Construeren van een AI-datacenter van 1 GW is niet meer vergelijkbaar met het optrekken van een technologische hub met servers. Op die schaal wordt de installatie een financiële, energetische en industriële operatie van wereldklasse. Een kenmerkende statistiek die dat onderbouwt, is moeilijk te negeren: volgens het Epoch AI-model vereist een 1 GW AI-datacenter ongeveer 38 miljard dollar aan initiële investering en ongeveer 900 miljoen dollar jaarlijkse operationele kosten.
De visualisatie van Epoch AI plaatst de initiële CapEx op 37,2 miljard dollar, een getal dat het eigen onderzoek afrondt op 38 miljard. Die verschil verandert niets aan de kernboodschap: de grote kapitaalintensieve kosten zitten niet in het terrein of de aansluiting op het net. Ze bevinden zich in de hardware van de computing, vooral in de servers met AI-accelerators. Volgens Epoch drijven de servers de totale jaarlijkse kosten het meest, met ongeveer 5 miljard dollar per jaar, ongeveer 60% van de totale eigendomskosten (TCO).
AI schaalt niet alleen met energie: het schaalt met kapitaal
In het publieke debat over AI-datacenters wordt vaak gesproken over elektriciteit, vergunningen, beschikbaarheid van land, water, netwerkaansluiting en lokale tegenstand. Al deze factoren zijn belangrijk. Zonder elektriciteit geen AI-cluster. Zonder vergunningen geen bouw. Zonder koeling geen stabiele operatie. Maar bij het bekijken van de economische structuur van een 1 GW-installatie verschijnt een moeilijker te ignoreren feit: het duurste onderdeel is datgene dat het snelst afschrijft.
Epoch AI modelleert een hypothetisch datacenter van 1 GW, geëxploiteerd door een Amerikaanse hyperscaler, met een nominaal vermogen van 1 GW voor IT-apparatuur. De organisatie benadrukt dat het geen exacte schatting is van een concrete installatie en dat de kosten kunnen variëren afhankelijk van locatie, ontwerp, financiering, energiebeleid en type servers.
Het centrale uitgangspunt is ook relevant: het model gaat uit van systemen NVIDIA GB200 NVL72, een configuratie die geassocieerd wordt met high-performance AI-belastingen. Als het type server verandert, wijzigen ook de hardwarekosten, netwerkkosten, koeling, dichtheid, energieverbruik en operationele kosten.
De financiële lezing is eenvoudig: een AI-datacenter op deze schaal vereist het uitgeven van tientallen miljarden dollar voordat er inkomsten gegenereerd worden. Het gaat niet alleen om het bouwen van het gebouw en het inkopen van energie; er moet een enorme hoeveelheid servers, GPUs, interne netwerken, opslag, koeling, elektrische voeding en hulpbronnen worden aangeschaft en geïnstalleerd. De fysieke infrastructuur is duur, maar het gewicht van de siliciumchips is nog groter.
Hardware is de stille bottleneck
De uitsplitsing uit Epoch AI’s model toont dat servers meer dan de helft van de initiële investering opslokken. Op de jaarlijkse schaal is de conclusie nog duidelijker: servers vertegenwoordigen ongeveer 5 miljard dollar per jaar, tegenover een totale eigendomskosten (TCO) van ongeveer 8,5 miljard dollar. Energie, hoewel het grootste operationele onderdeel, kost ongeveer 600 miljoen dollar per jaar, een fors bedrag, maar veel minder dan de jaarlijkse hardwarekosten.
