NVIDIA KI-Fabrik: Kosten von 60 Mio. Dollar pro Megawatt

NVIDIA beziffert die Baukosten einer KI-Fabrik mit rund 60 Millionen Dollar pro Megawatt und führt die Rendite der GPU-Racks auf drei Größen zurück: Ertragskapazität, Nutzungsdauer und Nachfrage.

Drei Größen statt einer Zahl

Im Firmenblog vom 01.10.2026 ordnet Autorin Shruti Koparkar die Frage, die Betreiber vor der Kapitalfreigabe stellen. Ertragskapazität steht für den Umsatz, den eine Anlage erzielen könnte, wenn sie jeden produzierten Token verkauft. Nutzungsdauer beschreibt, wie lange die Hardware weiter verdient. Nachfrage entscheidet, ob die ersten beiden Größen überhaupt zählen.

Bemerkenswert ist die Verschiebung der Debatte von der Rechenleistung in die Bilanz. Hochgerechnet auf 100 Megawatt ergibt der genannte Preis 6 Milliarden Dollar – das ist unsere Multiplikation, keine Angabe des Herstellers. Wie sich die 60 Millionen Dollar auf Hardware, Gebäude und Netzanschluss verteilen, legt der Beitrag nicht offen.

Durchsatz pro Megawatt als Hebel

Für die kommende Generation nennt NVIDIA konkrete Faktoren: Vera Rubin NVL72 soll mehr als den 30-fachen Durchsatz pro Megawatt eines GB300 NVL72 liefern, und die Kosten pro Million Token sollen beim Modell DeepSeek V4 Pro bis zu 45-mal niedriger ausfallen. Als Datengrundlage verweist der Beitrag auf SemiAnalysis AgentX. Beide Werte stammen aus der Darstellung des Herstellers; eine unabhängige Nachmessung ließ sich nicht finden.

Wie lange eine GPU verdient

Das zweite Argument ist die Abschreibung. NVIDIA verweist auf die 2020 ausgelieferte A100, die sechs Jahre später noch im kommerziellen Einsatz sei, und darauf, dass CoreWeave Buchungen für diese Generation bis 2029 verlängert habe. Der Analysedienst Barkr setzt die Nutzungsdauer eines H100-Systems mit acht GPUs bei fünf bis sechs Jahren an, bei GB300 NVL72 bei neun bis zehn Jahren.

Zum Restwert nennt der Beitrag zwei Datenpunkte: Laut Silicon Data ist eine sechs Jahre alte A100 noch etwa 25 % des Anschaffungspreises wert, laut Ornn Data erzielen Fünfjahresverträge für A100 noch 80 % der Monatsrate. Laufende Software- und Kernel-Optimierung halte zusätzlich die Leistung installierter Hardware am Steigen – eine Zahl dafür nennt NVIDIA nicht.

Fungibel: dieselbe Anlage, andere Last

Der dritte Punkt ist die Austauschbarkeit der Arbeitslast. Dieselben Systeme sollen Sprache, Bild, Biologie, Physik und Robotik bedienen, dazu Vorverarbeitung, Training und Inferenz sowie klassische Aufgaben wie Simulation, Grafik und wissenschaftliches Rechnen. Als Basis nennt NVIDIA CUDA mit über 1.000 CUDA-X-Bibliotheken und mehr als 10 Millionen Entwicklern. Nicht jede Last brauche das neueste System – deshalb blieben ältere Generationen rechenbar.

Belegt wird das mit Kundenbeispielen: Lilly betreibt einen eigenen Cluster mit 1.016 GPUs für Protein- und Genomik-Modelle, Pinterest nutzt 14.000 GPUs über Blackwell, Hopper und ältere Architekturen hinweg, und die Texas A&M University meldet 95 bis 98 % Auslastung über 26 Projekte. Unilever beziffert die Einsparung bei digital erzeugten Produktbildern mit 50 % gegenüber klassischer Fotografie.

Was der Beitrag nicht zeigt

Es handelt sich um einen Herstellerbeitrag mit Zahlen, nicht um eine geprüfte Wirtschaftlichkeitsrechnung. Weder Tokenpreise noch Belegungsgrade einer konkreten Anlage werden offengelegt, und die zitierten Analysehäuser sind im Text nur referenziert, nicht verlinkt. Wer die Rechnung nachvollziehen will, findet die Originalanalyse von NVIDIA.