Dr. Julian Kauffeldt
LOYS Innovation GmbH
Max Seidl, CFA
LOYS AG
Warren Buffett sprach in einer Rede aus dem Jahr 1999 über den Zusammenhang zwischen dem Erfolg einer Industrie und ihrem Börsenerfolg. Wie so oft brachte er den Kern des Problems auf den Punkt:
„Es gab mindestens 2.000 Autohersteller in einer Industrie, die einen unglaublichen Einfluss auf das Leben der Menschen hatte. Wenn man in den frühen Tagen des Automobils vorausgesehen hätte, wie sich diese Branche entwickeln würde, hätte man gesagt: „Hier ist der Weg zum Reichtum.“ Aber wo waren wir in den 1990er-Jahren angekommen? Nach einem unaufhörlichen geschäftlichen Gemetzel blieben nur noch drei US-Automobilhersteller übrig.“
Das Schicksal einer Industrie an der Börse ist also keineswegs unweigerlich mit dem Schicksal der Industrie selbst verflochten. Die Frage, ob der KI-Boom anhält, kursiert heute durch die Börsenmedien, Podcasts und Gespräche. Die Börse liebt gute Narrative und so handeln die Unternehmen rund um KI an der Börse oft in perfekter Synchronität. Nvidia, Applied Materials, Micron, Vertiv und unzählige weitere werden als Profiteure des KI-Booms gesehen. Wer den zukünftigen Erfolg all dieser Unternehmen aber rein an den Erfolg von KI selbst koppelt, irrt. Die Antwort auf die Frage, ob KI den Erwartungen gerecht wird und „wie groß KI wird“, ist nur bedingt hilfreich bei der Einschätzung des langfristigen Erfolgs dieser Unternehmen.
Ein Unternehmen braucht ein Geschäftsmodell, eine Industriestruktur, die es ihm ermöglicht, Gewinne oberhalb der Kapitalkosten zu erwirtschaften, um an der Börse langfristig erfolgreich zu sein. Entscheidender als das Marktwachstum ist, ob Unternehmen über strukturelle Quellen von Überrenditen verfügen, also Mechanismen, die es ihnen erlauben, dauerhaft mehr als ihre Kapitalkosten zu verdienen. Dazu zählen etwa Netzwerkeffekte, Wechselkosten, Skaleneffekte, Kostenvorteile, Knappheit, Regulierung, starke Marken oder günstige Branchenstrukturen.
Der KI-Markt ist kein Ausnahmefall. Er unterliegt denselben ökonomischen Kräften wie jede andere Industrie zuvor. Die folgenden vier Beispiele sollen das greifbar machen und zeigen, welche Denkweise Investoren wirklich verfolgen sollten, um von der reinen „Boom or Bust?“-Fragestellung wegzukommen.
Beispiel 1: „Commoditization“ – Rechenleistung als Rohstoff
Der Absatz von Nvidia im Segment für Rechenzentren ist förmlich explodiert: von knapp 3 Mrd. US-Dollar im Geschäftsjahr 2020 auf prognostizierte 365 Mrd. US-Dollar im laufenden Geschäftsjahr.
Mit dem Boom der künstlichen Intelligenz wurden Nvidias Chips zum gefragten Goldstandard. Wichtig ist jedoch: Nvidias Chips und Ökosystem sind zwar selbst differenzierte Produkte, doch vereinfacht gesagt möchten Nvidias Kunden ja nun vor allem eines kaufen: Rechenleistung. Sie möchten mit den Chips neue Modelle trainieren und bestehende Modelle betreiben.
Dass dem so ist, verdeutlichen Vergleiche prominenter Tech-CEOs von OpenAI bis Microsoft: Für sie ist Rechenleistung in der KI-Ära das, was Kohle, Öl oder Elektrizität für frühere Wirtschaftsrevolutionen waren. Schaut man in die Literatur, werden einem Rohstoff oftmals vier Merkmale zugeordnet: Standardisierte Einheiten, Vergleichbarkeit, hohe Austauschbarkeit und Preistransparenz. Aktuell lässt sich nur schwerlich argumentieren, dass dies auf die Rechenleistung zutrifft. Der Übergang von differenziertem Gut zu Rohstoff entlang dieser Kriterien ist jedoch fließend.
