Kernproblem der KI-Infrastruktur: Das Stranded-Asset-Risiko – Wer heute auf veraltete Strukturen setzt, zahlt morgen den Preis

Stromfresser KI: Die geniale (und ignorierte) Alternative zu riesigen Atom-Rechenzentren

Das Transparenzdefizit als politisches Kernproblem der KI-Infrastruktur

Der Energiehunger der Künstlichen Intelligenz wächst exponentiell – und mit ihm die politische Panik. Um den gigantischen Strombedarf geplanter KI-Rechenzentren zu decken, rückt in Europa und den USA plötzlich eine vermeintlich neue Lösung ins Rampenlicht: kleine modulare Atomreaktoren (Small Modular Reactors, kurz SMR). Doch während Politik und Industrielobby den nuklearen Heilsbringer als alternativlos feiern, droht im Hintergrund eine beispiellose wirtschaftliche Fehlkalkulation.

Explodierende Baukosten, jahrzehntelange Realisierungszeiten und das immense Risiko sogenannter „Stranded Assets“ (gestrandeter Vermögenswerte) machen den Traum von der atomgetriebenen KI-Gigafactory zu einem hochriskanten Glücksspiel. Brisant ist dabei vor allem, was in der Debatte systematisch verschwiegen wird: Eine dezentrale KI-Infrastruktur. Dieser Artikel durchleuchtet die versteckten Kostenwahrheiten der SMR-Debatte und zeigt, warum wir Gefahr laufen, bei der Technologie von morgen die teuren strukturellen Fehler der Vergangenheit zu wiederholen.

|||Die eigentliche Provokation dieser Debatte ist damit nicht die technische Frage, welche Infrastruktur besser ist. Die eigentliche Provokation ist die politische: Warum wird in einer Diskussion über zukunftsfähige KI-Infrastruktur fast ausschließlich eine Technologie diskutiert, deren Realisierungshorizont jenseits des Planungshorizonts der KI-Roadmaps liegt, deren Kostenhistorie von Überschreitungen um mehrere hundert Prozent geprägt ist und deren Subventionierung in erheblichem Umfang verschleiert wird?

Passend dazu:

• KI-Gigafactories: Die verschwiegene Rechnung – Wie der Ausbau von Hyperscalern in den USA und China die Ressourcen belasten

Das Transparenzdefizit als politisches Kernproblem der KI-Infrastruktu:Die Energiefrage als strategisches Ablenkungsmanöver

In den Debatten rund um den Aufbau europäischer KI-Gigafactories dominiert eine Frage die öffentliche Diskussion: Woher soll all der Strom kommen? Die Antwort, die in politischen Kreisen und Industriefoyers zunehmend gehandelt wird, lautet: kleine modulare Atomreaktoren, soge nannte Small Modular Reactors (SMR). Diese Antwort klingt technologisch fortschrittlich, ist politisch anschlussfähig und hat den Vorteil, bestehende Interessengruppen – die Atomindustrie, staatliche Energieversorger, nukleartechnische Forschungseinrichtungen – auf ihre Seite zu bringen. Was bei dieser Diskussion jedoch fast vollständig fehlt, ist eine ehrliche ökonomische Abwägung: Sind zentralisierte KI-Gigafactories, gespeist von SMR-Reaktoren, tatsächlich die wirtschaftlich sinnvollste Antwort auf den steigenden Rechenbedarf? Oder lenkt diese Frage von einer viel fundamentaleren strukturellen Alternative ab – der dezentralen KI-Infrastruktur?

Die Internationale Energieagentur (IEA) prognostiziert, dass sich der globale Stromverbrauch von Rechenzentren bis 2030 mehr als verdoppeln und fast 1.000 Terawattstunden jährlich erreichen wird. Bereits heute verbraucht ein einzelnes großes KI-Rechenzentrum so viel Strom wie eine Stadt mit 50.000 Einwohnern, und die wirklich großen Anlagen bewegen sich inzwischen im Gigawatt-Bereich. Für die USA allein prognostiziert die IEA bis 2029 einen zusätzlichen Kapazitätsbedarf von 60 Gigawatt allein für Rechenzentren und KI-Anwendungen – was der Leistung von etwa 60 Atomkraftwerken entspricht. Diese Zahlen sind eindrucksvoll, aber sie verleiten zu einem Denkfehler: Sie projizieren die heutige Architektur zentralisierter Rechenzentren gedankenlos in die Zukunft, anstatt alternative Infrastrukturmodelle ernsthaft zu prüfen.

Die verborgene Kostenwahrheit hinter dem SMR-Versprechen

Die Diskussion über Small Modular Reactors ist von einem bemerkenswerten Maß an Optimismus geprägt, der bei näherer Betrachtung wenig empirische Grundlage hat. SMR-Befürworter versprechen kürzere Bauzeiten, niedrigere Kosten durch Serienfertigung und eine schnellere Skalierbarkeit gegenüber konventionellen Großreaktoren. Doch die Realität zeichnet ein deutlich ernüchternderes Bild.

