube‑, BCube‑ und Expander‑Topologien tauchen bislang vor allem in Forschung und Spezialrechenzentren auf: BCube als serverzentriertes Design für modulare Container‑Datacenter mit sehr guter

DCI SONDERAUSGABE 2026

31

All‑to‑All‑Performance und hoher Ausfallsicherheit, Hypercubes mit logarithmischer Pfadlänge und eleganten Kommunikationsmustern, Expander‑Grafen wie Jellyfish oder Xpander mit nahezu optimaler Konnektivität und sehr guter Auslastung bei beliebigen Traffic‑Mustern. In der Praxis scheitern diese Ansätze bislang meist an Verkabelungsaufwand, Betriebs- und Planungskomplexität – weshalb sich KI‑Fabriken für den Massenbetrieb weiterhin auf variantenreiche, aber gut beherrschbare Clos/Fat‑Tree‑Topologien stützen.

Für Betreiber heißt das nüchtern: Ethernet holt mit hohem Tempo auf, aber nur dort, wo Fabric-Design, Congestion Control und Betriebsdisziplin wirklich zum Workload passen – andernfalls bleibt InfiniBand der robustere, wenn auch spezialisiertere Taktgeber des GPU-Clusters.

Datenpfad-Akrobatik GPUs sind Investitionsgüter – jede Sekunde Leerlauf kostet Geld.

GPU-Starvation ist deshalb kein Randphänomen, sondern ein Architekturproblem: Sobald an einer Stelle der Datenpfad hakt – etwa weil Storage, Netzwerk oder Host die erforderliche Datenrate nicht liefern –, wird teure Rechenleistung verschenkt. Für die Planung von KI-Clustern reicht es daher nicht, nur auf GPU-Datenblätter zu schauen. Speicherarchitektur, Netzwerk-Fabric und GPU-Pfad müssen als durchgehende Leistungskette dimensioniert werden – inklusive Durchsatz, Latenz und Skalierbarkeit des Datenpfades unter Last. In hochparallelen Trainingsumgebungen schlägt jede ineffiziente I/O-Strecke oder zusätzliche CPU-seitige Kopie direkt auf die Auslastung der Beschleuniger durch.

Bandbreiteneffizienz: Nvidia NVLink 6 und der NVLink-Switch-Chip erreichen eine Bandbreite von 260 TB/s in einer einzelnen NVLinkDomäne mit 72 Beschleunigern (NVL72).

Bild: Nvidia

32

DCI SONDERAUSGABE 2026

Nvidia setzt mit GPUDirect Storage an genau diesem Engpass an.

Die Technik baut einen direkten DMA-Pfad zwischen Storage (lokale NVMe oder NVMe‑oF) und GPU-Speicher auf und eliminiert den klassischen Bounce-Buffer im CPU-RAM, der sonst als Zwischenpuffer für Geräte-zu-Geräte-Transfers dient. Statt zwei Kopieroperationen (Storage -> Host‑RAM -> GPU) erfolgt nur noch ein Transfer von der Quelle in den GPU-Speicher, gesteuert über eine DMA-Engine nahe NIC oder Storage-Controller. Das reduziert Latenzen, vermeidet Bandbreitenverluste und verhindert, dass CPU-Kerne mit reinen Datenkopien blockiert werden, statt Anwendungslogik auszuführen.

Neuer Stahl und Silikon für KI-Jongleure: Jensen Huang skizzierte auf der Nvidia GTC 2026, wie die neueste Generation beschleunigter Rechenplattformen Robotik und (Daten-) Industrie antreiben soll.

Bild: Nvidia

Auf Storage-Seite sind mehrere NVMe-SSDs oder NVMe-oF-Targets so zu bündeln, dass pro GPU 1–5 GB/s nutzbare Netto-Bandbreite für Trainings-Workloads verfügbar ist; bei 8 GPUs pro Node ergibt das typischerweise 10–40 GB/s aggregierten Durchsatzbedarf. Die Fabric muss diese Bandbreite verlustarm transportieren, häufig über RDMAfähige 100-GbE- oder HDR/NDR-InfiniBand-Links, mit niedriger Latenz und ohne CPU-seitiges Copy-Offload.

Hosts benötigen PCIe-Topologien und NUMA-Layouts, in denen NICs, NVMe-Controller und GPUs möglichst auf derselben Root-ComplexDomäne liegen, um zusätzliche Hops über den CPU-Interconnect zu vermeiden.

In Trainingsumgebungen mit hoher Parallelität wirkt sich jede zusätzliche CPU-seitige Kopie unmittelbar auf die Auslastung aus: Bounce-Buffer fügen nicht nur eine zweite Kopieroperation hinzu, sie verbrauchen auch DRAM-Bandbreite, CPU-Zyklen für memcpy und Speicherverwaltung und erhöhen die Latenzstreuung unter Last. GPUDirect Storage reduziert diese Effekte, weil Daten aus lokalen oder NVMeoF-Volumes via RDMA direkt in den GPU-Adressraum gestreamt werden können, ohne den Host-Speicher als Transitpunkt zu belegen. Auf Beschaffungsebene verschiebt sich

DCI SONDERAUSGABE 2026

der Fokus weg von isolierter Compute-Aufrüstung hin zu Plattformen, die GPUDirect-fähigen Storage, RDMA-fähige Netzwerke und HostArchitekturen mit optimierten Datenpfaden als integriertes Gesamtsystem anbieten.

KI-Betrieb ist damit nicht bloß eine Frage der reinen Rechenleistung, sondern der Gesamtleistung des Datenpfades – und genau hier spielt sich der ROI der GPU-Investitionen ab.

GPUs jonglieren: Praxisbeispiel Voltage Park/ Lightning AI Voltage Park, seit Januar 2026 unter dem Dach von Lightning AI, jongliert mit GPUs. Das Unternehmen bietet On-Demand- und Reserve-Zugang zu Nvidia-GPUs der Generationen H100, B200 und GB300. Das Herzstück ist eine Flotte von über 35.000 Grafikprozessoren, verteilt auf sechs Tier-3+-Rechenzentren in vier US-Bundesstaaten. Kernprodukt ist eine GPU-as-a-Service-Plattform (GPUaaS): Cloud-Kunden buchen Bare-Metal-Rechenleistung ohne Langzeitverträge. Die Infrastruktur unterstützt gängige Frameworks wie Slurm und Kubernetes.

Für Enterprises gibt es die sogenannte AI Factory – ein vertikal integrierter Stack aus Compute, Modellen und Software, der laut Anbieter die niedrigsten Kosten pro Inferenz im Markt liefert. Sicherheit ist ein explizites Differenzierungsmerkmal: Voltage Park ist nach ISO/IEC 27001, SOC 2 Type II und HIPAA zertifiziert. Kunden behalten die Kontrolle über Daten, Identitäten und Workloads – ein bewusstes Gegenmodell zu Multi-Tenant-Hyperscaler-Umgebungen.

Nach der Fusion mit Lightning AI kommt ein vollständiger SoftwareLayer hinzu: Inferenz-Serving, Modell-Management und Observability.

Zielgruppen sind KI-Startups, Forschungsinstitutionen und Enterprises, die die Agilität einer Cloud mit der Kontrolle einer On-Premises-Umgebung kombinieren wollen. Lightning AI ist der GPU Jongleur, der aus rohester Nvidia Rechenleistung eine kontrollierbare KI Spezialwolke baut.

Fazit

Künstliche Intelligenz testet die physikalischen und logischen Grenzen klassischer Rechenzentrumsarchitekturen. KI-Jongleure wissen: Über den reibungslosen Betrieb einer produktiven KI-Fabrik entscheiden nicht nur die Rechenwerke, sondern auch die Datenpfade.

33

34

DCI SONDERAUSGABE 2026

SOUVERÄNE KI MADE IN EUROPE

WIE PHOENIQS UND NORTHC DIE KRONJUW DER DEUTSCHEN INDUS SCHÜTZEN WOLLEN DIGITALE SOUVERÄNITÄT IST FÜR PHOENIQS KEINE FRAGE DES SERVERSTANDORTS, SONDERN DER KONTROLLE ÜBER DATEN UND WORKLOADS. DER SCHWEIZER CLOUD- UND KI-ANBIETER TRITT NUN GEMEINSAM MIT DEM RECHENZENTRUMSBETREIBER NORTHC DATACENTERS IN DEN DEUTSCHEN MARKT EIN UND POSITIONIERT SICH ALS HOCHSICHERE, PERFORMANTE UND ZUGLEICH SOUVERÄNE ALTERNATIVE ZU AUSSEREUROPÄISCHEN HYPERSCALERN.

WELEN STRIE

ADVERTORIAL

36

DCI SONDERAUSGABE 2026

Full-Stack-Souveränität statt Serverstandort PHOENIQS betreibt den ersten kommerziellen AI-Supercomputer der Schweiz auf Basis eines selbst entwickelten Cloud-Betriebssystems.

