Jahrelang war die Annahme rund um die KI-Infrastruktur leicht zu akzeptieren. Leistungsstarke Rechenkapazitäten würden dort aufgebaut, wo Hyperscale-Cloud-Computing, Entwicklerdichte und Kapital bereits konzentriert waren: Kalifornien, Seattle, London und ein kleiner Kreis etablierter Technologiezentren.
Für diese geografische Verteilung gab es einen praktischen Grund. Das Training und der Einsatz von KI im großen Maßstab erfordert, dass Rechenzentren, Rechenkapazität, Netzwerkkapazität, Energie und fortschrittliche Infrastruktur zusammenarbeiten. OECD-Analysen stellen fest, dass dies KI-Unternehmen in Richtung der Dienste der größten Cloud-Computing-Anbieter gedrängt hat. Mit der Zeit verhärtete sich diese Abhängigkeit zu einer Marktkonzentration. Im dritten Quartal 2025 bezifferte die Synergy Research Group den kombinierten Anteil von Amazon, Microsoft und Google an den globalen Ausgaben für Cloud-Infrastruktur im Unternehmensbereich auf 63 Prozent.
Diese Logik wirkt nun weniger beständig. Rechenleistung wird teurer, energieintensiver und außerhalb einer kleinen Gruppe dominanter Anbieter schwerer zugänglich. Entwickler beginnen, Fragen zu stellen, die Hyperscale-Cloud-Computing ihnen größtenteils ersparte. Woher wird die Energie kommen? Können Chips in diesen Rechtsraum geliefert werden? Welche Gesetze gelten für die Daten, sobald sie weitergeleitet werden?
Diese Fragen werden jetzt an verschiedenen Orten beantwortet, und die meisten davon liegen nicht im Silicon Valley.
Was Knappheit lehrt
In etablierten Cloud-Märkten lautet die Standardantwort auf die steigende KI-Nachfrage, mehr Kapazität durch größere Cloud-Verträge, dichtere Rechenzentrumserweiterungen und eine tiefere Abhängigkeit von demselben zentralisierten Stack hinzuzufügen.
Diese Antwort wird immer schwerer skalierbar. Rechenzentren verbrauchten 2024 etwa 1,5 Prozent des weltweiten Stroms, genug, um Energie zu einem der Druckpunkte in der KI-Infrastruktur zu machen. Die Internationale Energieagentur erwartet, dass dieser Anteil bis 2030 auf knapp unter 3 Prozent steigen wird, was es schwieriger macht, Rechenleistung als verborgene Schicht hinter KI-Produkten zu behandeln.
In großen Teilen der Entwicklungsländer war dieser Druck bereits der Ausgangspunkt. Entwickler dort hatten selten die Möglichkeit, Zugang zu Rechenkapazität, Strom und Verteilung als das Problem anderer zu behandeln; sie mussten es einplanen. Das Ergebnis ist ein stilleres Muster, das in der Silicon-Valley-Berichterstattung wenig Beachtung findet: Ernsthafte KI-Infrastruktur wird jetzt an Orten aufgebaut, wo Knappheit als Gestaltungsproblem und nicht als nachträgliche Überlegung behandelt wird.
Wie das in der Praxis aussieht
Das Muster ist in vier Regionen am deutlichsten sichtbar.
In Indien betreibt Yotta Data Services Shakti Cloud auf mehr als 16.000 NVIDIA H100 GPUs und ist auf dem Weg, diese Zahl bis Ende 2025 ungefähr zu verdoppeln. Mehr als die Hälfte der Rechenkapazität hinter der IndiaAI Mission — dem Vorstoß der Regierung zum Aufbau einheimischer Grundlagenmodelle — liegt auf Yottas Hardware. Im Februar 2026 wechselte die nationale mehrsprachige Plattform BHASHINI von ausländischen Hyperscalern zu Shakti Cloud und gewann dabei etwa 40 Prozent an Leistung. BHASHINI führt Echtzeit-Übersetzungen in 11 indischen Sprachen im Bevölkerungsmaßstab durch; die Betreiber hatten entschieden, dass Infrastruktur, die sie nicht kontrollieren konnten, der falsche Ort dafür war.
In ganz Afrika setzt Cassava Technologies, gegründet vom simbabwischen Unternehmer Strive Masiyiwa, 12.000 NVIDIA GPUs in Rechenzentren in Südafrika, Ägypten, Kenia, Marokko und Nigeria ein. Cassava ist der erste NVIDIA Cloud Partner auf dem Kontinent; vor diesem Aufbau schätzte NVIDIA, dass etwa 80 seiner GPUs auf dem gesamten afrikanischen Kontinent installiert waren. Die Einschränkung war nicht nur der Preis für Rechenleistung; es war das grundlegende Fehlen fortschrittlicher Siliziumchips. Cassavas Antwort ist ein panafrikanisches Netzwerk, das auf einem eigenen Glasfaser-Backbone läuft und so konzipiert ist, dass afrikanische Startups, Forscher und Regierungen für das Training und den Einsatz von KI nicht über Europa oder die Vereinigten Staaten geleitet werden müssen.
