Googles TPU-Rationierung: Prioritäten statt Lieferproblem

TPU-Rationierung als autoritative Entscheidung

Google rationiert den Zugang zu seinen Tensor Processing Units (TPUs), weil die Nachfrage das begrenzte Angebot physisch übersteigt. CFO Anat Ashkenazi spricht von einem „supply-constrained environment“ – einer realen Obergrenze, keinem Prognosefehler. Die Nachfrage explodiert aus mehreren Gründen: Google verarbeitet nach eigenen Angaben 3,2 Billiarden Tokens pro Monat über KI-Produkte und APIs, ein Anstieg von 480 Billionen im Mai 2025 und 9,7 Billionen im April 2024. Der interne Entwickler-Tokenverbrauch sprang von 0,5 Billionen Tokens pro Tag im März 2026 auf über 3 Billionen pro Tag bis Mitte Mai 2026 – eine Versechsfachung in acht Wochen, getrieben durch die Antigravity-Plattform. Zusätzlich haben mehr als 375 Google-Cloud-Kunden jeweils über eine Billion Tokens in den vergangenen zwölf Monaten verarbeitet. Neue Frontier-Modelle wie Gemini benötigen enorme Rechenkapazitäten für Training und Inferenz, während externe Kunden-Growth durch Deals mit Anthropic und Meta weitere TPU-Stunden bindet. Sobald die Knappheit physisch ist, wird die Zuteilung von Rechenleistung zu einer autoritativen Entscheidung: Jemand muss festlegen, welche Projekte Vorrang erhalten. Google hat diese Entscheidung öffentlich auf einem Earnings Call getroffen. Die Konsequenzen zeigen sich außerhalb der Unternehmensgrenzen, etwa bei rationierten Kunden und milliardenschweren Leasingverträgen. Die zentrale Frage ist nicht nur, wie viel Rechenleistung existiert, sondern wer die Befugnis hat, sie zu verteilen, wenn das Angebot nicht alle legitimen Anforderungen erfüllen kann. Die Rationierung ist damit kein reines Kapazitätsmanagement, sondern eine strategische Priorisierung des Managements.

Pichais Prioritätenliste: Wer zuerst bedient wird

Auf der Bilanzpressekonferenz zum zweiten Quartal 2026 hat Sundar Pichai die Prioritäten für die TPU-Zuteilung ungewöhnlich konkret benannt. An erster Stelle steht die Entwicklung von Frontier-Modellen, also der leistungsfähigsten KI-Systeme. Danach folgen Kernprodukte und das Cloud-Serving, also der Betrieb bestehender Dienste und die Auslieferung von Modellen an Endnutzer. Externe Kundeninfrastruktur rangiert auf dem letzten Platz. Warum werden externe Kunden bewusst nachrangig behandelt? Pichai erklärte, dass externe Nachfrage zunehmend durch die Bereitstellung von TPUs in Rechenzentren der Kunden oder Dritter bedient werde – eine strukturelle Verschiebung, die interne Kapazitäten schont. Diese Strategie dient dazu, die knappen internen TPU-Stunden für die eigenen strategischen Ziele zu reservieren: die Entwicklung von Frontier-Modellen und den Betrieb von Kernprodukten, die direkt Googles Wettbewerbsposition stärken. Externe Kundeninfrastruktur wird als nachrangig eingestuft, weil sie nicht unmittelbar zur eigenen Modellführerschaft beiträgt, sondern primär Umsatz generiert. Die Konsequenzen für externe Kunden sind spürbar: Sie erhalten geringere TPU-Stunden aus internen Clustern und müssen längere Wartezeiten in Kauf nehmen, sofern sie nicht auf Drittanbieter-Rechenzentren ausweichen. Google legt nicht offen, wie viele TPU-Stunden an externe Kunden gehen oder welchen Anteil die einzelnen Prioritätsstufen haben. Die Rangfolge ist eine erklärte Priorität, kein geprüftes Zuteilungsprotokoll. Diese Priorisierung macht die Allokation zur Strategie: Wenn eine einzige Ressource jede Ebene des Geschäfts prägt, entscheidet die Zuteilung über Wettbewerbsfähigkeit.