Der globale Markt für Atomkraftwerke stagniert seit Jahren. Im Jahr 2024 gingen weltweit lediglich sechs neue Atomkraftwerke in Betrieb, während vier abgeschaltet wurden – ein Nettowachstum von zwei Anlagen. Die Ursachen sind struktureller Natur: extreme Investitionskosten, Bauzeiten von 10 bis 15 Jahren und Finanzierungsrisiken, die praktisch nur von Staatsunternehmen getragen werden können. Das Paradebeispiel für diese Kostenexplosion ist Flamanville 3 in Frankreich: 2006 mit 3,2 bis 3,3 Milliarden Euro veranschlagt und mit einer Bauzeit von fünf Jahren geplant, kostete das Kraftwerk nach 17 Jahren Bauzeit letztendlich 23,7 Milliarden Euro.

Auch das Vorzeigeprojekt der USA, das Atomkraftwerk Vogtle in Georgia, wurde mit 14 bis 15,5 Milliarden Dollar veranschlagt und endete bei 34 Milliarden Dollar – mehr als einer Verdoppelung der ursprünglichen Kostenschätzung. Westinghouse, einer der weltweit führenden Nukleartechnikkonzerne, musste kurz darauf Insolvenz anmelden. Die Kosten des britischen Hinkley Point C stiegen auf 32,7 Milliarden Pfund (etwa 41,3 Milliarden US-Dollar) – obwohl das Projekt ursprünglich mit 2 Milliarden Pfund angesetzt worden war. Die Faustformel, die erfahrene Branchenbeobachter inzwischen nutzen, lautet: Multipliziere die initiale Kostenschätzung der Atomindustrie mit zehn, um auf einen realistischen Wert zu gelangen.

Für SMR-Anlagen, die bis heute keine einzige kommerziell genutzte Anlage nach dem Baukastenprinzip in der westlichen Welt aufweisen können, ist die Kostensituation noch unsicherer. Die Heinrich-Böll-Stiftung kommt in einer Analyse von Anfang 2024 (Anm.: Jahreszahl logisch auf 2024 statt in der Zukunft liegendem 2026 korrigiert) zu dem Schluss, dass die meisten SMR-Konzepte sich noch in frühen Entwicklungsstadien befinden, in der EU keine behördliche Genehmigung besitzen und es unwahrscheinlich ist, dass sie vor 2050 in nennenswertem Umfang Strom liefern werden. Das Institut für Energie-Ökonomik und Finanzanalyse (IEEFA) bestätigt diese kritische Einschätzung: SMRs seien nach wie vor zu teuer, zu langsam im Bau und zu risikoreich, um in den nächsten 10 bis 15 Jahren eine bedeutende Rolle bei der Energiewende zu spielen. Demnach würden die Investitionen in SMRs Ressourcen von kohlenstofffreien und kostengünstigeren Erneuerbaren abziehen, die bereits heute verfügbar sind.

Ein oft übersehener Aspekt in dieser Debatte sind die versteckten Subventionen. Die historische Förderung der Atomkraft in Deutschland belief sich nach Berechnungen des Forums Ökologisch-Soziale Marktwirtschaft, beauftragt von Greenpeace, von 1950 bis 2008 auf mindestens 165 Milliarden Euro an staatlichen Fördermitteln – zuzüglich weiterer 92,5 Milliarden Euro an bereits absehbaren künftigen Kosten. Die Bundesregierung wies in ihren Subventionsberichten jedoch lediglich einen Betrag von weniger als 200 Millionen Euro aus – eine Differenz von mehreren Größenordnungen, die auf einen extrem engen Subventionsbegriff zurückzuführen ist. Nicht berücksichtigt werden dabei Steuervergünstigungen, staatliche Bürgschaften, Forschungsförderung, Kosten für Atommüllendlager und – besonders gewichtig – die de facto unbegrenzte staatliche Haftungsübernahme im Katastrophenfall. Würden Kernkraftwerksbetreiber für eine marktübliche Haftpflichtversicherung aufkommen müssen, wäre Atomstrom nach diesen Berechnungen um bis zu 2,70 Euro je Kilowattstunde teurer – und damit schlicht nicht wettbewerbsfähig.

Das Transparenzdefizit: Wenn Lobbyinteressen die Infrastrukturentscheidung treffen

Die Frage, warum bei der Diskussion um die Energieversorgung von KI-Gigafactories fast ausschließlich die Atomkraft-Option auf den Tisch kommt – und nicht gleichzeitig dezentrale Alternativen –, ist keine technische, sondern eine politische. Sie verweist auf ein strukturelles Transparenzdefizit in der öffentlichen Infrastrukturdebatte.

