Euclyd: 200 Mio. € Series A — lohnt die Wartezeit?

200 Millionen Euro Series A für Euclyd – und der physische Chip-Rollout soll erst 2028 greifen. Rechnen wir nach, wer die Wartezeit bezahlt und ob Inference-Systeme ohne GPU-Rack die Rendite tragen.

Rechnen wir nach: 200 Millionen Euro Series A, umgerechnet rund 231 Millionen US-Dollar. Co-Leads laut CNBC vom 14. September 2026: Samsung, Somerset Capital Partners, der von EQT gemanagte Scaleup Europe Fund und Innovation Industries. Euclyd, gegründet 2024 in den Niederlanden, baut ein Inference-Chip-System – Prozessor plus Memory-Architektur, ausdrücklich keine GPU-Kopie. CEO Bernardo Kastrup sagt CNBC, der physische Rollout beginne um 2028; bis 2030 sollen laut seinem Claim Tausende Enterprise-Kunden bedient werden.

Unter dem Strich ist das eine fette Finanzierungsrunde – und noch kein Rack im Rechenzentrum. Der Haken steckt in der Zeitachse. Zwischen Closing 2026 und physischem System 2028 liegen gut zwei Jahre CapEx, Talent, Tape-out und Supply-Chain, ohne dass ein einziges Enterprise-Rack Umsatz schreibt. Wer zahlt diese Wartezeit? Investoren, Mitarbeitende, und indirekt jedes Unternehmen, das heute GPU-Inference-Kosten trägt und auf billigere Alternativen hofft.

Die These ist nüchtern: Eine Series A misst Kapitalvertrauen, keine Token-Kosten. Ohne belastbare €/Token- oder Watt/Query-Zahlen aus Primärquellen bleibt der Performance-Vorsprung Claim. Wir bei digital-magazin.de ordnen deshalb Funding, Architekturversprechen und Revenue-Modell so ein, wie es eine Finanzberaterin tun würde – mit Rechnung, wo Zahlen da sind, und mit klarer Grenze, wo Spekulation anfängt.

Euclyd Series A: Was CNBC konkret belegt

Kastrup sagte CNBC exklusiv, die Runde liege bei 200 Millionen Euro. Die Co-Leads sind benannt. Der Fokus ist Inference, also das Ausführen fertig trainierter Modelle – nicht das Training selbst, in dem GPU-Cluster weiterhin den Ton angeben. Euclyd designe ein Chip-System mit anderer Architektur als GPUs und inkludiere Prozessor- und Memory-Architektur. Zwei Revenue-Streams: Hardware und physische Rack-Systeme für Enterprises, die sichere, selbst gehostete Inference wollen; plus Intellectual Property an Firmen, die eigene Chips auf bestehender Tech aufbauen wollen.

Samsung helfe „in more ways than money“, so Kastrup: Memory-Fertigung, Systems-Engineering, Supply-Chain, Netzwerk. CNBC hält fest: Euclyds Systeme seien noch nicht at scale in kommerziellen Deployments bewiesen. Genau diese Einschränkung ist der kaufmännische Ausgangspunkt. Wer Inference-Kosten senken will, braucht Silizium, Software-Stack, Rack-Integration und Referenzkunden – nicht nur eine Pressemitteilung.

Zum Vergleich: Hyperscaler bauen parallel eigene Chips. OpenAI sprach im August von seinem ersten AI-Chip „Jalapeño“ mit „industry-leading speed and efficiency“ – Vendor-Claim. Google, AWS und Meta entwickeln ebenfalls. Euclyd zielt laut Bericht auf Enterprise-Self-Hosting und Lizenzierung, nicht primär darauf, den Hyperscaler-Markt frontal zu ersetzen. Das ist ein anderer Pitch als „wir schlagen den Marktführer bei Training“.

Inference-Chip statt GPU-Rack: Was das wirtschaftlich heißt

Inference ist der Dauerbetrieb. Chatbots, Agents, Suche, Dokumentenanalyse, Fraud-Scores – hier brennt Strom und CapEx im Alltag, nicht nur im Trainingslabor. GPUs, ursprünglich für Grafik gebaut, wurden für Training und Inference umfunktioniert und dominieren das High-End-Segment. Euclyds Claim: Eine andere Architektur für Processor plus Memory senke Energiebedarf und Kosten der AI-Datacenter-Infrastruktur.

Konkret fehlt in der CNBC-Berichterstattung die Zahl, die Controllende brauchen: Cent pro Million Tokens, Watt pro Query, oder Tokens pro Watt bei definiertem Modell und Batch. Ohne diese Primärzahl bleibt jedes „X-mal effizienter“ Marketing. Rechnen wir trotzdem die Logik nach – als Rahmenfrage, nicht als Benchmark.

