Google „Frozen v2": Warum der KI-Wettbewerb längst bei Chips und Infrastruktur entschieden wird

Kurz zusammengefasst: Google entwickelt laut Berichten einen neuen KI-Chip mit Codenamen „Frozen v2", der Gemini deutlich effizienter ausführen soll – Einsatz frühestens 2028. Die eigentliche Botschaft für Unternehmen: Der KI-Wettbewerb entscheidet sich nicht mehr nur beim Modell, sondern bei Chips, Rechenzentren, Cloud, Daten und Anwendungen. Wer jetzt Wissen, Daten, Prozesse und Mitarbeitende auf KI vorbereitet, profitiert von jedem weiteren Infrastruktur-Sprung – ohne auf den nächsten Chip warten zu müssen.

Google soll an einem neuen Server-Chip arbeiten, der speziell für die Ausführung von Gemini-Modellen entwickelt wird. Der interne Name: „Frozen v2".

Laut einem Bericht von Reuters, der sich auf The Information beruft, könnten dabei Teile des KI-Modells stärker direkt in die Hardware integriert werden. Das Ziel wäre, Gemini effizienter auszuführen und den enormen Bedarf an Rechenleistung besser abzudecken.

Der Chip könnte frühestens 2028 zum Einsatz kommen. Offiziell bestätigt hat Google das Projekt bisher nicht. Trotzdem ist die Meldung interessant, denn sie zeigt, wohin sich der KI-Wettbewerb gerade entwickelt: Es geht längst nicht mehr nur darum, welches Unternehmen das beste Sprachmodell entwickelt. Entscheidend wird zunehmend, wer die gesamte Infrastruktur dahinter am besten aufeinander abstimmen kann – Chips, Rechenzentren, Cloud, Modelle, Daten und Anwendungen.

Was ist Google „Frozen v2"?

Kurzantwort: „Frozen v2" ist der interne Codename eines neuen Google-Server-Chips, der speziell auf die Ausführung von Gemini-Modellen zugeschnitten sein soll. Teile des Modells würden dabei direkt in die Hardware integriert, um Inferenz schneller und günstiger zu machen. Offiziell bestätigt ist das Projekt nicht; ein Einsatz gilt frühestens ab 2028 als realistisch.

Google entwickelt bereits seit mehr als zehn Jahren eigene Tensor Processing Units (TPUs) – Chips, die speziell für KI-Berechnungen ausgelegt sind. „Frozen v2" wäre die konsequente nächste Stufe: Ein Chip, der nicht mehr generisch für viele Workloads gebaut ist, sondern gezielt für Gemini optimiert wird.

Warum benötigt KI so viel eigene Infrastruktur?

Kurzantwort: Sichtbar ist nur die Oberfläche von ChatGPT, Gemini oder Claude. Dahinter läuft riesige Rechenleistung – vor allem für die Inferenz, also die Beantwortung jeder einzelnen Anfrage. Anbieter müssen KI gleichzeitig schneller, günstiger und energieeffizienter machen. Das ist nur über eine durchoptimierte Infrastruktur aus Chips, Rechenzentren und Software möglich.

Das Training neuer KI-Modelle benötigt enorme Rechenkapazitäten. Noch wichtiger für die alltägliche Nutzung ist aber die Inferenz: der Moment, in dem ein trainiertes Modell eine Anfrage verarbeitet und eine Antwort erzeugt. Jede Zusammenfassung, jedes generierte Bild und jede Analyse verbraucht Rechenleistung. Wenn Millionen Menschen und Unternehmen KI gleichzeitig verwenden, summiert sich dieser Bedarf entsprechend.

Die Anbieter stehen deshalb vor drei zentralen Aufgaben:

• KI-Anwendungen müssen schneller werden.
• Die Kosten pro Anfrage müssen sinken.
• Der Energieverbrauch muss beherrschbar bleiben.

Bessere Modelle allein lösen diese Probleme nicht. Dafür muss die gesamte technische Infrastruktur optimiert werden.

Wie verbindet Google Chips, Modelle und Anwendungen?

Kurzantwort: Google kombiniert eigene TPUs, eigene Rechenzentren, die Gemini-Modelle sowie Anwendungen wie Workspace, Search, Chrome und Android zu einem geschlossenen Stack. Je enger diese Ebenen aufeinander abgestimmt sind, desto günstiger und schneller lässt sich KI ausliefern.