Die Europäische Union hat die Schaffung von KI-Gigafactories zur strategischen Priorität erklärt und eine InvestAI-Fazilität in Höhe von 20 Milliarden Euro aufgelegt, um bis zu fünf KI-Gigafactories zu errichten. Eine KI-Gigafactory im Sinne der EU umfasst 100.000 oder mehr Spezialchips, und jede Anlage inklusive Energieversorgung kostet nach Schätzung der EU zwischen drei und fünf Milliarden Euro. Deutschland hat eine Anschubfinanzierung von 805 Millionen Euro für eine solche Anlage vorgesehen und diskutiert aktiv, welche Unternehmen den Zuschlag erhalten – Deutsche Telekom, Schwarz-Gruppe, Ionos oder ein bayerisches Konsortium. Diese Förderstruktur schafft per se gigantische Fehlanreize: Sie begünstigt zentralisierte Großprojekte, weil nur diese die Schwellenwerte für die EU-Definition einer „Gigafactory“ erfüllen. Kleinere, dezentrale Ansätze fallen durch dieses Förderraster, obwohl sie unter ökonomischen Gesichtspunkten häufig attraktiver sein könnten.

Das Transparenzdefizit zeigt sich auch in der selektiven Präsentation von Kostendaten. Wenn Politiker und Industrievertreter von SMR sprechen, zitieren sie die optimistischen Herstellerschätzungen. Wenn Kritiker auf vergangene Kostenexplosionen hinweisen, werden diese als Einzelfälle oder als Probleme der Vorgängertechnologie abgetan. Dabei gibt es keinen einzigen belastbaren empirischen Beleg dafür, dass SMRs im kommerziellen Maßstab wirtschaftlicher sein werden als die Großreaktorenprojekte, die uns als Negativbeispiele dienen – schon allein deshalb nicht, weil bislang kein einziges kommerziell relevantes SMR-Projekt nach westlichem Standard in Betrieb gegangen ist.

Passend dazu:

• Stanford-Forschung: Ist die lokale KI plötzlich wirtschaftlich überlegen? Das Ende des Cloud-Dogmas und Giga-Rechenzentren?

Die übersehene Alternative: Warum dezentrale KI-Infrastruktur die wirtschaftlich überlegene Antwort sein kann

Die Frage, die in der gesamten Debatte um KI-Gigafactories und deren Energieversorgung erstaunlich selten gestellt wird, lautet: Warum brauchen wir überhaupt Gigafactories? Und falls wir sie brauchen – warum müssen sie zwingend zentralisiert sein?

Lokale und dezentrale KI-Infrastruktur erlebt derzeit eine stille, aber fundamentale wirtschaftliche Neubewertung. Forschungen von Fraunhofer-Instituten zeigen, dass Edge-basierte Systeme bis zu 35 Prozent der Stromkosten gegenüber herkömmlicher Cloud-Verarbeitung einsparen können, weil weniger Bandbreite und Kühlleistung erforderlich sind. Eine Fabrik mit 1.000 IoT-Sensoren, die sekündlich Messwerte senden, würde ohne Edge Computing 86 Millionen Datenpunkte täglich in die Cloud übertragen; mit lokaler Datenfilterung (Edge-Filtering) reduziert sich diese Zahl auf etwa 8 Millionen – eine Einsparung von 90 Prozent an Bandbreite und Cloud-Speicherkosten. Diese Größenordnungen sind volkswirtschaftlich bedeutsam, werden aber in der öffentlichen Infrastrukturdiskussion kaum thematisiert.

Dezentrale Edge-Rechenzentren bieten zudem eine lokale Wärmerückgewinnung, die zur Beheizung von Wohngebieten, Bürogebäuden oder Industrieanlagen genutzt werden kann. Dieser Synergieeffekt verändert die Gesamtkostenbilanz erheblich, wenn man Abwärme als wirtschaftlich verwertbares Nebenprodukt betrachtet. Zentralisierte Gigafactories produzieren dieselbe Abwärme, jedoch an einem Ort, wo keine ausreichende Nachfrage für deren Nutzung besteht.

Es ist bemerkenswert, dass der Koalitionsvertrag der deutschen Bundesregierung dezentrale Infrastrukturen wie Edge-Computing an verteilten Standorten ausdrücklich unterstützen will. Gleichzeitig wird jedoch mindestens eine europäische KI-Gigafactory nach Deutschland geholt – also ein Ansatz, der strukturell dem dezentralen Prinzip entgegenläuft. Diese Inkonsistenz spiegelt wider, wie sehr politische Prestige-Logik und ökonomische Rationalität bei Infrastrukturentscheidungen auseinanderfallen können.

Das Modell einer aus wenigen riesigen, zentralisierten Anlagen bestehenden KI-Infrastruktur kopiert das veraltete Paradigma der zentralen Energieversorgung durch Großkraftwerke – und das ausgerechnet in einem Moment, in dem die Energiewirtschaft selbst gerade die Vorteile dezentraler Erzeugungsstrukturen verinnerlicht. Es wäre ein historischer Irrtum, die institutionellen Fehler der Energiewirtschaft im Bereich der Digitalisierungsinfrastruktur zu wiederholen.

