Eine neue VentureBeat-Pulse-Research-Umfrage deutet auf eine wachsende Diskrepanz in der Unternehmens-KI hin: Organisationen erhöhen ihre Infrastrukturambitionen und erwägen Anbieterwechsel, obwohl vielen noch die grundlegende Transparenz darüber fehlt, was ihre bestehende KI-Rechenleistung tatsächlich kostet.

Die Umfrage, die auf 107 Befragten aus Organisationen mit mehr als 100 Beschäftigten in einer einzelnen Juni-2026-Welle basiert, ergab, dass nur 21 % angeben, KI in großem Maßstab produktiv einzusetzen. Laut VentureBeats Berichterstattung planen jedoch 45 %, im kommenden Jahr KI-spezialisierte Clouds zu evaluieren, 64 % beabsichtigen, innerhalb von 12 Monaten einen Infrastruktur-Anbieter zu wechseln oder hinzuzufügen, und 38 % sagen, das könne bereits im nächsten Quartal geschehen. Gleichzeitig berichteten 83 % der Befragten, die GPUs betreiben, eine Auslastung von 50 % oder weniger, und nur 44 % gaben an, Kosten und Ertrag ihrer KI-Rechenleistung rigoros zu verfolgen.

Diese Kombination ist wichtig, weil sie darauf hindeutet, dass die nächste Phase von Unternehmens-KI weniger von einer rohen Nachfrage nach mehr Hardware geprägt sein könnte als von schwacher Kostenmessung, unausgereiften Bereitstellungspraktiken und überhasteten Beschaffungsentscheidungen. Für Entwickler und Unternehmenskäufer lautet die Schlagzeile also nicht einfach, dass die KI-Budgets steigen. Vielmehr scheint die Ausgabenentwicklung der operativen Disziplin vorauszulaufen.

Ein Markt, der bei der Einführung noch früh ist, bereitet sich bereits auf eine neue Plattform vor

Eine der klarsten Botschaften der Umfrage ist, dass viele Unternehmen noch früh in ihrem KI-Rollout stecken. VentureBeat sagte, 76 % der Befragten experimentierten noch oder hätten nur einige Workloads in Produktion. Das macht die aktuelle Infrastruktur-Umwälzung bemerkenswert: Organisationen wechseln nicht aus einer Position reifer, stabiler Betriebserfahrung heraus den Anbieter. Viele bauen noch die Grundlagen.

Die aktuelle Nutzung konzentriert sich weiterhin auf etablierte Anbieter. VentureBeat berichtete, dass Google Cloud mit 48 % bei der aktuellen Nutzung von KI-Infrastruktur führte, wobei andere große Plattformen wie Microsoft, AWS und Oracle sowie Modellanbieter-APIs wie Gemini, OpenAI und Anthropic den Großteil des derzeitigen Stacks ausmachen. Demgegenüber verzeichneten spezialisierte GPU-Cloud-Anbieter, die in KI-Infrastrukturkreisen viel Aufmerksamkeit erhalten, darunter CoreWeave, Lambda, Crusoe und Nebius, in dieser Stichprobe kaum bis keine aktuelle Nutzung.

Die geplante Evaluierung sieht jedoch ganz anders aus als die aktuelle Bereitstellung. Der am häufigsten genannte Prüfbereich für das kommende Jahr waren laut Umfrage KI-spezialisierte Clouds mit 45 %. VentureBeat berichtete außerdem, dass 32 % planen, Nicht-Nvidia-Beschleuniger zu evaluieren, und 28 % die Evaluierung von Nvidia-Silizium der nächsten Generation vorhaben. Mit anderen Worten: Der nächste Ausgabenzyklus könnte den Status quo nicht so sehr vertiefen, sondern Alternativen dazu testen.

Das ist ein wichtiger Unterschied für Enterprise-KI-Teams. Ein Unternehmen kann heute stark an Cloud-KI gebunden sein und dennoch den nächsten Budgetzyklus nutzen, um neue Infrastrukturebenen, neue Beschleunigertypen und unterschiedliche Kostenstrukturen für Training und Inferenz zu untersuchen.

Käufer achten mehr auf Passung und TCO als auf den reinen Token-Preis

Die Beschaffungssignale der Umfrage sind womöglich nützlicher als ihre Marktanteils-Snapshots. Laut VentureBeat gaben die Befragten an, dass die Integration in den bestehenden Stack der wichtigste Faktor bei der Auswahl eines KI-Infrastruktur-Anbieters sei, genannt von 41 %, gefolgt von den Gesamtbetriebskosten mit 35 %. Die Kosten pro eine Million Tokens rangierten deutlich weiter unten, mit nur 8 %.

Dieses Ergebnis widerspricht der gängigen Darstellung des Wettbewerbs um KI-Infrastruktur als Rennen um den billigsten Einheitspreis. Unternehmenskäufer scheinen zumindest in dieser Stichprobe mehr darauf zu achten, ob neue Infrastruktur zu Identitäts-Systemen, Datenpipelines, Observability-Tools, Governance-Kontrollen und bestehenden Verträgen passt, als auf einen Schlagzeilen-Tokenpreis.

