Bei 107 Unternehmen steigen die Ausgaben für KI-Infrastruktur schneller, als Organisationen deren wirtschaftliche Auswirkungen verstehen und steuern können. Die meisten Unternehmen betreiben KI derzeit auf vertrauten Grundlagen: Hyperscale-Cloud-Plattformen und APIs von Modellanbietern. Ihre nächsten Ausgabenprioritäten verschieben sich jedoch hin zu spezialisierten Compute-Diensten, die heute fast keines von ihnen nutzt. Eine Mehrheit erwartet, innerhalb des nächsten Jahres Infrastrukturanbieter zu wechseln oder hinzuzufügen, und viele planen dies bereits innerhalb eines Quartals.

Kaufentscheidungen werden weniger durch ausgewiesene Token-Preise bestimmt als durch die Integration in bestehende Systeme und die Gesamtbetriebskosten. Das ist bemerkenswert, weil den meisten Unternehmen weiterhin eine klare Transparenz über ihre Stückkosten fehlt. GPUs laufen häufig nur mit halber Auslastung oder darunter, und weniger als die Hälfte der Befragten verfolgt konsequent, was ihre KI-Rechenleistung tatsächlich kostet. Das Ergebnis ist laut dieser Ausgabe von VentureBeat Pulse Research eine wachsende Compute-Lücke: schnelle und erhebliche Infrastrukturinvestitionen laufen den Messsystemen voraus, die zu ihrer Kontrolle erforderlich wären. Dieses Muster erinnert an frühere Cloud-Einführungszyklen, in denen die Ausgaben der finanziellen Steuerung vorausliefen. KI-Compute erhöht den Druck jedoch, weil GPU-Kapazität deutlich teurer ist als traditionelle Cloud-Ressourcen und die Nachfrage danach durch begrenztes Angebot eingeschränkt war.

Die Untersuchung betrachtet KI-Infrastruktur und Compute in Unternehmen, darunter den Stand der Organisationen auf ihrem KI-Einführungsweg, welche Anbieter und Plattformen sie heute nutzen, wie zufrieden sie sind, was sie zu einem Anbieterwechsel bewegen würde, wo sie neue Investitionen prüfen wollen und wie gut sie die wirtschaftlichen Kennzahlen der Compute-Ebene unter ihren KI-Systemen messen und steuern können.

Der zentrale Befund ist die Lücke zwischen dem aggressiven Ausbau der KI-Infrastruktur durch Unternehmen und der geringen Transparenz über deren wirtschaftliche Kennzahlen. Nur etwa einer von fünf Befragten, also 21%, gibt an, KI in großem Maßstab in der Produktion einzusetzen. Dennoch laufen die Ausgabenpläne diesem Reifegrad voraus: Der am häufigsten genannte Bereich, den Unternehmen im kommenden Jahr prüfen wollen, sind KI-spezialisierte Clouds mit 45%, obwohl diese Ebene heute von fast keinem dieser Unternehmen genutzt wird. Gleichzeitig ist die vorhandene Compute-Kapazität unterausgelastet: 83% melden eine GPU-Auslastung von 50% oder weniger, während nur 44% KI-Compute-Kosten konsequent verfolgen können. Unternehmen beschaffen mehr Infrastruktur schneller, als sie Rechenschaft über das ablegen können, was sie bereits besitzen.

Auch die Anbieterbeziehungen sind nicht gefestigt. Eine klare Mehrheit von 64% plant, innerhalb von 12 Monaten einen Infrastrukturanbieter zu wechseln oder hinzuzufügen, darunter 38% bereits im nächsten Quartal. Für eine grundlegende Kategorie wie Compute ist das eine ungewöhnlich hohe beabsichtigte Wechselrate. Bei der Auswahl von Anbietern sind die führenden Kriterien die Integration in den bestehenden Stack, genannt von 41%, und die Gesamtbetriebskosten, genannt von 35%. Die Kosten pro Million Tokens sind nur für 8% der entscheidende Faktor. Zugleich bleibt die nächste technische Einschränkung, die Infrastrukturentscheidungen voraussichtlich prägen wird — die Verlagerung von GPU-Compute zu Speicherbandbreite bei skalierender Inferenz — außerhalb der Planung vieler Unternehmen; etwa jedes fünfte Unternehmen ist sich dessen entweder nicht bewusst oder hat sich noch nicht damit befasst.