Passend dazu:

• Was ist besser: Dezentralisierte, föderierte, antifragile KI-Infrastruktur oder AI-Gigafactory bzw. Hyperscale-KI-Rechenzentrum?

Das Jevons-Paradoxon und die trügerische Effizienzlogik

Ein häufiges Gegenargument gegen die Relevanz des SMR-Dezentralisierungs-Dilemmas lautet: Die KI-Hardware wird immer effizienter, und der Energiebedarf wird sich deshalb stabilisieren. Dieses Argument ist nicht vollständig falsch – aber es ist auch nicht vollständig richtig, und es ignoriert das sogenannte Jevons-Paradoxon.

Microsoft-Chef Satya Nadella stellte bereits 2024 in Berlin fest, dass sich die Leistungsfähigkeit von KI-Systemen alle sechs Monate verdoppelt. Aktuelle Daten legen nahe, dass sich die Fähigkeiten von KI-Systemen sogar alle sieben Monate verdoppeln – deutlich schneller als das klassische Mooresche Gesetz, das von einer Verdoppelung alle zwei Jahre ausgeht. Das chinesische KI-Startup DeepSeek demonstrierte Ende 2024 und Anfang 2025 eindrücklich, dass mit einem Bruchteil der bisherigen Ressourcen vergleichbare Ergebnisse erzielt werden können: DeepSeek V3 wurde mit nur 2.048 NVIDIA H800-GPUs in zwei Monaten trainiert, wofür Meta für ein vergleichbares Modell 30,8 Millionen GPU-Stunden benötigte.

Allerdings greift das Argument der technologischen Effizienzsteigerung als Entlastungsfaktor für den Gesamtenergiebedarf aus einem strukturellen Grund zu kurz. Wenn KI-Systeme günstiger und effizienter werden, werden sie auch intensiver genutzt – und die Nachfrage wächst schneller als die Effizienzgewinne. Die IEA bestätigt, dass der KI-bedingte Energieverbrauch zwar langsamer zunimmt, als der Kapazitätenausbau voranschreitet, dass aber der Stromverbrauch durch Rechenzentren bis 2030 global auf 945 TWh steigen und sich damit mehr als verdoppeln wird. Für Deutschland allein stieg der Energiebedarf der Rechenzentren 2025 auf 21,3 Milliarden Kilowattstunden, nach 20 Milliarden kWh im Jahr 2024 und 12 Milliarden kWh im Jahr 2015. Effizienzgewinne und Nachfragewachstum halten sich in einem dauerhaften Wettbewerb, bei dem die Nachfrage historisch stets die Oberhand behalten hat.

Hinzu kommt eine wichtige Nuance zum DeepSeek-Beispiel: Trotz effizientem Training verbraucht das Modell im Betrieb (Inferenz) teilweise bis zu 87 Prozent mehr Energie als ein vergleichbares Meta-Modell mit 70 Milliarden Parametern. Die Komplexität der Architekturen, die effizienteres Training ermöglichen, kann den Energiebedarf im Betrieb erhöhen. Effizienz in einem Systembereich muss also nicht Effizienz im Gesamtsystem bedeuten – eine Erkenntnis, die Planern zentralisierter Infrastruktur bei der Kapazitätsplanung regelmäßig fehlt.

Branchenschwerpunkte: B2B, Digitalisierung (von KI bis XR), Maschinenbau, Logistik, Erneuerbare Energien und Industrie

Mehr dazu hier:

• Xpert Wirtschaft Hub

Ein Themenhub mit Einblicken und Fachwissen:

• Wissensplattform rund um die globale wie regionale Wirtschaft, Innovation und branchenspezifische Trends
• Sammlung von Analysen, Impulsen und Hintergründen aus unseren Schwerpunktbereichen
• Ein Ort für Expertise und Informationen zu aktuellen Entwicklungen in Wirtschaft und Technologie
• Themenhub für Unternehmen, die sich zu Märkten, Digitalisierung und Brancheninnovationen informieren möchten

Batteriespeicher als Gamechanger? Die Natrium-Ionen-Revolution und ihre Implikationen

Eines der überzeugendsten Argumente für die Überprüfung der zentralisierten SMR-Strategie liegt in der rasanten Entwicklung von Energiespeichertechnologien – insbesondere der Natrium-Ionen-Technologie, umgangssprachlich als Salzakkus bezeichnet. Diese Entwicklung ist nicht spekulativ, sondern empirisch belegbar und hat unmittelbare Auswirkungen auf die Wirtschaftlichkeitsrechnung dezentraler KI-Infrastrukturen.

