RTX Spark Notebooks sind da: 128 GB für lokale KI-Modelle

Hinweis: Dieser Beitrag wurde mit KI-Unterstützung erstellt und automatisiert veröffentlicht.

Seit dem 16. Oktober 2026 sind die ersten RTX Spark Notebooks im Handel. Nvidia hat an diesem Tag mitgeteilt, dass Geräte mit der neuen Plattform ab sofort bei ASUS, Dell, HP, Lenovo, Microsoft und MSI erhältlich sind. Interessant ist weniger das Marketing drumherum – Nvidia hat den Start mit Launch-Partys in sechs Städten gefeiert – sondern eine nüchterne Zahl: bis zu 128 GB gemeinsam genutzter Speicher in einem Notebook.

Was in den RTX Spark Notebooks steckt

Kern der Plattform ist ein einzelner Superchip, der eine Blackwell-RTX-GPU und eine Grace-CPU kombiniert. Nvidia nennt in den technischen Daten bis zu 6.144 GPU-Kerne, eine 20-Kern-Grace-CPU, bis zu 128 GB LPDDR5X als Unified Memory und bis zu 1 Petaflop FP4-Rechenleistung. Die kleinere Variante kommt mit 5.120 GPU-Kernen, 18 CPU-Kernen und maximal 64 GB. Für die Notebook-Ausführungen gibt Nvidia 45 bis 80 Watt TDP an, für die Desktop-Ausführung 140 Watt. Am CPU-Design war MediaTek beteiligt.

Der entscheidende Punkt ist der geteilte Speicher. Weil sich CPU und GPU denselben Adressraum teilen, muss ein Modell nicht in knappen Grafikspeicher gepresst werden. Nvidia gibt auf der Produktseite an, dass sich damit Modelle bis 120 Milliarden Parameter mit einer Million Token Kontext lokal ausführen lassen. Dazu kommt mit Nemotron 3.5 Bolt 74B-A9B 24GB ein hauseigenes Modell für Werkzeugaufrufe und mehrstufige Aufgaben – laut Pressemitteilung allerdings nur für „unterstützte“ RTX-Spark-Konfigurationen.

Wichtig für die Einordnung: Alle diese Leistungsangaben stammen von Nvidia selbst. Unabhängige Benchmarks kompletter RTX-Spark-Systeme liegen bislang nicht vor.

Beim Software-Start setzt Nvidia darauf, dass Anwender Agenten ohne Kommandozeile einrichten können; genannt werden unter anderem GitHub Copilot, Hermes, OpenClaw, Perplexity, Pi und WorkBuddy. Für Entwickler nennt die Pressemitteilung mehrere Erstlingswerke auf der Arm-Plattform: eine PyTorch-CUDA-Variante für Windows on Arm, einen nativen Conda-Installer und Unterstützung für 97 Prozent der 15.000 meistgenutzten Python-Pakete. Zur Modellreihe gehören ASUS ProArt P14 und P16, Dell XPS 16, HP OmniBook Ultra und OmniBook X 14, Lenovo Yoga Pro 9n, Microsoft Surface Laptop Ultra sowie MSI Prestige N16 Flip AI+ und Prestige N16; kompakte Desktops sollen im November folgen.

Vorgestellt haben Microsoft und Nvidia die Plattform am 7. Oktober auf Microsofts Windows-AI-und-Surface-Event in San Francisco, wo auch die Vorbestellungen starteten. Über den Chip selbst hatte ich schon im Juni geschrieben, damals rund um das Surface Laptop Ultra mit RTX-Spark-Chip.

Newsletter

Klartext zu KI, Security, Crypto

Einordnung statt Hype: was hinter den Tech-News steckt und was davon für dich zählt. Startbonus: die AD-Checkliste mit 12 Sofortmaßnahmen als PDF.

E-Mail-Adresse *

Mit der Anmeldung erhältst du die AD-Checkliste als PDF und danach den Tech-&-Tacheles-Newsletter mit Einordnungen zu Security, KI und Crypto sowie gelegentlichen Hinweisen auf meine Bücher und Produktempfehlungen (auch Affiliate-Links) – eingetragen bist du erst nach Klick auf den Bestätigungslink in der E-Mail (Double-Opt-in). Ich werte aus, ob du den Newsletter öffnest und Links anklickst, um ihn zu verbessern. Abmeldung jederzeit über den Link in jeder E-Mail, Details in der Datenschutzerklärung.

Was das für dich bedeutet

Aus CISO-Sicht ist das keine Hardware-Meldung, sondern eine Governance-Meldung. „Shadow AI“ gehört in vielen Betrieben zu den drängendsten Themen: Mitarbeiter kippen Vertragsentwürfe, Kundendaten oder Quellcode in einen Cloud-Dienst, weil es schneller geht. Ein Gerät, das ein Modell dieser Größe lokal fährt, nimmt diesem Argument die Grundlage. Die Daten verlassen das Notebook nicht, ein weiterer Auftragsverarbeiter und die Drittlandsfrage fallen weg. Erledigt ist die DSGVO damit nicht – Rechtsgrundlage, Zweckbindung, Betroffenenrechte und technische Maßnahmen bleiben –, aber der in der Praxis schwierigste Teil wird kleiner.