Methodik

VentureBeat führte die Umfrage im Rahmen seiner laufenden Pulse-Research-Reihe durch. Diese Erhebungswelle konzentrierte sich auf KI-Infrastruktur, Compute und Inferenzökonomie in Unternehmen. Die Antworten wurden auf Organisationen mit mehr als 100 Beschäftigten gefiltert, wodurch n=107 übrig blieb. Die kleinste Größenklasse, Unternehmen mit 1–100 Beschäftigten, wurde ausgeschlossen. Die Antworten stammen aus einer einzelnen Erhebungswelle im Q2 2026, die im Juni durchgeführt wurde.

Da die Ergebnisse auf einer einzelnen Welle und nicht auf einer über mehrere Monate zusammengeführten Stichprobe beruhen, sollte der Bericht querschnittlich gelesen werden und keine Trends von Monat zu Monat ableiten. Mehrere Fragen ließen Mehrfachauswahlen zu, sodass einige Anteile zusammen mehr als 100% ergeben können.

Nach Unternehmensgröße konzentriert sich die Stichprobe auf den Mid-Market. Unternehmen mit 101–250 Beschäftigten machen 36% aus, gefolgt von 251–1.000 Beschäftigten mit 27%, 1.001–5.000 Beschäftigten mit 22%, 5.001–10.000 Beschäftigten mit 8% und 10.001 oder mehr Beschäftigten mit 7%. Nach Rollen umfassen die Befragten Manager mit 38%, einzelne Fachkräfte mit 28%, VPs und Directors mit 19% sowie Führungskräfte der C-Suite mit 13%. Die Stichprobe verfügt über glaubwürdige Einkaufsbefugnis: 45% sind endgültige Entscheider, weitere 30% sind Empfehlungsgeber oder Einflussnehmer für KI-Lösungen.

Technology/Software ist mit 26% die am stärksten vertretene Branche, gefolgt von Healthcare/Life Sciences mit 15%, Financial Services mit 13% und Retail/E-commerce mit 12%.

Mit 107 Befragten ist die Stichprobe groß genug, um richtungsweisende Erkenntnisse zu liefern, sollte aber als Richtungssignal und nicht als präzise Messung behandelt werden. Sie ist selbstselektiert und keine Wahrscheinlichkeitsstichprobe. Zudem ist sie auf Mid-Market-Organisationen und frühere Anwenderphasen ausgerichtet. Die Ergebnisse sollten daher am besten als Perspektive von Organisationen gelesen werden, die KI-Infrastruktur aktiv aufbauen, nicht als Sicht der größten Hyperscale-Betreiber.

Befund 1: Ambition liegt vor Produktionsreife

Nur eines von fünf Unternehmen betreibt KI in großem Maßstab in der Produktion.

VentureBeat fragte, wo Organisationen auf ihrem KI-Einführungsweg stehen. Die meisten befinden sich weiterhin im Aufbau in Richtung Produktion, statt KI bereits im großen Maßstab zu betreiben.

Die Reifekurve ist stark auf frühere Phasen ausgerichtet. Drei Viertel der Unternehmen, also 76%, experimentieren entweder oder betreiben nur einige Workloads in der Produktion. Nur 21% geben an, dass KI in großem Maßstab in der Produktion läuft. Dieser Kontext ist für die übrigen Befunde wichtig: Viele der in der Umfrage abgebildeten Infrastrukturentscheidungen werden von Organisationen getroffen, die noch früh in der Einführung stehen und deren Compute-Footprints und Kosten voraussichtlich wachsen werden. Die in den Befunden 3 und 4 diskutierten Prüf- und Wechselabsichten repräsentieren den Anfang dieses Ausbaus, nicht die gefestigten Präferenzen von Betreibern, die bereits bestimmt haben, was funktioniert.