Google entwickelt seit über einem Jahrzehnt eigene TPUs. Diese Chips sind speziell für KI-Berechnungen ausgelegt und werden in Googles eigenen Rechenzentren betrieben. Darauf laufen die Gemini-Modelle – und die wiederum stecken in immer mehr Google-Produkten: in Workspace-Dokumenten, in der Suche als AI Overviews, in Chrome, in Android.

„Frozen v2" würde diese vertikale Integration weiter vertiefen: Ein Chip, ein Modell, eine Cloud, viele Anwendungen – alles aus einer Hand und aufeinander optimiert.

Wie positioniert sich OpenAI im Infrastruktur-Wettlauf?

Kurzantwort: OpenAI baut keinen eigenen Chip in gleicher Tiefe, sondern verbindet sich mit einem Netzwerk aus Hardware- und Infrastrukturpartnern: NVIDIA, AMD, Broadcom sowie das Projekt „Stargate" mit Microsoft und weiteren Partnern für neue Rechenzentren.

Wo Google alles selbst baut, setzt OpenAI auf ein Ökosystem: NVIDIA-GPUs und AMD-Beschleuniger für das Training, Broadcom für kundenspezifische Chips, Microsoft Azure als bevorzugte Cloud und mit „Stargate" eine großangelegte Investitionsinitiative in neue Rechenzentrumskapazitäten. Auch das ist eine Infrastrukturstrategie – nur eben als Netzwerk statt als geschlossener Stack.

Was bedeutet dieser Wettbewerb konkret für Unternehmen?

Kurzantwort: Der Zugang zu leistungsfähiger KI wird günstiger und einfacher. Der eigentliche Engpass verlagert sich damit in die Organisation: Daten, Wissen, Prozesse, Zugriffsrechte und die Fähigkeiten der Mitarbeitenden entscheiden darüber, ob ein Unternehmen aus KI echten Wert zieht – oder nicht.

Viele Unternehmen verfügen heute schon über ChatGPT, Gemini, Microsoft Copilot oder andere KI-Tools. Trotzdem bleibt die Nutzung häufig auf einzelne Mitarbeitende und einfache Aufgaben beschränkt. Das liegt meistens nicht an fehlender Rechenleistung, sondern an strukturellen Themen:

• Unternehmenswissen ist über Laufwerke, E-Mails und verschiedene Systeme verteilt.
• Daten sind unvollständig oder nicht sauber strukturiert.
• Prozesse sind nicht klar dokumentiert.
• Zugriffsrechte und Verantwortlichkeiten fehlen.
• Mitarbeitende wissen nicht, wofür sie KI sinnvoll einsetzen können.
• Datenschutz und Governance werden erst am Ende des Projekts betrachtet.

Ein leistungsfähigeres Modell kann diese Probleme nicht automatisch lösen.

Warum wird KI immer stärker in bestehende Software integriert?

Kurzantwort: Weil Anwender nicht ständig zwischen Tools wechseln wollen. Anbieter wie Google (Gemini in Workspace) und Microsoft (Copilot in Microsoft 365) bauen KI direkt in Programme ein, in denen ohnehin gearbeitet wird. Fallende Infrastrukturkosten machen das auch für kleinere und alltägliche Aufgaben wirtschaftlich.

Textverarbeitung, Tabellen, Präsentationen, E-Mail-Programme, CRM-Systeme, Shopsysteme und Analyseplattformen werden zunehmend KI-Funktionen enthalten. Mitarbeitende müssen dafür nicht jedes Mal ein separates KI-Tool öffnen. Wenn KI günstiger betrieben werden kann, lohnt sich die Integration auch bei kleineren und alltäglicheren Aufgaben.

Sollten Unternehmen auf den nächsten KI-Sprung warten?

Kurzantwort: Nein. Ob „Frozen v2" 2028 wirklich kommt, ist für die meisten Unternehmen nicht entscheidend. Wichtiger ist die Richtung: KI wird leistungsfähiger, günstiger und tiefer in bereits verwendete Programme eingebaut. Wer heute Wissen, Daten und Prozesse aufräumt, profitiert von jedem Infrastruktur-Sprung automatisch mit.

Statt auf das perfekte Modell oder die perfekte KI-Plattform zu warten, können Unternehmen jetzt fünf Voraussetzungen schaffen:

Unternehmenswissen strukturieren

Welche Informationen benötigen Mitarbeitende regelmäßig? Wo liegen diese Informationen? Wer ist dafür verantwortlich, sie aktuell zu halten?

Datenqualität verbessern

KI kann nur zuverlässig mit Daten arbeiten, die verfügbar, verständlich und ausreichend gepflegt sind.

