nLighten, Nebius und Polarise: Die neue Geografie digitaler Rechenleistung
Cloud Computing hat über viele Jahre den Eindruck erweckt, digitale Infrastruktur werde zunehmend ortlos. Anwendungen liefen „in der Cloud“, Daten wurden über globale Plattformen verarbeitet und Rechenleistung erschien als nahezu unbegrenzt verfügbare Ressource.
Mit dem Aufstieg datenintensiver Enterprise-Anwendungen und künstlicher Intelligenz kehrt die physische Realität in die strategische Diskussion zurück.
AI-Modelle benötigen GPUs. GPUs benötigen Strom, Kühlung, Hochgeschwindigkeitsnetzwerke und geeignete Rechenzentren. Daten müssen zwischen Speicher, Compute, Anwendungen und Nutzern bewegt werden. Latenz, Netzkapazität, Energieverfügbarkeit und regulatorische Grenzen werden wieder zu sichtbaren Bestandteilen digitaler Geschäftsmodelle.
nLighten, Nebius und Polarise stehen für drei unterschiedliche Antworten auf diese Entwicklung.
nLighten baut eine paneuropäische Plattform regionaler Edge-Rechenzentren auf. Nebius bietet eine spezialisierte AI-Cloud, die GPU-Compute, Hochgeschwindigkeitsnetzwerke, Kubernetes, Storage und weitere Plattformdienste zusammenführt. Polarise positioniert sich als europäische Infrastrukturplattform, die AI Factories, dedizierte GPU-Umgebungen, Cloud-Angebote und AI-Services unter einem Souveränitätsversprechen verbindet.
Für B2B-Marketingentscheider liegt die grundlegende Lektion nicht darin, drei weitere Infrastrukturmarken unterscheiden zu können.
Sie lautet:
Digitale Wertschöpfung wird nicht allein durch Software bestimmt. Sie hängt zunehmend davon ab, wo Rechenleistung verfügbar ist, wie Daten dorthin gelangen und wer die zugrunde liegende Infrastruktur kontrolliert.
Die Cloud besitzt wieder einen Ort
In der klassischen Cloud-Kommunikation wurde der physische Standort weitgehend abstrahiert. Kunden wählten Regionen und Verfügbarkeitszonen, ohne sich im Detail mit Gebäuden, Stromanschlüssen, Kühlung oder Carrier-Netzen beschäftigen zu müssen.
Diese Abstraktion bleibt nützlich. Sie ist aber nicht vollständig.
nLighten betreibt nach eigener Darstellung mehr als 30 Edge-Rechenzentren in sieben europäischen Ländern. Das Unternehmen positioniert die Standorte bewusst näher an Nutzern, Datenquellen, Anwendungen und regionalen Wirtschaftsräumen. Ziel sind unter anderem geringere Latenz, höhere Resilienz und eine bessere Anpassung an lokale Compliance- und Souveränitätsanforderungen.
Damit wird die Standortentscheidung erneut zu einer Architekturentscheidung.
Ein zentrales Rechenzentrum kann große Mengen an Infrastruktur effizient bündeln. Ein regionaler Standort kann dagegen näher an Produktionsanlagen, Unternehmensstandorten, Nutzern oder Datenquellen liegen. Die Vorteile hängen vom Workload ab.
Eine klassische Geschäftsanwendung toleriert möglicherweise höhere Latenz. Eine industrielle Steuerung, eine Echtzeitanalyse, ein regionaler Content-Service oder eine interaktive AI-Anwendung kann stärker von Nähe profitieren.
Die erste Lektion lautet:
Edge ist keine allgemeine Alternative zur zentralen Cloud. Edge ist eine Antwort auf konkrete Anforderungen an Nähe, Datenbewegung und Reaktionszeit.
Der Begriff sollte deshalb nicht allein als Fortschrittsversprechen verwendet werden. Nicht jeder Workload muss regional betrieben werden. Zusätzliche Standorte erhöhen auch den Aufwand für Betrieb, Monitoring, Security und Datenkonsistenz.
