Fehlender Netzanschluss bremst Microsofts KI-Ausbau
Microsoft hat die Vereinbarung mit dem britischen KI-Infrastruktur-Anbieter Nscale für ein geplantes Rechenzentrum in Loughton, Essex, gekündigt. Der Konzern sollte als Ankerkunde die dort aufgebaute Rechenleistung für Azure-Dienste nutzen.
Das Problem liegt nicht bei den verfügbaren KI-Chips oder der Finanzierung, sondern bei der Stromversorgung. UK Power Networks erwartet, dass die benötigte Netzkapazität womöglich erst Anfang bis Mitte der 2030er-Jahre bereitsteht. Der Betriebsstart war ursprünglich für Anfang 2027 vorgesehen.
| Kennzahl | Planung |
|---|---|
| KI-Beschleuniger | 23.040 Nvidia GB300-GPUs |
| Anfangsleistung | 50 MW |
| Geplanter Ausbau | Bis zu 90 MW |
| Ursprünglicher Betriebsstart | Anfang 2027 |
| Mögliche Netzverfügbarkeit | Anfang bis Mitte der 2030er-Jahre |
Nscale hält am Standort fest
Nach dem Rückzug von Microsoft gibt es für den Standort keinen öffentlich bekannten Kunden. Nscale will das Projekt dennoch weiterverfolgen und prüft nach eigenen Angaben alternative Energiequellen. Welche Technologien oder Versorgungsmodelle konkret gemeint sind, ist bislang nicht bekannt.
Wir halten am Projekt in Loughton und am Standort Großbritannien fest. Gleichzeitig prüfen wir alternative Energiequellen sowie weitere Expansionsstandorte im Vereinigten Königreich.
Das Unternehmen betont zudem, dass die langfristige Zusammenarbeit mit Microsoft und andere Verträge nicht betroffen seien. Wie Microsoft die entfallende Kapazität kompensieren will, wurde nicht öffentlich erläutert.
Das Vorhaben war Teil eines im September 2025 angekündigten Microsoft-Investitionspakets von 22 Milliarden £ für Großbritannien. Es zeigt zugleich, dass selbst umfangreiche Investitionszusagen keine kurzfristige Energieversorgung garantieren. Auch der geplante Gigawatt-Ausbau rund um Microsofts Azure Maia 300 ist letztlich auf verfügbare Netzkapazitäten angewiesen.
Anschlussanfragen steigen auf 125 GW
Der Engpass betrifft nicht nur den Standort in Essex. Die in Großbritannien angefragte Anschlussleistung stieg innerhalb von weniger als einem Jahr von 41 GW auf 125 GW. Mindestens 80 GW davon entfallen auf Rechenzentren.
| Netzkennzahl | Leistung |
|---|---|
| Frühere Anschlussanfragen | 41 GW |
| Aktuelle Anschlussanfragen | 125 GW |
| Anteil der Rechenzentren | Mindestens 80 GW |
Nach Angaben des regionalen Netzbetreibers könnten sich viele Rechenzentren zwar an das Verteilnetz anschließen. Sie müssten jedoch auf Erweiterungen im nationalen Übertragungsnetz warten. Dieses liegt nicht in der Verantwortung des regionalen Betreibers.
Die Regulierungsbehörde Ofgem hat deshalb Gebühren für Anschlussanfragen vorgeschlagen. Damit sollen spekulative Vorhaben aus den Warteschlangen gedrängt werden. Das soll verhindern, dass Projekte ohne realistische Umsetzungschance Netzkapazitäten blockieren.
Strom wird zum begrenzenden Faktor der KI-Cloud
Der Fall stellt das Versprechen praktisch unbegrenzt skalierbarer Cloud-Ressourcen infrage. Rechenleistung lässt sich nur dort bereitstellen, wo neben Chips und Gebäuden auch ausreichend Strom sowie leistungsfähige Übertragungsnetze vorhanden sind. Der Aufbau dieser Infrastruktur dauert häufig deutlich länger als die Beschaffung neuer Hardware.
Andere Hyperscaler sichern sich deshalb große Energiemengen langfristig. Ein Beispiel sind die von Google vereinbarten 3.590 MW für Rechenzentren. Solche Verträge lösen jedoch nicht automatisch lokale Netzengpässe.
Auswirkungen auf Unternehmen im DACH-Raum
Ähnliche Probleme bestehen am Rechenzentrumsstandort Frankfurt am Main sowie in Teilen Süddeutschlands und der Schweiz. Unternehmen können daher nicht davon ausgehen, dass große US-Cloud-Anbieter neue lokale KI-Kapazitäten immer im angekündigten Zeitrahmen bereitstellen.
Das betrifft insbesondere Projekte mit Anforderungen an Datenstandort, geringe Latenz oder regionale Verarbeitung. Auch Debatten über europäische Cloud-Souveränität und deren Infrastrukturkosten müssen Stromnetze und verfügbare Erzeugungsleistung einbeziehen.
Für geeignete Aufgaben können kleinere Open-Source-Modelle und lokal betriebene Inferenzsysteme eine Alternative sein. Inferenz bezeichnet die Ausführung eines bereits trainierten Modells. Solche Systeme benötigen nur einen Bruchteil der Energie eines Großrechenzentrums und reduzieren zugleich die Abhängigkeit von einzelnen Cloud-Anbietern.
Das ersetzt keine Hyperscaler-Infrastruktur für sehr große Arbeitslasten. Es schafft aber eine zusätzliche Betriebsoption für klar abgegrenzte Prozesse. Entscheidend sind dabei nicht nur Modellleistung und Lizenzkosten, sondern auch Datenschutz, interner Betriebsaufwand und die tatsächlich verfügbare Hardware.