I4U News / KI

KI · KI-Infrastruktur

Daisytuner: Der Chip-Lock-in der KI ist ein Software-Problem

Daisytuner aus Darmstadt hat 6 Millionen Euro eingesammelt und am selben Tag Daisyflow gestartet, eine Inferenz-Plattform mit eigenem Compiler. Die Wette: Wer KI-Code für jeden Chip optimieren kann, nimmt der Hardware ihren Lock-in, und Rechenzentren kaufen Chips künftig nach Preis statt nach Kompatibilität.

Recherche und Entwurf mit KI-Unterstützung, Fakten gegen die Quellen geprüft. So arbeitet die Redaktion

Eine Ingenieurin mit Laptop verbindet im Rechenzentrum ein älteres schwarzes Server-Rack per Kabel mit einem neuen kupferfarbenen Rack (KI-Bild)
KI-generiertes Symbolbild

Wer heute ein KI-Modell im eigenen Rechenzentrum betreibt, hat die wichtigste Entscheidung oft getroffen, bevor jemand gefragt hat: die Chip-Plattform. Der Code ist darauf optimiert, die Werkzeuge auch. Ein Umzug auf andere Hardware heißt umschreiben, anpassen, neu testen. Laut Daisytuner dauert das Monate und kostet Millionen.

Genau dort setzt ein Start-up aus Darmstadt an. Und hat dafür gerade 6 Millionen Euro bekommen.

Was passiert ist

Die Daisytuner GmbH hat eine Seed-Runde über 6 Millionen Euro abgeschlossen, gemeinsam angeführt von Elaia und LEA Ventures, dazu kommen der Amadeus APEX Technology Fund und Seedcamp. So steht es in der Mitteilung des Unternehmens vom 16. November, Tech.eu berichtet dieselben Zahlen. 2025 gab es laut HiPEAC bereits eine Pre-Seed-Runde über rund 1 Million Euro unter Führung von LEA Partners.

Gegründet haben die Firma Lukas Trümper, der an der ETH Zürich zu KI-gestützten Compilern geforscht hat, und Adrian Schmitz. Am selben Tag kam das Produkt: Daisyflow, eine Plattform, die Modelle für Text, Bild, Sprache und Empfehlungen im Rechenzentrum des Kunden ausliefert, mit einer Schnittstelle, die kompatibel zu OpenAI ist. Darunter liegt der Open-Source-Compiler docc. Er übersetzt PyTorch, NumPy und C/C++ und erzeugt daraus nativen Code für CUDA, ROCm und neue Chip-Architekturen. Jede Optimierung wird laut Firma vor dem Einsatz als korrekt nachgewiesen und in einer Performance-Datenbank gesammelt.

Die eine harte Zahl kommt vom Unternehmen selbst: Auf GPUs der Reihe AMD Instinct soll Alibabas Modell Qwen 2.5 mit Daisyflow bis zu 18 Prozent schneller laufen als mit vLLM, der verbreiteten Open-Source-Software für Inferenz. Ein unabhängiger Benchmark liegt nicht vor. Kunden nennt Daisytuner keine.

Der Lock-in sitzt in der Software, nicht im Chip

Was ich daran spannend finde: Europas KI-Debatte dreht sich um Chips. Wer baut Fabriken, wer bekommt Kontingente. Aber der Grund, warum Rechenzentren bei einem Anbieter bleiben, ist selten das Silizium. Es ist der Stapel darüber. CUDA ist Nvidias Software-Plattform, und jede Zeile Code, die darauf optimiert ist, macht den nächsten Chip teurer, egal was er auf dem Datenblatt kann.

Für mich ist das ein klassischer Value Transfer. Wer sein Modell nur auf einer Plattform effizient betreiben kann, verhandelt nicht über Preise. Er nimmt sie. Ein Compiler, der denselben Code auf AMD, auf RISC-V-Beschleunigern oder auf Tenstorrent-Karten schnell macht, schiebt diese Verhandlungsmacht zurück zum Betreiber. Im Januar hat Daisytuner das an Simulationssoftware gezeigt: OpenFOAM und der Benchmark HPCCG liefen auf Tenstorrents Karten Wormhole und Blackhole, laut Firma bei rund 60 Watt statt 400 bis 600 Watt für Server-CPUs.

Heißt: Wenn das trägt, wird der Chipwechsel vom Migrationsprojekt zur Einkaufsentscheidung. Das ist der Second-Order-Punkt für die Region. Cloud-Anbieter in Deutschland, Österreich und der Schweiz, die souveräne Rechenleistung verkaufen, könnten Hardware nach Preis, Strom und Lieferbarkeit mischen statt nach Kompatibilität. Genau diese Anbieter mit gemischtem Hardware-Park nennt Daisytuner als Zielgruppe. Und europäische Chip-Start-ups bekämen einen Weg in die Produktion, ohne zuerst ein eigenes Software-Ökosystem bauen zu müssen.