Angenommen ein Enterprise betreibt ein GPU-Rack für Inference und zahlt grob – rein illustrativ, keine Primärquelle – 0,50 bis 2,00 Euro Strom plus Abschreibung pro Arbeitsstunde voller Auslastung, je nach Strompreis, Kühlung und Auslastung. Wenn ein alternatives System laut Vendor-Claim denselben Throughput bei 40 Prozent Energie schafft, sinkt der Stromanteil spürbar. Ob 40 Prozent stimmen, weiß niemand öffentlich. Der Haken: Bis 2028 zahlen Sie weiter den GPU-Preis – und finanzieren parallel die Hoffnung auf die Alternative über Investorenkapital bei Euclyd, nicht über Ihre Opex-Rechnung.

Wer Enterprise-KI-Lizenzkosten schon einmal gegen Hardware- und Cloud-Rechnungen gelegt hat, kennt das Muster. Software-Lizenzen sind planbar. Inference-Hardware schwankt mit Auslastung, Modellgröße und Batching. Ein Chip-Startup, das beides adressiert – Rack-Verkauf und IP-Lizenz – versucht genau diese Hebel zu greifen. Ob die Rendite kommt, entscheidet sich nach dem ersten serienreifen Rack, nicht nach dem Closing.

Wer bezahlt die Wartezeit 2026 bis 2028?

Zuerst die Investoren. 200 Millionen Euro Series A sind Arbeitskapital für Design, Fertigungspartner, Software, Go-to-Market und Burn. Kastrups Claim zielt auf physischen Rollout um 2028 und Tausende Enterprises bis 2030. Zwischen Series A und erstem Umsatz aus Hardware liegen typischerweise mehrere Finanzierungs- und Meilensteinrunden – oder eine sehr disziplinierte Burn-Rate.

Zweitens das Talent. Chip-Design bindet teure Köpfe über Jahre. Memory-nahe Systeme brauchen zusätzlich Packaging-, HBM- und Systems-Expertise. Samsungs Beteiligung ist hier strategisch: Memory-Know-how und Lieferkettenzugang sind knapper als reine Cash-Injections. Laut Businesskorea lag die Runde bei rund 230,73 Millionen Dollar bzw. etwa 310 Milliarden Won; auch dort steht die Energieeffizienz-Ausrichtung im Vordergrund – ebenfalls Bericht, kein unabhängiger Labortest.

Drittens die Enterprises, indirekt. Wer heute Self-Hosted Inference plant, weil Datenschutz, Latenz oder Kosten Cloud-APIs unattraktiv machen, bleibt vorerst bei GPU-Racks, Cloud-Instanzen oder kleineren lokalen Setups. Beiträge auf digital-magazin.de zu lokaler KI auf Mini-PCs zeigen die andere Seite derselben Medaille: Viele Häuser wollen Kontrolle, zahlen aber mit Hardware- und Betriebsaufwand. Euclyd adressiert die Enterprise-Schiene mit Racks – das ist CapEx-lastig und verkaufszykluslang.

Unter dem Strich finanziert die Series A die Option, später billiger zu inferieren. Die Option hat einen Preis: Illiquidität bis Rollout, Execution-Risiko, und die Gefahr, dass Hyperscaler-Chips und GPU-Preisverfall die Lücke schließen, bevor Euclyd skaliert.

Hardware-Racks und IP-Lizenz: Zwei Renditepfade

Pfad eins ist CapEx-Verkauf. Euclyd will physische Rack-Systeme an Enterprises verkaufen, die Inference selbst hosten wollen – aus Security-, Compliance- oder Kostengründen. Das gleicht dem klassischen Server-Geschäft: lange Sales-Cycles, Proof-of-Concepts, Integration in bestehende Cluster, Kühlung, Observability. Der Vorteil für Euclyd: höhere Ticketgrößen. Der Haken: Jedes verspätete Tape-out verschiebt Umsatz.

Pfad zwei ist IP-Lizenz. Firmen, die eigene Chips bauen wollen, sollen auf Euclyds Tech aufsetzen. Lizenzumsatz skaliert leichter als Rack-Logistik – wenn die IP wirklich differenzierend ist und Kunden Fertigungspartner haben. Samsung als Memory-Riese und Systems-Kenner sitzt hier an einer interessanten Schnittstelle: Wer Memory und Systems versteht, kann Lizenznehmer und Fertigungspartner gleichzeitig beeinflussen.

