SCALEOPS SAMMELT 130 MIO. USD FÜR GÜNSTIGERE KI-INFRASTRUKTUR

Das Wichtigste

ScaleOps hat 130 Millionen US-Dollar eingesammelt, um Kubernetes-Infrastruktur in Echtzeit zu optimieren und damit die explodierenden Kosten für KI-Workloads zu senken.

Was ist passiert?

ScaleOps hat eine Series-C-Finanzierungsrunde über 130 Millionen US-Dollar abgeschlossen. Das Unternehmen automatisiert die Ressourcenzuweisung in Kubernetes-Clustern dynamisch, also ohne manuelles Eingreifen von DevOps-Teams.

Der Zeitpunkt ist kein Zufall. GPU-Kapazitäten sind knapp, Cloud-Rechnungen für KI-Trainings- und Inferenz-Workloads steigen in vielen Unternehmen schneller als die Budgets. ScaleOps setzt genau dort an: Die Plattform analysiert laufende Workloads und passt CPU-, Memory- und GPU-Zuteilungen in Echtzeit an den tatsächlichen Bedarf an.

Technische Details

Klassische Kubernetes-Deployments arbeiten mit statisch gesetzten Resource Requests und Limits. In der Praxis bedeutet das: Ressourcen werden reserviert, aber selten vollständig genutzt. Über einen großen Cluster hinweg summiert sich diese Verschwendung auf erhebliche Beträge.

ScaleOps ersetzt diesen manuellen Prozess durch einen autonomen Optimierungsloop. Die Plattform beobachtet kontinuierlich das tatsächliche Verbrauchsmuster jedes Pods, leitet daraus optimale Konfigurationen ab und wendet diese automatisch an. Laut Unternehmen ohne Downtime und ohne dass Entwickler eingreifen müssen.

Warum ist das relevant?

Für Entwickler und Platform-Teams im DACH-Raum ist das ein direktes Kostenproblem. Wer heute KI-Modelle produktiv betreibt, kämpft mit zwei Realitäten gleichzeitig: Die Nachfrage nach Rechenkapazität steigt, und die Kosten pro GPU-Stunde bleiben hoch.

Tools wie ScaleOps versprechen, den Overhead zwischen gebuchter und genutzter Kapazität zu schließen. Das ist kein Nice-to-have mehr. Für Unternehmen, die KI-Inferenz im eigenen Kubernetes-Stack betreiben, kann die Differenz zwischen over-provisioniertem und optimiertem Cluster schnell fünf- bis sechsstellige Jahresbeträge ausmachen.

Die Investitionssumme signalisiert außerdem, dass Investoren den Markt für FinOps und Infrastruktur-Automatisierung rund um KI als eigenständige Kategorie ernst nehmen. Nicht jedes KI-Budget-Problem löst sich durch bessere Modelle. Manchmal liegt das Geld im Cluster-Management.

Take-Away

Wer Kubernetes für KI-Workloads betreibt, sollte den eigenen Ressourcenverbrauch konkret messen. Wie groß ist die Lücke zwischen reservierter und genutzter Kapazität? Tools wie ScaleOps, aber auch native Kubernetes-Mechanismen wie Vertical Pod Autoscaler, sind ein sinnvoller Ausgangspunkt. Die Runde zeigt: Effizienz ist 2026 ein Investitionsthema, kein Optimierungsdetail.