Executive Chairman und CEO Thomas Taroni bezeichnet diesen Ansatz als „Full Stack Souveränität“. Wer die Software- und Betriebssystemebene selbst kontrolliert, macht sich

Donald Badoux, bei NorthC verantwortlich für das Geschäft in Deutschland, Österreich und der Schweiz.

Bild: NorthC

unabhängig von Preisschwankungen und Lizenzpolitik nichteuropäischer Anbieter. Diese Unabhängigkeit hat sich zuletzt bei den Preissteigerungen im Virtualisierungsmarkt bezahlt gemacht, von der PHOENIQSKunden verschont geblieben sind.

Kunden können zudem ihre eigenen Verschlüsselungs-Keys mitbringen („Bring your own Key“), um ihre Umgebungen vor unerlaubtem Zugriff zu schützen. Selbst die PHOENIQS-

Administratoren haben dadurch keinen Zugang mehr.

In punkto Sicherheit setzt PHOENIQS auf EAL5+-zertifizierte Hardware-Security-Module und einen ungewöhnlichen Kniff: Ein an die Cloud angebundener Quantencomputer in Basel erzeugt echte Zufallszahlen für die Verschlüsselung. Nach heutigem Wissen handelt es sich dabei um die derzeit höchstmögliche Sicherheitsstufe. Die Vorteile dieser Full-Stack-Souveränität für Kunden liegen auf der Hand: Sie profitieren von mehr Features, mehr Sicherheit und niedrigeren Preisen sowie echter digitaler Souveränität, weil der gesamte Stack ausschließlich Schweizer und EU-Recht unterliegt.

Effizienzsprung durch Hardware- und Softwarefortschritte Ein zentrales Argument für die Partnerschaft mit NorthC Datacenters, einem Anbieter regionaler Co-Location-Rechenzentren mit Anschlusskapazitäten von 25 bis 30 MW pro Rechenzentrum, sind für PHOENIQS die Auswirkungen von KI-Workloads auf den Strombedarf.

Einerseits bedeutet der KI-Boom für Netz- und Datacenter-Betreiber eine Herausforderung: Denn KI-Workloads erzeugen Lastspitzen, sodass die Stromversorger ihre Netze auf Peakstatt Durchschnittslast auslegen müssen. Dementsprechend plant NorthC mindestens zehn Jahre im Voraus und sichert sich durch eine enge Zusammenarbeit mit lokalen und regionalen Netzbetreibern erfolgreich ausreichende Stromkapazitäten.

Auf der anderen Seite haben Weiterentwicklungen der vergangenen Jahre zu massiven Effizienzsteigerungen geführt.

Dieselbe KI-Anfrage benötigt heute gegenüber dem Stand vor drei Jahren rund 4.000 Mal weniger Strom, das Ergebnis paralleler Fortschritte auf Hardware- und Softwareebene. Während die GPUGeneration H200 rund 2,5 Token pro Watt liefert, kommen aktuelle B300Karten von Nvidia bereits auf das Vierfache. Anders als bei den großen Sprachmodellen (LLM) selbst, deren Verbesserungskurve sich mittelfristig abflachen dürfte, gilt das Mooresche Gesetz bei der Hardware weiterhin, ein Ende der Effizienzsprünge ist hier nicht in Sicht.

38

DCI SONDERAUSGABE 2026

Die Partnerschaft: Motor und Chassis Die Zusammenarbeit zwischen PHOENIQS und NorthC begann vor rund drei Jahren, als PHOENIQS für seinen ersten Supercomputer ein Rechenzentrum mit ausreichender Stromkapazität suchte. Donald Badoux, bei NorthC verantwortlich für das Geschäft in Deutschland, Österreich und der Schweiz, beschreibt die Rollenverteilung folgendermaßen: NorthC liefert das Chassis, die technische Basisinfrastruktur, in die PHOENIQS seinen Motor einbaut. Gemeinsam haben NorthC und PHOENIQS bereits mehrmals technisches Neuland betreten. So haben die beiden Unternehmen Racks mit Rear-DoorCooling zu einer Zeit entwickelt, als diese Kühltechnik am Markt noch längst nicht Standard war.

Grundlage der Partnerschaft bildet das gemeinsame strategische Grundverständnis, etwa zur langfristigen Leistungsdichte von Inferenzclustern, die im Falle von PHOENIQS im niedrigen MW-Bereich liegt; Kunden, die ihre KI-InferenzWorkloads in ihren eigenen Cages bei NorthC betreiben, kommen dafür sogar mit nur 20 kW bis 50 kW pro Rack aus. Ein ebenso wichtiger Grund für die dauerhafte

und strategische Partnerschaft ist der europäische Kapitalhintergrund von NorthC. Donald Badoux sieht darin mittlerweile eine handfeste Anforderung des Marktes. Eigentümer und Investoren mit Sitz in der EU sind die Voraussetzung dafür, dass US- oder andere ausländische Behörden zuverlässig vom Zugriff auf Kundensysteme und -daten bei externen Rechenzentrumsbetreibern ausgeschlossen werden.

KI als Chance für die deutsche Industrie Im Zentrum von Taronis Marktstrategie für Deutschland steht die Industrie. Seiner Überzeugung nach entfaltet KI dort die größte Wirkung, wo bislang keine Disruption stattgefunden hat. Dies ist zum Beispiel in Fertigungsprozessen der Fall, in denen viele Daten anfallen, die jedoch noch nicht zu Automatisierungs- und Qualitätsoptimierungszwecken genutzt wurden. Darin liegt das Werteversprechen von „Industrial AI“, das für die deutsche Industrie angesichts der veränderten geopolitischen und geoökonomischen Lage eine Riesenchance auf eine erfolgreiche Zukunft bedeutet.

Entscheidend ist jedoch, dass die Unternehmen die Kontrolle über ihr Fachwissen behalten. Industriefirmen haben über Jahrzehnte ihr spezifisches Prozesswissen

DCI SONDERAUSGABE 2026

Thomas Taroni, Executive Chairman und CEO von PHOENIQS. Bild: PHOENIQS

39

40

DCI SONDERAUSGABE 2026

in Unternehmenssoftware von Drittanbietern abgebildet. Dieses Wissen ist so lange unter ihrer vollständigen Kontrolle, wie sie ihre Infrastrukturen und Systeme selbst betreiben. Sie sollten deshalb nicht den Fehler begehen und diese Kontrolle aus der Hand geben, indem sie ihr Wissen in KI-Agenten gießen und diese bei Cloud- und KI-Anbietern betreiben, die nicht ausschließlich EU-Recht unterliegen. Denn hier droht nach Taronis Einschätzung die Gefahr, dass sich das eigene Geschäftsmodell nachbauen lässt. Dies zu verhindern und die Kronjuwelen zu schützen, ist das zentrale Argument für die digitale Souveränität in der deutschen Industrie.

Quelloffene und transparente Modelle statt Blackbox-KI bilden dafür eine wesentliche Voraussetzung. Dass KIEntscheidungen nachvollziehbar und erklärbar bleiben, gelingt am besten mit sogenannten „Open-Weight“Modellen, deren Trainingsdaten und Gewichtungen einsehbar sind. Als Beispiele können das Schweizer Modell Apertus, die am FraunhoferInstitut entwickelten deutschen Modelle GPTX beziehungsweise Teuken sowie IBMs Granite-Familie dienen. Sie weisen zwar deutlich

weniger Parameter als die bekannten LLMs auf, ihr Leistungsvermögen reicht für industrielle KI-Workloads jedoch mehr als aus. Auf dieser Basis lassen sich KI-Agenten mit unternehmensspezifischen Daten anreichern, ohne die Kontrolle über das zugrunde liegende Modell zu verlieren.

Auch PHOENIQS entwickelt sein eigenes KI-Angebot auf Basis von Open-Weight-Modellen und bietet darüber hinaus eigenentwickelte Schnittstellen zum Beispiel zu den Datenbanken von ERPSystemen. Unternehmen, die KI in der hochsicheren Umgebung von PHOENIQS nutzen, müssen die dafür benötigten Daten nicht replizieren und dort speichern – ein Angebot, das in der IT-Branche seinesgleichen sucht.

Für die Industrie kommt ein weiterer Aspekt hinzu: Viele Fertigungsdaten dürfen aus Wettbewerbs- oder Geheimhaltungsgründen ein Werk gar nicht verlassen. Das gilt oftmals sogar für Standorte ein und desselben Konzerns. On-Prem-Lösungen oder zumindest räumlich nahe CoLocation-Rechenzentren sind hier keine Kür, sondern geradezu Pflicht.

Markteintritt in Deutschland PHOENIQS startet ab September 2026 die Markteinführung für ein souveränes Angebot in Deutschland, inklusive lokaler Firmengründung und Start des Zertifizierungsprojekts BSI C5. Das Schweizer Unternehmen profitiert dabei von der regionalen Abdeckung der insgesamt 11 NorthCRechenzentren in Deutschland und ihrer Nähe zu den Industrie- und Wirtschaftszentren des Landes.