DeepMind-Forscher im Abseits: Kürzungen der TPU-Zuteilung

Interne Planungsdokumente belegen, dass die TPU-Zuteilung für die Wissenschaftsteams von Google DeepMind drastisch gekürzt wurde. Laut geleakten Scheduling-Tabellen der Google Cloud wurde der Anteil der dedizierten TPU-Cluster für DeepMinds Forschungsgruppen erheblich reduziert. Die freigewordene Hardware wurde direkt den Trainingsclustern für das Sprachmodell Gemini zugewiesen. Warum hat das Management diese Kürzung dauerhaft beschlossen? Die Begründung liegt in der strategischen Priorisierung von Gemini als zentralem Produkt: Google will im Wettbewerb mit Anthropic und OpenAI bestehen, und Gemini benötigt massive Rechenkapazitäten für Training und Weiterentwicklung. Gleichzeitig spielen finanzielle Ziele eine Rolle – der Cloud-Umsatz und die milliardenschweren Lieferverträge mit externen Kunden versprechen kurzfristige Einnahmen, während Grundlagenforschung erst langfristig Erträge liefert. Deshalb wird die Umverteilung zugunsten von Gemini als dauerhafte interne Politikänderung bezeichnet, nicht als vorübergehende Störung. Geplante Aktualisierungen des Materialforschungsprojekts GNoME und von Strukturbiologie-Modellen sind internen Roadmaps zufolge bis mindestens 2027 verschoben. Forscher, auch innerhalb von Google DeepMind, müssen sich um TPU-Zugang anstellen und konkurrieren dabei mit zahlenden Cloud-Kunden und Gemini-Projekten. Die Knappheit prägt, welche Fragen gestellt werden, wer befördert wird und wie schnell Arbeit voranschreitet. Einige Spitzenforscher verlassen das Unternehmen und gründen Startups wie Elorian oder ReflectionAI, weil sie dort mehr Rechenleistung und weniger bürokratische Hürden vorfinden. Die Kürzung zeigt, dass Grundlagenforschung hinter Produktentwicklung zurücktritt und der Fokus sich von riskanten, experimentellen Ideen hin zu kurzfristigen Erfolgen verschiebt.

Milliarden-Deals mit Anthropic und Meta verschärfen den Engpass

Google hat erhebliche TPU-Kapazitäten extern gebunden. Mit Anthropic besteht ein Vertrag über bis zu eine Million TPU-Chips und fünf Gigawatt Rechenleistung über fünf Jahre, im Wert von mehreren zehn Milliarden Dollar. Ein separater, über Broadcom vermittelter Lieferweg sieht ab 2027 weitere 3,5 Gigawatt für Anthropic vor, zusätzlich zu dem bereits 2026 gelieferten Gigawatt. Auch mit Meta hat Google einen TPU-Liefervertrag abgeschlossen. Diese Zusagen binden Kapazität, die den internen Modellteams ohne Warteschlange nicht mehr zur Verfügung steht. Parallel haben Blackstone und Google ein Joint Venture angekündigt: Blackstone investiert fünf Milliarden Dollar Eigenkapital, das Gesamtkapital liegt bei rund 25 Milliarden Dollar, Ziel sind 500 Megawatt bis 2027. Die Nachfrage ist enorm: Google verarbeitet nach eigenen Angaben 3,2 Billiarden Tokens pro Monat über KI-Produkte und APIs. Die externen Deals verschärfen den internen Engpass, weil sie langfristig Rechenleistung abziehen. Der Cloud-Backlog liegt bei etwa 240 Milliarden Dollar, was die ungedeckte Nachfrage illustriert. Die strategische Entscheidung, knappe TPUs an Wettbewerber wie Anthropic zu verkaufen, die mit Gemini konkurrieren, ist innerhalb des Unternehmens umstritten. Die Joint-Venture-Struktur zeigt zudem, dass selbst der größte Hyperscaler die Investitionen nicht mehr allein aus dem Cashflow stemmen kann. Die gebundenen Kapazitäten für Anthropic und Meta bedeuten, dass interne Forschungsteams wie DeepMind noch weniger Zugriff auf TPUs haben, was die Knappheit weiter verstärkt.

