Euclyd erhält 200 Millionen Euro für Chips, die erst später kommen

Das niederländische Start-up Euclyd hat laut CNBC vom 14. September 2026 eine Series-A-Runde über 200 Millionen Euro abgeschlossen, umgerechnet rund 231 Millionen US-Dollar. Samsung, Somerset Capital Partners, der von EQT verwaltete Scaleup Europe Fund und Innovation Industries führen die Runde an. Marktreife Systeme sollen jedoch erst um 2028 folgen, belastbare Effizienzzahlen fehlen bislang.

Was CNBC über die Finanzierungsrunde belegt

Belegt sind die Höhe der Runde, die Geldgeber und die Ausrichtung des Unternehmens. Laut CNBC sagte Euclyd-Chef Bernardo Kastrup exklusiv, die Runde liege bei 200 Millionen Euro. Euclyd wurde 2024 in den Niederlanden gegründet und entwickelt ein Chipsystem für Inferenz. Gemeint ist das Ausführen bereits trainierter KI-Modelle. Das Training selbst, bei dem Cluster aus Grafikprozessoren (GPU) weiterhin den Ton angeben, steht nicht im Mittelpunkt. Das System kombiniert Prozessor und Speicherarchitektur und versteht sich ausdrücklich nicht als Nachbau einer GPU.

Erlöse soll das Unternehmen aus zwei Quellen ziehen. Die erste sind Hardware und physische Rack-Systeme für Unternehmen, die sichere, selbst betriebene Inferenz wünschen. Die zweite sind Lizenzen auf geistiges Eigentum für Firmen, die eigene Chips auf bestehender Technik aufbauen wollen. Kastrup nannte gegenüber CNBC den Beginn des physischen Rollouts um 2028. Bis 2030 sollen Tausende Unternehmenskunden bedient werden. Beides sind Angaben des Herstellers, keine Verträge.

CNBC hält zudem fest, dass Euclyds Systeme im großen Maßstab noch nicht in kommerziellen Einsätzen bewiesen sind. Daraus ergibt sich der kaufmännische Ausgangspunkt. Wer Inferenzkosten senken will, braucht Silizium, ein ausgereiftes Softwarepaket, die Integration ins Rack und Referenzkunden. Eine Pressemitteilung genügt dafür nicht.

Zum Vergleich: Die großen Cloud-Betreiber, sogenannte Hyperscaler, entwickeln parallel eigene Chips. OpenAI sprach im August von seinem ersten KI-Chip „Jalapeño“ mit „industry-leading speed and efficiency“, einer reinen Herstellerangabe. Auch Google, AWS und Meta arbeiten an eigenen Chips. Euclyd zielt laut Bericht auf selbst betriebene Unternehmenssysteme und Lizenzen. Den Markt der Hyperscaler frontal zu ersetzen, ist nicht das primäre Ziel.

Warum Inferenz-Chips wirtschaftlich interessant sind

Inferenz ist der Dauerbetrieb der KI, und dort fallen Strom- und Investitionskosten im Alltag an. Chatbots, Agenten, Suche, Dokumentenanalyse und Betrugserkennung laufen nicht im Trainingslabor, sondern täglich im Rechenzentrum. GPUs wurden ursprünglich für Grafik gebaut, später für Training und Inferenz umfunktioniert und dominieren heute das obere Marktsegment. Euclyd behauptet, eine andere Architektur aus Prozessor und Speicher senke den Energiebedarf und die Kosten der KI-Rechenzentren.

In der CNBC-Berichterstattung fehlt die Zahl, die Controlling-Abteilungen brauchen. Das können Cent pro Million Tokens sein, Watt pro Anfrage oder Tokens pro Watt bei definiertem Modell und festgelegter Last. Tokens sind die Texteinheiten, die ein Modell verarbeitet. Ohne diese Primärzahl bleibt jedes „Vielfach effizienter“ Marketing. Die Logik lässt sich dennoch als Rahmenrechnung durchspielen, nicht als Messwert.

Angenommen, ein Unternehmen betreibt ein GPU-Rack für Inferenz. Es zahlt rein illustrativ und ohne Primärquelle 0,50 bis 2,00 Euro für Strom und Abschreibung pro Betriebsstunde bei voller Auslastung, je nach Strompreis, Kühlung und Auslastung. Schaffte ein alternatives System laut Herstellerangabe denselben Durchsatz mit 40 Prozent der Energie, sänke der Stromanteil spürbar. Ob die 40 Prozent stimmen, weiß öffentlich niemand. Bis 2028 zahlen Unternehmen weiter den GPU-Preis, während die Hoffnung auf die Alternative über das Kapital der Investoren finanziert wird.

