Die AI-Boom verkauft die Kapazitäten, die sie kaum nutzt. Stacklets neue „Benchmark“-Technologie ist nur das erste Produkt, das für die Reinigung verwendet wird.

Am 10. September gab eine Cloud-Governance-Startup namens Stacklet bekannt, dass…Cloud AI FinOps BenchmarkEs handelt sich dabei um eine Reihe getesteter Kontrollmaßnahmen, die dazu dienen, „Mängel in der GPU- und AI-Modellinfrastruktur zu entdecken, zu beheben und zu verhindern“. Man muss das richtig verstehen: Es handelt sich dabei um ein Marketinginstrument, nicht um ein Produkt. Ein Benchmark, den man verkauft – anstatt ihn zu veröffentlichen – ist eher ein Positionierungsdokument. Das Interessante ist, dass Stacklet davon ausgeht, dass es überhaupt einen Markt dafür gibt, dieses Produkt zu verkaufen – schließlich beruht diese Strategie auf einer Zahl, die die AI-Branche meist nicht akzeptieren will.

Stacklet ist das kommerzielle Unternehmen hinter Cloud Custodian – einem Open-Source-Policy-Engine, der Cloud-Richtlinien in Form von Code umsetzt. Die Aussage von Cloud Custodian ist, dass KI-Arbeitslasten heute eine wichtige Rolle spielen.Die schnellste wachsende Lücke im Bereich der Verwaltung in den Unternehmens-Cloud-Umgebungen.Das ist der Grund, warum dieser Unterschied tatsächlich existiert und messbar ist – und warum es für Investoren in Unternehmen, die keine Stacklet-Technologie verwenden, von Bedeutung ist.

Das verkaufte Produkt stellt ein echtes Problem dar.

Das grundlegende Problem ist die seltsamste Tatsache bezüglich der Entwicklung von KI-Systemen: Die Branche investiert enorme Summen in diese Systeme – doch nachdem sie angeschlossen wurden, bleiben sie meist ungenutzt. Die Produktionsdaten aus der Umfrage von Cast AI im Jahr 2026 zeigen, dass…Durchschnittliche GPU-Nutzung in den Enterprise-Kubernetes-Clustern beträgt ungefähr…5%Auch wenn man die Unterschiede in der Bevölkerung der Umfrage berücksichtigt, handelt es sich dabei nicht um Rundungsfehler – es handelt sich vielmehr um eine Flotte von Acceleratoren im Wert von über 30.000 Dollar, die nur wenige Prozent der Zeit in Betrieb sind. Die Situation im allgemeinen Cloud-Umfeld ist ebenfalls ähnlich – die Industrietracking-Daten bleiben unverändert.Seit 2019 macht der Cloud-Bereich 27–32 Prozent der Gesamtkosten aus. Im Jahr 2025 wird der Cloud-Markt laut Gartner voraussichtlich über 675 Milliarden US-Dollar liegen..

Die Anreize führen genau zu diesem Verhalten. Die Großunternehmen, die diese Ausrüstung buchen –Rund 600 Milliarden US-Dollar an Investitionen für das Jahr 2026 – etwa 75 Prozent davon sind für KI-Programme vorgesehen.Man gewinnt durch die Nutzung der Kapazität – egal ob der Mieter sie nutzt oder nicht. Die Mieter sammeln anschließend knappe GPUs auf, aus Angst, bei der nächsten Preisänderung keine zu haben. Dann lassen sie die GPUs einfach ungenutzt liegen.Niemand an der Kette wird bezahlt, um zu bemerken, dass die Maschine dunkel ist – also bemerkt niemand es.

Das ist der „Vakuum-Stacklet“, den man füllt – und seine eigenen Beispiele zeigen, wie mechanisch die Ausgabe ist. Eine Politik, die eine Überschüssige Berechnung auf VRAM erkennt, kann…Man spart etwa 10.000 Dollar pro Monat bei einem monatlichen Ausgaben von 100.000 Dollar. Das Unternehmen behauptet, dass die Anwendung von zwei solchen Lösungen dazu führt, dass die Kosten für GPUs um etwa 20% sinken. Bei einer Reduzierung auf nur einen H100 statt zwei H100s bei wenig genutzten Workloads kann die Kosten sogar bis zu 50% reduziert werden.Egal, ob man diesen Prozentsätzen der Anbieter vertraut oder nicht – die Richtung ist klar, und der Mechanismus ist einfach: Untätiges Hardware-Gerät, das durch Angst angetrieben wird – niemand ist dafür verantwortlich für den ungenutzten Teil des Systems.

