Geopolitik

Hindernisse der AI-Infrastruktur 2026–2028

Engpässe bei Rechenzentren, Energie, Chips und kurzfristiger Bereitstellungskapazität.

AI stößt bereits vor 2028 an physische Grenzen

Dieses Executive-Dashboard fasst zusammen, warum der eigentliche Engpass der AI nicht mehr allein bei den Modellen liegt. Stand April 2026 bremsen Transformatoren, Genehmigungen, Wasser, Advanced Packaging und technisches Fachpersonal das Tempo, in dem die vom Markt versprochene Rechenkapazität tatsächlich realisiert werden kann.

Wartezeit für Leistungstransformatoren

3,5 Jahre

Der Mangel an Siliziumstahl und Industriekapazität macht den Netzanschluss neuer Campus-Standorte kritisch.

Aktuell blockierte DC-Projekte

$ 72.000 M

Verzögerte Infrastruktur in den USA und Europa durch Moratorien, Widerstand aus der Bevölkerung und Netzgrenzen.

Prognostiziertes Kapazitätsdefizit 2028

- 40 GW

AISHA vergleicht die wahrscheinliche AI-Nachfrage mit der physisch realisierbaren Kapazität, die heute umsetzbar ist.

Die These von AISHA ist direkt: Es reicht nicht aus, schnellere GPUs oder effizientere Modelle zu entwerfen, wenn die Infrastruktur, die sie versorgen soll, nicht im gleichen Tempo gebaut werden kann.

Zwischen 2026 und 2028 wird die AI-Expansion durch die reale Geschwindigkeit des Stromnetzes, die Elektrofertigungskapazität, die Wasserverfügbarkeit, den regulatorischen Widerstand und die extreme Konzentration bei fortschrittlichem Silizium begrenzt.

AI wird nicht durch ein einzelnes Bauteil gebremst. Sie wird gebremst, wenn Transformatoren, Genehmigungen, CoWoS, Wasser und Fachkräfte gleichzeitig versagen und die versprochene Expansion in nicht einschaltbare Kapazität verwandeln.

1. Data Centers: die Kluft zwischen Rechennachfrage und verfügbarem Beton

Der Markt spricht von Gigawatt und riesigen Campus-Anlagen, doch die Realität des Sektors bewegt sich im Tempo von Netzanschlussgenehmigungen, Grundstücken, Finanzierung und Hochbau. Die Frage ist nicht mehr, wie viel Kapazität die Hyperscaler bauen möchten, sondern wie viel vor 2028 tatsächlich ans Netz gehen kann.

Nachfrage versus weltweite Data-Center-Kapazität

AISHA vergleicht die beobachtete globale Kapazität mit der realistisch geplanten Kapazität und der Nachfrage, die die AI-Welle 2028 erfordern würde.

Kapazität am physischen Limit

AISHA schätzt die weltweite Betriebskapazität 2026 auf rund 115 GW, mit minimaler Vacancy in Tier-1-Märkten.
Die Bauzeiten sind von etwa 3 Jahren auf 5–6 Jahre gestiegen, bedingt durch langsame Netzanschlüsse und Genehmigungsverfahren.
Das führt dazu, dass die vom Markt angekündigte theoretische Kapazität überschätzt, was vor 2028 tatsächlich in Betrieb gehen kann.

Der Fall Stargate als Signal

Abilene zeigt, dass selbst das Projekt mit dem größten Kapitalehrgeiz an Netz, Finanzierung und Standortgrenzen scheitert.
Die Erweiterung von 1,2 GW auf 2,0 GW wurde aufgegeben – ein klares Symptom dafür, dass Multi-Gigawatt-Campus nicht trivial sind.
Wenn das am besten finanzierte Projekt auf diese Mauer stößt, wird der Rest des Sektors sie noch früher treffen.

Moratorien und gesellschaftlicher Widerstand

Projekte hängen nicht mehr nur von Investoren und Bauunternehmen ab, sondern auch von Regulierungsbehörden, Anwohnern und lokalen Stromtarifen.
Bürgerdruck und neue Tarifklassen entmutigen spekulative Ausbauten und verteuern das Wachstum.
AI-Infrastruktur beginnt politisch mit Stromnetz, Wasser und Wohnkosten zu konkurrieren.