Die richtige Frage lautet nicht, ob ein Unternehmen „an den Edge“ gehen sollte. Sie lautet, welche Prozesse durch geografische Nähe tatsächlich besser werden.
nLighten: Rechenzentren als regionales Ökosystem
Das Kernangebot von nLighten besteht aus Colocation, Konnektivität und On-Site Services. Kunden können eigene Infrastruktur in regionalen Rechenzentren betreiben und dort Stromversorgung, Kühlung, physische Sicherheit und Standortservices nutzen. Hinzu kommen Carrier-, Cloud- und Partnerverbindungen.
Colocation wird häufig als relativ traditionelle Infrastrukturleistung wahrgenommen. Ein Unternehmen stellt eigene Server in einen fremden Raum und lagert den Gebäudebetrieb aus.
Diese Beschreibung unterschätzt die strategische Rolle moderner Rechenzentren.
Ein Rechenzentrum ist nicht nur ein sicherer Standort für Hardware. Es ist ein Knotenpunkt, an dem Strom, Kühlung, Netzwerke, Cloud-Verbindungen, Dienstleister und operative Unterstützung zusammenkommen.
nLighten beschreibt seine Standorte als carrier-neutral und ermöglicht über das eigene Ökosystem den Zugang zu zahlreichen Netz- und Cloud-Anbietern. Redundante Glasfaserwege, Cloud-On-Ramps und Cross-Connects sollen Kunden unterschiedliche Verbindungsoptionen eröffnen.
Daraus folgt die zweite Lektion:
Der Wert eines Rechenzentrums liegt nicht nur in seiner Fläche und Leistung, sondern in der Dichte seiner Verbindungen.
Ein technisch modernes Gebäude mit schwacher Konnektivität kann für Enterprise-Workloads weniger wertvoll sein als ein kleinerer, gut vernetzter Standort. Daten müssen nicht nur gespeichert und verarbeitet, sondern zuverlässig zu Anwendungen, Clouds, Partnern und Nutzern transportiert werden.
Die Infrastrukturentscheidung ist deshalb immer auch eine Netzwerkentscheidung.
Regionalität ist nicht automatisch Edge
Der Begriff Edge wird im Markt unterschiedlich verwendet. Er kann ein kleines System direkt in einer Fabrik, einen Telekommunikationsstandort oder ein regionales Rechenzentrum bezeichnen.
nLighten verwendet Edge vor allem für eine verteilte Plattform regionaler Rechenzentren in wirtschaftlich relevanten europäischen Standorten. Das ist eine plausible Anbieterdefinition, aber keine universelle technische Kategorie.
Für Kunden ist daher wichtig, den tatsächlichen Abstand zum Anwendungsfall zu prüfen.
Ein Rechenzentrum in derselben Region kann deutlich näher sein als eine zentrale Hyperscaler-Region. Es befindet sich aber weiterhin nicht unmittelbar in der Fabrik, Filiale oder Maschine.
Die dritte Lektion lautet:
Edge sollte über messbare Anforderungen definiert werden, nicht über das Etikett eines Standorts.
Relevant sind unter anderem:
die tatsächlich erreichbare Latenz, die Qualität der Netzverbindung, der Weg zwischen Datenquelle und Verarbeitung, die lokale Ausfallsicherheit und die Frage, wie der Workload bei einer Verbindungsunterbrechung reagiert.
Ein regionaler Standort kann genau die richtige Ebene zwischen zentraler Cloud und lokalem On-Premises-System darstellen. Diese Eignung muss jedoch für jeden Prozess nachgewiesen werden.
AI macht Strom und Kühlung zu Produktmerkmalen
Die AI-Infrastruktur unterscheidet sich von vielen klassischen Enterprise-Workloads. Moderne GPU-Systeme erreichen hohe Leistungsdichten, benötigen spezialisierte Kühlkonzepte und sind auf sehr leistungsfähige interne Netzwerke angewiesen.
nLighten positioniert Teile seines Rechenzentrumsportfolios ausdrücklich für AI- und High-Density-Workloads. Das Unternehmen nennt dabei unter anderem hochdichte Colocation, fortgeschrittene Kühlung und latenzarme Konnektivität.