In Brasilien reserviert das SoberanIA-Projekt der Regierung 500 MW für eine souveräne KI-Fabrik in Piauí, die vollständig mit erneuerbarer Energie betrieben wird, mit Scala Data Centers als führendem Infrastrukturpartner. Brasilien hat sich verpflichtet, im nächsten Jahrzehnt bis zu 370 Milliarden US-Dollar an Rechenzentrum-Investitionen anzuziehen, verbunden mit den Steueranreizen des REDATA-Programms für Projekte, die 100 Prozent erneuerbare Energie beziehen. Etwa 65 Prozent der brasilianischen Daten werden noch im Ausland gespeichert. Die Wette lautet, dass reichlich vorhandene Wasserkraft und Solarenergie Brasilien eine Art Rechenkapazität verleiht, für deren Aufbau die USA und China mehr Aufwand betreiben müssen — von Natur aus sauber, geografisch bedingt günstig.
Die Vereinigten Arabischen Emirate gehen den teuersten Weg. Core42, Teil der G42-Gruppe, verkauft Inferenzkapazität auf einer Mischung aus NVIDIA- und Qualcomm-Chips aus Abu Dhabi, und das Land hat sich gemeinsam mit den Vereinigten Staaten zu einem 10 Quadratmeilen großen, 5-Gigawatt-KI-Campus verpflichtet, der bis Ende des Jahrzehnts teilweise in Betrieb sein soll. Das emiratische Angebot ist klar: Länder, die souveräne KI wollen, aber den zugrunde liegenden Stack nicht selbst aufbauen können, können ihn von einer befreundeten Regierung mieten. Das Middle East Institute beschreibt dies als eine bewusste Strategie der vertikalen Integration — Chips, Strom, Rechenzentren und ausländische Beziehungen in einer Hand zu halten.
Diese Projekte teilen keine gemeinsame Politik oder kein gemeinsames Eigentumsmodell. Was sie teilen, ist eine grundlegende Annahme, dass Zugang zu Rechenkapazität, Strom, Land und Chip-Versorgung erstrangige Gestaltungsprobleme und keine externen Faktoren sind. Diese Annahme erzeugt eine andere Infrastruktur.
Warum Inferenz die Karte verändert
Das Training großer Modelle belohnt nach wie vor dichte Cluster, große Kapitalbudgets und den Zugang zu fortschrittlichen Chips. Diese Arbeit wird die größten Hyperscale-Einrichtungen so bald nicht verlassen.
Inferenz ist ein anderes Problem. Modelle werden kontinuierlich von Kunden, Geräten, Agenten und Unternehmenssystemen genutzt. McKinsey erwartet, dass Inferenz bis 2030 das Training in KI-Rechenzentren überholen wird und mehr als die Hälfte der KI-Rechenleistung und etwa 30 bis 40 Prozent der gesamten Rechenzentrumsnachfrage ausmachen wird.
Inferenz stellt andere Fragen als das Training. Anstatt wo der größte Cluster aufgebaut werden kann, werden die Fragen: Wo soll die Rechenkapazität angesiedelt sein, wie schnell kann sie reagieren, wie zuverlässig können Workloads geroutet werden und welche Gesetze regeln die Daten dabei. Diese Fragen haben geografische Antworten, die Hyperscale-Konzentration nicht gut bewältigt, besonders für die Milliarden von Menschen, die nicht in der Nähe eines US-amerikanischen oder europäischen Rechenzentrums leben.
Das Rechennetz, das die Inferenznachfrage erfordert, ist breiter, als Hyperscale-Cloud-Computing allein bieten kann. Verteilte GPU-Kapazität, regionale Inferenz-Cluster, souveräne Clouds und aufkommende Neoclouds an Orten wie Mumbai, Nairobi, São Paulo und Abu Dhabi sind kein Ersatz für Hyperscale. Sie sind die Schicht, die Hyperscale allein nicht bedienen kann.
Was das für die Karte bedeutet
Die alte Karte der KI-Infrastruktur wurde um Orte herum gezeichnet, an denen Cloud-Kapazität bereits konzentriert war. Diese Karte hatte Sinn, als Rechenleistung als billig und reichlich vorhanden behandelt wurde.
Die nächste Karte wird anders aussehen. Sie wird um Orte herum gezeichnet, die gelernt haben zu bauen, als Rechenleistung kostspielig und strategisch war, und wo die Frage, wer den Stack kontrolliert, nie theoretisch war. Die Unternehmen und Regierungen, die diese Arbeit leisten, holen nicht mit dem Silicon Valley auf; sie sind zuerst auf das Problem gestoßen, weil sie mussten.
—-
Ilman Shazhaev ist Gründer und CEO von Dizzaract, einem KI-Infrastrukturunternehmen mit Hauptsitz in Abu Dhabi. Er ist Mitglied eines UN/UNODC-Expertengremiums, das KI-Anwendungen in Entwicklungsländern berät, und hat 46 wissenschaftliche Artikel sowie 10 registrierte Erfindungspatente verfasst.
