Das britische KI-Start-up Callosum sammelt 100 Millionen US-Dollar in einer Seed-Runde ein. Die Plattform soll KI-Workloads effizienter auf unterschiedlichen Chips und Modellen betreiben können
Das in Großbritannien ansässige Unternehmen Callosum hat eine Seed-Finanzierungsrunde in Höhe von 100 Millionen US-Dollar abgeschlossen. Die Runde wurde von Atomico angeführt, mit Beteiligung von Plural, DCVC, Sovereign AI sowie mehreren Angel-Investoren. Callosum entwickelt eine Softwareplattform, die es ermöglichen soll, KI-Workloads flexibel auf verschiedenen Chiparchitekturen und Modellen auszuführen. Die Finanzierung wurde im Juni 2026 bekannt gegeben und zählt zu den größten Seed-Runden im europäischen Technologiesektor der letzten Jahre.
Technologischer Ansatz und Marktposition
Callosum verfolgt einen Ansatz, der sich bewusst gegen die derzeit vorherrschende Konzentration auf einzelne große KI-Modelle und homogene Hardware richtet. Nach Angaben des Unternehmens basiert die Plattform auf der Überzeugung, dass reale Anwendungsprobleme heterogen und komplex sind und daher unterschiedliche Modelle und Hardwaretypen erfordern. Ziel ist es, die Kosten und den Energiebedarf für KI-Inferenz und Training zu senken und die Abhängigkeit von einzelnen Chipanbietern wie NVIDIA zu reduzieren.
Das Unternehmen wurde von Wissenschaftlern der Universität Cambridge gegründet und positioniert sich als Alternative zu bestehenden Infrastrukturen, die auf die Skalierung einzelner Foundation Models auf identischer Hardware setzen. Callosum sieht darin eine Möglichkeit, die Entwicklung und den Betrieb von KI-Systemen für Unternehmen und Forschungseinrichtungen flexibler und wirtschaftlicher zu gestalten.
Finanzierungsdetails und Investoren
Die Seed-Runde in Höhe von 100 Millionen US-Dollar wurde von Atomico als Lead-Investor strukturiert. Weitere Beteiligte sind Plural, DCVC und Sovereign AI. Die Mittel sollen laut Unternehmensangaben in die Weiterentwicklung der Plattform, die Integration zusätzlicher Hardwarepartner und den Ausbau des Teams fließen. Bereits im Februar 2026 hatte Callosum eine Vorfinanzierung von 10,25 Millionen US-Dollar erhalten, als das Unternehmen erstmals öffentlich auftrat.
Die hohe Bewertung und das Interesse internationaler Investoren spiegeln die wachsende Bedeutung von Infrastruktur-Software für KI-Anwendungen wider. Auch andere europäische Start-ups im Bereich KI-Infrastruktur konnten zuletzt größere Finanzierungsrunden abschließen, wie etwa das Unternehmen Computomics, das sich auf KI-gestützte Pflanzenzüchtung spezialisiert hat und kürzlich 6,3 Millionen Euro einwarb.
Partnerschaften und technologische Einbindung
Callosum hat angekündigt, mit dem US-Chiphersteller Cerebras zusammenzuarbeiten, um die Integration von spezialisierten KI-Beschleunigern in die eigene Plattform zu ermöglichen. Nach Angaben des Unternehmens soll dies die Latenzzeiten bei der Inferenz deutlich reduzieren und neue Anwendungsfälle für Unternehmen erschließen. Die britische Regierung hat die Entwicklung begrüßt und sieht darin einen Beitrag zur Stärkung des KI-Ökosystems im Vereinigten Königreich.
Die Plattform befindet sich nach Unternehmensangaben noch in der Entwicklungsphase. Konkrete Angaben zu ersten Pilotkunden, technischen Benchmarks oder geplanten Markteinführungen wurden bislang nicht veröffentlicht. Offen bleibt auch, inwieweit die Plattform mit bestehenden Cloud- und KI-Infrastrukturen interoperabel sein wird und welche Lizenzmodelle vorgesehen sind.
Die Entwicklung von KI-Infrastrukturplattformen wie Callosum steht im Kontext eines wachsenden Bedarfs an flexiblen, effizienten und herstellerunabhängigen Lösungen für Unternehmen und Forschungseinrichtungen. Während die Finanzierung und die Partnerschaften auf ein hohes Marktinteresse hindeuten, bleibt abzuwarten, wie sich die Plattform im praktischen Einsatz bewährt und ob sie die angekündigten Effizienzgewinne tatsächlich realisieren kann.
Der Begriff Inferenz bezeichnet in der künstlichen Intelligenz die Phase, in der ein trainiertes Modell auf neue Daten angewendet wird, um Vorhersagen oder Entscheidungen zu treffen. Im Unterschied zum Training, bei dem das Modell aus großen Datenmengen lernt, steht bei der Inferenz die schnelle und ressourcenschonende Verarbeitung im Vordergrund. Die Effizienz der Inferenz ist entscheidend für den wirtschaftlichen Betrieb von KI-Anwendungen, insbesondere bei großskaligen oder zeitkritischen Aufgaben.