Das Ergebnis erklärt auch, warum Microsoft Azure und Google Cloud Berichten zufolge bei den kurzfristigen Wechselüberlegungen mit jeweils 33 % vorn liegen, gefolgt von OpenAI mit 30 % und Gemini mit 22 %. VentureBeat deutet dies als Hinweis darauf, dass ein Großteil der kurzfristigen Bewegung darin bestehen könnte, dass etablierte Anbieter Marktanteile untereinander verschieben oder Kundenausgaben konsolidieren, statt dass eine schnelle Migration zu neueren Spezialanbietern stattfindet.

Für Produktteams bedeutet das: Technische Qualität allein reicht möglicherweise nicht, um Budgets zu gewinnen. Anbieter, die Migration vereinfachen, Abrechnung vereinheitlichen, Governance verbessern oder die Unternehmensbeschaffung erleichtern, könnten mehr Hebel haben als Anbieter, die sich nur auf Benchmark-Preise konzentrieren.

Die Daten deuten auf ein Problem der Rechenschaftspflicht hin, nicht nur auf ein Kapazitätsproblem

Die stärkste Kennzahl im Bericht könnte die Auslastungsdaten sein. VentureBeat sagte, dass unter den Unternehmen, die GPUs betreiben, 83 % eine Auslastung von 50 % oder weniger meldeten und 49 % angaben, dass die Auslastung bei 25 % oder darunter liege. Weitere 8 % sagten, sie messen die Auslastung überhaupt nicht.

Wenn diese Zahlen zutreffen, deutet das auf eine große Menge teuerer Kapazitäten hin, die ungenutzt herumliegt. Das ist in frühen KI-Programmen nicht unbedingt überraschend, da Teams oft für Experimente überprovisionieren, Kapazitäten vor der Einführung einkaufen oder keine Workload-Scheduler haben, die Systeme ausreichend beschäftigt halten. Es untergräbt jedoch die Vorstellung, dass mehr GPUs allein für die meisten KI-Engpässe in Unternehmen die unmittelbare Antwort sind.

Die buchhalterische Seite sieht ähnlich schwach aus. Weniger als die Hälfte der Befragten, 44 %, sagte laut VentureBeat, sie verfolgten Kosten und Ertrag der Rechenleistung rigoros. Andere gaben an, nur teilweise zu tracken, es noch nicht quantifizieren zu können oder es nicht priorisiert zu haben.

Zusammen genommen stützen diese Ergebnisse die Kernaussage einer „Rechenlücke“: Unternehmen treffen schnellere und größere Infrastrukturentscheidungen, als ihre Messsysteme rechtfertigen können. Praktisch könnte das bedeuten, dass Teams Reservierungen, GPU-Cluster, Modell-API-Zusagen oder neue Cloud-Partnerschaften genehmigen, ohne klare Stückkosten auf Workload-Ebene zu kennen.

Für Unternehmens-KI ist das wichtig, weil Kostenprobleme meist spät sichtbar werden. Ein Proof of Concept kann vage Ökonomie tolerieren; ein skaliertes Inferenzprodukt kann das nicht. Wenn Organisationen nicht wissen, welche Workloads das Budget verbrauchen, welche Modelle überdimensioniert sind oder wo GPU-Warteschlangen und Speichergrenzen versteckte Verschwendung erzeugen, könnte die nächste Ausgabenphase diese Ineffizienzen nur schwerer rückgängig machen.

Evidenz, Methodik und was noch unklar ist

Das ist eine nützliche Umfrage, sollte aber vorsichtig gelesen werden. VentureBeat weist selbst darauf hin, dass die Daten aus einer einzigen Q2-2026-Welle mit 107 qualifizierten Befragten stammen und eher als Richtungssignal denn als präzise Marktmessung zu verstehen sind. Die Stichprobe ist selbstselektiert, neigt zu Mid-Market-Organisationen und tendiert eher zu früheren KI-Anwendern als zu den größten Hyperscale-Betreibern.

Diese Einschränkung ist aus mehreren Gründen wichtig. Erstens ist die aktuelle Anbieter-Nutzung in dieser Umfrage nicht dasselbe wie der globale Anteil der Ausgaben für Unternehmens-KI. Zweitens sind gemeldete Wechselabsichten oft ungenauer als tatsächliches Wechselverhalten. Drittens beruhen die Antworten zu Auslastung und Kostenverfolgung auf Selbstauskünften und nicht auf unabhängigen Prüfungen.

Einige der stärker zukunftsgerichteten Aussagen sind zudem umfragebasierte Haltungen, keine beobachteten Marktergebnisse. Das Interesse an KI-spezialisierten Clouds, Nicht-Nvidia-Beschleunigern und dezentraler oder souveräner Rechenleistung spiegelt Evaluierungspläne wider, keine verbindlichen Käufe. Ebenso ist die Sorge um Speicherbandbreite und KV-Cache-Beschränkungen bei Inferenz in fortgeschrittenen Deployments real, aber VentureBeats Befund, dass etwa jeder fünfte Befragte sich des Problems nicht bewusst ist, sagt mehr über die Reife der Käufer aus als darüber, wann dieser Engpass für ein bestimmtes Unternehmen dringend wird.