Die Kostenseite von Rechenleistung ist bereits weitestgehend transparent. Die Anschaffungskosten der Chips (Capex) und die Betriebskosten (Opex) für beispielsweise Energieverbrauch und Kühlung lassen sich gut berechnen und vergleichen. Allerdings sind praktische Aspekte der Nutzung etwa Latenz, Stabilität und Integrationsfähigkeit, weiterhin entscheidende Faktoren. Zudem hat Nvidia beispielsweise mit seiner CUDA-Plattform einen Lock-in-Effekt und klare Vorteile in der Praxis. CUDA ist ein Verbindungsstück zwischen der reinen Hardware-Leistung auf dem Papier und der effektiven Nützlichkeit der Chips. Man stelle sich zwei Häfen gleicher Größe, also mit äquivalenter Containerkapazität, vor. Würde einer dieser Häfen jedoch nicht den ISO-Standardcontainer verwenden, ist leicht zu erahnen, dass dies mit enormen Effizienzverlusten verbunden wäre. Es wäre ein Alptraum für Logistiker, automatisierte Kräne und bestehende Planungsinfrastruktur.
Geht man der Frage nach, wie sich dies verändern könnte, stößt man auf Projekte wie etwa die Unified Acceleration Foundation (UXL), einen Zusammenschluss aus Google, Intel, AMD, Qualcomm Samsung und weiteren namhaften Spielern. Die UXL Foundation versucht, den Software-Graben zwischen unterschiedlichen KI-Chips einzuebnen. Ihr Ziel ist ein offener Standard, mit dem Entwickler Anwendungen nicht mehr eng an eine einzelne Hardwareplattform wie CUDA binden müssen, sondern Rechenlasten leichter zwischen Nvidia, AMD, Intel, Arm und anderen Beschleunigern verschieben können. Dies würde genau die Merkmale der Austauschbarkeit und Standardisierung fördern.
Ähnlich verhält es sich beim Ultra Ethernet Consortium (UEC) und UALink – zwei Zusammenschlüsse, zu denen neben Microsoft, Meta, Intel und AMD jeweils dutzende weitere Unternehmen gehören. So zählen etwa Amazon, Google, Apple und Alibaba auch noch zu UALink, während Broadcom und Arista Networks Teil vom UEC sind. Nvidia hat proprietäre Systeme, die den schnellen Austausch von Daten zwischen Servern (InfiniBand) und den Chips innerhalb eines Servers (NVLink) garantieren. Das UEC treibt die offene Standardisierung der Netzwerkinfrastruktur voran, dies kann man als Angriff auf InfiniBand sehen. Gleichzeitig attackiert UALink Nvidias NVLink-Monopol direkt auf der Server-Platine, indem es einen offenen, herstellerunabhängigen Standard schafft, über den sich Beschleuniger verschiedener Produzenten flexibel miteinander vernetzen lassen. Je erfolgreicher derartige Projekte sind, desto mehr lässt sich die Rechenleistung auf die reinen Specs des Chips reduzieren. Das ist natürlich nicht absolut zu sehen, aber auf einer kontinuierlichen Skala, auf der sich auch die verbundene Preissetzungsmacht befindet.
Ein anderer Aspekt ist, dass sich Teilmärkte zu Rohstoffmärkten entwickeln können, während andere differenziert bleiben, also eine Segmentierung des Marktes. Denkbar und bereits praktisch relevant ist eine Unterscheidung zwischen Modelltraining und Modellinferenz. Vereinfacht gesagt: Training ist der Bau der Maschine, Inferenz ihr Betrieb. Beide Anwendungsfälle stellen unterschiedliche Anforderungen an Rechenleistung. Bereits jetzt soll der Inferenzmarkt mehr als die Hälfte der KI-bezogenen Rechenleistung vereinnahmen Tendenz steigend.