Der Haken

Meine Faustregel: Code ist kein Burggraben mehr, Distribution schon. Das gilt hier in beide Richtungen. Wenn Daisytuner recht hat, schrumpft ein Teil von Nvidias Vorsprung. Aber dieselbe Logik trifft das Start-up selbst. Bei der Compiler-Optimierung legen Chiphersteller, Hyperscaler und Open-Source-Projekte wie vLLM ständig nach. 18 Prozent auf einem Modell und einer GPU-Familie sind ein Anfang, kein Beweis.

Gewinnen wird, wer die ersten zahlenden Rechenzentren und Hardware-Hersteller holt und deren Workloads in die eigene Performance-Datenbank bringt. Diese Datenbank ist aus meiner Sicht das eigentliche Asset, nicht der Compiler. Der ist Open Source. 6 Millionen Euro reichen für Team und erste Enterprise-Piloten. Für einen Vertrieb gegen US-Plattformen reichen sie nicht lange. Die nächste Runde zeigt, ob Kunden mitgehen.

Ein Muster sehe ich trotzdem. Wie bei Plurals neuem Fonds geht es um die Schicht unter den Anwendungen, nicht um die nächste Chat-App. Mehr dazu im Ressort KI, die Runde steht ab heute im Finanzierungs-Tracker.

Was ich jetzt tun würde

  • Wer eigene KI-Inferenz betreibt: → die drei teuersten Modelle auflisten und prüfen, auf wie vielen Chip-Plattformen sie heute produktiv laufen könnten. Ist die Antwort eins, ist das ein Einkaufsrisiko, kein Technikdetail.
  • Wer in Deep Tech investiert: → nicht zuerst nach dem Benchmark fragen, sondern nach Pilotkunden mit eigenem Rechenzentrum und danach, wem die Performance-Daten gehören.
  • Wer Chips baut: → Compiler-Partnerschaften früh verhandeln. Ohne Software-Pfad landet die beste Hardware beim Kunden nie in der Produktion.

Bottom Line: Europas Abhängigkeit bei KI-Rechenleistung ist auch ein Software-Problem, und in Darmstadt liegen jetzt 6 Millionen Euro auf der Wette, dass ein Compiler es kleiner macht.

Die Fakten

  • Daisytuner (Darmstadt) hat 6 Mio. € Seed eingesammelt, gemeinsam angeführt von Elaia und LEA Ventures.
  • Weitere Investoren: Amadeus APEX Technology Fund und Seedcamp.
  • Daisyflow läuft im Rechenzentrum des Kunden; der Compiler docc ist Open Source und erzeugt Code für CUDA, ROCm und neue Chips.
  • Laut Firma läuft Qwen 2.5 auf AMD Instinct bis zu 18 % schneller als mit vLLM; unabhängig geprüft ist das nicht.

Fragen und Antworten

Was macht Daisytuner?

Daisytuner aus Darmstadt baut einen selbstlernenden Compiler (docc, Open Source) und die Inferenz-Plattform Daisyflow. Sie sollen KI-Modelle und anderen Code ohne Umschreiben auf verschiedenen Chips schnell laufen lassen, im Rechenzentrum des Kunden.

Wer hat in Daisytuner investiert?

Die Seed-Runde über 6 Mio. € im November 2026 führten Elaia und LEA Ventures an, mit Amadeus APEX Technology Fund und Seedcamp. 2025 gab es eine Pre-Seed-Runde über rund 1 Mio. € unter Führung von LEA Partners.

Ist Daisyflow schneller als vLLM?

Laut eigenem Benchmark läuft Qwen 2.5 auf AMD-Instinct-GPUs bis zu 18 % schneller als mit vLLM. Ein unabhängiger Test liegt bisher nicht vor.

Quellen

  1. Daisytuner (Unternehmen): Daisyflow launch and €6M seed round (16.11.2026) Primärquelle
  2. Daisytuner (Unternehmen): Hardware lock-in and portability (31.01.2026) Primärquelle
  3. Daisytuner (Impressum): Daisytuner GmbH, Darmstadt, HRB 108176 (17.11.2026) Primärquelle
  4. Tech.eu: AI inference startup Daisytuner raises €6M seed (16.11.2026) unabhängige Quelle
  5. HiPEAC: daisytuner launches beta site following pre-seed funding round (19.05.2025) unabhängige Quelle

Briefing · jeden Montag

Robotik, KI und Kapital aus DACH. Eine Mail pro Woche.

Die wichtigsten Runden, Köpfe und Technik der Woche, mit Einordnung statt Pressetext.

Mehr aus KI

Ressort →