Meiner Einschätzung nach ist die Mischung klug erzählt und schwer zu beweisen. Hardware ohne frühe Design-Wins bleibt Story. IP ohne Referenz-Chips bleibt Folie. Bis kommerzielle Deployments at scale existieren – CNBC sagt ausdrücklich, dass das noch fehlt – bleiben beide Pfade Plan, nicht P&L.

Für Controllende in DACH-Unternehmen heißt das: Euclyd ist heute kein Beschaffungsobjekt. Es ist ein Signal im Inference-Markt. Wer KI im Unternehmen mit Regeln und Weiterbildung aufsetzt, sollte Hardware-Roadmaps und Cloud-Verträge so gestalten, dass kryptographische und infrastrukturelle Agilität möglich bleibt – analog zu dem, was wir bei Finanzinfrastruktur unter Haltbarkeit verstehen.

Samsung, Memory und der Systems-Hebel

Kastrups Satz „Samsung can help us in more ways than money“ ist der strategisch interessanteste Teil der Runde. Memory – HBM und verwandte Technologien – ist ein Flaschenhals der AI-Infrastruktur. Wer Inference beschleunigen will, kämpft oft nicht nur um FLOPS, sondern um Bandbreite und Energie beim Datenbewegen zwischen Compute und Speicher.

Spannend wird es bei der Schnittstelle aus Memory-Bandbreite und Software-Stack. Selbst ein starkes Silizium verliert den Alltagstest, wenn Quantisierung, Batching und Scheduler die theoretische Effizienz auffressen. Deshalb gehört neben Chip-Claims immer die Frage: Welche Software-Annahmen stecken in der Demo – und halten sie unter gemischter Enterprise-Last?

Genau deshalb betont Euclyd Processor plus Memory-Architektur. Ob die Kombination hält, was der Claim verspricht, entscheidet Silizium und Software gemeinsam. Samsung bringt Fertigungstiefe, Engineering und Netzwerk mit. Das senkt das Supply-Risiko relativ zu einem Solo-Startup – ersetzt aber keine Kundenvalidierung.

Ehrlich gesagt: Viele Chip-Startups scheitern nicht am Pitch, sondern am Übergang von Demo zu Volumenfertigung. Eine Series A mit Memory-Champion an Bord verbessert die Odds. Sie garantiert keinen 2028-Rollout.

€/Token und Watt/Query: Die Rechnung, die noch fehlt

Stellen Sie sich vor, Ihr Haus zahlt für Cloud-Inference 8.000 Euro im Monat bei einem bestimmten Agent-Workload. Ein Self-Hosted-GPU-Rack kostet – wiederum illustrativ – 120.000 Euro CapEx plus 2.000 Euro Strom/Kühlung im Monat. Break-even gegen Cloud hängt von Auslastung und Personal ab. Ein Euclyd-Rack mit Claim „deutlich weniger Energie“ würde die Stromzeile drücken und vielleicht die Rackdichte erhöhen. Ohne gemessene Tokens/Watt bleibt das Excel-Blatt Hypothese.

Wir bei digital-magazin.de trennen deshalb drei Ebenen. Erstens: Funding und Investoren sind belegt (CNBC). Zweitens: Architekturanspruch und Revenue-Modell sind Vendor-Aussagen. Drittens: Performance-Deltas (€/Token, Watt/Query) sind öffentlich nicht quantifiziert – jede Zahl ohne Primärquelle wäre Erfindung. Wer Benchmarks braucht, wartet auf unabhängige Messungen oder Kundenfälle nach Rollout.

Das klingt unsexy. Es ist aber die einzig saubere Lesart. Deep-Tech-Funding lebt von Story und Roadmap; Enterprise-Einkauf lebt von SLA und TCO. Zwischen beiden Welten liegen die Jahre 2026 bis 2028.

Was Enterprises bis zum Rollout konkret tun können

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2PromptCalendar spanning years toward 2028 on a glass office desk with blurred city view, patient capital mood, documentary, no logos, no readable text, 16:9

Erstens: Inference-Kosten transparent machen. Tokens, Watt, Auslastung, Idle-Zeit – ohne Messlatte kein Vergleich zu späteren Alternativen. Zweitens: Self-Host versus Cloud als Governance-Frage führen, nicht nur als Preisfrage – Datenschutz und Agent-Orchestrierung spielen mit, wie Beiträge zu KI-Agenten in Unternehmen zeigen. Drittens: Verträge und Cluster so halten, dass Hardware-Wechsel 2028/29 nicht an Proprietary-Locks scheitern.