Konkrete Prozesse auswählen

Statt direkt das gesamte Unternehmen umzustellen, sollte ein überschaubarer Anwendungsfall gewählt werden – zum Beispiel die Vorbereitung von Kundenservice-Antworten, die Auswertung von Reportings oder die Erstellung interner Dokumentationen.

Zugriffsrechte und Governance klären

Nicht alle Mitarbeitenden dürfen auf alle Informationen zugreifen. Rollen, Berechtigungen und Kontrollmechanismen sollten von Anfang an berücksichtigt werden.

Mitarbeitende befähigen

KI-Adoption ist kein reines IT-Projekt. Mitarbeitende müssen verstehen, was die Systeme können, wo ihre Grenzen liegen und wie Ergebnisse geprüft werden.

Fazit

Die Meldung über „Frozen v2" ist weniger wegen eines einzelnen Chips relevant. Sie zeigt, wie stark der Wettbewerb um die technische Grundlage von KI inzwischen geworden ist.

Google verbindet eigene Chips, Cloud-Infrastruktur, Gemini und Anwendungen wie Workspace, Search, Chrome und Android. OpenAI baut mit NVIDIA, AMD, Broadcom und Stargate ebenfalls eine umfangreiche Infrastruktur auf. Amazon, Microsoft und Meta verfolgen eigene Strategien. Dadurch wird KI in den kommenden Jahren schneller, günstiger und selbstverständlicher verfügbar sein.

Für Unternehmen verschiebt sich damit der Engpass. Die Frage wird immer weniger lauten: Haben wir Zugang zu KI? Wichtiger wird: Sind unsere Daten, unser Wissen, unsere Prozesse und unsere Mitarbeitenden darauf vorbereitet? Genau damit sollten Unternehmen heute anfangen – und nicht erst 2028.

Häufige Fragen

Was ist Google „Frozen v2"?

„Frozen v2" ist der interne Codename eines geplanten Google-Server-Chips, der laut Berichten von Reuters und The Information speziell für die Ausführung von Gemini-Modellen entwickelt wird. Teile des Modells sollen direkt in die Hardware integriert werden, um Inferenz effizienter zu machen.

Wann kommt der Google „Frozen v2"-Chip?

Nach aktuellem Stand gilt ein Einsatz frühestens ab 2028 als realistisch. Google hat das Projekt offiziell nicht bestätigt, der Zeitplan basiert auf Medienberichten.

Warum baut Google eigene KI-Chips (TPUs)?

Eigene Chips ermöglichen eine engere Abstimmung mit Googles Rechenzentren, Cloud und Modellen wie Gemini. Das senkt Kosten pro Anfrage, erhöht die Geschwindigkeit und reduziert die Abhängigkeit von externen Anbietern wie NVIDIA.

Was bedeutet der KI-Infrastruktur-Wettbewerb für Unternehmen?

Der Zugang zu leistungsfähiger KI wird günstiger und tiefer in Standard-Software integriert. Der eigentliche Engpass ist damit nicht mehr die Technik, sondern die interne Vorbereitung: Datenqualität, Wissensmanagement, Prozesse, Governance und die Kompetenzen der Mitarbeitenden.

Sollten wir mit KI-Projekten warten, bis leistungsfähigere Chips oder Modelle verfügbar sind?

Nein. Die Richtung ist klar: KI wird schneller, günstiger und stärker in bestehende Programme eingebaut. Unternehmen, die heute Wissen, Daten und Prozesse strukturieren, profitieren von jedem Infrastruktur-Sprung automatisch – ohne den bisherigen Rückstand mitzunehmen.

Wie starte ich sinnvoll mit KI im Unternehmen?

Empfehlenswert ist ein klar abgegrenzter Anwendungsfall (z. B. Kundenservice-Antworten, Reporting-Auswertungen oder interne Dokumentation), kombiniert mit sauberen Daten, definierten Zugriffsrechten und einer Qualifizierung der beteiligten Mitarbeitenden. Ein KI-Reifegrad-Check ist dafür ein guter Startpunkt.

Wie gut ist dein Unternehmen auf KI vorbereitet?

Du möchtest herausfinden, wo KI in deinem Unternehmen wirklich helfen kann und welche Voraussetzungen dafür noch fehlen?

In einer KI-Potenzialanalyse schauen wir gemeinsam auf Prozesse, Daten, Tools und Mitarbeitende. Daraus entstehen konkrete Anwendungsfälle und ein realistischer Fahrplan für die Einführung – passend zu deinem Unternehmen.

KI-Potenziale entdecken →