Es ist daher möglich, dass sich der Markt für Chips zur Inferenz zu einem rohstoffartigen Markt entwickelt, während der Markt für Trainingschips differenzierter bleibt. Diese Unterteilung lässt sich fortführen, so könnte man ebenso in leichte Inferenz, etwa einfache Textverarbeitung, und schwere Inferenz, etwa Echtzeit- oder Multi-Agent-Abfragen unterteilen. Beide Segmente können jeweils eigene Dynamiken entwickeln. Gleiche Abstufungen nach Komplexität könnte man in einem Markt für das Modelltraining vornehmen. Diese verschiedenen Segmente könnten völlig unterschiedliche ökonomische Realitäten für die jeweiligen Unternehmen bedeuten.
Erste Anzeichen einer Standardisierung sind auch auf anderen Ebenen bereits sichtbar. CME und Silicon Data haben Compute-Futures angekündigt, die auf täglichen GPU-Benchmarks für On-Demand-Mietpreise basieren sollen. Darin zeigen sich Bestrebungen, Rechenleistung zunehmend als messbare, handelbare Kostengröße greifbar zu machen. Dies fördert die Preistransparenz, ein weiteres Merkmal eines Rohstoffmarktes.
Während Rechenleistung also aktuell nicht der Definition eines Rohstoffs entspricht, steht zumindest bereits eine Kosten-Nutzen-Rechnung im Raum. Der Kontrast zu ASML ist hier aufschlussreich: ASML baut Maschinen, die es in dieser Form kein zweites Mal gibt. Eine solche Maschine lässt sich nicht einfach durch zwei geringwertigere Maschinen ersetzen, unabhängig vom Preis.
Hierbei geht es nicht einmal nur um Nvidia. Je mehr sich differenzierende Merkmale in der Industrie abbauen, desto mehr entwickelt sich der gesamte Markt in einen Rohstoffmarkt. Diese Entwicklung würde alle gleichermaßen treffen, die dann Chips für einen Rohstoffmarkt produzieren. Der Börsenwert der gesamten Branche würde unter Druck geraten, da die Fähigkeit, Überrenditen zu erzielen, massiv beschränkt werden würde. Davon zu unterscheiden ist der Fall, dass ein anderes Unternehmen die Technologieführerschaft übernimmt. Als AMD im Markt für Server-CPUs Marktanteile von Intel gewann, wechselten die Überrenditen zunehmend den Besitzer und mit ihnen große Mengen an Marktkapitalisierung. Die grundlegende Marktstruktur eines differenzierten Marktes blieb davon unberührt.
Denn eines ist klar: Rohstoffmärkte sind gnadenlose Märkte. Der Wert eines Unternehmens in einem Rohstoffmarkt hängt direkt mit seinen Gestehungskosten für den Rohstoff zusammen. Je höher die Gestehungskosten im Wettbewerbsvergleich, desto mehr steht die Marge unter Druck. Je homogener der Rohstoff, desto härter kommt dieses Prinzip zum Tragen. Zwar kann man sich beispielsweise als Produzent von Eisenerz durch eine günstig gelegene Mine absetzen, man bleibt aber in einem Markt, in dem man Preisnehmer ist.
Wichtig wäre es also die Frage zu stellen: Zu welchem Grad und in welchen Submärkten wird Rechenleistung ein Rohstoff?
Die Frage, ob Rechenleistung zum Rohstoff wird, ist also offen, aber sie ist nicht die einzige Bedrohung für Nvidias Preismacht. Es gibt eine zweite Kraft, die still und leise an denselben Fundamenten nagt: Nvidias eigene Kunden.
Beispiel 2: Vertikale Integration: Deine Marge, meine Chance
Ein zentrales Risiko für Nvidia liegt in den vertikalen Integrationsbestrebungen seiner Kunden. Verkaufe ich eine große Maschine an ein kleines Unternehmen in Wyoming, mache ich mir vielleicht Sorgen um meine Wettbewerber aber kaum darum, dass dieses kleine Unternehmen die Maschine künftig selbst baut. Bei Nvidia und den Hyperscalern ist die Situation eine andere.