Befund 2: Unternehmen verlassen sich derzeit auf Hyperscaler und Modell-APIs

Spezialisierte GPU-Clouds sind heute kaum präsent.

VentureBeat fragte, welche Anbieter und Plattformen Unternehmen derzeit für den Betrieb von KI nutzen. Die Antwort liegt weitgehend im etablierten Cloud- und Modellökosystem.

Der aktuelle Stack ist auf Hyperscaler und APIs ausgerichtet. Google Cloud führt mit 48%. Allgemeine Clouds — Google, Microsoft, AWS und Oracle — machen zusammen mit großen Modell-APIs wie Gemini, OpenAI und Anthropic im Wesentlichen die gesamte aktuelle Nutzung aus. Spezialisierte „Neocloud“-GPU-Anbieter, die in Diskussionen über KI-Infrastruktur häufig auftauchen, darunter CoreWeave, Lambda, Crusoe, Nebius und vergleichbare Anbieter, liegen bei diesen Unternehmen heute bei null oder nahezu null. Diese Anbieter bauen GPU-dichte Rechenzentren, die speziell für KI-Training und Inferenz konzipiert sind, und bieten häufig garantierten Zugang zu stark nachgefragten Beschleunigern, die in allgemeinen Clouds schwer zu reservieren sein können — ein Angebot, das Milliarden an Kapitalinvestitionen in diese Kategorie gelenkt hat. Dennoch hat sich die Nutzung in dieser Unternehmensgruppe noch nicht materialisiert. Nur 6% betreiben eigene On-Premises-GPU-Cluster, und 4% nutzen einen individuellen Open-Source-Stack.

Derzeit betreiben Unternehmen KI bei Anbietern, von denen sie bereits kaufen. Das macht die Prüfungsabsichten in Befund 3 umso bedeutender.

Ein Hinweis zur Interpretation dieser Anteile: Wie in der Methodik beschrieben, ist die Stichprobe selbstselektiert und auf den Mid-Market ausgerichtet. Die Anbieterfrage zählte jeden Anbieter, den ein Befragter nutzt, mit durchschnittlich 2,1 Auswahlmöglichkeiten pro Person. Daher messen die Zahlen die Präsenz im Stack, nicht den Ausgabenanteil oder den Status als Hauptanbieter. Eine so strukturierte Stichprobe wird eine andere Anbieterzusammensetzung ergeben als eine ausgabengewichtete Erhebung des breiteren Marktes. Die Stärke von Google in dieser Stichprobe steht beispielsweise im Einklang mit seiner langjährigen Position bei kleineren Unternehmen, die auf KI aufbauen. Diese Anteile sollten als Momentaufnahme dessen gelesen werden, was diese KI-aktive Gruppe heute nutzt; Abweichungen zwischen diesen Zahlen und branchenweiten Marktanteilsschätzungen sind als Merkmal der Stichprobe und nicht als Widerspruch zu verstehen.

Befund 3: Neue Ausgaben zielen auf Infrastruktur, die Unternehmen heute kaum nutzen

KI-spezialisierte Clouds führen die Liste geplanter Prüfungen an.

VentureBeat fragte, wo Unternehmen in den nächsten 12 Monaten KI-Infrastruktur prüfen wollen. Ihre Antworten weisen weg von den Stacks, die sie derzeit betreiben.

Die stärkste Spannung im Bericht besteht darin, dass KI-spezialisierte Clouds mit 45% der am häufigsten genannte geplante Prüfbereich sind, obwohl fast keines dieser Unternehmen diese Kategorie heute nutzt, wie in Befund 2 festgestellt. Fast ein Drittel, 32%, beabsichtigt, Nicht-Nvidia-Beschleuniger zu evaluieren, während 28% Nvidia-Silizium der nächsten Generation prüfen wollen. Dezentrale Compute-Netzwerke stoßen bei 16% auf Interesse, souveräner Compute bei 11%.