Deutschen Unternehmen, die den Einstieg in KI planen, empfiehlt PHOENIQS, zunächst Klarheit über den eigenen Anwendungsfall sowie über Ort und Qualität der eigenen Daten zu schaffen. Außerdem ist die

Frage eindeutig zu beantworten, wer im Unternehmen für die KI-Daten und -Workloads verantwortlich ist.

Ohne saubere Datenbasis und klare Zuständigkeiten, das heißt ohne „AI Readiness“, funktioniert kein KIProjekt.

Mit ihrem kombinierten Angebot liefern PHOENIQS und NorthC Datacenters die Blaupause für souveräne KI-Infrastrukturen in Deutschland. Wer die Kontrolle über Daten und Fachwissen behalten will, kommt an europäisch verankerten und digital souveränen Infrastrukturen und KI-Angeboten nicht vorbei.

RECHENZ

Autor: Peter Loibl, Geschäftsführer Von zur Mühlen’sche GmbH

Das grüne

ZENTREN Herz der Digitalisierung AUF DEM WEG ZUR NET-POSITIVEINFRASTRUKTUR

Die Cloud ist nicht schwerelos.

Jeder Stream, jede KI-Anfrage und jede Datenbanktransaktion erfordert physische Infrastruktur – und diese ist hungrig. Doch die Ära, in der Rechenzentren als reine Energiefresser galten, neigt sich dem Ende zu. Wir erleben aktuell einen Paradigmenwechsel: Das Datacenter der Zukunft verbraucht nicht nur Ressourcen, es gibt sie zurück.

Umweltverträglichkeit ist längst keine bloße Compliance-Pflicht mehr, sondern der maßgebliche Motor für tiefgreifende technologische Innovationen auf Hardware-, Software- und Architekturebene.

44

DCI SONDERAUSGABE 2026

Der Paradigmenwechsel auf einen Blick Dimension

Der alte Standard

Ressourcenrolle

Isolierter Stromverbraucher

Kühltechnologie

Luftkühlung (CRACSysteme)

Energiemanagement

Statischer Verbrauch, fossiler Mix

Hardware-Zyklus

Linear (3 Jahre Nutzung ➔ Schrott)

Die innovative Vision

Integrierter Teil der städtischen Infrastruktur

Flüssigkeitskühlung & Bereitstellung der Abwärme für urbane Nutzung KI-gesteuertes, dynamisches Load-Shifting (100 % Grünstrom)

Zirkulär (Upgrades, Refurbishment, Recycling)

Drei Säulen eines nachhaltigen Datacenter-Betriebs Die aktuelle Transformation zum „Green Datacenter“ stützt sich auf radikal neue Ansätze, die bereits heute den Markt erobern.

1. Von der Kühlung zur Sektorenkopplung Klassische Klimaanlagen haben ausgedient. Eine Zukunftstechnologie ist Flüssigkeitskühlung, die die Kühlflüssigkeit leitungsgebunden direkt an die Chips bringt. Am Horizont tut sich zusätzlich die Technik von Immersion Cooling auf – dabei sind Server direkt von einer nicht-leitenden Spezialflüssigkeit umgeben, was den reinen Energiebedarf für die Kühlung um bis zu 90 % senkt. Diese Technik muss sich aber erst noch im Betrieb und in punkto Sicherheit und Ökologie bewähren.

Der wahre Innovationssprung liegt jedoch in der Sektorenkopplung: Die entstehende Abwärme verpufft nicht länger. Rechenzentren fungieren als Wärmeproduzent für angrenzende Stadtviertel und speisen emissionsfreie speisen emissionsfreie Energie für Heizungen und Warmwassererzeugung direkt in lokale Fernwärmenetze ein. Aus dem reinen Verbraucher wird ein kommunaler Energieversorger.

2. „Follow the Sun“-Computing und KI-Orchestrierung Grüner Strom ist volatil. Innovative Rechenzentren lösen dieses Problem durch Carbon-Aware Computing. Künstliche Intelligenz analysiert in Echtzeit globale Wetterdaten und Stromnetze. Flexible Rechenlasten (Workloads), wie etwa das Training von KI-Modellen oder große Datenanalysen, werden vollautomatisch in die Server-Standorte verlagert, an denen gerade ein ausreichendes Angebot bzw. sogar Überschuss an erneuerbarer Energie herrscht.

DCI SONDERAUSGABE 2026

3. Circular IT: Das Ende der Wegwerf-Hardware Die Emissionen eines Rechenzentrums entstehen massiv bei der Herstellung der Hardware. Ein verlängerter Lebenszyklus jeder Komponente kann hier helfen. Die Antwort ist die Kreislaufwirtschaft: Ein modularer Aufbau erlaubt den Tausch einzelner Komponenten wie CPUs, statt ganze Server zu verschrotten. Ausgemusterte High-EndSysteme bekommen ein zweites Leben in Edge-Rechenzentren, und Edelmetalle aus Platinen werden durch neue Recyclingverfahren fast vollständig in den Kreislauf zurückgeführt.

Der technologische Maschinenraum: Innovationen der nächsten Dekade Wenn wir den Blick fünf bis zehn Jahre in die Zukunft richten, geht es nicht mehr nur um Optimierung. Die Branche steht vor grundlegenden physikalischen und biochemischen Paradigmenwechseln, die den ökologischen Fußabdruck auf ein absolutes Minimum reduzieren.

Autarke Microgrids durch SOFC-Brennstoffzellen Heutige Rechenzentren verlassen sich bei Stromausfällen auf massive traditionelle Dieselgeneratoren. Eine Zukunftstechnik sind autarke, smarte Mikronetze (Microgrids), die auf Wasserstoff basieren.

Technologisch stützen sich diese Strukturen bzw. Konzepte auf SOFC-Brennstoffzellen (Solid Oxide Fuel Cell). Diese Hochtemperaturbrennstoffzellen arbeiten bei 500 bis 1.000 °C und übernehmen emissionsfrei die Grundlast. Der entscheidende energetische Vorteil: Ihre enorme Abwärme wird direkt via Absorptionstechnik in Kälteenergie für die Serverkühlung gewandelt (Trigeneration von Strom, Wärme und Kühlung). Eines der bisherigen Probleme der Handhabung von Wasserstoff, die enorme Flüchtigkeit des Mediums mit bekannten Speicherverfahren, wird durch außerordentliche Anstrengungen bei Forschung und Entwicklung zunehmend besser beherrschbar werden.

Zudem fungieren diese Anlagen als Grid-Interactive Data Centers (GIDC): Bei sich anbahnender Unterdeckung im öffentlichen Netz reduziert das Rechenzentrum seine Netzentnahme bedarfsgerecht, möglicherweise sogar auf null und stabilisiert so das lokale Stromnetz. Umgekehrt ist auch eine Netzeinspeisung und damit Netzstabilisierung bei Unterlast möglich. Bei allen diesen Ansätzen muss aber auch immer der Hochverfügbarkeitsansatz des Rechenzentrums gewährleistet bleiben.

45

46

DCI SONDERAUSGABE 2026

Silizium-Photonik und Co-Packaged Optics (CPO) Der größte Feind der Effizienz auf einem Mainboard ist der elektrische Widerstand. Wo Strom durch Kupferbahnen fließt, entsteht Verlustleistung und damit Wärme.. Der fachliche Durchbruch zur Lösung dieses Problems ist Co-Packaged Optics (CPO).

Hierbei werden die elektro-optischen Wandler direkt auf dasselbe Substrat wie der Netzwerk-Chip gepackt. Die Signale verlassen den Chip nicht mehr als Elektronen, sondern als Photonen (Lichtteilchen).

Da kaum noch elektrische Distanz überbrückt werden muss, sinkt der Energiebedarf pro übertragenem Bit von bisher 15 bis 20 pJ/bit (Picojoule pro Bit) auf unter 5 pJ/bit, bei gleichzeitig massiv reduzierter Abwärme im Kern des Switches.

Neuromorphes Computing: Überwindung des Von-Neumann-Flaschenhalses KI-Modelle verbrauchen immense Energiemengen, vor allem durch das ständige Hin- und Herschieben von Daten zwischen Speicher und Prozessor (Von-Neumann-Flaschenhals). Die Antwort der Zukunft sind neuromorphe Chips, die dem menschlichen Gehirn nachempfunden sind.

Diese Chips nutzen Memristoren (Memory + Resistor), die Daten am exakt selben physischen Ort verarbeiten und speichern können. Verbunden mit Spiking Neural Networks (SNNs), die asynchron nur dann „feuern“, wenn eine spezifische Information verarbeitet wird, sinkt der Energiebedarf bei der Ausführung solcher Modelle in Echtzeitszenarien um den Faktor 100 bis 1.000.

DNA-Datenspeicherung für kalte Archive Die Datenexplosion zwingt zum Handeln: Die Menschheit produziert exponentiell mehr Daten, als physischer Speicherplatz auf Silizium- oder Magnetbasis (Festplatten/ Bänder) wirtschaftlich speicherbar sind.