Die Hyperscaler verfügen sowohl über das Know-how als auch über das Kapital, eigene Chips zu entwickeln. Hinzu kommt: Nvidia ist „fabless“, lässt also bei TSMC produzieren und differenziert sich nicht über eigene Fertigungskompetenz.
Dass der Status quo ohnehin keineswegs in Stein gemeißelt ist, zeigte sich auch jüngst im Dezember 2025, als Nvidia für stattliche 20 Mrd. US-Dollar ein nicht exklusives Lizenzabkommen für die Inferenztechnologie von Groq schloss. Groq hat mit großem Erfolg eine Architektur entwickelt, die Laufzeit-Komplexität durch deterministische, Compiler-gesteuerte Ausführung vereinfacht. Der Vorteil: Ein großer Teil der Komplexität entfällt jene Art der Komplexität, die es Nvidia mit seinem CUDA-System möglich macht, sich vom Wettbewerb abzuheben. Wenn es also auch Start-ups möglich, ist kompetitive Produkte zu entwerfen, zumindest in Teilmärkten, wieso sollte es den Hyperscalern nicht möglich sein?
Und nicht nur das, Groq wurde von ehemaligen Google-Ingenieuren gegründet, die zuvor an Googles eigenen Chips, den TPUs, gearbeitet hatten. Google-Ingenieure waren es auch, die 2017 das bahnbrechende Paper zur modernen KI-Architektur veröffentlichten.
Sollte KI auch im Bereich Software einen durchschlagenden Erfolg haben, wie es bereits am Markt angesichts sinkender Kurse der etablierten Softwareunternehmen eingepreist wird, wäre es nur logisch, dass die KI gestützte Softwareentwicklung die Kosten der Portierung auf alternative Hardware senken kann. Das schwächt nicht automatisch CUDA selbst, reduziert aber potenziell die Wechselkosten für Kunden und ermöglicht es den Hyperscalern, leichter wettbewerbsfähige Architekturen zu entwickeln. Sehr effiziente KI in der Softwareentwicklung kann hilfreich für Projekte wie die bereits erwähnte UXL Foundation sein. Man sieht, wie Fragen nach vertikaler Integration unweigerlich mit anderen verwoben sind.
Neben Know-how und Erfolgschancen gibt es noch einen anderen Treiber: Geld. Aus Investorensicht sind Nvidias Margen traumhaft, den Hyperscalern sind sie, verständlicherweise, ein Dorn im Auge. Von den ca. 760 Mrd. US-Dollar, die Alphabet, Amazon, Meta und Microsoft dieses Jahr für Capex ausgeben, wird der Großteil für KI bestimmt sein. Davon fließen ganz grob überschlagen, wiederum mehr als 20 % an Nvidia. Welcher mächtige Konzern überweist schon gerne dutzende Milliarden im Jahr auf das Konto eines Lieferanten, der dieses Geld auch noch größtenteils als Gewinn verbuchen darf? Wer krönt gerne, finanziert aus der eigenen Tasche, seinen eigenen Lieferanten zum wertvollsten Unternehmen der Welt?
Frei nach Jeff Bezos: „Deine Marge ist meine Chance.“ müssen die Hyperscaler mit ihren eigenen Chips nicht zwingend mit Nvidia gleichziehen. Ihre Chips haben bereits einen strukturellen Vorteil: Sie müssen nicht für Nvidias riesige Gewinne aufkommen. Vertikale Integration bedroht daher nicht zwangsläufig sofort Nvidias Volumen an Chips. Es bedroht aber die enorme Preissetzungsmacht, über die das Unternehmen aktuell verfügt.