Polarise geht noch weiter und baut seine Marktrolle ausdrücklich um AI Factories auf. Das Unternehmen beschreibt hochdichte AI-Rechenzentren, dedizierte Private-Cloud-Umgebungen, Bare-Metal-GPU-Angebote, GPU-as-a-Service und eine AI-Cloud-Plattform.
Damit verändert sich die Sprache der Infrastruktur.
Stromkapazität, Kühlverfahren und Rack-Dichte waren schon immer wichtig. Im AI-Markt werden sie jedoch zu sichtbaren Bestandteilen des Leistungsversprechens.
Die vierte Lektion lautet:
Bei AI-Infrastruktur ist die Energie- und Kühlarchitektur Teil des Produkts.
Ein Anbieter kann nur so viel Compute bereitstellen, wie physische Kapazität, Stromzufuhr, Kühlung und Netzwerke tatsächlich erlauben. Softwarebasierte Skalierbarkeit stößt hier auf materielle Grenzen.
B2B-Marketing sollte deshalb nicht so tun, als sei AI-Compute eine unbegrenzt elastische Ressource. Verfügbarkeit, Reservierung, Standort, Ausbauplanung und technische Dichte gehören zur Nutzenargumentation.
Nebius: Von GPUs zur AI-Cloud
Nebius bezeichnet sich selbst als AI-Cloud-Unternehmen mit Sitz in Amsterdam. Die Plattform soll den vollständigen AI-Lebenszyklus von Daten und Training über Fine-Tuning bis zu Laufzeit und Deployment unterstützen.
Der entscheidende Unterschied zu einem reinen GPU-Vermieter liegt in der Plattformebene.
Nebius bietet neben GPU-fähigen virtuellen Maschinen auch GPU-Cluster, Kubernetes, Slurm-basierte Umgebungen, Block- und File-Storage sowie weitere Cloud-Dienste. Die offizielle Dokumentation beschreibt damit eine Infrastruktur, auf der Teams AI-Anwendungen entwickeln, trainieren und betreiben können.
Diese Verbindung ist wichtig, weil eine GPU allein noch keine produktionsfähige AI-Umgebung bildet.
Unternehmen benötigen Datenzugriff, Speicher, Cluster-Orchestrierung, Netzwerke, Identitätsmanagement, Monitoring und Entwicklungswerkzeuge. Die eigentliche Leistung einer AI-Cloud besteht deshalb darin, diese Komponenten gemeinsam nutzbar zu machen.
Die fünfte Lektion lautet:
AI-Infrastruktur wird erst durch Orchestrierung zur Cloud.
Ein physischer GPU-Server stellt Rechenleistung bereit. Eine AI-Cloud macht diese Leistung zugänglich, automatisierbar, teilbar und in Entwicklungs- und Betriebsprozesse integrierbar.
Damit verschiebt sich auch das Buying Center. Nicht nur Infrastrukturverantwortliche entscheiden. Data Scientists, ML Engineers, Plattformteams, Security, Einkauf und Fachbereiche bewerten unterschiedliche Teile derselben Umgebung.
GPU-Leistung ist ein Systemergebnis
Im AI-Markt wird Leistung häufig über GPU-Modelle und deren Anzahl beschrieben. Diese Angaben sind relevant, erklären aber nicht die tatsächliche Leistungsfähigkeit eines Clusters.
Nebius dokumentiert GPU-Cluster mit InfiniBand-Netzwerken und GPUDirect RDMA. Nach Anbieterangaben sollen dadurch Daten direkt zwischen GPU und Netzwerkkarte übertragen werden, ohne den Umweg über die CPU.
Damit wird deutlich: Verteiltes AI-Training hängt nicht nur von der Rechenleistung einzelner GPUs ab. Es hängt davon ab, wie schnell die Geräte miteinander kommunizieren, wie Daten bereitgestellt werden und wie effizient der Cluster orchestriert wird.