Wer die Kosten von Lizenzen für Unternehmens-KI schon einmal gegen Hardware- und Cloud-Rechnungen gelegt hat, kennt das Muster. Lizenzen sind planbar. Inferenz-Hardware schwankt mit Auslastung, Modellgröße und der Bündelung von Anfragen. Ein Chip-Start-up, das Rack-Verkauf und Lizenz zugleich anbietet, greift genau diese Hebel an. Ob sich die Rendite einstellt, entscheidet sich nach dem ersten serienreifen Rack, nicht beim Abschluss der Runde.

Wer die Wartezeit zwischen 2026 und 2028 bezahlt

Zuerst zahlen die Investoren, danach die Fachkräfte und indirekt die Unternehmen. Zwischen dem Abschluss 2026 und dem physischen System 2028 liegen gut zwei Jahre mit Investitionskosten, Personal, der Fertigungsfreigabe des Chipdesigns und dem Aufbau der Lieferkette. Ein einziges Rack, das Umsatz bringt, steht in dieser Zeit nicht. Die 200 Millionen Euro sind Arbeitskapital für Design, Fertigungspartner, Software, Vertrieb und laufende Verluste. Zwischen einer Series A und dem ersten Hardwareumsatz liegen typischerweise mehrere Finanzierungs- und Meilensteinrunden, oder es braucht eine sehr disziplinierte Ausgabenplanung.

Chipdesign bindet teure Köpfe über Jahre. Speichernahe Systeme erfordern zusätzlich Wissen über Gehäusetechnik (Packaging), über Speicher mit hoher Bandbreite (HBM) und über Systementwicklung. Die Beteiligung von Samsung ist deshalb strategisch, denn Speicherwissen und Zugang zur Lieferkette sind knapper als reines Kapital. Businesskorea beziffert die Runde auf rund 230,73 Millionen Dollar, etwa 310 Milliarden Won, und stellt ebenfalls die Energieeffizienz in den Vordergrund. Auch das ist ein Bericht und kein unabhängiger Labortest.

Die Unternehmen zahlen indirekt. Wer heute selbst betriebene Inferenz plant, weil Datenschutz, Verzögerungszeiten oder Kosten Cloud-Schnittstellen unattraktiv machen, bleibt vorerst bei GPU-Racks, Cloud-Instanzen oder kleineren lokalen Lösungen. Die Beiträge zu lokaler KI auf Mini-PCs zeigen die andere Seite derselben Medaille. Viele Häuser wollen Kontrolle und zahlen dafür mit Hardware- und Betriebsaufwand. Euclyd adressiert die Rack-Schiene, und die ist investitionslastig und von langen Verkaufszyklen geprägt.

Die Runde finanziert damit die Option, später günstiger zu rechnen. Diese Option hat Risiken: Das Kapital ist bis zum Rollout gebunden, die Umsetzung kann scheitern, und Hyperscaler-Chips oder fallende GPU-Preise könnten die Lücke schließen, bevor Euclyd skaliert.

Dieses Bild wurde 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

Hardware-Racks und Lizenzen: zwei Wege zur Rendite

Der erste Weg ist der Verkauf von Hardware, der zweite die Lizenzierung der Technik. Beim Verkauf von Racks an Unternehmen, die Inferenz aus Sicherheits-, Compliance- oder Kostengründen selbst betreiben, gelten die Regeln des klassischen Servergeschäfts: lange Verkaufszyklen, Pilotprojekte, Integration in bestehende Cluster, Kühlung und Überwachung. Dafür sind die Auftragssummen höher. Jede Verzögerung bei der Fertigungsfreigabe verschiebt allerdings den Umsatz.

Lizenzumsatz skaliert leichter als Rack-Logistik, wenn die Technik wirklich unterscheidbar ist und die Kunden über Fertigungspartner verfügen. Samsung steht hier an einer interessanten Schnittstelle. Wer Speicher und Systeme versteht, kann Lizenznehmer und Fertigungspartner zugleich beeinflussen. Kastrup sagte, Samsung könne „in more ways than money“ helfen, nämlich bei Speicherfertigung, Systementwicklung, Lieferkette und Netzwerk.