Natrium-Ionen-Batterien befinden sich bereits nahe der Kostenparität mit der Lithium-Ionen-Technologie. Nach Daten von IDTechEx liegt der durchschnittliche Preis einer Natrium-Ionen-Zelle derzeit bei rund 87 US-Dollar pro kWh. Es wird erwartet, dass die Produktionskosten auf Zellebene auf etwa 40 US-Dollar je kWh sinken – was bei weiterer Skalierung als wahrscheinlich gilt. Für stationäre Speicher sind die Preisentwicklungen noch beeindruckender: BloombergNEF verzeichnete 2025 einen Preisrückgang bei stationären Speicher-Packs auf 70 US-Dollar je kWh – ein Rückgang von 45 Prozent gegenüber dem Vorjahr und damit der steilste Preisabfall aller Batteriesegmente.

Langfristige Projektionen sind besonders interessant für die strategische Infrastrukturplanung. Bis 2050 könnten Natrium-Ionen-Batterien bei schnellen Lernraten Stromspeicherkosten von 11 bis 14 Euro pro Megawattstunde erreichen – damit wären sie günstiger als Lithium-Ionen-Technologie, die bei 16 bis 22 Euro je MWh liegen dürfte. Diese Werte verändern die gesamte Wirtschaftlichkeitsrechnung für dezentrale, solargespeiste Rechenzentren fundamental. Ein dezentrales Rechenzentrum, das tagsüber regenerativen Solarstrom speichert und nachts oder bei Dunkelflaute nutzt, kann mit diesen Speicherkosten auf eine Weise wirtschaftlich betrieben werden, die vor fünf Jahren nicht ansatzweise realistisch war.

Natrium-Ionen-Batterien bieten darüber hinaus strukturelle Vorteile, die für eine breit skalierbare Infrastruktur entscheidend sind: Natrium ist in unbegrenzten Mengen verfügbar und ein heimischer Rohstoff in Europa, was strategische Importabhängigkeiten eliminiert. Das Recycling ist wesentlich einfacher als bei Lithium-Batterien, da die Zellen kein Kupfer und Kobalt enthalten. Die Entladetiefe beträgt bis zu 100 Prozent, ohne dass die Batterie dadurch Schaden nimmt. In Deutschland ist zudem die technologische Infrastruktur für Natrium-Ionen-Batterien, insbesondere in Thüringen und Sachsen, bereits vorhanden.

Es ist wichtig, Einschränkungen ehrlich zu benennen: Natrium-Ionen-Speicher haben eine geringere Energiedichte als Lithium-Ionen-Speicher, was Gewicht und Volumen erhöht. Ihr mittlerer Wirkungsgrad liegt mit etwa 79 Prozent deutlich unter dem von Lithium-Ionen-Batterien mit 96 Prozent. Für stationäre Großspeicheranwendungen, bei denen Gewicht und Volumen keine primären Einschränkungen darstellen, ist die geringere Energiedichte jedoch kein entscheidender Nachteil. Wenn es um netzgebundene Großspeicher (Grid-Scale) für dezentrale Rechenzentren geht, ist der Wirkungsgradvorteil von Lithium-Ionen weniger relevant als die Gesamtkostenbetrachtung über den Lebenszyklus.

Neben der Natrium-Ionen-Technologie befinden sich auch Festkörperbatterien in einer exponentiellen Wachstumsphase. Der globale Markt für Festkörperbatterien wächst mit einer durchschnittlichen jährlichen Rate von bis zu 36,4 Prozent. Bis 2027 prognostizieren optimistische Szenarien Kosten von 80 bis 120 US-Dollar je kWh für Festkörperzellen – und in der darauffolgenden Dekade ist eine weitere substanzielle Kostenreduktion durch Skalierung absehbar.

Passend dazu:

• Redispatch 2.0 und Großbatteriespeicher: Fluch oder Segen für das Stromnetz? Die zwiespältige Rolle riesiger Batteriespeicher

Das Stranded-Asset-Risiko: Wenn die Zukunft früher ankommt als geplant

Das vielleicht gewichtigste ökonomische Argument gegen die unreflektierte Entscheidung für SMR-gestützte KI-Gigafactories ist das Risiko sogenannter Stranded Assets – gestrandeter Vermögenswerte. Dieser Begriff bezeichnet Investitionen, die durch externe Einflüsse wie technologischen Wandel, veränderte Marktbedingungen oder regulatorische Anforderungen so stark an Wert verlieren, dass sie keine Rendite mehr erzielen können.

Die Technologiegeschichte ist reich an Beispielen für Infrastrukturentscheidungen, die zum Zeitpunkt ihrer Planung als vernünftig galten und sich wenige Jahre nach Inbetriebnahme als kostspielige Fehlallokationen herausstellten. In der Energiewirtschaft haben zahlreiche Kohlekraftwerke, die in den 2010er-Jahren gebaut oder erweitert wurden, bereits heute deutlich an Wert verloren oder wurden vorzeitig abgeschaltet – trotz kalkulierter Restlaufzeiten von 30 bis 40 Jahren. Die International Renewable Energy Agency (IRENA) schätzt, dass das Stranded-Asset-Risiko im Business-as-usual-Szenario auf bis zu 20 Billionen US-Dollar anwachsen könnte.

