TDK Ventures: Sauvage wettet auf die langweiligen Teile der KI-Infrastruktur

Die These ist simpel und unbequem zugleich: Die besten Investitionen sehen erst vier Jahre nach dem Einstieg offensichtlich aus. Nicolas Sauvage, Gründer und Leiter von TDK Ventures — dem Corporate-Venture-Arm des japanischen Elektronikriesen TDK —, hat diese Philosophie nicht als Bonmot auf einer Konferenz entwickelt. Er arbeitet seit 2019 daran, sie zu beweisen. Auf der StrictlyVC-Veranstaltung in San Francisco Anfang Mai 2026 legte er offen, wie er dabei vorgeht: nicht durch das Jagen von Hype-Wellen, sondern durch das frühe Identifizieren von Engpässen — und das gezielte Finden der Gründer, die bereits daran arbeiten. Das Portfolio, das dabei entstanden ist, verwaltet mittlerweile 500 Millionen US-Dollar über vier Fonds. Und es liest sich wie ein Kontra-Programm zur üblichen VC-Logik.

Das Leitprinzip hinter TDK Ventures lautet: Identifiziere den Flaschenhals, der in vier Jahren offensichtlich sein wird — und investiere jetzt. Das klingt nach einem einfachen Framework, ist in der Praxis aber eine ernsthafte Disziplin. Es erfordert, Technologien zu kaufen, die noch niemand kauft, und Überzeugungen zu halten, für die es noch keine Marktbestätigung gibt. Dass diese Methode funktioniert, zeigt der bislang bekannteste Treffer im Portfolio: Groq.

Der Groq-Einstieg: Inferenz kaufen, bevor der Begriff bekannt war

Im Jahr 2020 — weit vor dem generativen KI-Boom, der Inferenz zu einem der meistdiskutierten Konzepte der Tech-Industrie machen sollte — schrieb Sauvage einen Scheck in das KI-Chip-Startup Groq. Gegründet von Jonathan Ross, einem der Ingenieure hinter Googles Tensor Processing Units, hatte Groq einen radikal anderen Ansatz gewählt: Der Chip wurde nicht für Training konzipiert, sondern für Inferenz — also für die rechenintensive Verarbeitung, die jedes Mal stattfindet, wenn ein Modell auf eine Anfrage antwortet.

Was Sauvage an der Architektur überzeugte, war nicht die Leistung per se, sondern die Konsequenz des Designs. Ross hatte den Compiler zuerst gebaut und die Architektur danach so weit vereinfacht, bis — wie Sauvage es beschreibt — man kein einzelnes Teil mehr entfernen konnte, ohne das Gesamtsystem zu zerstören. Das ist das Gegenteil von Feature-Creep. Und es ist genau das, was Spezialhardware braucht, um in einem Markt zu bestehen, der von Nvidia-GPUs dominiert wird. Heute ist Groq mit 6,9 Milliarden US-Dollar bewertet — eine Zahl, die beim Einstieg im Jahr 2020 utopisch gewirkt hätte.

Der entscheidende Erkenntnisgewinn: Inferenz-Bedarf wächst nicht linear. Mit jedem neuen Modell, jeder neuen Anwendung — und inzwischen mit jedem KI-Agenten, der für eine einzige Aufgabe Dutzende von Modellanfragen ausführt — steigt der Bedarf exponentiell. Wer Consumer-Hardware kennt, weiß, dass Nachfrage dort eine natürliche Decke hat. Inferenz hat diese Decke nicht. Sauvage hat das früher gesehen als die meisten. Für Unternehmen bedeutet das, die Kosten pro Token schon heute als strategische Kennzahl zu führen.

Energie und Materialien: Das unsichtbare Fundament der KI-Ära

Groq ist der bekannteste Name im TDK-Ventures-Portfolio. Aber er ist nicht repräsentativ für das, was Sauvage wirklich tut. Weit weniger im Rampenlicht stehen Investitionen in Festkörper-Netztransformatoren und Natrium-Ionen-Batterien für Rechenzentren — Technologien, die auf den ersten Blick nichts mit KI zu tun haben, auf den zweiten Blick aber genau dort landen, wo die Engpässe entstehen.