Die sechste Lektion lautet:
Bei AI-Compute ist die GPU nur die sichtbarste Komponente eines Gesamtsystems.
Netzwerk, Storage, Software-Stack, Scheduling und Betriebsqualität können die wirtschaftliche Nutzbarkeit ebenso stark beeinflussen wie der Beschleuniger selbst.
Für das Marketing folgt daraus, dass technische Spitzenwerte allein wenig erklären. Entscheidend ist, wie viel nutzbare Modellarbeit ein Kunde unter realen Bedingungen durchführen kann.
Polarise: vom unklaren Infrastrukturakteur zur vertikalen AI-Plattform
Die zunächst offene Marktrolle von Polarise lässt sich anhand der offiziellen Positionierung präzisieren.
Polarise beschreibt sich als europäische Plattform für souveräne AI-Infrastruktur. Das Unternehmen will die gesamte Kette von Planung und Betrieb von Rechenzentren über GPU-, Netzwerk- und Storage-Infrastruktur bis zu Cloud-Plattform, GPU-as-a-Service und modellbezogenen Diensten abdecken.
Damit ist Polarise weder nur ein Rechenzentrumsentwickler noch nur ein Cloud-Anbieter.
Das Geschäftsmodell ist vertikal angelegt:
Auf der physischen Ebene stehen AI Factories und Colocation.
Auf der Infrastrukturstufe stehen GPU-Systeme, Netzwerke und Speicher.
Darüber liegen Private-Cloud-, Bare-Metal- und Virtual-AI-Cloud-Angebote.
Die obere Ebene umfasst Modellzugriff, Fine-Tuning, Inferenz und AI-Entwicklungsdienste.
Die siebte Lektion lautet:
Vertikale Integration kann Abhängigkeiten reduzieren, konzentriert aber zugleich Verantwortung bei einem Anbieter.
Ein Anbieter, der Rechenzentrum, Hardware, Cloud und AI-Plattform gemeinsam steuert, kann technische Übergänge möglicherweise enger optimieren. Für den Kunden kann dies die Komplexität verringern.
Gleichzeitig wächst die Bindung an dessen Architektur, Betriebsmodell und wirtschaftliche Stabilität.
Souveränität darf deshalb nicht nur daran gemessen werden, ob ein Anbieter europäisch ist. Sie muss auch prüfen, wie leicht Workloads, Daten und Modelle wieder aus dessen Stack herausgelöst werden können.
Souveränität beginnt unterhalb der Daten
Polarise stellt europäische Gerichtsbarkeit, Datenlokalität und einen souveränen ML-Stack in den Mittelpunkt seiner Positionierung. Das Unternehmen erklärt, Infrastruktur und Betrieb vollständig unter EU-Recht zu stellen und Daten regional kontrollierbar zu halten. Diese Aussagen sind Herstellerpositionierungen und müssen in der konkreten Vertrags- und Lieferkette geprüft werden.
Nebius ist in Amsterdam ansässig und dokumentiert eigene Security- und Compliance-Kontrollen. Der Trust Center nennt unter anderem Verschlüsselung, Identitätskontrollen und verschiedene Audit- und Compliance-Rahmen. Auch diese Angaben beschreiben den erklärten Sicherheits- und Compliance-Ansatz des Anbieters, nicht die Sicherheit einer konkreten Kundenkonfiguration.
nLighten wiederum schafft mit regionalen Standorten eine physische Grundlage für Datenresidenz, lokale Anbindung und verteilte Infrastrukturen. Ein regionales Rechenzentrum garantiert jedoch nicht automatisch die Souveränität aller dort betriebenen Cloud-, Software- oder Security-Komponenten.
Die achte Lektion lautet:
Digitale Souveränität besitzt eine physische, technische und organisatorische Lieferkette.
Sie beginnt beim Standort und reicht über Hardware, Netzwerke, Virtualisierung, Plattformdienste, Software und Betrieb bis zu Verträgen und Exit-Prozessen.