Für KI-Infrastruktur ist dieses Risiko besonders ausgeprägt, weil die technologische Entwicklungsgeschwindigkeit außergewöhnlich hoch ist. Ein SMR-Reaktor, der heute in Auftrag gegeben wird, hat eine realistische Inbetriebnahmeperspektive von frühestens 2035 bis 2040 – unter optimistischen Annahmen bezüglich Genehmigungen, Bauzeit und Lieferketten. Die Leistungsfähigkeit von KI-Systemen verdoppelt sich nach aktuellen Erkenntnissen alle sechs bis sieben Monate. In diesem Zeitraum von 10 bis 15 Jahren, in dem ein SMR gebaut wird, werden sich die Fähigkeiten von KI-Systemen rechnerisch um das 20.000- bis 300.000-fache verbessert haben – eine Größenordnung, bei der Prognosen über spezifische Infrastrukturbedarfe schlichtweg nicht mehr seriös möglich sind.

Das Problem liegt nicht nur in der Hardware-Unsicherheit. Die gesamte Architektur von KI-Systemen befindet sich im Wandel. Wie DeepSeek eindrücklich demonstrierte, können clevere Algorithmus-Optimierungen den Hardwarebedarf um den Faktor 10 reduzieren – ohne Qualitätsverlust. Neue Chiparchitekturen, die über die Von-Neumann-Architektur hinausgehen und die sogenannte „Speicherwand“ überwinden, befinden sich in der Entwicklung. Photonenbasierte Rechner, neuromorphe Chips und Quantencomputer – alle diese Technologien können, wenn sie kommerzielle Reife erlangen, den Energiebedarf pro Rechenoperation dramatisch senken. Genau in diesen 10 bis 15 Jahren, die ein SMR braucht, bis er ans Netz geht, wird sich die Zukunft dieser Technologien entscheiden.

Wer heute auf SMR-gespeiste KI-Gigafactories setzt, geht eine 40- bis 60-jährige Bindung an eine Energiequelle ein – die typische Betriebsdauer eines Kernkraftwerks. Und er tut dies in der Hoffnung, dass die KI-Industrie in diesem Zeitraum eine konstante Nachfrage nach genau der Art von zentralisierter, energieintensiver Infrastruktur aufrechterhalten wird, die diese Reaktoren bedienen sollen. Das ist eine Wette, die aus heutiger Sicht ausgesprochen riskant erscheint.

Der Know-how-Engpass: Das unterschätzte Strukturproblem der Kernkraft

Ein weiteres wesentliches Argument gegen die SMR-Strategie, das in der öffentlichen Diskussion zu wenig Beachtung findet, ist der akute Fachkräftemangel in der Nuklearindustrie. Die Atomindustrie hat in den letzten drei Jahrzehnten, geprägt von Moratorien, Ausstiegsentscheidungen und mangelnden Neubauprojekten, erhebliche institutionelle Wissensverluste erlitten.

Der Markt für Atomkraftwerke ist heute auf eine sehr geringe Anzahl von Unternehmen angewiesen – meist staatliche –, die überhaupt in der Lage sind, Kernkraftwerke zu bauen und zu exportieren. Das globale Netz von Zulieferern, Ingenieuren und zertifizierten Fachkräften für nukleare Projektumsetzung ist minimal. Das führt dazu, dass selbst bei einer wohlwollenden politischen Entscheidung für SMRs der Engpass nicht die Genehmigung oder das Kapital ist, sondern das verfügbare Know-how. Wenn gleichzeitig die USA, Kanada, Großbritannien, Frankreich und verschiedene EU-Staaten SMR-Programme starten wollen, werden sie alle um dieselbe schmale Basis an nukleartechnischen Fachkräften konkurrieren.

Das steht in scharfem Kontrast zur Situation im Bereich erneuerbarer Energien und Speichertechnologien. Die globale Solarindustrie hat in den letzten zehn Jahren eine exponentielle Skalierung vollzogen, die Zahl der Fachkräfte im Bereich erneuerbare Energien wächst stetig, und die Lieferketten für Solarmodule, Wechselrichter und Speichertechnologien sind gut entwickelt und international diversifiziert. Dezentrale KI-Infrastruktur kann von dieser vorhandenen Basis an Know-how, Lieferketten und Regulierungserfahrung profitieren. Die SMR-Industrie hingegen muss eine solche Basis erst noch aufbauen – unter enormem Zeit- und Kostendruck.