Bereits für das Jahr 2025 überschritt das globale Datenvolumen die Marke von 180 Zettabytes. Neuere Prognosen korrigieren diese Erwartungen drastisch nach oben und rechnen für das laufende Jahr 2026 bereits mit 230 bis 240 Zettabytes – eine Menge, die bis 2029 auf über 500 Zettabytes anwachsen soll. DNA bietet als einziges bekanntes Medium die Dichte, um dieses Problem physisch zu lösen.

DCI SONDERAUSGABE 2026

Ökonomie der Langlebigkeit: Heutige Magnetbänder (Tape-Speicher) in Rechenzentren müssen alle 5 bis 10 Jahre umkopiert werden, da das Material degradiert. Das kostet massiv Geld, Zeit und Hardware.

DNA hält bei simpler kühler Lagerung Jahrtausende. Man schreibt die Daten einmal und muss sie nie wieder migrieren (ein sogenannter „Write-Once-Read-Seldom“-Ansatz).

Keine technologische Obsoleszenz: USB-Sticks oder Floppy-DiskLaufwerke und entsprechende Speichermedien veralten. Bei DNA ist das ausgeschlossen. Solange es Menschen gibt, wird es absehbar Technologie geben, um DNA zu lesen (Sequenzierung) – allein schon aus medizinischen Gründen.

Potential DNA-Datenspeicher gelten als äußerst zukunftsträchtig, allerdings mit einer entscheidenden Einschränkung: Sie werden auf absehbare Zeit weder den Arbeitsspeicher (RAM) noch die SSD im heimischen Laptop ersetzen. Ihre Zukunft liegt in einer hochspezialisierten Nische, die jedoch gigantisch ist – dem Langzeitarchiv (Cold Storage) Durch enzymatische Oligonukleotid-Synthese wird binärer Code (0 und 1) in die vier Nukleinbasen (A, C, G, T) übersetzt. Ausgelesen werden die Daten später über Nanoporen-Sequenzierer. Die theoretische Speicherdichte liegt bei unglaublichen 215 Petabytes pro Gramm. Der unschlagbare Umweltvorteil: Einmal in DNA geschrieben, fallen für die Lagerung bei Raumtemperatur exakt 0 Watt pro Gigabyte an Wartungs- oder Kühlenergie an.

Prognose und Timeline Die IT-Industrie nimmt das Thema sehr ernst. Technologiegiganten wie Microsoft und Western Digital haben sich mit Biotech-Firmen wie Twist Bioscience zur „DNA Data Storage Alliance“ zusammengeschlossen, um gemeinsame Standards zu definieren.

• Kurzfristig (bis 2030): Erste kommerzielle Pilotprojekte für extrem wertvolle, historische oder staatliche Archive, bei denen Kosten keine Rolle spielen, aber absolute Langlebigkeit gefordert ist (z. B. Archive für nationales Kulturerbe).

• Mittelfristig (2030–2040): Durch neue, enzymatische Syntheseverfahren (die wie natürliche Zellkopien funktionieren und viel billiger sind als die aktuelle chemische Synthese) könnten die Preise massiv fallen. DNA könnte beginnen, klassische Magnetband-Archive in großen Cloud-Rechenzentren abzulösen.

Extreme Standorte und physikalische Limits Um Kühlenergie komplett einzusparen, werden außergewöhnliche Standorte getestet. Unterwasser-Rechenzentren werden mit trockenem Stickstoff gefüllt, wodurch Korrosion und Hardware-Ausfälle massiv sinken (Elektroschrott-Vermeidung).

47

48

DCI SONDERAUSGABE 2026

Die kühnste Vision sieht Space Datacenter im Orbit vor, um von intensiver, atmosphärefreier Solarstrahlung zu profitieren. Sie kommunizieren via Laser-Richtfunk mit der Erde. Da im Vakuum des Weltalls jedoch keine Luft für klassische Kühlung existiert, wird die Thermodynamik zum größten Flaschenhals: Die massive Serverabwärme muss mangels Konvektion über gigantische Radiatorenflächen rein über Infrarot-Wärmestrahlung mühsam in das All abgegeben werden.

Die Vision 2030+ Das Rechenzentrum der Zukunft ist kein starres, monolithisches Gebäude mehr, sondern ein fluider, höchst effizienter Organismus. Es lernt von der Biologie, nutzt die Physik des Lichts und verhält sich im Energienetz wie ein stabilisierendes Puffer-Element. Die Vision der Branche ist die Net-Positive-Infrastruktur: Digitale Anlagen, die der Gesellschaft mehr saubere Energie, sauberes Wasser und nutzbare Wärme zurückgeben, als sie ihr für den Betrieb entziehen.

Das Rechenzentrum der Zukunft wird Teil der Infrastruktur.

Bild: VZM

DIE WICHTIGSTEN TRENDS, BEST PRACTICES UND INSIGHTS FÜR IT-PROFIS. WERDE AUCH DU EIN INSIDER!

EO IM

Autoren: Filipe Martins und Anna Kobylinska

JETZT DIE HART-WARE

PHOTONIK-, QUANTUM-AIUND (andere) -RECHENPFADE M REALBETRIEB

JUPITER koppelt Exascale-HPC mit KI- und Quantensystemen in einer modularen Architektur; photonische Q.ANT-Server, Pasqal-QC „JADE“ und JUQCS-Simulationen laufen als hybride Workflows im Rechenzentrums-Realbetrieb am JSC Jülich.

Bilder: Forschungszentrum Jülich/Sascha Kreklau

er aktuelle KI‑Goldrausch zwingt Rechenzentren bereits an die Grenzen ihrer Strom- und Kühlkapazitäten. Doch während die Industrie noch versucht, die Abwärme von High-EndGPUs in den Griff zu bekommen, werfen Photonik, Neuromorphik, Quanten-KI & Co. bereits ihre Schatten voraus. Der Sprung zu diesen Neo-Rechenpfaden erfordert radikal neue physische Infrastrukturen.

Die Integration der neuen Rechenpfade mit klassischem Computing erfordert eine fundamentale Transformation der Rechenzentrumsarchitektur. Strompfade, Kühlkreisläufe, Netzwerktopologien und Software Stacks müssen neu gedacht, verschaltet, getestet und dauerhaft beherrschbar gemacht werden. In Jülich lässt sich bereits besichtigen, wie ein Rechenzentrum der nächsten Generation konkret aussieht: JUPITER GPU Booster, Quantenmodule, photonische Co Prozessoren und (perspektivisch) neuroinspirierte Hardware kommen in einer gemeinsamen Architektur ins Spiel.

JUPITER verteilt seine Exascale Leistung auf spezialisierte Module: Tausende GH200 Grace Hopper Superchips übernehmen das schwere KI und Simulationsgeschäft, während ein separater Cluster mit SiPearl Rhea1 CPUs und großem Hauptspeicher die klassischen

Codes bedient, die viel RAM, aber wenig GPU brauchen. Zusammengeschnürt wird das System über ein Nvidia InfiniBand NDR Hochgeschwindigkeitsnetz und einheitliche BullSequana XH3000 Racks, davor ein Flash Speicher im Petabyte Maßstab als gemeinsame Datendrehscheibe.

Das Jülich Supercomputing Centre bindet Quantenhardware als reguläre Infrastrukturkomponente ein: Neutralatom‑QPUs wie Pasquals JADE mit über 100 Qubits werden über Workload‑Manager wie SLURM und einen eigenen Software‑Stack in die HPC‑Umgebung integriert, sodass hybride Quantum‑Classical‑Jobs mit vertrauten Kommandos gestartet werden können. Parallel dazu simuliert JUPITER mit JUQCS vollständige 50‑Qubit‑Universalrechner, um Quantenalgorithmen und Fehlertoleranz auf klassischer Hardware zu erproben, bevor sie auf physische QPUs gehen.

DCI SONDERAUSGABE 2026

Photonik nicht durchbrennen Auch das Rechnen mit Licht rückt hier aus der Laborvitrine in den Rechenzentrumsalltag: Gemeinsam mit Q.ANT werden „Photonic Native Processing Server“ in die modulare Architektur eingebracht, die Licht statt Elektronen als Informationsträger nutzen. Dünnschicht‑Lithiumniobat‑Photonik auf integrierten Wellenleiter‑Chips verspricht bis zu 30‑fach höhere Energieeffizienz und deutlich mehr Rechenleistung, angebunden über Standard‑Schnittstellen und überwacht von denselben Steuer‑ und Monitoring‑Systemen, die bereits JUPITERs GPU‑ und CPU‑Module im 24/7‑Betrieb halten.

So wird der klassische Supercomputer‑Standort zum Testfeld für robuste Neo‑Rechenpfade: Qubits, Photonen und GPUs laufen in Jülich nicht als Showcases nebeneinander, sondern wachsen Schritt für Schritt in eine gemeinsame Betriebslogik hinein.