Selbst mit diesen Vorbehalten ist die innere Logik der Umfrage stimmig: Anwender in einer frühen Phase bauen noch auf, sie sind unzufrieden genug, um Alternativen zu prüfen, und viele verfügen noch nicht über die Kostenkontrollen, die nötig sind, um diese Alternativen gut zu bewerten.

Was das für Entwickler und Enterprise-KI-Teams bedeutet

Für Infrastrukturanbieter ist die Botschaft klar: Der Unternehmensvertrieb dreht sich zunehmend um operative Transparenz und nicht nur um den Zugang zu Beschleunigern. Anbieter, die starke Kostenzuordnung, Auslastungsberichte, Richtlinienkontrollen und Workload-Orchestrierung zeigen können, könnten mehr Zugkraft haben als jene, die nur rohe Kapazität verkaufen.

Für Unternehmen könnte sich die Priorität von mehr Rechenleistung hin zu einer besseren Messung der aktuellen Rechenleistung verschieben. Das bedeutet Workload-basierte Verrechnung, Modell-Routing-Richtlinien, GPU-Scheduling, Caching-Strategien und klarere getrennte Kostenrechnung für Experimentieren, Training und Inferenz. Es bedeutet auch, die Kosten von Modell-APIs mit Self-Hosting-Ökonomie zu vergleichen – einschließlich Arbeitsaufwand, Integration, Zuverlässigkeit und Governance-Overhead, nicht nur des Token-Preises.

Für KI-Entwickler, insbesondere jene, die Produkte auf Google Cloud, Microsoft Azure, AWS oder Oracle ausliefern und gleichzeitig APIs von OpenAI, Anthropic oder Gemini nutzen, ist die Umfrage eine Erinnerung daran, dass Infrastrukturentscheidungen keine Hintergrundentscheidungen mehr sind. Sie beeinflussen Latenz, Margen, Zuverlässigkeit, Compliance und die Flexibilität der Produkt-Roadmap. Wenn Finance und Engineering diese Abwägungen nicht gemeinsam sehen können, werden Architekturentscheidungen eher von Beschaffungsdruck als von Evidenz getrieben.

Worauf man als Nächstes achten sollte

Das nächste Signal, auf das man achten sollte, ist, ob das bekundete Evaluierungsinteresse tatsächlich zu realen Workload-Verschiebungen hin zu CoreWeave, Lambda, Crusoe, Nebius oder anderen KI-spezialisierten Clouds führt. Ein zweiter wichtiger Indikator ist, ob Unternehmen formellere Tools zur KI-Kostenbeobachtbarkeit einführen, statt Ausgaben weiterhin über Cloud-Dashboards und Teilberichte zu verwalten.

Ebenso lohnt es sich zu beobachten, ob sich die Wechselwelle auf etablierte Anbieter wie Google Cloud, Microsoft Azure, OpenAI und Gemini konzentriert oder sich in eine spürbare Beschleunigervielfalt ausweitet. Wenn Evaluierungen von Nicht-Nvidia-Lösungen in Deployments münden, wäre das ein Zeichen für einen tieferen Wandel in der Art und Weise, wie Unternehmen über Leistung, Versorgungsrisiken und Kostenkontrolle denken.

Schließlich sollte man die operativen Kennzahlen im Blick behalten. Wenn künftige Umfragen zeigen, dass die GPU-Auslastung steigt und mehr Unternehmen die Rechenökonomie rigoros verfolgen, dann könnte die heutige Überausgabe wie ein vorübergehender Wachstumsschmerz aussehen. Wenn nicht, könnte die Unternehmens-KI ihren nächsten Expansionszyklus mit denselben Transparenzproblemen beginnen — nur bei einer größeren Rechnung.

Creati.ai-Perspektive

Die wichtigste Erkenntnis dieser Umfrage ist nicht, dass Unternehmen mehr KI-Infrastruktur wollen. Das ist seit einiger Zeit offensichtlich. Das nützlichere Signal ist, dass viele Käufer inzwischen Integration und Gesamtbetriebskosten als die eigentlichen Entscheidungskriterien erkennen, ihnen aber weiterhin die Instrumentierung fehlt, um beides mit Zuversicht zu messen.

Diese Lücke schafft entlang des gesamten Stacks eine Gelegenheit. Cloud-Anbieter, Modellplattformen, Observability-Anbieter und interne Plattformteams haben allesamt die Chance, KI-Kostenkontrolle zu einem Produktmerkmal zu machen statt zu einem nachträglichen Thema der Finanzabteilung. Die Gewinner könnten die Unternehmen sein, die Rechenleistung lesbar machen: nicht nur verfügbar, sondern zuordenbar, steuerbar und leicht zwischen Workloads vergleichbar. In der Unternehmens-KI könnte eine klarere Ökonomie zu einem stärkeren Wettbewerbsvorteil werden als der nächste zusätzliche Rückgang des Listenpreises.