Die wirtschaftliche Gesamtrechnung: Ein direkter Vergleich

Wenn man die verschiedenen Faktoren systematisch gegenüberstellt, ergibt sich folgendes ökonomisches Lagebild:

Kriterium	SMR-gestützte KI-Gigafactory	Dezentrale KI-Infrastruktur mit Solar & Speicher
Erste Stromlieferung	2035–2040 (optimistisch)	Sofort bis 2027
Kapitalintensität (Einstieg)	3–5 Mrd. EUR je Gigafactory & SMR	Modulare Skalierung, geringere Einzelbeträge
Kostenrisiko	Extrem hoch (historische Überschreitungen 100–600 %)	Niedrig; Technologiekosten fallen kontinuierlich
Technologie-Stranding-Risiko	Sehr hoch (40–60 Jahre Bindung)	Niedrig; modular erweiterbar und anpassbar
Know-how-Verfügbarkeit	Engpass; wenige globale Anbieter	Breite und wachsende Fachkräftebasis
Versteckte Subventionen	Hoch (Haftung, Entsorgung, Forschung)	Gering
Energiespeicherkosten (2025)	Nicht relevant (Grundlast)	70 USD/kWh (stationär, Trend fallend)
Energiespeicherkosten (2050-Prognose)	Nicht relevant	11–14 EUR/MWh
Wasserverbrauch	Hoch (Kühlsysteme)	Gering bis keiner
Regulatorische Unsicherheit	Sehr hoch	Mittel
Flexibilität bei Nachfrageänderungen	Keine	Hoch
Umweltrisiko	Hoch (nukleare Sicherheit, Langzeitmüll)	Niedrig

Die Gegenüberstellung zeigt: Eine SMR-gestützte KI-Gigafactory würde frühestens 2035–2040 Strom liefern (optimistisch), während eine dezentrale KI-Infrastruktur mit Solar und Speicher sofort bis 2027 verfügbar wäre. In Bezug auf Kapitalintensität erfordert die SMR-Option sehr hohe Einstiegsinvestitionen von rund 3–5 Mrd. EUR je Gigafactory plus SMR, wohingegen die dezentrale Lösung modulare Skalierung und deutlich geringere Einzelbeträge erlaubt. Das Kostenrisiko ist bei SMR extrem hoch (historische Überschreitungen 100–600 %), bei Solar + Speicher dagegen niedrig, da Technologiekosten kontinuierlich sinken. Das Risiko des Technologie-Strandings ist bei SMR sehr hoch wegen einer 40–60-jährigen Bindung, während die dezentrale Infrastruktur niedriges Stranding-Risiko aufweist, weil sie modular erweiterbar und anpassbar ist. Know-how ist bei SMR ein Engpass mit wenigen globalen Anbietern, bei der dezentralen Lösung hingegen gibt es eine breite und wachsende Fachkräftebasis. Versteckte Subventionen (Haftung, Entsorgung, Forschung) sind bei SMR hoch, bei Solar + Speicher gering. Energiespeicherkosten sind für SMR nicht relevant, da es als Grundlast gedacht ist; für dezentrale Systeme werden 2025 etwa 70 USD/kWh (stationär, fallender Trend) und für 2050 11–14 EUR/MWh prognostiziert. Der Wasserverbrauch ist bei SMR hoch durch Kühlsysteme, bei Solar + Speicher gering bis nicht vorhanden. Regulatorische Unsicherheit ist bei SMR sehr hoch, bei der dezentralen Variante mittel. Flexibilität bei Nachfrageänderungen fehlt bei SMR fast vollständig, während die dezentrale Lösung hohe Flexibilität bietet. Schließlich ist das Umweltrisiko bei SMR hoch (nukleare Sicherheit, Langzeitmüll) und bei Solar + Speicher niedrig. Insgesamt schneidet die SMR-Option in nahezu jedem Kriterium schlechter ab – mit der einzigen Ausnahme einer zuverlässigen, wetterunabhängigen Grundlastlieferung. Dieses Argument verliert jedoch zunehmend an Gewicht, da fortschreitende Speichertechnologien, etwa großskalige Natrium-Ionen-Speicher mit längeren Lade-/Entladezyklen, das Halten großer Energiemengen über Tage und Wochen ermöglichen und damit das Grundlast-Argument weitgehend entkräften können.

Der blinde Fleck der Planungslogik: Warum Entscheidungsträger systematisch zu spät liegen

Es gibt einen strukturellen Grund dafür, warum Entscheidungsträger in Regierungen und großen Industrieunternehmen immer wieder Infrastrukturentscheidungen treffen, die im Rückblick als Fehlinvestitionen erscheinen: Die institutionellen Planungszyklen sind fundamental inkompatibel mit dem Tempo des technologischen Wandels.

Regierungsprogramme, parlamentarische Beschlüsse, Förderprogramme und öffentliche Ausschreibungen arbeiten in Zyklen von vier bis zehn Jahren. Ein Infrastrukturprojekt wie ein SMR wird in einem politischen und technologischen Umfeld beschlossen, das sich bis zur Inbetriebnahme mehrfach grundlegend verändert haben wird. Das institutionelle Trägheitsmoment, das durch bürokratische Verfahren, Lobbyarbeit einflussreicher Industriegruppen und die psychologische Fixierung auf einmal getroffene Entscheidungen entsteht, führt dazu, dass der tatsächliche Bedarf und die tatsächlichen Optionen zum Zeitpunkt des Baus nicht mehr deckungsgleich mit den Annahmen zum Zeitpunkt der Planung sind.