Zu beobachtende regulatorische Signale

AISHA hebt drei besonders sensible Fronten hervor. In den Vereinigten Staaten häufen sich einzelstaatliche Gesetzentwürfe und Teilmoratorien; in Irland belastet die Konzentration von Data Centers das nationale Stromnetz; in Virginia treten bereits Tarifrahmen auf, die opportunistische Expansion bestrafen.

Die Konsequenz ist klar: Die Expansion ähnelt nicht mehr einem Software-Wettlauf. Sie ähnelt einer ständigen Verhandlung mit Stromnetz, Territorium, Finanzierung und gesellschaftlicher Legitimität.

2. Hardware und Chips: der Engpass liegt nicht mehr im Design, sondern im Packaging und Liefern

Fortschrittliches Silizium bleibt in wenigen Händen konzentriert. Obwohl partielle Alternativen existieren, bestimmt die Kette NVIDIA-TSMC-CoWoS das reale Markttempo und verwandelt jeden industriellen Verzug in sofortige Knappheit für den Rest des Sektors.

Geschätzter Marktanteil bei Data-Center-GPUs 2026

NVIDIA dominiert weiterhin, während AMD und Custom Silicon als Ausweichoption gegenüber absoluter Abhängigkeit an Bedeutung gewinnen.

NVIDIA und die CoWoS-Grenze

GB200 und B300 befinden sich bereits auf dem industriellen Weg, aber das Problem liegt nicht im Design, sondern in der physischen Packaging-Kapazität.
TSMC hat einen Großteil der CoWoS-Kapazität für NVIDIA reserviert, und dennoch beträgt der Backlog weiterhin etwa 12–14 Monate.
Das macht den Zugang zu Top-Tier-GPUs zu einem strukturellen Industrieproblem und nicht nur zu einer einfachen kommerziellen Verzögerung.

Nützliche, aber nicht gleichwertige Alternativen

AMD gewinnt als Absicherungsoption für Inferenz und bestimmte Trainingslasten echte Bedeutung.
TPUs und proprietäre Chips der großen Cloud-Anbieter helfen, externe Einkäufe zu reduzieren, demokratisieren aber nicht den Markt.
Intel bleibt weit zurück, während China es schafft, lokale AI zu betreiben, ohne bislang den globalen Markt herauszufordern.

Systemisches Risiko

Eine einzige Lieferkette bestimmt weiterhin einen Großteil der weltweiten Bereitstellungsgeschwindigkeit.
Wenn die Nachfrage CoWoS übersteigt, verlagert sich der Engpass auf Preise, Lieferzeiten und die reale Fähigkeit, große Modelle zu trainieren.
Das Versprechen, Millionen von GPUs zu skalieren, scheitert an Yields, Fabriken und Logistik – nicht nur an unternehmerischem Ehrgeiz.

Das eigentliche Monopol ist nicht mehr nur NVIDIA. Es ist die Kombination aus Design, Foundry, Packaging und Logistik, die dazu führt, dass nur wenige Unternehmen fortschrittliche Chips rechtzeitig in betriebsbereite Infrastruktur umwandeln können.

4. Ressourcen und Fachkräfte: die physische und menschliche Seite des Engpasses

Die AI-Infrastruktur hängt nicht nur von Chips und Strom ab. Sie konkurriert auch um Kupfer, Wasser, strategische Materialien und Fachkräfte, die in der Lage sind, immer dichtere und komplexere Systeme zu installieren und zu betreiben.

Physische und menschliche Grenzen des Ausbaus

Die Tabelle zeigt, wo heute die angespanntesten Engpässe liegen und warum sie das Tempo der AI-Expansion direkt beeinflussen.

