Latham & Watkins will nicht jeden KI-Workload in der Cloud ausführen. Die Kanzlei hat rund drei Jahre damit verbracht, Nvidia-GPU-Server zu kaufen, damit sie ausgewählte KI-Workloads auf einer von ihr kontrollierten Infrastruktur ausführen kann.
Die Server sind in einem Rechenzentrum eines Drittanbieters aktiv, auf das nur Latham-Mitarbeiter zugreifen können. Latham nutzt weiterhin kommerzielle KI-Dienste wie Harvey und verfügt damit über einen privaten Bereitstellungsweg für sensible Mandantendaten, ohne vollständig auf Cloud-KI zu verzichten.
Latham betreibt mehrere Nvidia-H200-GPUs und prüft neuere Blackwell- und Vera-Rubin-Systeme, so einem Bericht von Bloomberg Law vom 11. September zufolge. Die Kanzlei experimentiert außerdem mit der Feinabstimmung von von Nvidia entwickelten Open-Weight-Modellen, anstatt ein Basismodell von Grund auf zu entwickeln.
Warum Latham eigene Nvidia-Server gekauft hat
Die Datenkontrolle ist der offensichtlichste Grund. CIO Rene Mendoza sagte der Financial Times , dass einige Mandanteninformationen so sensibel seien, dass Latham sie keinem „Cloud-Anbieter“ anvertrauen wolle. Durch die Ausführung ausgewählter Workloads auf von der Kanzlei kontrollierter Hardware bleiben diese Workloads von der Infrastruktur eines Modellanbieters fern, und Latham erhält mehr Kontrolle über die Integration in interne Systeme.
Open-Weight-Modelle erweitern diese Wahlmöglichkeiten. Organisationen können einige Modelle selbst hosten und anpassen, statt sich ausschließlich auf proprietäre APIs zu verlassen, und dadurch ihre Möglichkeiten zur Bereitstellung von Unternehmensmodellen.
Auch die Kosten spielen bei der Entscheidung eine Rolle, obwohl Latham sagt, dass sie nicht der ausschlaggebende Faktor seien. Die Kanzlei hat Token-Einsparungen als einen Vorteil von Open-Weight-Modellen genannt, aber nicht offengelegt, wie viel sie für ihre GPU-Infrastruktur ausgegeben hat.
Latham verfügt außerdem über genügend Personal, um ein stärker praxisorientiertes Modell zu unterstützen. Bloomberg zufolge beschäftigt die Kanzlei rund 900 Technologie-Mitarbeiter, darunter etwa 100 mit Schwerpunkt auf KI.
Die Strategie bleibt hybrid und nicht cloudfrei. Latham nutzt weiterhin kommerzielle KI-Tools und reserviert die eigene Infrastruktur für Workloads, die das Unternehmen direkter kontrollieren möchte.
Kirkland & Ellis bietet einen nützlichen Vergleich. Die konkurrierende Kanzlei sagte im Mai 2026 eine Investition von 500 Millionen US-Dollar zu , um über einen Zeitraum von drei bis vier Jahren ihre proprietäre KI-Plattform aufzubauen – ein weiteres Zeichen dafür, dass die größten Kanzleien bereit sind, massiv in mehr Kontrolle über ihre KI-Stacks zu investieren.
Die Erkenntnis von eWeek: Latham baut einen hybriden KI-Stack auf, statt die Cloud zu ersetzen
Die Bereitstellung bei Latham ist weniger eine Absage an Cloud-KI als vielmehr ein Versuch, zu kontrollieren, wo die verschiedenen Workloads ausgeführt werden. Die Kanzlei betreibt mehrere Nvidia-H200-GPUs, stimmt Open-Weight-Modelle auf einer von ihr kontrollierten Infrastruktur fein ab und nutzt weiterhin kommerzielle KI-Produkte wie Harvey, so die Berichterstattung von Bloomberg Law. Diese Kombination deutet auf eine hybride KI-Strategie hin, bei der Datensensibilität, Anpassungsmöglichkeiten und Workload-Anforderungen bestimmen, ob eine Aufgabe auf privater Infrastruktur bleibt oder an einen externen Anbieter geht.
Open-Weight-Modelle machen diese Architektur praktikabler, weil Unternehmen einige Modelle selbst ausführen können, anstatt jede Inferenzanfrage über eine proprietäre API zu leiten. Eine aktuelle Analyse der Financial Times hat außerdem die Möglichkeit aufgezeigt, dass leistungsfähige kleinere und offene Modelle die Rechenkosten für routinemäßige Workloads senken könnten. Dadurch gerät die Annahme weiter unter Druck, dass jede KI-Aufgabe eines Unternehmens auf einer hyperskalierenden Infrastruktur ausgeführt werden müsse.
Latham hat nicht genügend Informationen offengelegt, um zu belegen, dass der Besitz von GPUs günstiger ist. Die Kanzlei hat weder Infrastrukturkosten noch Auslastung, Workload-Volumen oder Vergleichswerte zu Einsparungen veröffentlicht. Daryl Lim, Professor an der Penn State Dickinson Law, sagte gegenüber Bloomberg Law, dass die Wirtschaftlichkeit davon abhänge, die Server mit wertvollen Workloads auszulasten; andernfalls hätten externe Anbieter einen Vorteil, weil sie die Infrastrukturkosten auf viele Kunden verteilen.
Für Unternehmen geht es um die Platzierung von Workloads, nicht um den GPU-Besitz um seiner selbst willen. Organisationen mit sensiblen oder vorhersehbaren KI-Workloads können stärkere Argumente für private Rechenkapazitäten haben, während sprunghaft anfallender Bedarf, der Zugang zu Spitzenmodellen und Workloads ohne strenge Anforderungen an die Datenkontrolle weiterhin für Cloud-Dienste sprechen können.
Möchten Sie mehr über KI-Tipps, Tricks und Prompting-Techniken erfahren? Leser von eWeek erhalten 7 Tage kostenlosen Zugang zur The Neuron Academy, unserer praxisorientierten Lernplattform, die Berufstätigen helfen soll, KI sicherer bei der Arbeit einzusetzen. Alle Lektionen ansehen →