Verglichen mit der aktuellen Nutzung sind diese geplanten Prüfungen nicht nur inkrementell. Sie markieren den Beginn einer möglichen Neuplattformierung. Die Frage zur Entwicklungsrichtung weist in dieselbe Richtung: Jeder Infrastrukturansatz wächst netto, aber spezialisierte KI-Clouds haben mit +24 die höchste Nettodynamik, knapp vor Hyperscalern mit +22. Unternehmen bereiten sich darauf vor, einen erheblichen Teil des KI-Compute von allgemeiner Cloud-Infrastruktur wegzuverlagern.

Dieses Muster setzt einen Trend fort, den VentureBeat in seiner April-Mai-Umfragewelle beobachtet hat. Damals war die Nutzung KI-spezialisierter Clouds ebenfalls marginal: CoreWeave wurde von 3% der Unternehmen genutzt, Lambda von 4% und Crusoe von 2%. Als Unternehmen gefragt wurden, welche Änderung sie in den nächsten 12 Monaten in ihrer KI-Infrastrukturstrategie planten, war die häufigste Antwort die Verlagerung von Workloads in spezialisierte KI-Clouds mit 33%. Als die Befragten im April-Mai gefragt wurden, welche aufkommende Compute-Option sie am wahrscheinlichsten evaluieren würden, erhielten KI-spezialisierte Clouds erneut die meisten Antworten. Über zwei Wellen und unterschiedlich formulierte Fragen hinweg zeigt sich dasselbe Muster: Die Cloud-Kategorie, die Unternehmen am stärksten prüfen wollen, ist jene, die sie bislang kaum zu nutzen begonnen haben.

Befund 4: Viele Unternehmen erwarten Anbieterwechsel

Sechs von 10 planen, innerhalb eines Jahres Anbieter zu wechseln oder hinzuzufügen, und viele erwarten, innerhalb eines Quartals zu handeln.

VentureBeat fragte, ob und wann Unternehmen planen, einen Infrastrukturanbieter zu wechseln oder hinzuzufügen. Nur wenige Befragte planen, unverändert zu bleiben.

Für eine Compute-Kategorie ist das Ausmaß der beabsichtigten Bewegung erheblich. Nur 36% geben an, keine Änderungspläne zu haben. Das bedeutet, dass 64% innerhalb von 12 Monaten einen Anbieter wechseln oder hinzufügen wollen, und 38% planen dies allein im nächsten Quartal.

Die Anbieter, die die meisten Wechselüberlegungen auf sich ziehen, sind erneut etablierte Anbieter. Microsoft Azure und Google Cloud erreichen jeweils 33%, gefolgt von OpenAI mit 30% und Gemini mit 22%. Dies deutet darauf hin, dass ein großer Teil der kurzfristigen Bewegung eine Neuverteilung unter großen Anbietern und eine Konsolidierung von Ausgaben ist, statt ein direkter Wechsel zu neuen Marktteilnehmern. Das in Befund 3 beschriebene Neocloud-Interesse ist in erster Linie eine 12-Monats-Prüfungsthese; die im nächsten Quartal erwarteten Anbieterwechsel scheinen überwiegend Marktanteilsverschiebungen zwischen etablierten Anbietern zu sein.

Methodischer Hinweis: Befragte, die sowohl „keine Änderungspläne“ als auch ein konkretes Wechselzeitfenster auswählten, wurden als Wechselnde gezählt, da die Nennung eines Zeitfensters als spezifischere Antwort gewertet wurde. Drei Befragte wurden nach dieser Regel neu klassifiziert.

Befund 5: Der Token-Preis ist nicht der wichtigste Kauffaktor

Integration und Gesamtbetriebskosten haben mehr Gewicht als der Listenpreis.