Der Hintergrund: Rechenzentren fressen Energie in einem Tempo, das bestehende Infrastrukturen überfordert. Lithium- und Kobalt-basierte Batterietechnologien sind dabei nicht nur teuer, sondern geopolitisch fragil — die Lieferketten für beide Materialien konzentrieren sich auf wenige, politisch sensible Regionen. Alternative Batteriechemien, die auf Natrium-Ionen setzen, können diese Abhängigkeit reduzieren. Das ist kein akademisches Argument. Das ist ein handfestes Infrastrukturproblem, das sich mit dem Rollout großer KI-Systeme verschärft.

Für europäische und deutsche Entscheider ist das besonders relevant: Die EU hat die Diversifizierung von Rohstofflieferketten zum strategischen Ziel erklärt. Wer jetzt in alternative Batterietechnologien investiert — oder entsprechende Portfoliounternehmen im Blick behält —, arbeitet an einem Problem, das sich nicht wegdiskutieren lässt. Der EU AI Act adressiert diese Infrastrukturrisiken zwar nicht direkt, aber die Hochrisiko-KI-Regeln, die ab dem 2. August 2026 gelten, werden den Druck auf stabile, sichere Rechenzentrumsinfrastruktur weiter erhöhen.

Physical AI: Robotik mit Fokus statt mit Ambitionen

Was kommt als nächstes? Sauvage hat eine klare Antwort: Physical AI — aber nicht in der breiten, ambitionierten Form, die viele Robotik-Startups versprechen. Er setzt auf Roboter mit einer hochspezifischen Aufgabe, nicht auf universelle Maschinen.

Zwei Portfoliounternehmen illustrieren diese Logik besonders gut. Agility Robotics konzentriert sich auf eine einzige, wiederkehrende Tätigkeit: Objekte in Lagerhäusern von A nach B bewegen — in einer Umgebung, in der Arbeitskräftemangel ein strukturelles Problem ist. Kein genereller Humanoid, der alles kann und nichts zuverlässig. Stattdessen ein Roboter, der eine Sache zuverlässig macht. Das zweite Unternehmen, ANYbotics aus der Schweiz, baut robuste Roboter für Umgebungen, die für Menschen schlicht zu gefährlich sind — industrielle Inspektionsroboter für Anlagen, in denen keine menschliche Besatzung vertretbar wäre.

Der gemeinsam Nenner: Klarheit des Zwecks. Diese Roboter versuchen nicht, alles zu tun. Sie tun eine schwierige Sache verlässlich. Das klingt wie Understatement — es ist tatsächlich die härteste Designdisziplin in der Robotik. Denn Generalisten scheitern in der Praxis daran, dass echte Industrieumgebungen weder sauber noch vorhersehbar sind. Spezialisten, die genau diesen einen Fall beherrschen, haben einen echten Graben.

Die CPU-Renaissance und das Orchestrierungsproblem

Sauvage beobachtet außerdem eine Verschiebung im Compute-Stack, die in der öffentlichen Debatte noch kaum angekommen ist. GPUs haben das Training dominiert — die massive, parallele Rechenleistung, die benötigt wird, um Modelle zu trainieren. Inferenz-Chips wie Groqs Architecture reshapen, was passiert, wenn ein Modell spricht: schneller, günstiger, skalierbar. Aber jetzt, so Sauvage, stehen CPUs vor einem Comeback.

Nicht weil sie die schnellsten oder mächtigsten Chips sind. Sondern weil sie die flexibelsten sind — und weil sie am besten für die verzweigten, entscheidungsbasierten Prozesse geeignet sind, die KI-Agenten-Orchestrierung erfordert. Wenn ein Agent eine Aufgabe delegiert, ihren Fortschritt überprüft, Fehler abfängt und über Dutzende von Schritten looped, braucht irgendjemand die Gesamtchoreografie zu managen. Das ist keine GPU-Aufgabe. Das ist eine CPU-Aufgabe. Für Operations-Teams, die Agenten-Workflows einsetzen, ist das ein wichtiges Signal: Die Infrastruktur-Kosten werden sich verschieben — nicht nur nach oben, sondern auch in der Zusammensetzung.