Speicher ist ein Flaschenhals der KI-Infrastruktur. Wer Inferenz beschleunigen will, kämpft oft weniger um reine Rechenleistung als um Bandbreite und Energie beim Datenverkehr zwischen Rechenwerk und Speicher. Selbst gutes Silizium verliert den Alltagstest, wenn Quantisierung, Bündelung von Anfragen und Ablaufsteuerung die theoretische Effizienz auffressen. Deshalb gehört zu jeder Chip-Behauptung die Frage, welche Softwareannahmen in der Demonstration stecken und ob sie unter gemischter Last im Unternehmen standhalten. Samsung senkt das Lieferrisiko gegenüber einem Start-up auf sich allein gestellt, ersetzt aber keine Kundenvalidierung. Viele Chip-Start-ups scheitern nicht am Vortrag, sondern am Übergang von der Demonstration zur Serienfertigung.

Der Pitch ist kaufmännisch gut lesbar, weil er zwei Erlöspfade nennt. Solange es keine kommerziellen Einsätze im großen Maßstab gibt, bleiben beide Pfade jedoch ein Plan und keine Bilanz.

Was Unternehmen bis zum Rollout tun können

Unternehmen sollten ihre Inferenzkosten messbar machen, bevor Alternativen auf dem Markt sind. Für Controlling und IT-Sicherheit in Deutschland, Österreich und der Schweiz ergeben sich vier Schritte:

1. Kosten je Anwendungsfall erfassen, nicht nur als Gesamtrechnung der Cloud. Dazu gehören Tokens, Watt, Auslastung und Leerlaufzeit. Ein einseitiges Datenblatt je Last hilft: Tokens pro Monat, Ist-Kosten, Ziel-Latenz, Datenklassifikation und bevorzugter Betriebsort.
2. Eigenbetrieb gegenüber Cloud als Frage der Steuerung behandeln, nicht nur des Preises. Datenschutz, Auftragsverarbeitung und Rechte von Agenten spielen mit, wie die Beiträge zu KI-Agenten in Unternehmen zeigen.
3. Verträge und Cluster so gestalten, dass ein Hardwarewechsel 2028 oder 2029 nicht an proprietären Bindungen scheitert. Wer KI im Unternehmen mit Regeln und Weiterbildung aufsetzt, sollte diese Offenheit gleich mitplanen.
4. Sich nicht auf einen Chiphersteller festlegen, bevor unabhängige oder zumindest kundennahe Vergleichsmessungen vorliegen, und Lieferanten für Speicher, Auftragsfertigung und Softwarepaket diversifizieren.

Auch die Erwartungen verlangen Kalibrierung. „Tausende Unternehmen bis 2030“ ist Kastrups Angabe. Verkaufszyklen für Unternehmenshardware dauern lange, und selbst wenn 2028 erste Racks stehen, ist 2030 ambitioniert. GPU-Preise und Eigenchips der Hyperscaler können den Druck auf Nischenarchitekturen erhöhen oder die Nachfrage nach spezialisierter Inferenz sogar steigern. Beides ist möglich, keines ist heute belegt.

Eine Beispielrechnung, ausdrücklich als Skizze: Ein Inferenz-Workload kostet heute 15.000 Euro im Monat über Cloud-Schnittstellen. Ein eigenes GPU-Rack kommt auf 180.000 Euro Anschaffung und 3.500 Euro monatliche Laufkosten für Strom, Kühlung und anteiliges Personal. Nach 24 Monaten stehen 264.000 Euro Gesamtkosten gegen 360.000 Euro für die Cloud. Der Eigenbetrieb lohnt sich in diesem Beispiel nach rund anderthalb Jahren, sofern Auslastung und Personalannahmen stimmen.

Ein Euclyd-System, das laut Herstellerangabe den Energieverbrauch senkt, würde die Zeile mit 3.500 Euro drücken, hypothetisch auf 2.200 Euro. Dann verbessert sich der Break-even. Ohne gemessene Watt pro Anfrage bleibt die 2.200 aber eine Wunschzahl. Die Rechenlogik lässt sich heute schon bauen, die Eingabefelder für Euclyd bleiben leer oder als Szenario markiert, bis Primärzahlen existieren. Als Gesamtbild gilt: Die Finanzierung von 200 Millionen Euro ist belegt, Effizienz und Rollout 2028 sind Behauptungen. Sie kaufen Zeit und Fachkräfte, aber noch kein fertiges Inferenz-Rack. Sobald erste Systeme existieren, sollten Käufer genau die Kennzahlen verlangen, die heute fehlen: Tokens pro Watt, Euro pro Million Tokens und Verzögerungszeit unter Last.