VentureBeat fragte, was Unternehmen bei der Auswahl eines KI-Infrastrukturanbieters am wichtigsten ist. Der ausgewiesene Preis landete auf dem letzten Platz.

Unternehmen kaufen KI-Infrastruktur nicht in erster Linie auf Basis der Preiskennzahl, die Anbieter häufig am stärksten hervorheben. Die Integration in den bestehenden Stack führt mit 41%, gefolgt von den Gesamtbetriebskosten mit 35%. Die prominente Kennzahl der Kosten pro Million Tokens ist nur für 8% der entscheidende Faktor und damit der niedrigste Wert unter den genannten Kriterien.

Das Muster ist konsistent: Käufer optimieren danach, wie ein Anbieter in ihre Betriebsumgebung passt und was der Betrieb in der Praxis kostet, statt sich auf beworbene Stückpreise zu konzentrieren. Token-Preise allein verschleiern das vollständige Kostenbild, zu dem auch Netzwerke, Datenausleitung, Speicher für Modellgewichte und Trainingsdaten, Overhead durch ungenutzte Kapazität sowie der technische Aufwand für Integration und Wartung von Pipelines gehören. Dies weist auch auf Befund 7 voraus. Unternehmen sagen, dass die Gesamtbetriebskosten ein zentraler Entscheidungsfaktor sind, doch die meisten können sie noch nicht konsequent messen. Ihre erklärte Priorität und ihre gemessene Fähigkeit sind nicht aufeinander abgestimmt.

Befund 6: Teure GPUs werden häufig zu wenig genutzt

83% melden eine GPU-Auslastung von 50% oder weniger.

VentureBeat fragte, welchen Anteil ihrer GPU-Kapazität Unternehmen tatsächlich nutzen. Die Antwort zeigt eine weithin anerkannte, aber seltener quantifizierte Ineffizienz.

Offenlegung: Prozentwerte nach Bandbreiten zählen jede Auswahl gegen alle 107 qualifizierten Befragten. Vierzehn Befragte wählten mehr als ein Band aus, daher überschneiden sich die Bänder. Auf Ebene der Befragten meldeten 83 der 100 GPU-betreibenden Unternehmen eine Auslastung von 50% oder darunter.

Der bereits eingesetzte Compute läuft unter Kapazität. Werden die Bänder bei oder unter halber Auslastung zusammengezählt, melden 83% der Unternehmen, die GPUs betreiben, eine Auslastung von 50% oder weniger. Fast die Hälfte, also 49%, liegt bei 25% oder darunter. Nur 12% überschreiten eine Auslastung von 50%, während weitere 8% die Auslastung überhaupt nicht messen.

Untätige Beschleuniger sind kostspielige Vermögenswerte. Der On-Demand-Zugang zu einer einzelnen High-End-GPU wie einer Nvidia H100 kann auf Hyperscaler-Plattformen mehrere Dollar pro Stunde kosten, und Unternehmens-Workloads erfordern häufig Multi-GPU-Instanzen, die die stündlichen Kosten deutlich erhöhen. Eine dauerhaft unter 50% liegende Auslastung bei Kapazität zu diesen Preisen führt direkt zu erheblichem wiederkehrendem Verlust. Dies ist eine der klarsten Messgrößen der Compute-Lücke: Unternehmen planen, mehr GPUs und spezialisierten Compute zu kaufen, wie in Befund 3 gezeigt, während die Kapazität, die sie bereits betreiben, weitgehend ungenutzt bleibt. Die aktuelle Flotte bietet erheblichen Effizienzspielraum, und ein großer Teil davon wird nicht gemessen.

Befund 7: Ausgaben steigen schneller als Messung

Weniger als die Hälfte verfolgt Compute-Kosten konsequent.