Gleichzeitig entsteht ein neues Risiko. Ein lokaler Agent, der Dateien liest, Code schreibt und Werkzeuge aufruft, ist ein Prozess auf dem Endgerät – und wenn ihn der Anwender einfach startet, läuft er mit dessen Rechten. Auf einem Firmen-Notebook ist das oft mehr, als man denkt. Genau dagegen zielen die neuen Bausteine: Nvidia liefert die Laufzeitumgebung OpenShell, Microsoft hat auf dem Oktober-Event die allgemeine Verfügbarkeit der Execution Containers (MXC) angekündigt und beschreibt sie als betriebssystemseitig kontrollierte Infrastruktur, in der Agenten dauerhaft im Hintergrund laufen können. Ein Agent in einem solchen Container hat eben nicht die vollen Benutzerrechte. Wie die Auslieferungszustände aussehen, ist öffentlich allerdings nicht dokumentiert – wer darauf vertraut, dass die Voreinstellungen schon passen, verlässt sich auf eine Annahme und nicht auf einen Befund.

Dazu kommt die Funktion PAIR, mit der ein RTX-Spark-Rechner andere Windows-, Linux- und macOS-Geräte mit Inferenz versorgt. Nvidia beschreibt das ausdrücklich fürs Heimnetz. Technisch spricht nichts dagegen, dass dasselbe in einem Büronetz passiert – und dann steht dort ein KI-Server, von dem die IT nichts weiß.

Bleibt der Preis, und da ist Nvidia selbst nicht konsistent: Die Pressemitteilung vom 16. Oktober nennt einen Einstiegspreis von 2.599 US-Dollar, der eigene Blogbeitrag vom 17. Oktober dagegen 2.399 US-Dollar. Preise und Konfigurationen unterscheiden sich ohnehin je nach Region, und jeder Hersteller setzt seine eigenen – die Zahl auf der Händlerseite ist die, die zählt. In jedem Fall ist das der Einstieg und nicht der Normalfall: Wer die 128-GB-Variante will, landet deutlich darüber. Für einen einzelnen Entwickler kann sich das gegen laufende Cloud-Kosten rechnen, für fünfzig Arbeitsplätze eher nicht.

Praxis: vier Schritte, bevor das erste Gerät im Haus ist

• Regel vor Beschaffung. Lege fest, welche Datenklassen lokal verarbeitet werden dürfen – und schreibe explizit hinein, dass lokale Modelle für vertrauliche Daten erlaubt sind, Cloud-Dienste dafür aber weiter gesperrt bleiben. Sonst kauft man teure Hardware, und die alten Gewohnheiten bleiben.
• Agenten-Rechte vor dem Rollout testen. Richte OpenShell beziehungsweise Execution Containers auf einem Testgerät ein und prüfe konkret: Welche Verzeichnisse sieht der Agent, darf er ins Netz, darf er Skripte ausführen? Das Ergebnis gehört ins Baseline-Image, nicht in die Hände des Anwenders.
• PAIR bewusst entscheiden. Entweder ihr betreibt den Inferenz-Dienst geplant und dokumentiert, oder ihr schaltet ihn ab. Ein unbemerkter Modell-Server auf einem Mitarbeiter-Notebook ist genau die Schatten-Infrastruktur, die später im Audit auffällt.
• Erst messen, dann skalieren. Ein Gerät, ein konkreter Anwendungsfall, vier Wochen. Wenn sich danach weder Cloud-Kosten noch Durchlaufzeit messbar verbessert haben, war es ein schönes Notebook und kein KI-Projekt.

Wer die Hardware-Seite tiefer abklopfen will – Speicher, GPU, realistische Modellgrößen –, findet die Einordnung in meinem Ratgeber zu Hardware für lokale KI und LLMs.

Quellen

• Nvidia: NVIDIA RTX Spark PCs Available Today (Pressemitteilung, 16.10.2026)
• Nvidia: RTX Spark – Produktseite mit technischen Daten
• Nvidia Blog (07.10.2026): NVIDIA, Microsoft Kick Off a New Beginning for Windows PCs – Vorstellung, Vorbestellung, Desktops im November
• Nvidia Blog (17.10.2026): RTX Spark Ignites Global Celebration – hier nennt Nvidia 2.399 US-Dollar
• Unite.AI (16.10.2026): NVIDIA RTX Spark Laptops Launch Worldwide – die Redaktion kennzeichnet den Beitrag als KI-generiert; er fasst im Wesentlichen die Pressemitteilung zusammen und ist daher keine unabhängige Bestätigung.