Photonisches Computing und Co‑Packaged Optics (CPO) versprechen, den Flaschenhals der Datenübertragung zu durchbrechen und den Energiebedarf drastisch zu senken. Anstatt Daten über verlustreiche Kupferbahnen zu zwingen, nutzen Photonic Integrated Circuits (PICs) Lichtteilchen für Logikoperationen und Datentransfer. Für das Rechenzentrum bedeutet dies zwar eine Entlastung beim reinen Chip‑Stromverbrauch, stellt die Infrastruktur aber vor neue mechanische und thermische Herausforderungen – etwa eine hochpräzise Regelung der Betriebstemperatur sowie das Management von Glasfaserdichte und -routing, physisch in Trassen und Patchfeldern ebenso wie logisch in den Faserpfaden.

Optische Komponenten sind extrem temperaturempfindlich: Schon geringe Schwankungen können die Laserwellenlänge verschieben und Fehlerraten in die Höhe treiben. Die Kühlinfrastruktur muss daher nicht

53

54

DCI SONDERAUSGABE 2026

mehr primär maximale Wattzahlen pro Höheneinheit abführen, sondern vor allem eine Temperaturstabilität im Zehntelgrad‑Bereich gewährleisten.

Der Übergang zu rein optischen Interconnects auf Board‑Ebene lässt zugleich die Zahl der Glasfaserverbindungen explodieren. Kabelmanagement in Rack und Gebäudeinfrastruktur muss neu gedacht werden, um Biegeradien einzuhalten und mechanischen Stress in hochdichten Glasfasertrassen und Patchfeldern zu minimieren – und so die langfristige Performance optischer Links zu sichern.

Mit Quantum AI auf dem Weg zum absoluten Nullpunkt Während Photonik auf Raumtemperatur gehalten werden will, bringen supraleitende Quantencomputer – die derzeit aussichtsreichsten Kandidaten für echte Quantum AI – das Rechenzentrum physikalisch an den absoluten Nullpunkt. Ein hybrides Datacenter, das High-Performance Computing (HPC) mit Quantum Processing Units (QPUs) koppelt, erinnert eher an ein physikalisches Großlabor als an eine klassische Serverhalle.

Die „Hart-Ware“ für diese Systeme sprengt herkömmliche FacilitySpezifikationen:

▶ K ryogenik im industriellen Maß-

stab: Supraleitende Qubits arbeiten bei etwa 15 Millikelvin; dies erfordert massive Verdünnungskryostate (Dilution Refrigerators), die auf komplexe Kompressoren und ein kontinuierliches Management von Helium-Isotopen (He-3/ He-4) angewiesen sind. Datacenter-Betreiber müssen den sicheren Umgang und die redundante Verrohrung für diese kritischen Gase direkt in die Gebäudeleittechnik integrieren.

▶ E lektromagnetische Abschirmung

(Faraday-Käfige): Qubits verlieren durch geringste externe Störungen ihre Kohärenz. Spezielle Quanten-Räume im Rechenzentrum benötigen eine extreme Abschirmung gegen elektromagnetische Strahlung, die weit über das hinausgeht, was für klassische Serverumgebungen (oder gar TEMPEST-Standards) üblich ist.

▶ S eismische Isolation: Vibrationen

sind der Feind der Quantenverschränkung. Die Bodenplatten für kryogene Systeme müssen vollständig vom restlichen Gebäude entkoppelt sein, um Trittschall, Vibrationen von Kühltürmen oder gar vorbeifahrenden Lastkraftwagen zu eliminieren. Aktive Schwingungsdämpfer werden zur Standardausrüstung.

Neuromorphes Computing: die asynchrone Effizienzlandschaft Während GPUs mit brachialer, energiehungriger Rechenleistung trainiert werden, folgt neuromorphes Computing dem biologischen Vorbild: Architekturen nach dem Muster des menschlichen Gehirns (spikende neuronale Netze). Forschungschips wie Intels Loihi oder europäische Ansätze wie das SpiNNaker‑Projekt verarbeiten Informationen ereignisgetrieben und vereinen Speicher und Recheneinheit physisch direkt auf dem Silizium.

Ein Vorbild der Modularität: Überblick über die Neo-Rechenpfade beim Supercomputer JUPITER (in blau) mit künftigen Ergänzungen (violett).

Bild: Forschungszentrum Jülich

Firmen wie SynSense, BrainChip, Innatera oder Syntiant verkaufen neuromorphe Chips/SoCs als Bausteine für Ultra‑Low‑Power‑Edge (Sensorik, Wearables, IoT, Vision‑ Module). Erste kommerzielle Systeme (Boards, Module, „neuromorphic MCUs“, teils auch SpiNNaker‑basierte Plattformen) sind als Spezialbaugruppen oder Dev‑Kits verfügbar.

Neuromorphe Prozessoren arbeiten im Milliwatt‑Bereich und benötigen oft nur einen Bruchteil der Energie klassischer CPUs oder GPUs. Ein Rack voller neuromorpher Hardware braucht keine massiven Direct‑to‑Chip‑Flüssigkühlsysteme

56

DCI SONDERAUSGABE 2026

mehr. Der Engpass bei Neuromorphik ist nicht die maximale Kühlleistung (kW pro Rack), sondern die physische Platzausnutzung. Planer müssen hochdichte Chassis entwerfen, die Tausende dieser kühlen, aber kommunikationshungrigen Chips auf engstem Raum bündeln.

Standard‑Ethernet‑ oder InfiniBand‑Fabrics sind für massive, kontinuierliche Datenpakete ausgelegt. Neuromorphe Systeme kommunizieren dagegen asynchron über Millionen winziger „Spikes“ (Address Event Representation, AER). Das erfordert extrem feinmaschige, hochparallele Interconnects (etwa 3D‑ Torus‑Netze). Die Verkabelungsund Switching‑Infrastruktur muss auf minimalste Latenz bei enormer Portdichte ausgelegt sein – ein Paradigmenwechsel gegenüber klassischen Top‑of‑Rack‑Designs.

Viele neuromorphe Designs, insbesondere memristorbasierte Ansätze, setzen auf analoge oder Mixed‑

Lösungen wie Nvidia NVQLink schlagen bereits heute die logische Brücke zwischen QPU und GPU im Rechenzentrum.

Bild: Nvidia

Signal‑Schaltungen, um „Synapsen“ zu gewichten. Diese analogen Komponenten reagieren empfindlich auf thermische Schwankungen.

Auch wenn sie nicht heiß werden und keine Kryotechnik wie Quantensysteme benötigen, ist eine absolut konstante Umgebungstemperatur erforderlich, um das physikalische „Rauschen“ der künstlichen Neuronen vorhersagbar zu halten.

Alles nach Plan?

Die künftige Realität von Datacenter‑Infrastrukturen ist hochgradig hybrid. Künftige Rechenzentren müssen klassische x86/ARM‑Cluster, massive GPU‑Farmen für das Modell‑Training, photonische Netzwerke für den nahezu latenzfreien Datenaustausch sowie separierte, hochgeschützte Quanten‑„Tresore“ für spezifische Optimierungsprobleme (Quantum AI) unter einem Dach oder zumindest in einem eng gekoppelten Campus‑Verbund vereinen.

DCI SONDERAUSGABE 2026

Teil des experimentellen Aufbaus für ein quantenphysikalisches Experiment im Labor des Instituts für Physik der HumboldtUniversität auf dem Campus Adlershof.

Bild: Stefan Klenke/Humboldt-Universität zu Berlin/Nature Communications 2026

Dafür braucht es ein Datacenter‑ Design, das klar abgegrenzte, modulare Zonen mit völlig unterschiedlichen physikalischen Parametern erlaubt – von maximaler Stromdichte und extremer Abwärme in der GPU‑Zone über temperaturstabile, vibrationsarme Bereiche für Photonik bis hin zu kryogenen, elektromagnetisch abgeschirmten Spezialräumen für zukünftige Quantenhardware.

Für Betreiber und Planer heißt das: Wer heute den Beton für die Hallen von morgen gießt, muss nicht nur Leistungs- und Kühlreserven einplanen, sondern auch Platz für Helium‑Kompressoren, optische Racks, Glasfasertrassen und weitere Spezialinfrastruktur bereits im Grundriss vorsehen – selbst wenn die ersten produktiven Systeme erst in der nächsten Ausbaustufe einziehen.

SUPER-Fabrics für neue Rechenpfade Die neuen Rechenpfade, ob photonische KI‑Chips, Quantenprozessoren oder neuromorphe KI‑Engines der Zukunft müssen sauber an bestehende KI‑ und HPC‑Fabrics angebunden werden.

In diesem Spannungsfeld rücken optische Übergangskomponenten in den Vordergrund, die heutige Glasfaserinfrastrukturen mit künftigen KI‑ und HPC‑Fabrics verbinden. Während Lösungen wie Nvidia

NVQLink bereits heute die logische Brücke zwischen QPU und GPU im Rechenzentrum schlagen, liefern neuartige Forschungsansätze mit diamantbasierten Einzelphotonenquellen und Quantenrepeatern die optische Brücke für Quantenbits über Glasfaserstrecken.