Viertens: Erwartungen kalibrieren. „Tausende Enterprises bis 2030“ ist Kastrups Claim. Sales-Cycles für Enterprise-Hardware dauern. Selbst wenn 2028 erste Racks stehen, ist 2030 ambitioniert. Parallel können GPU-Preise und Hyperscaler-Eigenchips den Druck auf Nischen-Architectures erhöhen – oder die Nachfrage nach Spezial-Inference sogar steigern. Beides ist möglich. Keines ist heute belegt.

CapEx jetzt, Nutzen später: Eine Haltbarkeitsrechnung

Rechnen wir die Wartezeit grob durch – als Szenario, nicht als Prognose. Angenommen Euclyd verbrennt bis zum physischen Rollout 2028 einen relevanten Teil der Series A für Engineering, Masken, Partner und Go-to-Market. Selbst wenn 80 Millionen Euro „übrig“ blieben, müsste Hardware- und Lizenzumsatz danach die Bewertung und den Burn rechtfertigen. Tausende Enterprise-Kunden bis 2030, so der Claim, würden bei einem hypothetischen Durchschnittsdeal von – rein illustrativ – 250.000 Euro Rack-plus-Support über die Laufzeit grob Hunderte Millionen Euro Pipeline bedeuten. Ob Deals, ASP und Win-Rate so aussehen, steht in keiner Primärquelle.

Der Haken jeder solchen Excel-Übung: Sie multipliziert Claims. Ohne ASP, ohne Conversion, ohne gemessene Effizienz bleibt die Rendite eine Hoffnungskurve. Zum Vergleich: Ein GPU-Cluster, den Sie heute kaufen oder mieten, liefert ab Tag eins Tokens – teuer, aber greifbar. Euclyd liefert ab Closing Kapitalvertrauen und eine Roadmap. Beides ist etwas wert. Es ist nicht dasselbe.

Für Finanzvorstände und IT-Einkauf heißt Haltbarkeit deshalb: Vertragsflexibilität bis 2028/29 behalten, Benchmark-Klauseln vorbereiten, und keine Budgetlinie „Euclyd-Ersatz“ buchen, bevor Silizium und Referenzkunden existieren. Wer das ignoriert, verwechselt Pressemitteilung mit Beschaffung.

Inference-Lasten in Unternehmen: Wo der Druck wirklich sitzt

In vielen Häusern wächst Inference leise. Ein Assistent hier, ein Dokumenten-Summarizer dort, ein Agent-Pilot im Kundenservice. Die Rechnung kommt monatlich – über Cloud-APIs oder über ausgelastete GPU-Knoten. Genau dort entsteht die Nachfrage nach effizienteren Chips: nicht im Research-Lab, sondern in der Betriebsrechnung.

Self-Hosted Inference wirkt attraktiv, wenn Daten das Haus nicht verlassen sollen oder wenn Volumen Cloud-Margen sprengt. Gleichzeitig brauchen Sie Personal für Cluster, Monitoring, Modell-Updates und Ausfallsicherheit. Euclyds Pitch – Rack-Systeme für secure self-hosted Inference – trifft genau diese Spannungszone. Ob der Pitch hält, hängt davon ab, ob das System Operations-Teams entlastet oder zusätzlichen Stack mitbringt.

Mal ehrlich: Viele Enterprises scheitern nicht am Modell, sondern am Betrieb. Ein Chip, der Energie spart, aber Tooling, Treiber und Observability halbgar liefert, verschiebt Kosten nur von Strom zu Personal. Deshalb ist Systems-Hilfe durch Samsung mehr als Marketing-Floskel – sofern sie in dokumentierten Integrationspfaden landet.

GPU-Alternativen: Marktlogik ohne Mythos

Der Boom um Alternativen zu etablierten GPU-Stacks ist real. Hyperscaler wollen Abhängigkeit reduzieren. Startups wittern Nischen in Inference-Effizienz. Investoren finanzieren Optionen. Das rechtfertigt nicht jeden Claim. Es erklärt, warum eine niederländische Firma von 2024 eine dreistellige Millionensumme einsammeln kann, obwohl kommerzielle Scale-Deployments fehlen.

NVIDIA und Hugging Face gehören laut Auftrag nicht in den Hauptpitch – und das ist richtig so. Knapp gesagt: Wer Inference verkauft, konkurriert indirekt mit GPU-Ökosystemen und Cloud-APIs, nicht nur mit einem Logo. Euclyd positioniert sich über Architektur (Processor + Memory) und über den Enterprise-Self-Host- plus Lizenzkanal. Das ist differenzierend erzählt. Differenzierung ohne Messung bleibt Erzählung.