Apple ist diesen Schritt bekanntlich bereits einmal gegangen und wechselte von Intel zu einer Inhouse-Lösung. Auch für die Hyperscaler ist ein solcher Prozess keine ferne Theorie und beschränkt sich nicht nur auf GPUs. Dieses Prinzip lässt sich ebenso auf CPUs übertragen. So arbeitet Google an seinen TPUs (für Training & Inferenz) und Axion (CPU). Amazon betreibt Projekte zu Trainium (Training), Inferentia (Inferenz) und Graviton (CPU), Meta an MTIA (Inferenz) und Microsoft an Maia (Inferenz) und Cobalt (CPU). Amazons Chip-Geschäft beispielsweise hat bereits einen annualisierten Umsatz von mehr als 25 Milliarden US-Dollar und ist zuletzt um mehr als 100 Prozent gewachsen.
Das Prinzip hierbei ist ökonomisch so simpel wie einleuchtend. Ein so großer Markt mit so großen Renditen zieht den Wettbewerb an wie das Licht die Motten und Nvidia zählt, um im Bilde zu bleiben, einige der größten Motten dieser Erde zu seinen Kunden.
Wie wichtig ist also eine Frage: Können die Hyperscaler Chips und Ökosysteme entwickeln, die angesichts des Spielraums, den Nvidias Marge ihnen lässt, wettbewerbsfähig sind?
Genug zu Nvidia. Wenngleich sich das Unternehmen für Fallstudien zu verschiedenen ökonomischen Prinzipien anbietet, gibt es weitere Beispiele. Die nächste Geschichte ist eine andere. Sie spielt in einem Markt, in dem es keinen klaren Anführer, sondern drei annähernd gleich starke Akteure gibt und in dem die größte Bedrohung nicht von außen kommt.
Beispiel 3: Das Gesetz von Angebot und Nachfrage: Der Reiz des „schnellen“ Geldes
Vom Markt mit einem klaren Führer führt der Blick nun zu einem Markt mit einem klaren Oligopol. Micron, SK Hynix und Samsung teilen sich den Markt für DRAM. Die aktuelle Knappheit hat die Preise für Memory über mehrere Hundert Prozent steigen lassen. Wichtig ist: Solche Preissteigerungen lassen die Gewinne weit überproportional steigen.
Ein einfaches Beispiel für diesen Effekt: Ein Unternehmen produziert ein Gut mit variablen Kosten in der Herstellung von 60 € und anderen operativen Fixkosten von 20 € und verkauft dieses für 100 €, sodass sich ein operativer Gewinn von 20 € ergibt. Verdreifacht sich der Preis, ohne eine Änderung bei den Kosten, dann steigt der operative Gewinn schlagartig um den Faktor elf. Um das gleiche operative Ergebnis mit reinem Volumenwachstum zu erzielen, müsste der Absatz um den Faktor 6 steigen.
Entscheidend wäre also Preisdisziplin. Doch bereits jetzt deutet sich an, was auch in anderen Branchen gilt: Der Reiz, die Produktion auszuweiten, ist groß. Das Kollektiv profitiert von hohen Preisen, jeder einzelne Anbieter ist jedoch versucht, zusätzliches Volumen zu verkaufen. Das Management ist ebenso selten an langfristiger Preisstabilität incentiviert. Es ist ein Konflikt wie aus einem Lehrbuch zur Einführung in die Spieltheorie.
In diesem Sinne ist es wenig überraschend, dass SK Hynix und Samsung jüngst angekündigt haben, rund 500 Mrd. US-Dollar in neue Produktionsanlagen zu investieren.
Die Frage lautet: Wie weit steigen die Kapazitäten, wie weit fallen die Preise?
Zugegeben, diese Zusammenhänge sind weder hochkomplex noch unbekannt, aber der Charme der Frage liegt darin, wie offensichtlich und dennoch absolut entscheidend sie für die Branche sein wird. So hat die Offensichtlichkeit dieses Prinzips weder die Industrie noch die Börse je daran gehindert, den Schweinezyklus im Memory-Bereich mitzumachen.
Eine neue spannende Frage für die Industrie ist, ob der vormals rohstoffartige Markt durch High-Bandwidth Memory (HBM) nun eine Differenzierung erfährt – eine Differenzierung, die stark genug ist, um die Preissetzung, die bislang stets durch Knappheit und Überangebot getrieben war, einem neuen Mechanismus zu unterwerfen.
