LinkedIn friert die Ausgaben für KI-Rechenzentren ein Jahr lang ein
Während Konkurrenten Milliarden in neue Chips und Serverfarmen investieren, sagt LinkedIn, dass es die Effizienz seiner bestehenden Hardware verdoppelt und dabei 24 Millionen Dollar gespart hat.
Wichtigste Punkte
- LinkedIn wird seine KI-Recheninfrastruktur bis Juni 2026 nicht ausbauen und keine nennenswerte neue Kapazität hinzufügen.
- Das Unternehmen hat die GPU-Effizienz in sechs Monaten verdoppelt, was dem Hinzufügen von etwa 1.100 rund um die Uhr laufenden Chips entspricht, ohne einen einzigen zu kaufen.
- LinkedIn schätzt, dass diese Effizienzgewinne in den letzten 12 Monaten 24 Millionen Dollar eingespart haben.
- Nach Angaben von LinkedIns Infrastruktur-Chef haben sich die Serverpreise in den letzten Monaten verdreifacht, was die Aufrechterhaltung des Einfrierens erschwert.
- Der Schritt ist ein seltener öffentlicher Gegenpol zum Ausgabenwettbewerb zwischen OpenAI und Google.
LinkedIn, die von Microsoft betriebene professionelle Netzwerkplattform, teilt mit, dass es seine KI-Recheninfrastruktur in diesem Geschäftsjahr nicht ausbauen wird. Das Unternehmen teilte Wired AI mit, dass es seine Investitionen in GPUs (die spezialisierten Chips, die die intensive Rechenlast für KI bewältigen) bis Juni 2026 vollständig auf dem gleichen Niveau halten wird, wobei auch die Speicherkapazität unverändert bleibt.
Das ist eine bemerkenswerte Zusage für eine Plattform mit 1,3 Milliarden Nutzern, die gleichzeitig mehr KI-Funktionen einführt, nicht weniger.
Wie hat LinkedIn das geschafft?
Das Unternehmen holte deutlich mehr Leistung aus der Hardware heraus, die es bereits besitzt. In den letzten sechs Monaten verdoppelten Linkedins Engineeringteams die Effizienz ihrer GPU-Nutzung und quetschten die gleiche Rechenleistung aus den gleichen physischen Chips, indem sie weniger Leerlaufzeit verschwendeten.
LinkedIn betreibt eigene Rechenzentren in Oregon und Texas und hat sich um 2022 von Microsofts Azure-Cloud-Service zurückgezogen. Dieses Eigentum gab den Ingenieuren direkte Kontrolle über jeden Layer des Technologie-Stacks.
Sie setzten eine Technik namens Distillation ein, bei der ein kleineres KI-Modell trainiert wird, um von größeren zu lernen. Für Linkedins Job-Empfehlungstool übernimmt nun ein kompaktes Modell, was zuvor zwei separate, teurere Modelle erforderte. Es ist günstiger zu betreiben und nach Angaben von Linkedins Chief Technology Officer für Engineering Erran Berger nicht weniger genau. „Menschen finden und entdecken Jobs, die sie vorher nicht erfolgreich gefunden haben", sagte er.
Das Team schrieb auch einige Low-Level-Software neu, sodass bestimmte Aufgaben auf Standard-CPUs (den General-Purpose-Chips, die in jedem Computer zu finden sind) statt auf teureren Nvidia-GPUs laufen, wodurch auch der Stromverbrauch sinkt. LinkedIn sagt, dass die GPU-Auslastung seiner Trainingssysteme nun über 95 Prozent läuft, was bedeutet, dass die Chips fast nie untätig sind.
Insgesamt sparten diese Veränderungen in den letzten zwölf Monaten geschätzte 24 Millionen Dollar ein.
Ist 1 Million Dollar für ein Unternehmen dieser Größe relevant?
Nicht wirklich allein betrachtet. LinkedIn hat einen jährlichen Umsatz von 18 Milliarden Dollar, daher ist die Einsparung ein kleiner Bruchteil des Umsatzes. Linkedins Infrastruktur-Chef Raghu Hiremagalur räumte das direkt ein, argumentierte aber, dass der wahre Wert die Agilität ist: Ingenieure können ihre nächsten KI-Projekte früher starten, ohne auf die Ankunft neuer Hardware warten zu müssen.
Das Einfrieren kommt auch zu einem schwierigen Zeitpunkt zum Kauf von Servern. Hiremagalur sagte, dass einige Hardware in den letzten Monaten dreifach im Preis gestiegen ist. LinkedIn sicherte sich Käufe, bevor die Preise in die Höhe schossen, was ihm ein Kostenpolster gibt, das seine Konkurrenten möglicherweise nicht haben. Unser Bericht vom 28. Juli über Googles steigende Kapitalkosten zeigte, wie dieser Preisdruck Investoren in der gesamten Branche verunsichert.
| Metrik | Wert |
|---|---|
| LinkedIn-Nutzer | 1,3 Milliarden |
| Abgedecktes Geschäftsjahr | Juli 2025 bis Juni 2026 |
| Geschätzte Einsparungen (12 Monate) | 24 Millionen Dollar |
| Eingesparte GPU-Äquivalente | ca. 1.100 Chips, ganztägig |
| GPU-Auslastungsquote (Training) | über 95 % |
| Jährlicher Umsatz von LinkedIn | 18 Milliarden Dollar |
Was bedeutet das für normale Nutzer?
Für LinkedIn-Mitglieder sollten sich KI-Funktionen trotz der Ausgabenbegrenzung weiterhin verbessern. Bessere Jobempfehlungen und intelligentere Tools zur Kandidaten-Zuordnung sind bereits in Produktion. Die berechtigte Sorge ist, dass eine harte Ausgabenbegrenzung LinkedIn möglicherweise zwingen könnte, seine KI-Ambitionen zu verlangsamen, wenn die Rechenkraft weiterhin schneller wächst, als Effizienzgewinne dies ausgleichen können. Das ist die Wette, die die Ingenieure eingehen, und es lohnt sich, dies genau zu beobachten.
Häufig gestellte Fragen
Werden Linkedins KI-Funktionen aufgrund dessen schlechter?
LinkedIn sagt nein. Das Unternehmen argumentiert, dass seine Effizienzarbeit tatsächlich die Ergebnisse für Jobsuchende und Personalvermittler verbessert hat und dass es plant, neue KI-Tools mit dem gleichen Rechner-Budget weiterhin einzuführen.
Warum geben andere große Technologieunternehmen so viel mehr aus?
OpenAI und Google entwickeln völlig neue KI-Systeme, die enorme Mengen an neuer Rechenleistung erfordern. LinkedIn baut auf Modellen auf, die bereits vorhanden sind, was bedeutet, dass es sich auf die Steigerung des Outputs mit weniger Ressourcen konzentrieren kann, anstatt von vorne anzufangen.
Könnte LinkedIn seine Meinung mitten im Jahr ändern?
Ja. Berger und Hiremagalur räumten beide ein, dass sich die KI-Hardware-Anforderungen schnell ändern, und steigende Speicherchip-Preise könnten zu einer Überprüfung führen. Das Unternehmen sagt, dass es diese Preisanstiege bereits berücksichtigt hat, aber der Plan ist nicht garantiert.