Vibe Manufacturing: Chinas Iteration auf Atome

Ein letzter Punkt, den Sauvage auf der StrictlyVC-Bühne ansprach, verdient besondere Aufmerksamkeit: Er zitierte einen Report von Eclipse — einem Venture-Unternehmen, das er eng verfolgt — der beschreibt, was als "Vibe Manufacturing" bezeichnet wird. Das Konzept spiegelt, was Vibe Coding für Software getan hat: KI-gestützte, schnelle Iteration in der physischen Hardwareentwicklung. Chinesische Hersteller, so der Report, komprimieren den Design-Build-Test-Zyklus für physische Produkte auf eine Weise, mit der westliche Lieferketten noch nicht mithalten können.

Für Sauvage ist das ein Engpasssignal. Und er bewegt sich bereits darauf zu. Das noch ungelöste Problem, das er benennt, ist Dexterität: Modelle entwickeln sich schnell genug, dass Physical AI unvermeidlich scheint — was fehlt, ist die physische Präzision, um damit gleichzuhalten. Die Länder und Unternehmen, die lernen, auf Atome so schnell zu iterieren wie andere auf Code, werden einen Fertigungsvorteil haben. Das ist ein Satz, den deutsche Maschinenbauer und Industriekonzerne sehr ernst nehmen sollten.

Was dagegen spricht: Die Grenzen der Bottleneck-Methode

Sauvages Ansatz klingt überzeugend — zu überzeugend, um ihn unkritisch zu lassen. Die Vier-Jahres-Regel funktioniert exzellent in der Retrospektive. Groq ist der Beweis. Aber für jeden Treffer gibt es Engpässe, die sich nie geöffnet haben, weil der Markt einen anderen Weg genommen hat. Corporate Venture Capital hat strukturelle Schwächen: Die Renditeerwartungen eines Konzernträgers wie TDK sind nicht identisch mit denen eines unabhängigen Fonds. Investitionsentscheidungen können durch strategische Interessen des Mutterkonzerns verzerrt werden — TDK profitiert direkt von Batterie- und Sensorentechnologien im Portfolio, was Interessenkonflikte erzeugt.

So What? Was DACH-Entscheider daraus mitnehmen sollten

Der operative Nutzen von Sauvages Denkrahmen liegt nicht im Nachahmen seiner Investitionen, sondern im Übernehmen seiner Frage: Wo ist in meinem Bereich der Flaschenhals, der in vier Jahren offensichtlich sein wird? Für deutsche Industrieunternehmen, die KI in Produktionsprozesse integrieren, lautet die ehrliche Antwort derzeit: Datenqualität, Inferenz-Kosten und Energieversorgung für KI-Systeme. Das sind keine sexy Themen. Sie sind aber genau die Engpässe, die skalierte KI-Systeme blockieren werden — und die Unternehmen, die heute in diese Bereiche investieren, werden in wenigen Jahren eine strukturelle Überlegenheit haben.

Fazit: Langweilige Infrastruktur ist die strategische Wette unserer Zeit

Sauvages Methode ist kein Geheimrezept, sondern eine Disziplin: den Engpass früher sehen als andere und die Überzeugung halten, bis der Markt folgt. Dass TDK Ventures mit dieser Methode 500 Millionen Dollar unter Verwaltung hat und Groq mit 6,9 Milliarden Dollar bewertet wurde, ist kein Zufall — aber auch kein garantierbares Ergebnis für jeden, der das Framework kopiert.

Die Prognose: Wenn KI-Agenten-Systeme in den nächsten zwei bis drei Jahren in Unternehmensumgebungen skalieren — was mit sehr hoher Wahrscheinlichkeit passieren wird —, dann werden Inferenz-Kosten, CPU-Orchestrierung und Energie-Infrastruktur die drei operativen Engpässe sein, an denen viele Implementierungen scheitern. Wer heute gezielt in diese Bereiche investiert, kauft sich genau den Zeitvorteil, den Sauvage 2020 mit Groq hatte. Im Klartext: Die langweiligsten Teile der KI-Infrastruktur sind gerade die interessanteste Wette.