Die Technologieentwicklung der letzten Jahrhunderte belegt diese Beschleunigung eindrücklich: Die industrielle Revolution benötigte rund 100 Jahre, um ihre wirtschaftlichen Hauptwirkungen zu entfalten. Die Elektrifizierung nahm etwa 50 Jahre in Anspruch. Das Internet veränderte die Weltwirtschaft in etwa 20 Jahren. KI und die damit verbundenen Hardware-Entwicklungen verändern fundamentale Rahmenbedingungen in Zyklen von unter zehn Jahren – und mit weiter wachsender Beschleunigung. Die Logik, die für Infrastrukturentscheidungen im 20. Jahrhundert angemessen war, ist für das 21. Jahrhundert strukturell ungeeignet.

Besonders folgenreich ist dies bei irreversiblen Großinvestitionen mit langen Amortisationszeiträumen. Ein Solarfeld kann innerhalb von Monaten errichtet und bei verändertem Bedarf relativ unkompliziert um- oder zurückgebaut werden. Ein Rechenzentrum auf Basis modularer Architektur lässt sich skalieren und modernisieren. Ein Atomkraftwerk, einmal gebaut, ist für 40 bis 60 Jahre eine weitgehend starre Struktur, deren Stilllegungskosten ihrerseits in die Milliarden gehen. Der strategische Wert von Flexibilität und Optionalität – die Fähigkeit, auf veränderte Rahmenbedingungen reagieren zu können – wird in traditionellen Investitionsrechnungen systematisch unterschätzt.

Ein nuanciertes Fazit: Nicht entweder/oder, sondern die Frage der Priorisierung

Es wäre vereinfachend zu behaupten, SMRs seien prinzipiell wertlos oder dezentrale Infrastruktur könne jeden Bedarf abdecken. Die Realität ist nuancierter.

Es gibt spezifische Anwendungsfälle, für die zentralisierte Rechenleistung – zumindest im Training großer KI-Grundmodelle – kurzfristig weiterhin benötigt wird. Und es gibt legitime Argumente für Kernkraft als Teil eines diversifizierten, kohlenstoffarmen Energiemixes – insbesondere in Ländern, die über keine ausreichenden erneuerbaren Ressourcen verfügen. Frankreich, das mit seinem bestehenden Kernkraftpark eine Infrastruktur vorhält, die über Jahrzehnte abgeschrieben wurde, steht in einer fundamental anderen Ausgangssituation als ein Land, das heute von null beginnend SMRs bauen möchte.

Das eigentliche Problem liegt nicht in der Idee kleiner Reaktoren als solcher. Das Problem liegt in der Kombination aus drei Faktoren: erstens der Diskrepanz zwischen dem Zeitpunkt, zu dem SMRs Strom liefern könnten, und dem Zeitpunkt, zu dem die KI-Infrastruktur diesen Strom benötigt; zweitens der fehlenden Transparenz über die tatsächlichen Gesamtkosten einschließlich versteckter Subventionen und Stranding-Risiken; und drittens der strategischen Blindheit gegenüber der Tatsache, dass die technologische Entwicklung – sowohl bei KI-Hardware als auch bei Energiespeichern – die Grundannahmen dieser Investitionsentscheidungen in einem Zeitraum, der kürzer ist als eine übliche Bauzeit, fundamental verändern kann.

Die ökonomisch verantwortungsvolle Antwort auf die Energiefrage der KI-Ära ist nicht die Wahl zwischen SMR und erneuerbarer Energie, zwischen zentralisiert und dezentralisiert. Sie besteht darin, Infrastrukturentscheidungen so zu gestalten, dass sie die Optionalität maximieren und das Stranding-Risiko minimieren. Das bedeutet: modular, reversibel, technologieneutral und transparent. Und es bedeutet, die Kosten nicht auf die Steuerzahler zukünftiger Generationen zu verlagern, während die Gewinne heute privatisiert werden – ein Muster, das die Geschichte der Kernkraft in Europa leider zu systematisch geprägt hat.

Die eigentliche Provokation dieser Debatte ist damit nicht die technische Frage, welche Infrastruktur besser ist. Die eigentliche Provokation ist die politische: Warum wird in einer Diskussion über zukunftsfähige KI-Infrastruktur fast ausschließlich eine Technologie diskutiert, deren Realisierungshorizont jenseits des Planungshorizonts der KI-Roadmaps liegt, deren Kostenhistorie von Überschreitungen um mehrere hundert Prozent geprägt ist und deren Subventionierung in erheblichem Umfang verschleiert wird? Die Antwort auf diese Frage ist nicht technologischer, sondern politökonomischer Natur – und genau deshalb bleibt sie in der öffentlichen Debatte so hartnäckig ungestellt.

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

 

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

 

 

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business