Erste Machbarkeitsstudien von Netzwerkausrüstern skizzieren Szenarien, in denen Quantenverbindungen als optische Overlays auf bestehenden Glasfaserstrecken sowie AI‑ und HPC‑Fabrics geführt werden – als quantentaugliche Premiumpfade mit eigenen Transducern, Quantenmemories und Repeaterketten, die sich gezielt in optisch hochverdichtete, latenzkritische Netzknoten integrieren lassen.

Vor diesem Hintergrund gewinnen Forschungsarbeiten an Kontur, die diamantbasierte Quantensysteme mit ultraschneller Optik kombinieren und damit mögliche Bausteine eines zukünftigen Quanteninternets definieren.

Ein vielversprechender Ansatz sind diamantbasierte Einzelphotonenquellen und Quantenrepeater

57

58

DCI SONDERAUSGABE 2026

als mögliche Bausteine späterer Quantendienste, hochspezialisierte Optik‑Overlays und andere ultra­ niedrig­latente Spezialverbindungen.

Ein Berliner Forschungsverbund aus der Humboldt‑Universität zu Berlin und dem Ferdinand‑Braun‑Institut (FBH) um Prof. Dr. Tim Schröder hat solche diamantbasierten Bausteine experimentell demonstriert und als mögliche Vorläufer künftiger Quantenknoten für Rechenzentrums- und Weitverkehrsnetze eingeordnet.

Mit einer neuen Lasermethode bringen die Forschenden diamantbasierte Quantennetzwerke näher an den praktischen Einsatz in Glasfasernetzen. Im Zentrum steht eine Technik mit dem Kürzel SUPER („Swing‑UP of the quantum EmitteR population“), mit der sich diamantbasierte Einzelphotonenquellen deutlich effizienter betreiben lassen – ein wichtiger Schritt hin zu skalierbaren Quantenrepeatern für Weitverkehrsverbindungen und verteilte Quantencomputer.

Die im Fachjournal Nature Communications vom 16. März 2026 publizierte Arbeit fokussiert auf Diamantkristalle mit gezielt eingebrachten Zinn‑Vakanz‑Zentren (SnV‑Zentren), die als Farbzentren stabile Quantenzustände speichern und mit Licht koppeln können. Diese SnV‑Zentren fungieren als stationäre Qubits, während einzelne Photonen als „fliegende“ Qubits durch die Glasfaser übertragen werden – eine Architektur, die

insbesondere für Repeaterknoten in zukünftigen Quantennetzen interessant ist.

Mit dem SUPER‑Schema adressiert das Berliner Team zwei zentrale Engpässe solcher Systeme: die kontrollierte, effiziente Anregung der Qubits mit Licht und die saubere Detektion der emittierten Einzelphotonen ohne komplexe Filterkaskaden. Anstelle eines einzelnen Laserimpulses kommen zwei fein aufeinander abgestimmte FemtoSekundenpulse zum Einsatz, die das SnV‑Zentrum gemeinsam in den gewünschten angeregten Zustand „hochschwingen“; die Pulsparameter werden so gewählt, dass die Population gezielt in das Zielniveau transferiert wird, während unerwünschte Übergänge weitgehend unterdrückt bleiben. Das Resultat: Die Emission des Nutzphotons trennt sich spektral klarer vom Anregungslaser, sodass der Aufwand für nachgelagerte optische Filter deutlich sinkt – ein entscheidender Faktor, wenn die Bausteine aus dem Laboraufbau in feldtaugliche Repeater‑Module für Carrier‑Netze und Rechenzentrumsoptik überführt werden sollen.

Entscheidend für das Ergebnis sind sowohl die reine Effizienz der Photonenquelle als auch die Erhaltung und gezielte Manipulation des internen Quantenzustands – etwa des Elektronenspins. Nur wenn der Spin bei der optischen Anregung weitgehend erhalten bleibt, lassen sich robuste

DCI SONDERAUSGABE 2026

verschränkte Zustände erzeugen und über Repeaterketten hinweg verteilen.

Laut den Forschenden ermöglicht es die SUPER‑Methode, SnV‑Zentren mit Femto-Sekundenpulsen Spin-konservierend anzuregen und dabei optische Rabi‑Oszillationen mit Gigahertz‑Raten zu demonstrieren – einige der schnellsten optischen Kontrollen, die bislang für diamantbasierte Quantensysteme gezeigt wurden. Damit steigt die Zahl möglicher Quantenoperationen innerhalb typischer Kohärenzzeiten deutlich, was die Spielräume bei Latenz und Jitter in der klassischen Kontroll‑ und Signalisierungsebene vergrößert, ohne dass die Gesamteffizienz der Quantenverbindung kollabiert.

FAZIT

Rechenzentren stehen vor einer Phase tiefgreifender technischer Diversifizierung: Photonische Beschleuniger, spezialisierte Quantum‑AI‑Systeme, neuromorphe Chips und experimentelle Quantennetzwerke drängen nach und nach in die Roadmaps von Hyperscalern, Carriern und HPC‑Betreibern. Der Weg von der GPU‑Fabrik zum Neo‑Rechenzentrum definiert die Anforderungen an die Betriebsumgebung von Grund auf neu: Wer heute Neubauten plant, muss über statische Traglast für Kryostaten nachgrübeln, Reserven in Glasfasertrassen und ‑patchfeldern vorhalten und neue Temperaturfenster ins Visier nehmen.

DIE „HART‑WARE“ VON MORGEN VERLANGT SCHON HEUTE NACH KOMPATIBLEN INFRASTRUKTUREN.

59

INSIDER WI DIE WICHTIGSTEN TREND INSIGHTS FÜ

WERDE AUCH D

SSEN MEHR! DS, BEST PRACTICES UND ÜR IT-PROFIS

DU EIN INSIDER!

62

DCI SONDERAUSGABE 2026

AUTORI

Die A

KA

RE ST ET GE

DCI SONDERAUSGABE 2026

IN: Paula Breukel

Autonomen im Anmarsch. Fast.

ANN DIE

ECHENZENTREN TEUERN? TALYTICS VERSPRICHT ENAU DAS

63

64

DCI SONDERAUSGABE 2026

Energie-Einsparungen

von bis zu 45 Prozent

Das Team von Etalytics: Das Darmstädter Spinoff der TU Darmstadt optimiert Energiesysteme in Rechenzentren, Automotive und Pharma mit KI-gestützten digitalen Zwillingen.

Bild: Etalytics

im Kühlbetrieb

klingen verlockend.

Doch der Weg

dorthin führt durch

Sicherheitsbedenken,

organisatorische Hürden und ein

grundlegendes

Vertrauensproblem.

ls Thomas Weber und Niklas Panten 2020 Etalytics als Spinoff der TU Darmstadt gründeten, hatten sie ein klares Bild davon, was ihr Produkt kann, und wenig Zuversicht, dass es jemand kaufen würde.

Das Thema KI-gestützte Betriebsoptimierung war beider Promotionsthema. „Wir dachten immer, das wird sich nicht durchsetzen, wegen den Sicherheitsaspekten“, sagt Weber. „Es wird funktionieren, aber wird nicht angenommen werden.“ Daran, dass es funktioniert, haben sie nie gezweifelt.

Heute zählen Volkswagen, Stellantis, Equinix, NTT, Digital Realty, Sanofi und Merck zu den Kunden. Das Unternehmen beschäftigt 76 Mitarbeitende in Darmstadt, hat im Mai 2026 ein Büro in der San Francisco Bay Area eröffnet und 16 Millionen Euro eingesammelt, unter anderem von M12, dem Venture-Fonds von Microsoft. Der Selbstzweifel hat die Art geprägt, wie Etalytics heute verkauft: mit Ingenieuren statt Vertriebsmitarbeitenden und mit einer Philosophie, die Weber „least intrusive“ nennt.

DCI SONDERAUSGABE 2026

Was das bedeutet, wird am deutlichsten, wenn man versteht, womit Etalytics es bei seinen Kunden zu tun bekommt.

Neue Rechenzentren, neue Komplexität Ein Missverständnis, das Weber immer wieder begegnet: Neue Rechenzentren seien per se effizienter und leichter zu betreiben als alte. Das Gegenteil ist oft der Fall, zumindest aus Sicht der Regelungstechnik. Ältere Anlagen, so Weber, hätten typischerweise ausschließlich Kompressionskältemaschinen, diese Maschinen kennen nur zwei

Modi „An und Aus“. Neue Systeme dagegen bieten eine Vielzahl von Betriebszuständen, freie Kühlung, Kompressionskälte, Mischbetrieb, adiabatischen Betrieb, zwischen denen je nach Außentemperatur, Last und Energiepreis hin- und her geschaltet werden kann. „Diese Vielfalt an Möglichkeiten erhöht die Komplexität im Betrieb enorm“, so Weber. „Und das ist genau das, was der Optimierer besonders gut kann. Ab einer gewissen Komplexität ist weder die konventionelle Regelung noch ein Mensch in der Lage, unter allen möglichen Kombinationen an Einflussfaktoren die optimale Betriebsweise überhaupt finden zu können.“

65

Electrifying Ideas Award 2026 Den „Electrifying Ideas Award“ des ZVEI (Zentralverband Elektrotechnik- und Elektronikindustrie) erhielten in diesem Jahr Rittal, das GSI Helmholtzzentrum für Schwerionenforschung und Etalytics. Ausgezeichnet wurde die gemeinsam entwickelte Lösung für KI-gestützte EnergieOptimierung in Hochleistungsrechenzentren mit Direktflüssigkühlung.