VentureBeat fragte, ob Unternehmen Kosten und Ertrag ihrer KI-Infrastrukturausgaben quantifizieren können und wie zufrieden sie mit der von ihnen genutzten Infrastruktur sind. Die Ergebnisse zeigen, dass finanzielle Transparenz hinter den Investitionen zurückbleibt.

Die Messung hinkt den Ausgaben hinterher. Weniger als die Hälfte der Unternehmen, 44%, verfolgt Kosten und Ertrag ihres KI-Compute konsequent. Der Rest verfolgt sie nur teilweise mit 39%, kann sie noch nicht quantifizieren mit 20% oder hat sie nicht priorisiert mit 6%. KI-Compute-Kosten verteilen sich auf Compute, Speicher, Netzwerk und Datenausleitung in Mustern, die sich von traditionellen Cloud-Workloads unterscheiden. Gemeinsame GPU-Cluster erschweren es zudem, Ausgaben einzelnen Teams, Projekten oder Geschäftsergebnissen zuzuordnen — eine Messherausforderung, die die Cloud-FinOps-Disziplin noch erweitert, um sie abzudecken.

Diese Lücke ist wichtig, weil die Gesamtbetriebskosten in Befund 5 das zweitwichtigste Kaufkriterium waren. Unternehmen wählen Anbieter auf einer wirtschaftlichen Grundlage aus, die viele von ihnen noch nicht mit Strenge messen können.

Die Zufriedenheit mit der aktuellen Infrastruktur ist moderat positiv, aber nicht stark. Auf einer Fünf-Punkte-Skala liegt die Gesamtzufriedenheit im Durchschnitt bei 4,0. Die Einfachheit der Implementierung liegt im Durchschnitt bei 3,8, das Preis-Leistungs-Verhältnis bei 3,9. Das schwächere Ergebnis beim Preis-Leistungs-Verhältnis ist bemerkenswert, weil Kosten ohne disziplinierte Messung schwer zu beurteilen sind. Unternehmen geben schnell aus und rechnen langsam ab.

Befund 8: Viele Unternehmen fokussieren den nächsten Inferenz-Engpass noch nicht

Während sich Inferenz von Compute zu Speicher verlagert, sind die Antworten fragmentiert.

Abschließend fragte VentureBeat, wie Unternehmen mit einer aufkommenden Einschränkung bei großskaliger Inferenz umgehen würden: der Verlagerung von GPU-Compute zu Speicher, insbesondere KV-Cache-Kapazität. Die Antworten deuten darauf hin, dass diese Grenze für viele Organisationen noch keine große operative Priorität ist.

Die Speicherbeschränkung ist real, aber die Governance dafür ist begrenzt. Da Produktionsmodelle Kontextfenster von 128.000 Tokens oder mehr unterstützen, wächst der Speicherbedarf für den Zwischenzustand der Inferenz — den KV-Cache — sowohl mit der Kontextlänge als auch mit der Zahl gleichzeitiger Nutzer. Dadurch entsteht Druck, den zusätzliche rohe GPU-Rechenleistung nicht adressiert. Auf die Frage, auf welchen Ansatz sie sich verlassen würden, wenn sich die bindende Einschränkung in der Inferenz von Compute zu Speicherbandbreite verlagert, gaben Unternehmen verstreute Antworten. Dell führt mit 31%, gefolgt von Nvidia mit 16%. Die übrigen Antworten verteilen sich auf Speicheranbieter, Open-Source-Werkzeuge und Effizienztechniken auf Modellebene.

Am auffälligsten ist, dass etwa jedes fünfte Unternehmen, also 18%, die Einschränkung entweder nicht erkennt oder noch nicht begonnen hat, sie anzugehen. Für eine Verschiebung, die Inferenzkosten und Architektur beeinflussen wird, bleibt der Markt früh und ungefestigt. Im Einklang mit der Messlücke in Befund 7 haben viele Unternehmen noch keine klare Sicht. Dies ist die nächste Phase der Compute-Lücke, die eintritt, bevor viele Organisationen die aktuelle gelöst haben.