Ein europäisches Rechenzentrum kann Hardware außereuropäischer Hersteller betreiben. Eine europäische AI-Cloud kann auf proprietären GPU- und Netzwerkplattformen aufbauen. Ein souveräner Datenstandort kann durch nicht portable Plattformdienste neue Abhängigkeiten schaffen.
Souveränität ist deshalb keine einzelne Produkteigenschaft. Sie ist die Fähigkeit, diese Abhängigkeiten zu erkennen, zu kontrollieren und notfalls zu verändern.
Regionalität, AI-Cloud und Souveränität sind komplementär
Die drei Anbieter konkurrieren nur teilweise direkt.
nLighten bietet den physischen Ort, die Colocation und das regionale Konnektivitätsökosystem.
Nebius bietet eine abstrahierte AI-Cloud mit spezialisierten Compute-, Cluster- und Plattformdiensten.
Polarise versucht, beide Ebenen innerhalb eines stärker integrierten, souverän positionierten AI-Infrastrukturmodells zu verbinden.
Daraus ergibt sich keine einfache Reifeleiter.
Ein Unternehmen kann eigene GPU-Systeme in einem nLighten-Rechenzentrum betreiben.
Es kann AI-Compute aus der Nebius Cloud beziehen.
Es kann eine dedizierte AI Private Cloud oder GPU-as-a-Service von Polarise nutzen.
Oder es kann diese Modelle kombinieren.
Die neunte Lektion lautet:
Die relevante Entscheidung ist nicht „Rechenzentrum oder Cloud“, sondern der gewünschte Grad an Abstraktion und Kontrolle.
Je weiter ein Unternehmen nach oben in den Stack geht, desto weniger physische Infrastruktur muss es selbst betreiben. Gleichzeitig übernimmt es mehr Anbieterabhängigkeit und weniger direkte Kontrolle über einzelne technische Ebenen.
Je weiter es nach unten geht, desto mehr Kontrolle erhält es – aber desto mehr Betriebskompetenz, Kapital und Personal benötigt es.
Enterprise-Workloads brauchen eine Platzierungslogik
Die Vielfalt der Modelle macht eine systematische Workload-Klassifikation notwendig.
Ein Unternehmen sollte für jeden relevanten Workload mindestens prüfen:
Wie hoch sind Latenz- und Verfügbarkeitsanforderungen?
Welche Daten dürfen welche Region verlassen?
Benötigt der Workload GPUs nur zeitweise oder dauerhaft?
Wie planbar ist die Auslastung?
Wie groß sind Datenvolumen und Netzwerkkosten?
Welche Plattform- und Kubernetes-Funktionen werden benötigt?
Wer soll Betrieb, Patching und Security verantworten?
Welche Exit-Optionen sind erforderlich?
Die zehnte Lektion lautet:
Infrastrukturstrategie ist die Disziplin, Workloads bewusst zu platzieren.
Ein AI-Prototyp kann von flexibel buchbarer Cloud-Kapazität profitieren. Ein dauerhaft ausgelastetes Trainingscluster kann andere wirtschaftliche Anforderungen besitzen. Eine industrielle Inferenzanwendung benötigt möglicherweise regionalen Betrieb. Hochsensible Modelle können eine dedizierte Umgebung verlangen.
Es gibt deshalb keinen universell besten Anbieter. Es gibt nur unterschiedlich geeignete Betriebsmodelle.
Nachhaltigkeit ist eine Systemfrage
nLighten verbindet seine Rechenzentrumsstrategie mit regionaler Energieintegration, Wärmerückgewinnung und sogenannten Sector-Coupling-Konzepten. Das Unternehmen erklärt, Rechenzentren stärker mit lokaler Energieinfrastruktur verbinden zu wollen.
Polarise positioniert seine AI Factories ebenfalls über hohe Energieeffizienz, modulare Standorte und nachhaltigere AI-Infrastruktur. Diese Aussagen sind Ziel- und Anbieterbeschreibungen; die tatsächliche Umweltwirkung müsste anhand von Standort-, Energie- und Betriebsdaten geprüft werden.
