Warum Serverless K8s?
„Serverless" und „Kubernetes" in einem Satz? Klingt paradox. K8s ist berühmt für präzises Node-Management, Serverless für das Ausblenden von Infrastruktur. Doch 2026 hat sich Serverless Kubernetes als offensichtliche Wahl etabliert.
Entwickler wollen einfach Code bereitstellen – ohne je einen Worker Node konfigurieren zu müssen. Technologien wie Knative oder OpenFaaS kombiniert mit Managed-Offerings von Cloud-Providern ermöglichen das Ausführen ephemerer Funktionen direkt auf einem Cluster.
Die drei Killer-Features:
1. Scale-to-Zero: Wenn Ihre Anwendung keinen Traffic erhält, verbraucht sie absolut keine Ressourcen. Das ist Magie für die Geldbörse. Beispiel: Development/Staging-Umgebungen, die nachts/am Wochenende nicht genutzt werden → 0 Kosten außerhalb der Arbeitszeiten.
2. Pay-for-Actual-Usage: Weg vom Paradigma „Server bezahlen, die nachts schlafen". Sie zahlen nur für tatsächlich verbrauchte Compute-Zeit. Break-Even-Punkt: Für bursty, low-to-moderate Traffic ist es signifikant günstiger. Für high-volume steady-state Processing kann es teurer sein als well-sized Container. Zahlen vorher durchrechnen!
3. Ideal für AI-Inference: Model Inference passt perfekt zur elastischen Architektur. Modelle werden geladen, wenn Request kommt, skalieren bei Bedarf, gehen auf null bei Ruhe.
EKS Auto Mode (AWS): Im Oktober 2026 released (eksctl 0.231.0, 2. Oktober), basiert auf Karpenter und nutzt Bottlerocket-Nodes. Sie zahlen eine Management-Fee pro Instance plus die EC2-Kosten. Vorteil: Native AWS-Integration, automatische Node-Optimization. Control Plane: $0.10/hr ($73/Monat). Extended Support: $0.60/hr für 12 Monate extra Support.
GKE Autopilot (Google Cloud): Die reifste Lösung. Sie zahlen ausschließlich für Pod-Requests (CPU/Memory), keine Node-Verwaltung. eBPF Dataplane V2 für bessere Performance. GPU-Support: A100 und H100 GPUs direkt in Autopilot verfügbar – perfekt für AI-Inference und ML-Training. Control Plane: $0.10/hr ($73/Monat). Extended Support: $0.50/hr für bis zu 30 Monate.
AKS Automatic (Azure): Nutzt Karpenter Azure Provider, stable channel mit automatischen Upgrades. Control Plane: $0.10/hr ($73/Monat). Premium Tier für erweiterten Support verfügbar.
Alle drei Plattformen haben 2026 konvergiert: identische Control-Plane-Preise, vergleichbare Feature-Sets, stabile Auto-Scaling-Mechanismen.
Real-World Cost Examples 2026
Szenario 1 – Startup API (bursty traffic): 10 Pods à 1 vCPU/2GB RAM, durchschnittlich 6 Stunden/Tag aktiv, 18 Stunden scale-to-zero. GKE Autopilot: ~$45/Monat (nur für aktive Zeit). Standard K8s: 2 Nodes permanent = ~$140/Monat. Ersparnis: 68%.
Szenario 2 – ML-Inference mit GPU: A100-GPU-Pod für Modell-Inference, durchschnittlich 4 Stunden/Tag Burst-Traffic. GKE Autopilot A100: ~$280/Monat (nur aktive Zeit). Dedicated A100 Node: ~$2.400/Monat permanent. Ersparnis: 88%.
Szenario 3 – High-Volume Steady-State: 20 Pods permanent unter Last, 24/7 Traffic. GKE Autopilot: ~$420/Monat. Optimierte Nodes: ~$380/Monat. Standard K8s günstiger – Serverless lohnt hier nicht.
Wann Serverless K8s Sinn macht
Perfekt für: Event-Driven Processing, APIs mit unvorhersehbaren Traffic-Patterns, Scheduled Jobs, Data Transformation Pipelines, Webhook Handler, AI-Inference mit bursty Demand.
Nicht ideal für: Long-Running Stateful Processes, Latency-Sensitive Applications (Cold Start Variance), Persistent Local Storage, High-Volume Steady-State Workloads.
Migration Path: Von Standard K8s zu Serverless
Phase 1 – Assessment: Analysieren Sie Ihre Workloads: Traffic-Patterns, Resource-Utilization, State-Management. Tools wie Kubecost zeigen, welche Workloads Scale-to-Zero-Potenzial haben.
Phase 2 – Pilot: Starten Sie mit unkritischen Workloads: Staging-Environments, Batch-Jobs, interne Tools. Migrieren Sie auf GKE Autopilot oder EKS Auto Mode und messen Sie Kosten/Performance.
Phase 3 – Optimize: Passen Sie Resource Requests/Limits an. Implementieren Sie Readiness/Liveness Probes für schnellere Cold Starts. Nutzen Sie Provisioned Concurrency für latency-sensitive Services.
Phase 4 – Scale: Migrieren Sie schrittweise Production Workloads. Behalten Sie Standard K8s für high-volume steady-state Workloads, Serverless für bursty/event-driven Services.
Cold Starts sind (meistens) gelöst
Die größte Sorge früher Adopter – Cold Starts – ist weitgehend adressiert: Provisioned Concurrency (AWS Lambda), vergleichbare Features von Azure/Google, Execution Time Limits deutlich erweitert. 2026 sind Cold Starts unter 500ms Standard für optimierte Workloads.
Ecosystem-Reife 2026
Observability: Lumigo, Powertools for Lambda, OpenTelemetry-Integrations geben reasonable Visibility ohne Custom Instrumentation. Distributed Tracing über Cluster-Grenzen hinweg funktioniert out-of-the-box.
Community-Klarheit: „It depends" ist noch die Antwort, aber die Faktoren sind jetzt klar verstanden. Tooling-Gaps, die 2020 frustrierend waren, sind behoben. Best Practices sind dokumentiert und etabliert.
Das Startup-Argument
Für Startups ist Serverless K8s perfekt: K8s-Power ohne SysAdmin-Armee, null Infrastruktur-Overhead, Kosten skalieren linear mit Nutzung. Sie können mit einem kleinen Team Enterprise-Grade-Architektur aufbauen.
CODISH unterstützt bei: Serverless-Architektur-Evaluierung (passt es zu Ihrem Workload?), Knative/OpenFaaS auf bestehenden Kubernetes-Clustern, Cost-Modell-Analyse (Serverless vs. Container), Migration von Standard K8s zu Serverless-Plattformen.
👉 Jetzt Termin vereinbaren: https://codish.de/kontakt-aufnehmen/