Hand aufs Herz: Der Markt wird in den nächsten zwei Jahren nicht auf Euclyd warten. GPU-Roadmaps, Eigenchips der Hyperscaler und Preisdynamik laufen weiter. Euclyds Chance ist, in einem wachsenden Inference-Kuchen ein Segment zu besetzen – energieeffizient, memory-nah, enterprise-tauglich. Seine Gefahr ist, dass das Segment bis 2028 von anderen besetzt oder durch Preisverfall unattraktiv wird.

DACH-Lesart: Was Controllende und CISOs mitnehmen

Erstens: Tracking der Inference-Kosten pro Use-Case, nicht nur als Gesamtrechnung Cloud. Zweitens: Entscheidung Self-Host versus API als Governance-Thema – inkl. Datenschutz, Auftragsverarbeitung und Agent-Rechte. Drittens: Keine Vorfestlegung auf einen Chip-Vendor, bevor unabhängige oder zumindest kundennahe Benchmarks vorliegen. Viertens: Supplier-Diversifikation denken – Memory, Foundry, Software-Stack.

Konkret lohnt sich ein internes One-Pager-Template: Workload, Tokens/Monat, Ist-Kosten, Ziel-Latenz, Datenklassifikation, Hosting-Präferenz. Wenn 2028 erste Euclyd- oder Konkurrenzsysteme anklopfen, können Sie vergleichen. Ohne Template vergleichen Sie Folien.

Ich finde diese Vorbereitung langweiliger als jede Series-A-Headline – und teurer, wenn man sie lässt. Die Rendite sitzt in der Messbarkeit, nicht in der Begeisterung für Co-Leads.

Illustrative TCO-Skizze: GPU-heute gegen Option-2028

Noch eine Rechnung – bewusst als Skizze gekennzeichnet. Angenommen Ihr Inference-Workload kostet heute 15.000 Euro im Monat über Cloud-APIs. Ein eigenes GPU-Rack plus Betrieb kommt auf 180.000 Euro CapEx und 3.500 Euro monatliche Laufkosten (Strom, Kühlung, anteiliges Personal). Nach 24 Monaten liegen Sie bei 180.000 + 24 × 3.500 = 264.000 Euro Gesamt – gegen 24 × 15.000 = 360.000 Euro Cloud. Self-Host lohnt sich in diesem Beispiel ab grob Monat 18, wenn Auslastung und Personalannahmen stimmen.

Ein Euclyd-System, das laut Claim Energie und damit Laufkosten senkt, würde die 3.500-Euro-Zeile drücken – sagen wir hypothetisch auf 2.200 Euro. Dann verbessert sich der Break-even. Ohne gemessene Watt/Query bleibt die 2.200 eine Wunschzahl. Genau deshalb gehört jede Vendor-Folie in die Spalte „Claim“, nicht in die Spalte „Budget freigegeben“.

Der Punkt ist: Sie können die Logik heute schon bauen. Die Input-Zellen für Euclyd bleiben leer oder als Szenario markiert, bis Primärzahlen existieren. Das ist keine Blockade. Das ist Controllership.

Der Business-Case hält – wenn Silizium liefert

Unter dem Strich ist Euclyds Series A ein klares Kapital-Signal: Inference jenseits reiner GPU-Stacks gilt als investierbar, Europa spielt mit, Samsung setzt Memory- und Systems-Chips auf den Tisch. Die Rendite-These steht und fällt mit drei Dingen: Tape-out und Rack-Reife um 2028, nachweisbare Energie-/Kosten-Vorteile gegen GPU-Baselines, und echte Design-Wins bei Hardware oder IP.

Ich finde, der Pitch ist kaufmännisch lesbar – gerade weil zwei Revenue-Pfade genannt werden. Gleichzeitig bleibt die Lücke peinlich klar: Kein öffentlicher €/Token-Beweis, keine kommerzielle Scale-Referenz, zwei Jahre Wartezeit. Wer die Runde feiert, feiert Optionswert. Wer Budgets plant, plant weiter mit GPU- und Cloud-Preisen.

Was bleibt? 200 Millionen Euro kaufen Zeit und Talent, kein fertiges Inference-Rack. Rechnen Sie die Wartezeit als CapEx der Investoren und als Opportunitätskosten Ihrer heutigen GPU-Rechnung. Und verlangen Sie, sobald erste Systeme existieren, genau die Kennzahlen, die heute fehlen: Tokens pro Watt, Euro pro Million Tokens, Latenz unter Last. Dann erst lohnt sich der Vergleich – nicht vorher.

Wir bei digital-magazin.de behalten den Rollout im Blick. Bis dahin gilt: Funding ist Fakt. Effizienz ist Claim. Die Spreadsheet-Wahrheit kommt mit dem ersten vermessenen Rack.