Der Führungswechsel bei Nvidia ist kein Beleg für eine Unterbrechung von Lieferungen oder Kundenprojekten. Er zeigt aber, warum Unternehmen zentrale Annahmen über ihre Technologiepartner regelmäßig prüfen sollten. Denn ein KI-Projekt kann technisch funktionieren und trotzdem strategisch verwundbar sein.

Der Nvidia-Fall als Governance-Frage

Am 12. November 2026 trat Jensen Huang mit sofortiger Wirkung als CEO, Präsident und Verwaltungsratsmitglied von Nvidia zurück. Finanzchefin Colette Kress übernahm interimistisch die CEO-Rolle. Nvidia erklärte, Betrieb, Kundenverpflichtungen und Produkt-Roadmap sollten ohne Unterbrechung fortgeführt werden.

Ein operativer Ausfall bei Kunden ist nicht belegt. Dennoch ist der Vorgang für Unternehmen relevant, deren KI-Roadmap von wenigen zentralen Technologiepartnern abhängt. Nvidia erzielte im zweiten Quartal des Geschäftsjahres 2027 einen Umsatz von 96,2 Milliarden US-Dollar. Davon entfielen 89 Milliarden US-Dollar auf den Geschäftsbereich Data Center.

Diese Größenordnung unterstreicht die zentrale Rolle des Unternehmens beim Ausbau gegenwärtiger KI-Infrastruktur. Sie ersetzt jedoch keine eigene Governance-Strategie.

Wo Abhängigkeiten in KI-Projekten entstehen

Die Abhängigkeit von einem Technologiepartner betrifft nicht nur einzelne Chips. Sie kann sich über die gesamte Infrastrukturkette erstrecken:

• Preise: Steigende Kosten für GPUs, Cloud-Instanzen oder dedizierte Kapazitäten können die Wirtschaftlichkeit eines Projekts verändern.

• Lieferung und Kapazität: Verzögerungen bei Hardware, Rechenzentrumsleistung oder Cloud-Zuteilungen können Projektzeitpläne verschieben.

• Software: Proprietäre Toolchains, Bibliotheken und Optimierungen können einen Anbieterwechsel aufwendig machen.

• Regulierung: Exportkontrollen, Sanktionsregeln oder neue Compliance-Anforderungen können bestimmte Hardware, Regionen oder Anwendungsfälle ausschließen.

• Strategische Entscheidungen: Anbieter können Produktlinien priorisieren, Preise ändern, Partnerschaften neu ordnen oder Supportbedingungen anpassen.

Je stärker ein KI-Projekt auf eine einzelne Hardware-, Cloud- oder Softwarekette optimiert ist, desto größer kann der Aufwand eines späteren Wechsels werden.

Was ein Exit-Test leisten soll

Ein Exit-Test prüft, ob eine Alternative nur theoretisch existiert oder tatsächlich nutzbar ist. Dafür sollte ein repräsentativer Workload mindestens einmal auf einer zweiten Plattform getestet werden.

Zu messen sind insbesondere:

• Qualität

• Latenz

• Kosten

• Sicherheitsanforderungen

• Betriebsaufwand

• Datenportabilität

Nicht jede Alternative muss sofort produktiv betrieben werden. Entscheidend ist, den möglichen Wechsel unter realistischen Bedingungen zu prüfen und den damit verbundenen Aufwand sichtbar zu machen.

Schwellenwerte vorab festlegen

Ein getesteter Ausweichpfad allein genügt nicht. Unternehmen sollten auch festlegen, wann er aktiviert wird. Mögliche Auslöser sind:

• ein definierter Preisaufschlag

• begrenzte oder nicht verfügbare Kapazität

• regulatorische Änderungen

• Produktabkündigungen

• veränderte Supportbedingungen

Dabei sollte dokumentiert sein, wer die Entscheidung über einen Wechsel trifft. Je nach Projekt können Produktverantwortliche, IT, Einkauf, Informationssicherheit, Datenschutz oder Geschäftsführung beteiligt sein.

Portabilität als Architekturziel

Modelle, Prompts, Datenpipelines, Evaluierungen und Betriebsmetriken sollten möglichst nicht untrennbar an eine einzelne proprietäre Schnittstelle gekoppelt sein. Für jedes KI-Produkt lassen sich die relevanten Abhängigkeiten entlang der Lieferkette dokumentieren: Hardware, Cloud, Modellanbieter, Laufzeit, Datenbank, Orchestrierung und Monitoring.

Zur Planung gehören außerdem Szenarien für einen Kapazitätsengpass, einen Preisanstieg und einen Anbieterwechsel. Für größere KI-Investitionen sollte festgehalten werden:

• bevorzugter Anbieter

• kritische Abhängigkeiten

• realistische Alternativen

• geschätzte Migrationsdauer

• Wechselkosten

• verantwortliche Entscheider

Multi-Cloud ist nicht automatisch unabhängig

Eine Multi-Cloud-Strategie schafft noch keinen belastbaren Ausweichpfad. Wenn beide Umgebungen von denselben Hardware-, Software- oder Betriebsannahmen abhängen, bleibt die zentrale Abhängigkeit bestehen. Dann entstehen im Zweifel lediglich zwei Rechnungen für dieselbe strategische Bindung.

Die entscheidende Frage lautet deshalb nicht, wie viele Anbieter vertraglich eingebunden sind. Entscheidend ist, welcher kritische KI-Workload nachweislich auf einer zweiten Plattform funktioniert.

Die Fragen für die eigene KI-Roadmap

Managementteams sollten klären:

1. Welche Komponenten funktionieren ausschließlich mit Nvidia-Hardware oder CUDA-nahen Optimierungen?

2. Gibt es getestete Ausweichpfade oder nur theoretische Alternativen?

3. Welche Daten, Modelle und Betriebsprozesse lassen sich exportieren – und in welchem Format?

4. Wie verändern sich die Kosten bei einem Preisanstieg oder einer Begrenzung der verfügbaren Kapazität?

5. Welche vertraglichen Rechte bestehen bei Preiserhöhungen, Engpässen, Produktabkündigungen oder regulatorischen Änderungen?

6. Ab welchem Schwellenwert beginnt die Migration und wer entscheidet darüber?

Der Nvidia-Fall ist keine bestätigte Schadensmeldung. Sein Managementnutzen liegt in der Vorbereitung auf plausible Veränderungen. Eine belastbare KI-Roadmap braucht deshalb nicht nur einen bevorzugten Technologiepartner, sondern auch einen getesteten Notausgang.