Dat verandert de interpretatie van de AI-race. Het schaarsteprobleem is niet alleen een gebrek aan megawatt vermogen. Het gaat ook om de capaciteit om hardware te kopen, financieren, ontvangen en afschrijven op grote schaal. AI-chips, HBM-geheugen, switches, interconnectiesystemen en racks met hoge dichtheid zijn de onderdelen die een datacenterproject tot een kapitaalsintensieve belegging maken.
| Item | Economische interpretatie |
|---|---|
| Servers en accelerators | Belangrijkste investerings- en afschrijvingstop |
| Interne netwerken | Noodzakelijk voor samenwerking van duizenden accelerators |
| Installatie en koeling | Hoge kosten, maar lager dan hardware |
| Energie | Grote operationele kosten, maar niet de primaire kost |
| Aannemerij | Klein in vergelijking met totale kosten | Netwerkinfrastructuur en transformatoren | Belangrijk voor haalbaarheid, minder financieel zwaar |
De interne netwerkstructuur verdient extra aandacht. In AI gaat het niet alleen om het verzamelen van GPUs; het moet ook met lage latentie en hoge bandbreedte worden verbonden. Zo kunnen training en inferentie op grote schaal efficiënt worden uitgevoerd. Daarom is de netwerkkost geen bijkomstigheid: het maakt deel uit van de daadwerkelijke prestaties van het cluster.
Het terrein is weliswaar niet de belangrijkste kost, maar kan het project blokkeren
Dat het land en de aansluiting een klein deel van de totale kosten uitmaken, betekent niet dat ze irrelevant zijn. Een goedkoop stuk land heeft geen waarde als het geen toegang biedt tot energie, glasvezel, water of vergunningen. Een goede netwerkaansluiting kan wellicht een kleine post op de begroting zijn, maar toch het knelpunt vormen dat jaren vertraging oplevert.
Het is een belangrijk nuanceverschil: van een financieel perspectief is de grootste uitgave hardware. Vanuit operationeel en regulatorisch oogpunt kunnen elektriciteitsvoorziening en vergunningen echter bepalen of een datacenter er komt of niet.
Daarom besteedt de industrie veel aandacht aan energie. Niet omdat het altijd de duurste post is, maar omdat het de voorwaarde vooraf is. Een gigawatt installeren doe je niet zomaar. Het vereist voorzieningsplanning, transformatoren, leveringscontracten, evacuatiemogelijkheden, vergunningen, koeling en coördinatie met de energieleverancier.
Epoch gaat ervan uit dat de installatie volledig via het elektriciteitsnet wordt gevoed en geen eigen opwekking achter de meter omvat. Het model waarschuwt dat het toevoegen van dedicated energieopwekking waarschijnlijk de kosten zal verhogen en mogelijk de energiekosten zal beïnvloeden.
De levensduur van hardware beïnvloedt de economische dynamiek totaal
De meest essentiële inzicht uit Epoch AI’s analyse is de gevoeligheid voor de levensduur van apparatuur. Zij gaan uit van vijf jaar voor IT-hardware en 14 jaar voor de installatie. Als de levensduur van het hardware-equipment wordt teruggebracht tot drie jaar, stijgt de totale jaarlijkse kostprijs aanzienlijk, tot ongeveer 12 miljard dollar. Als de levensduur wordt verlengd naar zeven jaar, daalt die tot circa 7 miljard dollar.
Dit is cruciaal voor de competitieve dynamiek van AI. Gebouwen en transformatoren kunnen langer meegaan, maar AI-accelerators verouderen snel: telkens wanneer een nieuwe generatie meer presteert, meer geheugen biedt, efficiënter is of goedkoper per token, wordt de afschrijving een strategische variabele.
Voor een hyperscaler is het niet genoeg om GPU’s te kopen. Men moet die GPU’s volledig benutten om ze zo lang mogelijk rentabel te houden, voordat de volgende hardwarecyclus hun concurrentievermogen wegneemt. Daarom zijn gebruiksratio, taakverdeling, scheduling, energieverbruik, software-efficiëntie, modelspecificaties en interne verkoop of gebruik belangrijke aspecten.
AI vereist niet alleen CapEx. Het vraagt om CapEx-rotatie.
Waarom dit de grote spelers bevoordeelt
Een investering van 37 tot 38 miljard dollar per datacenter is voor bijna niemand anders dan grote hyperscalers, grote investeringscoöperaties of sterk door de overheid gesteunde allianties haalbaar. Het gevolg is een natuurlijke concentratie: wie financiële kracht, toegang tot schuld, supply contracts en sterke relaties met chipfabrikanten en energieleveranciers heeft, begint met een voordeel.