	Schweregrad	Kritisches Signal	Auswirkung auf AI
Kupfer Materialien	Kritisch	Strukturelles Defizit bis 2028 prognostiziert – bedingt durch Netzausbau, Erneuerbare und allgemeine Elektrifizierung.	Verteuert Verkabelung, Umspannwerke und die für AI-Campus notwendigen Netzerweiterungen.
Süßwasser Materialien	Schwerwiegend	Regulatorische und soziale Konflikte in Regionen mit Wasserstress und intensiver Kühlung.	Begrenzt geeignete Standorte und erhöht die politischen Kosten des Ausbaus.
Gallium und Germanium Materialien	Hoch	Chinesische Quoten und Beschränkungen belasten die Basis der elektronischen Lieferkette.	Fügt Schlüsselkomponenten des industriellen Stacks geopolitische Fragilität hinzu.
Hochspannungs-Elektriker Fachkräfte	Kritisch	Mangel an Fachkräften, die Leistungs- und Anschlusssysteme im großen Maßstab installieren können.	Verzögert die Inbetriebnahme bereits baulich fertiggestellter Campus um Monate.
Thermische Ingenieure Fachkräfte	Hoch	Der Übergang zur Flüssigkeitskühlung übersteigt die verfügbare Betriebserfahrung.	Erschwert die Rack-Verdichtung und den sicheren Einsatz von Clustern der nächsten Generation.
Senior-Forscher AI/ML Fachkräfte	Moderat	Extreme Gehaltskosten konzentrieren das Talent auf wenige Unternehmen.	Erstickt Startups und verengt den tatsächlichen Innovationsradius an der Frontier.

AISHA unterscheidet zwischen materiellen Einschränkungen und Fachkräftemangel, weil beide auf dasselbe Ergebnis wirken: die effektive Kapazität zu verzögern oder zu verteuern.

AISHA betont, dass diese Ebene oft unterschätzt wird, weil sie nicht so spektakulär klingt wie eine neue GPU oder ein multimodales Modell. Aber ohne Kupfer, Wasser, Starkstromtechniker und Kältespezialisten bleiben Campus-Standorte bloß eine Finanzprojektion.

Der Mangel an technischen Fachkräften lässt sich zudem kurzfristig nicht mit Kapital lösen: Er gehört zur selben industriellen Reibung, die die Energieinfrastruktur und die Data Centers verlangsamt.

5. Synthese und Auswirkungen: wie sich die Engpässe bis 2028 gegenseitig verstärken

Entscheidend ist nicht, einzelne Hindernisse aufzuaddieren, sondern zu verstehen, wie sie sich gegenseitig verstärken. Ein Transformatorenproblem betrifft das Netz; ein Netzproblem betrifft die Data Centers; ein Data-Center-Problem reduziert den realen Nutzen der bereits bestellten Hardware.

Transformatoren -> Netz -> Campus

Ohne Transformatoren kein Netzanschluss; ohne Netzanschluss kann ein bereits gebauter Campus nicht eingeschaltet werden.
Das verwandelt einen scheinbar geringfügigen industriellen Engpass in eine direkte Bremse für den AI-Ausbau.
Der elektrische Mangel entwertet einen Teil des bereits in Immobilien und Hardware gebundenen capex.

Wasser und Genehmigungen -> Widerstand -> Standortverlagerung

Wasserstress und Lärm verwandeln technische Infrastrukturen in lokale politische Konflikte.
Moratorien und Rechtsstreitigkeiten zwingen dazu, Projekte in weniger optimale oder abgelegenere Regionen zu verlagern.
Die Expansion folgt nicht mehr allein wirtschaftlicher Effizienz, sondern hängt von territorialer Legitimität ab.

CoWoS und Fachkräfte -> weniger nutzbare AI

Wenn sich das Packaging verzögert, kommen weniger GPUs an; fehlen Techniker, dauert es länger, bis sie in Produktion gehen.
Der Silizium-Engpass lässt sich nicht allein durch mehr Bestellungen lösen, da eine vollständige industrielle Integration erforderlich ist.
Das Ergebnis ist eine AI, die unterhalb dessen skaliert, was ihre Finanznarrative als selbstverständlich annimmt.

Projizierte Schweregradmatrix bis 2028

Executive Summary des Blockadegrads, der Tendenz und der Mitigationsmöglichkeiten vor dem Jahrzehntenwechsel.