Die typischen Einsparpotenziale, die Etalytics erziele, lägen zwischen 15 und 45 Prozent. Bei älteren Anlagen komme der Gewinn vor allem aus der Nachjustierung schlecht eingestellter Regelungen, bei neuen Systemen aus der Nutzung von Freiheitsgraden, „die in der konventionellen Regelung gar nicht genutzt werden können“.

„Least Intrusive“ als Prinzip Doch wie gelangt eine KI überhaupt in ein laufendes System?

Das ist die technisch und organisatorisch heikle Frage und Weber hat dazu eine klare Antwort: so wenig wie möglich anfassen. „Wir haben hier üblicherweise

Rittal lieferte die Cooling Distribution Unit (CDU) mit einer Kälteleistung von einem Megawatt für zwei Racks. Das GSI stellte mit dem „Green IT Cube“ in Darmstadt die Testumgebung bereit. Etalytics steuerte die KI-Optimierung per digitalem Zwilling bei. Den Preis überreichte Bundesforschungsministerin Dorothee Bär am 20. Mai 2026 beim „ZVEI eSummit“ in Berlin.

die Möglichkeit, zwischen freier Kühlung und Kompressionskälte hin und her zu schalten. Die Kompressionskälte ist eigentlich immer das Ineffizienteste.“ In der konventionellen Regelung ist sie so eingestellt, dass sie automatisch anspringt, wenn eine definierte Vorlauftemperatur überschritten wird. Diese beträgt etwa 21 Grad Celsius. „Wir wollen an dieser Logik gar nichts ändern.

DCI SONDERAUSGABE 2026

Wenn wir über die 21 Grad kommen, würden wir nichts anderes auf die Kompressionskältemaschine schreiben als die konventionelle Regelung.“ Mit anderen Worten: Die KI modelliert und berücksichtigt die Maschine vollständig, schreibt aber keinen einzigen Wert dorthin, weil die bestehende Regelung das korrekt übernimmt. „Least intrusive“, wie Weber es nennt.

Das gilt auch für die Auswahl der Sollwerte, die der Optimierer ins System schreibt. Ob eine Pumpe über direkten Drehzahlbefehl, einen Differenzdruck-Sollwert oder einen Volumenstrom-Sollwert gesteuert wird, führt physi-

kalisch zum gleichen Ergebnis. Es hat aber erheblichen Einfluss auf den Integrationsaufwand.

Denn ja nachdem, wie die Anlage gesteuert wird „ist der Aufwand in der Integration sehr hoch oder sehr gering. Hier braucht es ein sehr gutes Verständnis, wie das Kältesystem funktioniert, wie die Rädchen ineinandergreifen“, sagt Weber.

Das Dashboard von Etaone: Es zeigt die Betriebsdaten und Messwerte verschiedener Komponenten eines Rechenzentrums in Echtzeit.

Bild: Etalytics

Anbindung ans Bestehende – wie Etalytics kommuniziert Etalytics bindet sich über Standardprotokolle an die Gebäudeautomation an: „OPC-UA“, „Modbus“, „MQTT“ oder„REST“. Da in den meisten Rechenzentren ohnehin alle Komponenten, unabhängig vom Hersteller, auf einer zentralen Gebäudeautomation zusammenlaufen, ist eine direkte Einzelanbindung von Feldgeräten in der Regel nicht notwendig. Die technischen Voraussetzungen für eine Optimierungsanbindung, so Thomas Weber, Mitgründer von Etalytics, seien „eigentlich schon in jedem Rechenzentrum“ gegeben. Die eigentliche Hürde liegt woanders.

67

Etalytics begegnet dem auf zwei Organisationskomplexität schlägt Technikkomplexität Wegen. Erstens: technische Was die Umsetzung möglicher Etalytics-Automatismen bei den Unternehmen tatsächlich verlangsamt, ist nicht die Technik, sondern die Organisation. Typischerweise sind Serverbereitstellung, Firewall-Konfiguration und Gebäudeautomation in verschiedenen Händen. Dadurch dauert es laut Weber „in der Regel Wochen bis Monate“, bis die Infrastruktur steht.

Der Vorteil von Großkonzernen: Ist der Pilot einmal eingerichtet, skaliert er. IT-Sicherheitsprüfungen müssen nur einmalig durchlaufen werden, Ansprechpartner sind etabliert, das Setup lässt sich auf weitere Standorte übertragen. Etalytics ist zudem ISO-27001-zertifiziert, was den Prozess in sicherheitssensiblen Umgebungen beschleunigt.

Die Frage nach der Kontrolle Auch die Herausforderung dabei ist keine technische, sondern eine psychologische Hürde. „Was, ihr wollt auch noch steuern?“ – das sei die typische Reaktion, wenn aus der Analyse ein Eingriff in die Steuerung und Regeln wird, so Weber. Der verantwortliche Ingenieur auf Kundenseite betreibt sein System seit zehn, 15 Jahren, kennt jede Eigenart „und wir kommen neu dazu, schauen uns das System wenige Wochen an und sagen, was wir alles ändern wollen.“

Glaubwürdigkeit. Alle Mitarbeitenden im Kundenkontakt hätten einen Ingenieurshintergrund, sagt Weber, und das habe einen konkreten Grund: „Es gibt nichts Schlimmeres, als wenn man in einem Meeting sitzt und der Ingenieur auf der anderen Seite nimmt einen nicht ernst und erklärt einem, wie das Kältesystem funktioniert. Das ist nicht vertrauensfördernd.“ Zweitens: die Kontrolle bleibt beim Betreiber. Die KI schreibt Sollwerte innerhalb von Grenzen, die der verantwortliche Ingenieur jederzeit selbst anpassen kann, theoretisch alle fünf Minuten. Verlässt das System einen definierten Bereich, schaltet es automatisch und mit Übergangsglättung auf die konventionelle Regelung zurück.

Ein Blick in die Zukunft: MCP als Brücke zu unternehmensweiten KI-Systemen Was kommt als Nächstes? Weber nennt zwei Richtungen. Zum einen sieht er weiteres Optimierungspotenzial in Bestandssystemen durch genauere Modellierung einzelner Komponenten. Zum anderen hat Etalytics seine Plattform über das Model Context Protocol (MCP) für externe Sprachmodelle geöffnet.

Die Gründer von Etalytics (v. l.): Björn König, Thomas Weber und Niklas Panten.

Bild: Etalytics

DCI SONDERAUSGABE 2026

69

Über den Gesprächspartner

Die Idee: Unternehmen betreiben heute häufig eigene, compliancekonforme Unternehmens-GPTs. Diese könnten nun direkt auf den Kontext der Etalytics-Plattform zugreifen, also nicht nur auf Zeitreihendaten und Topologie-Informationen, sondern auch auf das Wissen des digitalen Zwillings darüber, wie sich das System verhalten sollte und wo es abweicht.

Daraus ließen sich automatisch Reports generieren, Alerts auslösen oder Anomalien interpretieren. „Der Schatz an Informationen, den wir generiert haben, wird plötzlich nutzbar gemacht durch die Nutzung von Large-LanguageModellen“, sagt Weber. „Und darauf freuen wir uns schon sehr.“

Thomas Weber ist Mitgründer und CSO von Etalytics. Er promovierte an der TU Darmstadt im Bereich Energiesystemoptimierung – ebenso wie sein Mitgründer Niklas Panten, der das Unternehmen als CEO leitet. Gemeinsam gründeten sie Etalytics 2020 als Spinoff der TU Darmstadt, zusammen mit dem dritten Mitgründer Björn König.

Das Unternehmen beschäftigt 76 Mitarbeitende am Hauptsitz in Darmstadt und ist ISO-27001-zertifiziert. Zu den Kunden zählen Rechenzentren, Automotive- und Pharmaunternehmen.

L

Server steue Wasserkühl

Autor: Ulrich Terrahe

LIQUID COOLING NEXT LEVEL

ert seine eigene lung in Echtzeit DIREKTE DURCHFLUSSREGELUNG ERÖFFNET NEUE EFFIZIENZPOTENZIALE FÜR KI- UND HIGH-DENSITY-RECHENZENTREN.

M 72

DCI SONDERAUSGABE 2026

it steigenden Leistungsdichten durch KI- und GPU-basierte Anwendungen geraten herkömmliche Kühlkonzepte zunehmend an ihre Grenzen.