Als letztes Beispiel dienen die Foundation-Modell-Entwickler, denn hier ist die Situation eine grundlegend andere: Hier geht es darum, welche Marktstruktur überhaupt erst entsteht.
Beispiel 4: Skaleneffekte vs. Swithing Costs: Das Tokenomic-Puzzle
Dann gibt es noch Anthropic und OpenAI und die Gruppe der Foundation-Modell-Entwickler. Im Gegensatz zu Nvidia und SK Hynix erzielen diese noch keine disproportionalen Gewinne bzw. überhaupt Gewinne. Aber die richtigen Fragen können helfen, zu verstehen, welche Renditen konzeptionell möglich sind.
Der große ökonomische Vorteil der Modellbetreiber: Einmal trainiert, lässt sich mit einem Modell unbegrenzt Inferenz betreiben. Die Fixkosten des Trainings lassen sich breit auf die verkauften Tokens umlegen. Ein einleuchtender Vergleich könnte Netflix sein: Ist ein Film erst produziert, hilft eine hohe Anzahl an Abonnenten, die anteiligen Kosten je Abonnement gering zu halten.
Hohe Fixkosten sind der Marktkonzentration zuträglich. Wenn diese Fixkosten auch noch im direkten Zusammenhang mit der Produktqualität stehen, lässt es den Markt in Richtung „Winner Takes It All“ tendieren. Dies spricht für hohe Renditen für Modellbetreiber. Es gibt jedoch auch gegenläufige Strukturen und auch konkrete Entwicklungen.
Während das Streaming für Netflix Grenzkosten nahe null hat, steigen die Inferenzkosten im Verhältnis zu den Modellkosten aktuell stetig. Der Preis kann nicht nachhaltig unterhalb der variablen Kosten, also Inferenzkosten, liegen. Dies mildert den Vorteil beim Fixkostenhebel und die Skaleneffekte sind bei den variablen Kosten schlichtweg geringer. Als Beispiel: Wenn ich 10x mehr Tokens als mein Wettbewerber verkaufe, kann ich mir 2x mehr Trainingskosten leisten, um weiterhin einen 5x besseren Hebel bei der Fixkostenverteilung zu haben. Wenn allerdings 95 % der Kosten bei der Nutzung eines Modells auf die variablen Kosten entfallen, ist mein Konkurrent nur 20 % teurer, bei 99 % variablen Kosten sind es noch 4 %.
Ein weiterer Unterschied zu Netflix ist, dass dessen Abo einen festen Preis hat. KI-Modelle, gerade im wichtigen B2B-Bereich, sind meist nutzungsgebunden. Ein Preissystem, das Kosten direkt an die Nutzung koppelt, hat keine inhärenten Wechselkosten. Gäbe es keine Streaming-Abos, sondern Nutzungsentgelte für das Streaming, würden die Kunden zwischen Netflix, Disney und Co flüssig wechseln. Das Abo senkt die variablen Kosten für den Kunden auf null. Er muss ein vollständig neues Abo abschließen, um auch nur einen Film eines Konkurrenten zu streamen, während jeder Stream im bereits geschlossenen Abo kostenfrei ist. Dies ist der Lock-in, den viele Unternehmen von Lieferdiensten bis Onlinehändler mit ihren Abo-Angeboten probieren zu kreieren. Ich treffe die Abo-Entscheidung und richte die Nutzung daran aus.
Des Weiteren sind Modelle aktuell nicht mit Applikationen verschmolzen. Ein Beispiel hierfür ist base44, ein KI-basiertes Tool zur Website-Erstellung. Dieses ist modellagnostisch aufgestellt. Es wählt opportunistisch aus, welches Modell im Hintergrund genutzt wird. Der Nutzer wird wohl kaum den Unterschied bemerken, sofern base44 seinen Zweck erfüllt.
Unter diesen Umstände sollte theoretisch jede Anfrage vom günstigsten Modell beantwortet werden, das dafür leistungsfähig genug ist. Das bedeutet im Umkehrschluss: Ein stärkeres Modell besitzt nur dort Preissetzungsmacht, wo kein oder kaum Wettbewerb durch ausreichend leistungsfähige Alternativen existiert.