Für AI-Infrastruktur ist Nachhaltigkeit besonders anspruchsvoll. Effizientere Hardware kann den Energiebedarf pro Rechenoperation senken. Gleichzeitig kann die insgesamt steigende Nutzung zu höherem Gesamtverbrauch führen.
Die elfte Lektion lautet:
Infrastruktureffizienz und absolute Umweltwirkung sind nicht dasselbe.
Ein effizienterer Standort kann trotzdem mehr Energie verbrauchen, wenn sein Ausbau und seine Auslastung stark steigen.
B2B-Marketing sollte deshalb konkrete Angaben bevorzugen: Energiequelle, Messmethode, Standort, Auslastung, Kühlverfahren und mögliche Wärmenutzung. Allgemeine Begriffe wie „grün“ oder „nachhaltig“ reichen nicht aus.
Das Buying Center erweitert sich um Energie und Standort
In klassischen Cloud-Entscheidungen dominierten häufig CIO, Cloud Architecture, Security und Einkauf.
Bei regionaler und AI-spezifischer Infrastruktur treten weitere Rollen hinzu:
Data-Center-Verantwortliche, Netzwerkarchitekten, AI-Plattformteams, Data Scientists, Energie- und Nachhaltigkeitsfunktionen, Facility Management, Legal und regulatorische Funktionen.
Ein AI-Infrastrukturprojekt kann außerdem erhebliche Investitions- und Kapazitätsentscheidungen erfordern. Damit steigen Relevanz von CFO, Geschäftsführung und strategischem Einkauf.
Die zwölfte Lektion lautet:
AI-Infrastruktur ist kein reines IT-Thema mehr. Sie verbindet Technologie-, Energie-, Standort- und Kapitalentscheidungen.
Marketing muss deshalb mehrere Entscheidungslogiken gleichzeitig bedienen.
Ein ML Engineer interessiert sich für GPU-Verfügbarkeit und Frameworks. Die Infrastrukturleitung bewertet Netzwerke, Ausfallsicherheit und Betrieb. Security prüft Identitäten und Datenflüsse. Legal untersucht Rechtsraum und Verträge. Finance bewertet Reservierung, Auslastung und Investitionsrisiko.
Eine einheitliche Botschaft über „leistungsstarke AI-Infrastruktur“ reicht für dieses Buying Center nicht aus.
Was B2B-Marketing aus den drei Modellen lernen kann
nLighten, Nebius und Polarise machen sichtbar, dass die AI- und Cloud-Infrastruktur nicht als einheitlicher Markt behandelt werden sollte.
Sie repräsentieren unterschiedliche Wertschöpfungsebenen:
nLighten steht für regionale physische Infrastruktur, Colocation und Verbindung.
Nebius steht für spezialisierte AI-Cloud-Abstraktion und skalierbaren GPU-Compute.
Polarise steht für eine vertikal integrierte, souverän positionierte AI-Infrastruktur vom Rechenzentrum bis zur Modellplattform.
Daraus ergeben sich fünf Grundsätze:
Erstens: Rechenzentrum, Cloud und AI-Plattform nicht als austauschbare Kategorien behandeln.
Zweitens: Edge über konkrete Latenz-, Daten- und Resilienzanforderungen erklären.
Drittens: GPU-Leistung als Zusammenspiel von Compute, Netzwerk, Storage und Orchestrierung darstellen.
Viertens: Souveränität über die gesamte Infrastruktur- und Softwarelieferkette prüfen.
Fünftens: Enterprise-Workloads nach dem benötigten Verhältnis von Kontrolle, Abstraktion und Betriebsverantwortung platzieren.
Die entscheidende Frage lautet deshalb nicht:
Welcher Anbieter besitzt die modernste Infrastruktur?
Sie lautet:
Auf welcher Ebene unserer digitalen Wertschöpfung benötigen wir Nähe, auf welcher Skalierung und auf welcher nachweisbare Kontrolle?
Wo diese Ebenen vermischt werden, bleibt Infrastruktur ein technischer Katalog.
Wo sie bewusst verbunden werden, entsteht eine belastbare Architektur für daten- und AI-intensive Geschäftsmodelle.