Während die meisten heutigen Flüssigkeitskühlsysteme den Wasserdurchfluss auf Basis der Austrittstemperatur regeln, gibt es nun einen völlig neuen und innovativen Ansatz:

Jeder einzelne Server kann seinen Kühlbedarf individuell bestimmen und den Wasserdurchfluss entsprechend regeln.

Die Regelung erfolgt dabei entweder in Echtzeit auf Basis der aktuellen Leistungsaufnahme des Servers oder alternativ über eine integrierte Temperaturmessung direkt im Kühlkreislauf.

Entwickelt wurde dieses Konzept in einer gemeinsamen Initiative von Bürkert Fluid Control Systems, der dc-ce RZ-Beratung/Firmengruppe Max Bögl und der Thomas-Krenn AG. Ziel der Kooperation war es, die Möglichkeiten moderner Flüssigkeitskühlung aus Sicht der Rechenzentrumsinfrastruktur, der Servertechnologie und der Fluidik neu zu denken und damit einen innovativen Ansatz für zukünftige KI- und High-DensityRechenzentren zu schaffen.

Der Hintergrund: In klassischen Systemen erfolgt die Regelung verzögert, da zunächst Temperaturänderungen erfasst werden müssen, bevor Anpassungen vorgenommen werden können. Dies führt häufig zu Überkühlung, unnötigem Energieeinsatz und einer insgesamt trägeren Reaktion auf Lastwechsel.

Direkte Regelung statt verzögerter Reaktion Die neue Architektur verlagert die Intelligenz der Kühlungsregelung näher an den eigentlichen Verbraucher. Der Server kennt seine aktuelle Rechenlast und kann daraus unmittelbar den erforderlichen Kühlbedarf ableiten. Alternativ kann die Regelung über integrierte Temperatursensoren erfolgen, die den tatsächlichen thermischen Zustand des Servers erfassen.

Beide Verfahren ermöglichen eine individuelle Regelung des Wasserdurchflusses für jeden einzelnen Server.

DCI SONDERAUSGABE 2026

Das Funktionsprinzip erfolgt in drei Schritten: 1. Der Server ermittelt seinen aktuellen Kühlbedarf entweder anhand seiner Leistungsaufnahme oder über die integrierte Temperaturmessung.

2. Auf Basis dieser Informationen wird das zugehörige Ventil angesteuert.

3. Das Ventil regelt die Wasserdurchflussmenge exakt entsprechend dem tatsächlichen Bedarf des jeweiligen Servers.

Dadurch folgt die Kühlung unmittelbar dem Betriebszustand des Servers und nicht erst nachgelagerten Temperaturänderungen innerhalb des Gesamtsystems.

Von der zentralen Temperaturregelung zur serverindividuellen Kühlungsregelung Im Vergleich zu klassischen Kühlsystemen ergeben sich wesentliche Unterschiede: Messprinzip: Leistungsaufnahme oder lokale Temperatur messung statt zentraler Austrittstemperatur Regelung: direkt statt verzögert  Reaktionsverhalten: Echtzeit statt träger Nachführung  Effizienz: optimierter Durchfluss statt möglicher Über kühlung Insbesondere in KI-Clustern und High-Density-Racks, in denen Lasten innerhalb kürzester Zeit stark schwanken können, ermöglicht dieser Ansatz eine deutlich präzisere Anpassung der Kühlleistung.

Adaptive Fluid Distribution als Grundlage Die technische Umsetzung erfolgt über intelligente Fluidverteilungssysteme. Die von Bürkert entwickelten SmartManifold-Module integrieren zentrale Funktionen wie Durchflussregelung, Temperatur- und Druckmessung, Absperrung, Entlüftung, Filtration und Sicherheitsfunktionen in einer kompakten Einheit.

73

74

DCI SONDERAUSGABE 2026

Durch die Integration mehrerer Funktionen in einem Modul reduziert sich die Anzahl externer Komponenten. Dies vereinfacht die Systemarchitektur, minimiert potenzielle Leckage-Stellen und erhöht die Betriebssicherheit.

Jedes Modul kann individuell konfiguriert und an unterschiedliche Anforderungen von Rechenzentrumsbetreibern und OEMs angepasst werden.

Mehr Transparenz und höhere Energieeffizienz Neben der präzisen Kühlungsregelung profitieren Betreiber von einer umfassenden Transparenz über den gesamten Kühlprozess.

Die kontinuierliche Erfassung von Temperatur-, Druck-, Durchfluss- und Kühlmittelqualitätsdaten schafft die Grundlage für eine optimierte Betriebsführung und vorausschauende Wartung.

Durch die bedarfsgerechte Bereitstellung des Kühlmediums sinkt der Energiebedarf der Pumpensysteme deutlich, während gleichzeitig die Effizienz des Gesamtsystems durch die Vermeidung unnötiger Überkühlung gesteigert wird.

Gleichzeitig ermöglicht die serverindividuelle Regelung eine gezielte Beeinflussung der Rücklauftemperatur hin zu konstant hohen Rücklauftemperaturen. Dies schafft optimale Voraussetzungen für den Einsatz von Free-Cooling-Ansätzen und trägt maßgeblich zu einer signifikanten Verbesserung des PUE durch gesteigerte Kühleffizienz bei.

Die Lösung unterstützt auch sehr hohe Durchflussraten von leistungsstarken Servern und kann über den Bürkert System Bus sowie weitere Kommunikationsprotokolle in bestehende Infrastrukturen integriert werden.

Zukunftssichere Kühlung für KI-Rechenzentren Mit steigenden Anforderungen an Rechenleistung und Nachhaltigkeit gewinnt die Effizienz der Kühlung zunehmend an Bedeutung. Die direkte, lastabhängige Regelung des Kühlwassers stellt einen grundlegenden Paradigmenwechsel dar: Kühlung reagiert nicht mehr auf die Folgen der Last, sondern auf die Last selbst.

DCI SONDERAUSGABE 2026

Das Konzept vereint die Expertise dreier Spezialisten. Bürkert bringt seine Kompetenz in der Fluidik sowie in Ventil-, Sensorund Regeltechnik ein. Die dc-ce RZ-Beratung GmbH & Co. KG steuert ihre langjährige Erfahrung in der Planung, Optimierung und dem Betrieb moderner Rechenzentren bei. Die Thomas-Krenn AG ergänzt das Projekt mit ihrem Know-how im Bereich leistungsstarker Server- und Storage-Plattformen.

Gemeinsam entstand ein Lösungsansatz, bei dem die Kühlung jedes einzelnen Servers bedarfsgerecht geregelt werden kann – entweder prädiktiv über die aktuelle Leistungsaufnahme oder über die integrierte Temperaturerfassung im Kühlkreislauf.

Das Ergebnis sind schnellere Reaktionszeiten, ein optimierter Einsatz von Kühlenergie, höhere Systemtransparenz und eine skalierbare Infrastruktur für die nächste Generation von KIund High-Performance-Rechenzentren.

Über die Projektpartner

Bürkert Fluid Control Systems zählt zu den weltweit führenden Spezialisten für Mess-, Steuer- und Regeltechnik von Flüssigkeiten und Gasen. Mit mehr als 3.500 Mitarbeitenden weltweit entwickelt das Unternehmen intelligente Fluidiklösungen für anspruchsvolle Anwendungen in Industrie, Life Sciences, Halbleiterfertigung und Rechenzentren.

Die dc-ce RZ-Beratung GmbH & Co. KG ist auf die Planung, Optimierung und den Betrieb von Rechenzentren spezialisiert und begleitet Unternehmen bei der Entwicklung energieeffizienter und zukunftssicherer Infrastrukturen. dc-ce agiert dabei in enger Partnerschaft mit der Firmengruppe Max Bögl.

Die Thomas-Krenn AG zählt zu den führenden europäischen Herstellern individueller Server-, Storage- und Netzwerklösungen.

Das Unternehmen entwickelt und produziert leistungsfähige IT-Systeme für professionelle Anwendungen in Rechenzentren und Unternehmensumgebungen.

75

IMPRESSUM

Anschrift Vogel IT-Medien GmbH Max-Josef-Metzger-Str. 21, 86157 Augsburg Telefon +49 (0) 821/2177-0 Web DataCenter-Insider.de Geschäftsführer Tobias Teske, Matthias Bauer Layout & Gestaltung Alexander Preböck, AD Chefredakteurin Ulrike Ostler, V.i.S.d.P. Chef vom Dienst Jürgen Paukner Sales Brigitte Bonasera, Key Account Manager Sales insider.sales@vogel.de

Erscheinungstermin September 2026 Titelbild d.schrader.KI - .alexp (Montage) Haftung Für den Fall, dass Beiträge oder Informationen unzutreffend oder fehlerhaft sind, haftet der Verlag nur beim Nachweis grober Fahrlässigkeit.

Für Beiträge, die namentlich gekennzeichnet sind, ist der jeweilige Autor verantwortlich.

Copyright Vogel IT-Medien GmbH. Alle Rechte vorbehalten. Nachdruck, digitale Verwendung jeder Art, Vervielfältigung nur mit schriftlicher Genehmigung der Redaktion.