Fazit: Schnellere Ausgaben könnten die Compute-Lücke vergrößern

Organisationen mit mehr als 100 Beschäftigten investieren schneller in KI-Infrastruktur, als sie diese messen können. Die meisten stehen noch früh in der Einführung, doch ihre Ausgabenpläne weisen über ihre aktuellen Stacks hinaus zu spezialisierten Clouds und alternativen Beschleunigern, die fast keines von ihnen heute nutzt. Eine klare Mehrheit beabsichtigt, innerhalb des nächsten Jahres Anbieter zu wechseln.

Ihre Kauflogik konzentriert sich auf Integration und Gesamtbetriebskosten statt auf ausgewiesene Preise, was ein praktischer Ansatz ist. Das Problem besteht darin, dass viele Unternehmen diese wirtschaftlichen Kennzahlen noch nicht klar sehen können.

Die Transparenzlücke ist konkret. Bei der überwältigenden Mehrheit der Unternehmen, die GPUs betreiben, liegt die Auslastung bei halber Kapazität oder darunter. Weniger als die Hälfte kann konsequent verfolgen, was ihr KI-Compute kostet oder einbringt. Die Zufriedenheit ist ausreichend, aber nicht enthusiastisch, und am schwächsten ist sie beim Preis-Leistungs-Verhältnis, der ohne Messung am schwersten zu beurteilenden Dimension.

Gleichzeitig entsteht die nächste Einschränkung — die Verlagerung von Compute zu Speicher in großskaliger Inferenz — während viele Unternehmen sich dessen weiterhin nicht bewusst sind oder noch nicht begonnen haben, sich damit zu befassen. Ein wachsendes Ökosystem von Werkzeugen für Kostenbeobachtbarkeit und GPU-Scheduling entsteht, um die Messlücke zu adressieren. Ob Unternehmen diese Fähigkeiten jedoch übernehmen, bevor sie sich auf ihre nächste Infrastrukturebene festlegen, bleibt offen. Mit 107 Befragten in einer einzelnen Q2-Welle liefert die Umfrage eine richtungsweisende Einschätzung. Sie ist auf Mid-Market und frühere Anwenderphasen ausgerichtet. Doch die Richtung ist konsistent: Die Ausgabenbereitschaft liegt vor der Instrumentierung, die nötig ist, um effektiv auszugeben.

Die Compute-Lücke ist nicht nur ein Kapazitätsproblem, das sich durch mehr Hardware allein lösen lässt. Sie ist zunächst ein Problem des Verständnisses dessen, was die vorhandene Hardware bereits kostet. Spätere Umfragewellen werden zeigen, ob Unternehmen diese Transparenz aufbauen, bevor die Neuplattformierung beschleunigt, oder ob sie die nächste Infrastrukturebene mit derselben eingeschränkten Sicht auf ihre wirtschaftlichen Kennzahlen kaufen.

Die Ergebnisse basieren auf Umfrageantworten von 107 qualifizierten Unternehmensbefragten aus Organisationen mit mehr als 100 Beschäftigten, die aus einer einzelnen Q2-2026-Welle im Juni stammen. Da es sich um eine einzelne Welle und nicht um eine über mehrere Monate zusammengeführte Stichprobe handelt, sind die Ergebnisse querschnittlich und kein Trend von Monat zu Monat. Bei 107 Befragten sollten die Ergebnisse als Richtungssignal und nicht als präzise Messung behandelt werden. Die Stichprobe ist selbstselektiert, auf Mid-Market ausgerichtet und tendiert zu früheren Anwenderphasen statt zu den größten Hyperscale-Betreibern. Die Befragten umfassen Manager, einzelne Fachkräfte, VPs und Directors sowie C-Suite-Führungskräfte mit glaubwürdiger Einkaufsbefugnis in Technology/Software, Healthcare/Life Sciences, Financial Services, Retail/E-commerce und weiteren Branchen.