Widerspruch: Lieferproblem oder selbstverschuldete Knappheit?

Google stellt die TPU-Knappheit als physisches Lieferproblem dar. Demis Hassabis, Chef von DeepMind, führt den Engpass auf wenige Komponentenlieferanten zurück, die hinter jedem fortschrittlichen Beschleuniger auf dem Markt stehen. Sundar Pichai betont, dass externe Kundeninfrastruktur die niedrigste Priorität habe. Beobachter widersprechen: Sie argumentieren, die Knappheit sei durch die Entscheidung, große TPU-Kapazitäten an Anthropic und Meta zu verkaufen, selbst verschärft worden. Diese langfristigen Verträge binden interne Kapazität und stehen im Widerspruch zur erklärten Prioritätenliste. Während Google externe Faktoren betont, heben Kritiker die internen Allokationsentscheidungen als eigentliche Ursache hervor. Der Widerspruch ist nicht aufgelöst: Einerseits wird externe Kundeninfrastruktur als nachrangig bezeichnet, andererseits wurden milliardenschwere Lieferverträge mit externen Kunden abgeschlossen, die genau diese Infrastruktur bedienen. Die öffentliche Darstellung als Lieferproblem dient auch dazu, die eigene Priorisierung zu rechtfertigen. Beobachter verweisen darauf, dass Google seine knappste strategische Ressource über Monate an das Unternehmen gebunden hat, das mit Gemini am direktesten konkurriert. Hassabis selbst hat gesagt, Google sei „lucky“, weil es eigene TPUs besitze – dieselben TPUs, die es gigawattweise an Anthropic vermietet. Diese Diskrepanz zwischen öffentlicher Erklärung und tatsächlicher Allokation bleibt bestehen.

Folgen: Talentabwanderung, Innovationsstau und ein $240-Milliarden-Backlog

Die Rationierung hat konkrete, langfristige Folgen für Googles Innovationsfähigkeit. Erstens verzögern sich zentrale Forschungsprojekte: GNoME und Strukturbiologie-Modelle sind bis mindestens 2027 verschoben, was den Innovationsstau in der Grundlagenforschung vertieft und die Entdeckung neuer Materialien oder biologischer Erkenntnisse blockiert. Zweitens wandern Top-Wissenschaftler ab: Forscher verlassen Google, weil externe Firmen wie Startups (Elorian, ReflectionAI) mehr Rechenleistung, weniger Bürokratie und größere Freiheit bieten. Dieser Talentverlust trifft genau die Personen, die für die nächste Modellgeneration entscheidend wären, und schwächt die interne Forschungskompetenz dauerhaft. Drittens entsteht eine gefährliche Abhängigkeit von externen Deals: Die milliardenschweren Verträge mit Anthropic und Meta binden Kapazität, die für interne Innovation fehlt, und machen Google anfällig für die Prioritäten zahlender Kunden. Der Cloud-Backlog bleibt mit rund 240 Milliarden Dollar hoch, weil die Nachfrage das Angebot weiter übersteigt. Die strategische Frage ist, ob Google mit dieser Priorisierung langfristig Innovationsfähigkeit einbüßt. Wenn Grundlagenforschung zugunsten von Produktentwicklung und externen Deals zurückgestellt wird, riskiert das Unternehmen, die Quelle künftiger Durchbrüche zu schwächen. Die autoritative Allokation entscheidet nicht nur über kurzfristige Lieferfähigkeit, sondern über die Richtung der gesamten KI-Forschung bei Google. Wer keine Rechenzeit bekommt, sucht sie anderswo – und nimmt sein Wissen mit.