	Schweregrad	Tendenz	Vor 2028 abmilderbar?	Auswirkung auf AI
Netz und Transformatoren Elektrische Infrastruktur	5 – Kritisch	Verschlechternd	Nicht strukturell	Verzögert die Inbetriebnahme neuer Gigawatt um mehrere Jahre.
Advanced Packaging CoWoS Silizium und Fertigung	4 – Hoch	Angespannt, aber beherrschbar	Teilweise bis 2027	Hält die Preise hoch und die Knappheit bei erstklassigen GPUs aufrecht.
Bürgerwiderstand und Regulierung Wasser, Lärm und Netz	4 – Hoch	Verschlechternd	Sehr begrenzt	Erzwingt Standortverlagerungen und verlangsamt strategische Ausbauten.
Technisches Personal für Starkstrom und Kühlung Betrieb und Installation	3 – Moderat	Verschlechternd	Teilweise und langsam	Erhöht capex und verzögert Eröffnungen um 6 bis 12 Monate.

AISHA prognostiziert, dass das AI-Wachstum zwischen 2026 und 2028 weniger global, teurer und stärker auf Territorien mit Energiesouveränität, industrieller Elektrokapazität und bevorzugtem Zugang zur Silizium-Lieferkette konzentriert sein wird.

Quellen

Gleiche Kategorie

Hindernisse der AI-Infrastruktur 2026–2028

AI stößt bereits vor 2028 an physische Grenzen

1. Data Centers: die Kluft zwischen Rechennachfrage und verfügbarem Beton

Nachfrage versus weltweite Data-Center-Kapazität

Kapazität am physischen Limit

Der Fall Stargate als Signal

Moratorien und gesellschaftlicher Widerstand

Zu beobachtende regulatorische Signale

2. Hardware und Chips: der Engpass liegt nicht mehr im Design, sondern im Packaging und Liefern

Geschätzter Marktanteil bei Data-Center-GPUs 2026

NVIDIA und die CoWoS-Grenze

Nützliche, aber nicht gleichwertige Alternativen

Systemisches Risiko

3. Energiekrise: Transformatoren, Gas und die kurzfristige Nuklear-Fantasie

Wartezeit für Hochleistungstransformatoren

Transformatoren als versteckter Engpass

Kernkraft kommt nicht rechtzeitig

Taktischer Rückzug auf Gas

4. Ressourcen und Fachkräfte: die physische und menschliche Seite des Engpasses

Physische und menschliche Grenzen des Ausbaus

5. Synthese und Auswirkungen: wie sich die Engpässe bis 2028 gegenseitig verstärken

Transformatoren -> Netz -> Campus

Wasser und Genehmigungen -> Widerstand -> Standortverlagerung

CoWoS und Fachkräfte -> weniger nutzbare AI

Projizierte Schweregradmatrix bis 2028

Quellen

Geopolitik weiter erkunden

Hindernisse der AI-Infrastruktur 2026–2028

AI stößt bereits vor 2028 an physische Grenzen

1. Data Centers: die Kluft zwischen Rechennachfrage und verfügbarem Beton

Nachfrage versus weltweite Data-Center-Kapazität

Kapazität am physischen Limit

Der Fall Stargate als Signal

Moratorien und gesellschaftlicher Widerstand

Zu beobachtende regulatorische Signale

2. Hardware und Chips: der Engpass liegt nicht mehr im Design, sondern im Packaging und Liefern

Geschätzter Marktanteil bei Data-Center-GPUs 2026

NVIDIA und die CoWoS-Grenze

Nützliche, aber nicht gleichwertige Alternativen

Systemisches Risiko

3. Energiekrise: Transformatoren, Gas und die kurzfristige Nuklear-Fantasie

Wartezeit für Hochleistungstransformatoren

Transformatoren als versteckter Engpass

Kernkraft kommt nicht rechtzeitig

Taktischer Rückzug auf Gas

4. Ressourcen und Fachkräfte: die physische und menschliche Seite des Engpasses

Physische und menschliche Grenzen des Ausbaus

5. Synthese und Auswirkungen: wie sich die Engpässe bis 2028 gegenseitig verstärken

Transformatoren -> Netz -> Campus

Wasser und Genehmigungen -> Widerstand -> Standortverlagerung

CoWoS und Fachkräfte -> weniger nutzbare AI

Projizierte Schweregradmatrix bis 2028

Quellen

Geopolitik weiter erkunden

Geopolitische Auswirkungen auf Entwicklung und Kosten

Dependencia del diésel y vulnerabilidad logística

Kritische Materialien und geopolitische Risiken