De financieringsdiscussie wordt meer en meer vergelijkbaar met grootschalige infrastructuurprojecten dan met traditionele technologie-investeringen. De industrie financiert niet alleen servers, maar ook gigawattvermogen, supply chains, energiecontracten, land, transformatoren, glasvezel, vloeistofkoeling en hardware-innovatierondes.
Dit verklaart waarom discussies over handelsbelemmeringen, exportrestricties, halvgeleidermarkt en geheugenprijzen niet secundair zijn. Aangezien hardware het hoofdonderdeel van de kosten is, worden spanningen in de toeleveringsketen direct zichtbaar in de kosten van AI-uitrol.
Het verklaart ook waarom veel bedrijven meer op zoek gaan naar manieren om modellen kleiner te maken, inferentie te optimaliseren, hardware te specialiseren, private cloud te gebruiken, accelerators te delen en slimme routing toe te passen. Niet elk AI-probleem rechtvaardigt de duurste infrastructuur.
De ontbrekende metriek: kosten per nuttige capaciteit
De indrukwekkende 1 GW-capaciteit zegt prima over de grootte, maar vertelt niet alles. Uiteindelijk gaat het erom hoeveel nuttige capaciteit je per dollar krijgt. Een datacenter kan veel vermogen hebben, maar slechter presteren dan verwacht als de interne netwerkinfrastructuur het trainen beperkt, als koeling de dichtheid verlaagt, als de benutting laag is of als de software niet optimaal gebruikmaakt van de hardware.
In komende jaren wordt het minder nuttig alleen nog maar te spreken over megawatt en GPU-aantallen. Er zal meer aandacht moeten zijn voor kosten per token, kosten per taak, kosten per training, kosten per nuttige GPU-uur, efficiëntie per vatio, echte benutting, latency en afschrijving per hardwaregeneratie.
De AI-race wordt een race naar industriële efficiëntie. Winnen doet wie kapitaal sneller kan vertalen naar nuttige capaciteit en dat met zo min mogelijk verspilling.
Het rapport van Epoch AI helpt om orde te scheppen in een discussie die vaak vastloopt op energiethema’s. Energie is belangrijk. Land is belangrijk. Vergunningen zijn belangrijk. Maar bij een 1 GW AI-datacenter begint de belangrijkste vraag al vóór die factoren: wie durft tientallen miljarden in hardware te investeren voordat je zeker weet dat die capaciteit gevuld wordt met winstgevende werkbelasting gedurende zijn hele levensduur?
Veelgestelde vragen
Hoeveel kost het bouwen van een 1 GW AI-datacenter?
Volgens het Epoch AI-model circa 38 miljard dollar aan initiële CapEx, met ongeveer 900 miljoen dollar jaarlijkse OpEx.
Wat is de duurste post?
De hardware van servers en accelerators. Op de jaarlijkse schaal vormt die ongeveer 60% van de totale eigendomskosten.
Is energie de grootste kost?
Het is de grootste operationele kost, maar niet de primaire kost bij jaarlijkse afschrijving. Epoch AI schat ongeveer 600 miljoen dollar per jaar voor energie, tegenover circa 5 miljard dollar voor servers.
Waarom is de levensduur van GPU’s zo belangrijk?
Omdat AI-hardware snel veroudert. Als de levensduur daalt van vijf naar drie jaar, stijgt de totale jaarlijkse kostprijs sterk. Andersom verlaagt verlenging naar zeven jaar de kosten aanzienlijk.
Kan een middelgroot bedrijf dit soort infrastructuur bouwen?
Op de schaal van 1 GW is dat zeer moeilijk. De volumes in kapitaal, energievoorziening, chiptoelevering en operationele capaciteit bevoordelen hyperscalers en grote industriële of financiële coalities.