Warum die Lücke immer schwieriger ignoriert werden kann

Die Kräfte, die dazu führen, dass die GPU-ressourcen verschwendet werden, arbeiten jetzt gegen diese Verschwendung. Der traditionelle FinOps-Modell basiert auf jährlichen Beschaffungszyklen und einer Finanzabteilung, die die Kosten verfolgt. Die AI-Inferenz verhält sich anders: Die Ausgaben werden pro Token, Minute gemessen – und werden von Entwicklern und Datenwissenschaftlern gesteuert, die von der Finanzabteilung nicht beobachtet werden. Es kommen Veränderungen hinzu, die innerhalb eines zweiwöchigen Zeitraums stark sein können. Statische Budgets können diese Veränderungen einfach nicht erkennen. Die Auswirkungen eines falsch konfigurierten GPUs oder eines überhitzten Modellendpots entwickeln sich schneller, als eine manuelle Betriebsmannschaft sie kontrollieren kann.

Hier tritt der „Benchmark“ als Vorläufer hinzu. Schon im Juni versuchte Stacklet, ein Messsystem für AI-FinOps zu entwickeln, um zu definieren, was „gut“ in der GPU-Verwaltung ist und wie die Beschaffungsprozesse in den nächsten zwei bis drei Jahren gestaltet werden sollen. Die Meinungen der Anbieter – und auch die von einer kleinen Gruppe von Unternehmen, die sich mit FinOps für AI beschäftigen – sind, dass eine solche Verwaltungsstruktur notwendig wird, da die Ausgaben für AI nicht mehr nur als Experimente betrachtet werden, sondern als echte Budgets gelten. Ob dieser Benchmark tatsächlich gut ist oder nicht, ist zweitrangig; das Bericht über die Entwicklung eines Standards zeigt jedoch, dass die Branche entschieden hat, dass das Problem es wert ist, standardisiert zu werden.

Was das für einen Investor bedeutet

Ein Einzelinvestor sollte nicht nach den Tabellenkalkulationen suchen, um Stacklet zu kaufen. Es handelt sich dabei um ein Private-Unternehmen.Gegründet im Jahr 2020 von den Entwicklern von Cloud Custodian.Es hat eine Aufregung ausgelöst.18 Millionen Dollar in der Serie A-PhaseUnd ein14,5 Millionen Dollar für die Serie B-PhaseEs gibt keine öffentlichen Aktien, keine berichteten Einnahmen – und die Bewertung des Unternehmens existiert nur in den Köpfen seiner Investoren. Es gibt nichts, was man direkt kaufen könnte. Wer Ihnen durch Stacklet „AI-FinOps-Expositionen“ verkauft, verkauft Ihnen eigentlich nur ein Marketingprodukt.

Die investierbare Information ist diejenige, die die Existenz des Ankündigungsdokuments über die Unternehmen bestätigt.könnenDer „bullish“-Szenario für die GPU-Produktion setzt voraus, dass die Kapazitäten tatsächlich genutzt werden können. Die Nutzungsdaten zeigen jedoch, dass ein erheblicher Teil der Kapazitäten nicht genutzt wird. Deshalb entsteht eine Unterindustrie, die darauf abzielt, diese Kapazitäten zu monetarisieren. Das hat zwei Auswirkungen: Für die Großkonzerne und Kapazitätsanbieter ist das eher neutral – sie mieten die Kapazitäten auf jeden Fall an, daher ist der Müll ein Problem der Nutzer, nicht ihrer. Das eigentliche Risiko liegt bei denen, die die Kosten tragen müssen – sowie bei den Theorien, nach denen die Ausgaben zu Erträgen führen. Dabei geht es um AI-Unternehmen, die Geld verschwenden, sowie um die Tragfähigkeit einer Strategie, die auf einer Nutzungsrate von wenigen Prozent beruht.

Wenn Sie möchten, dass eine Variable festgehalten wird – dann nehmen Sie diese Variable: es geht nicht um Investitionen, sondern um die Nutzung der Ressourcen. Eine Implementierung, bei der die genutzte Kapazität langsam auf einen angemessenen Wert ansteigt, ist eine solche, deren Wirtschaftlichkeit klar ist. Eine Implementierung hingegen, bei der die Kapazität weiterhin ungenutzt bleibt, bedeutet, dass das Geld, mit dem sie realisiert wurde, irgendwo notiert werden muss. Der „Benchmark“ ist nichts weiter als Lärm. Die 5% sind das Signal – und deshalb denkt ein Startup, dass der Verkauf der leeren GPU-Kapazitäten überhaupt ein Geschäft sein könnte.