LinkedIn friert Ausgaben für AI-Rechenzentren für ein ganzes Jahr ein
Während Konkurrenten Milliarden in neue Chips und Serverfarms investieren, gibt LinkedIn an, die Effizienz seiner bestehenden Hardware verdoppelt zu haben und damit 24 Millionen Dollar eingespart zu haben.
Wichtigste Punkte
- LinkedIn wird seine AI-Recheninfrastruktur bis Juni 2026 unverändert halten und keine neuen Kapazitäten hinzufügen.
- Das Unternehmen hat die GPU-Effizienz in sechs Monaten verdoppelt – gleichbedeutend mit dem Hinzufügen von etwa 1.100 rund um die Uhr laufenden Chips, ohne einen einzigen zu kaufen.
- LinkedIn schätzt, dass diese Effizienzgewinne in den letzten 12 Monaten 24 Millionen Dollar eingespart haben.
- Serverpreise sind in den letzten Monaten nach Angaben von LinkedIns Infrastruktur-Chef um das Dreifache gestiegen, was die Einhaltung der Ausgabenbremse noch schwieriger macht.
- Der Schritt ist ein seltener öffentlicher Kontrast zum Ausgabenwettbewerb zwischen OpenAI, Meta und Google.
LinkedIn, die von Microsoft gehörte Plattform für berufliches Networking, gibt an, dass es seine AI-Recheninfrastruktur in diesem Geschäftsjahr nicht ausbauen wird. Das Unternehmen teilte Wired AI mit, dass es plant, seine Investitionen in GPUs (die spezialisierten Chips, die die rechenintensive Arbeit von AI übernehmen) bis Juni 2026 völlig unverändert zu halten, und die Speicherkapazität soll ebenfalls gleich bleiben.
Das ist eine bemerkenswerte Zusage für eine Plattform mit 1,3 Milliarden Nutzern, die gleichzeitig mehr AI-Funktionen, nicht weniger, einführt.
Wie hat LinkedIn das geschafft?
Kurz gesagt: Das Unternehmen hat aus der Hardware, die es bereits besitzt, weitaus mehr Leistung herausgeholt. In den letzten sechs Monaten hat LinkedIns Engineering-Team die Effizienz seiner GPU-Nutzung verdoppelt und die gleiche Rechenleistung aus denselben physischen Chips gewonnen, indem es weniger Leerlaufzeit verschwendet hat.
LinkedIn besitzt eigene Rechenzentren in Oregon, Texas und Virginia, nachdem es sich um 2022 von Microsofts Azure-Cloud-Service zurückzog. Dieses Eigentum gab Ingenieuren direkte Kontrolle über jede Schicht des Technology Stack.
Sie nutzten ein Verfahren namens Distillation, bei dem ein kleineres AI-Modell trainiert wird, von zwei größeren zu lernen. Für LinkedIns Job-Empfehlungstool handhabt jetzt ein kompaktes Modell das, was zuvor zwei separate, teurere Modelle erforderte. Das Ergebnis ist billiger im Betrieb und nach Aussage 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, so dass bestimmte Aufgaben auf Standard-CPUs (die universellen Chips, die in jedem Computer zu finden sind) statt auf teureren Nvidia-GPUs laufen, was Stromverbrauch und Beschaffungsprobleme gleichzeitig senkt. LinkedIn gibt an, dass die GPU-Auslastung auf seinen Trainingssystemen jetzt über 95 Prozent läuft, was bedeutet, dass die Chips fast nie untätig sind.
Insgesamt ersparten diese Änderungen schätzungsweise 24 Millionen Dollar in den letzten zwölf Monaten.
Spielt 24 Millionen Dollar für ein Unternehmen dieser Größe eine Rolle?
Nicht wirklich allein. LinkedIn meldet einen jährlichen Umsatz von 18 Milliarden Dollar, also ist die Ersparnis ungefähr 0,1 Prozent des Umsatzes. Raghu Hiremagalur, Infrastruktur-Chef von LinkedIn, räumte das direkt ein, argumentierte aber, dass der wahre Wert Agilität ist: Ingenieure können ihre nächstes AI-Projekt früher starten, ohne auf den Eingang neuer Hardware zu warten.
Die Ausgabenbremse kommt auch zu einem schwierigen Zeitpunkt zum Kauf von Servern. Hiremagalur sagte, dass einige Hardware in den letzten Monaten um das Dreifache gestiegen ist. LinkedIn sicherte sich Käufe, bevor die Preise in die Höhe schossen, was ihm ein Kostenpolster gibt, das seine Konkurrenten möglicherweise nicht haben.
| Metrik | Wert |
|---|---|
| LinkedIn-Benutzer | 1,3 Milliarden |
| Abgedecktes Geschäftsjahr | Juli 2025 bis Juni 2026 |
| Geschätzte Ersparnis (12 Monate) | 24 Millionen Dollar |
| GPU-Äquivalent eingespart | ~1.100 Chips, Vollzeit |
| GPU-Auslastungsquote (Training) | über 95 Prozent |
| Jährlicher LinkedIn-Umsatz | 18 Milliarden Dollar |
Was bedeutet das für normale Nutzer?
Für LinkedIn-Mitglieder ist das praktische Ergebnis, dass sich AI-Funktionen trotz der Ausgabenbremse weiter verbessern sollten. Bessere Job-Empfehlungen und intelligentere Tools zur Kandidaten-Matching sind bereits in Produktion. Das Risiko, das von Gartner-Analyst Chirag Dekate angemerkt wurde, besteht darin, dass eine harte Ausgabengrenze LinkedIn möglicherweise zwingen könnte, seine AI-Ambitionen zu verlangsamen, falls die Nachfrage nach Rechenleistung weiter steigt. Vorerst setzen die Ingenieure darauf, dass Effizienz die Lücke füllen kann.
Häufig gestellte Fragen
Werden LinkedIns AI-Funktionen deshalb schlechter?
LinkedIn sagt nein. Das Unternehmen argumentiert, dass seine Effizienzmaßnahmen tatsächlich Ergebnisse für Jobsuchende und Recruiter verbessert haben, und es plant, weiterhin neue AI-Tools im gleichen Rechenbudget einzuführen.
Warum geben andere große Technologieunternehmen so viel mehr aus?
OpenAI, Meta und Google entwickeln völlig neue AI-Systeme, die riesige Mengen an frischer Rechenleistung benötigen. LinkedIn baut auf bereits existierenden Modellen auf, was bedeutet, dass es sich auf die Maximierung mit weniger konzentrieren kann, anstatt von vorne anzufangen.
Könnte LinkedIn seine Meinung während des Jahres ändern?
Ja. Berger und Hiremagalur räumten beide ein, dass sich die AI-Hardware-Anforderungen schnell ändern, und steigende Speicher-Chip-Preise könnten zu einer Überprüfung zwingen. Das Unternehmen sagt, dass es diese Preissteigerungen bereits berücksichtigt hat, aber der Plan ist nicht garantiert.