Das Konzept und auch dessen Anwendung existiert bereits. Smart-Routing-Strategien, ordnen Anfragen den passenden Modellen zu. Es ist so intuitiv wie effizient. Man stelle sich vor man möchte die Küche renovieren und könnte für jeden einzelnen Arbeitsschritt ein Angebot eines Handwerkers einholen, ohne jegliche Hürden, ohne pauschale Anfahrtskosten mit konkreten Leistungsnachweisen und das global und in Sekundenschnelle. Bei der algorithmischen Zuordnung ist genau das möglich, jede Anfrage kann erbarmungslos an das beste Preis-Leistungs-Verhältnis gekoppelt werden. Genau diese Reibungslosigkeit bei der Skalierung in der Nutzung von Inferenz ist gleichzeitig hauptverantwortlich für einen erbarmungslosen Preisdruck, sollte man sich nicht etwa durch reine Modellfähigkeiten abheben können.
Und so zeigt sich, dass günstige chinesische Open-Weight-Modelle innerhalb kurzer Zeit große Marktanteile, gemessen an der Anzahl der Tokens, gewonnen haben. Da die Frontier-Modelle von Anthropic höhere Preise erzielen, ist dies keineswegs mit Marktanteilen, gemessen in US-Dollar, gleichzusetzten. Dennoch zeigen diese Daten einen Trend hin zu einer stärker werdenden Marktspaltung.
Während die Skaleneffekte die Dominanz eines einzelnen Modells befördern, zeigt diese Optimierung nach Modellen, ermöglicht durch eine an Nutzung gekoppelte Bepreisung, dass der Markt nicht zwangsläufig ein „Winner-takes-it-all“-Markt sein muss. Ebenso möglich ist eine Struktur mit Differenzierung am oberen Ende und Preiskampf am unteren Ende. Eine Marktstruktur, die aus vielen anderen Branchen bekannt ist. In einem solchen Markt ist es für den Premiumanbieter wichtig den technologischen Abstand zum Massenmarkt groß zu halten, was bei abnehmender Entwicklungsgeschwindigkeit zunehmend schwer wird. Auch stellt sich die Frage, wie sehr verschiedene Anwendungen auf die höchste verfügbare Qualität angewiesen sind oder aber in der Lage sind, Abstriche zugunsten von Kostenersparnissen zu machen.
Es gibt viele weitere Dimensionen, entlang derer sich der Modellmarkt spalten könnte. Etwa nach Spezialisierung (z. B. mono- vs. omnimodale Modelle), Latenzen (z. B. Cloud vs. Edge) oder Compliance-Standard (z. B. Fehlertoleranz). Jeder dieser Teilmärkte kommt mit eigenen Charakteristika. Diese Charakteristika erzeugen dann die Marktstruktur wie Wechselkosten, Konzentration oder Skaleneffekte, welche schlussendlich die Rentabilität der Unternehmen maßgeblich bestimmen.
Wenn es also um die zukünftige Rentabilität von Modellentwicklern geht, sollte man vielleicht diese Fragen diskutieren: Wie hoch werden die Switching Costs in der Zukunft sein? Können Modellbetreiber durch veränderte Preissysteme oder aber eben andere Mechanismen Lock-ins kreieren?
Vier Beispiele, vier ökonomische Wirkungskräfte: Commoditization, vertikale Integration, Angebotsdisziplin und Skaleneffekte bzw. Wechselkosten. Keine davon ist neu, keine davon ist spezifisch für KI. Und genau das ist der Punkt. Die Unternehmen ändern sich, die Technologie ändert sich, die Prinzipien nicht. Wer Nvidia, SK Hynix oder OpenAI als Investor bewertet, hat neue und auch besondere Umstände, aber die wichtigen Fragen werden auf keinen neuen Prinzipien beruhen. Wichtig ist jedoch, herauszufinden, welche Prinzipien zum Tragen kommen, welche relevant und welche nebensächlich sind.
Fazit
Wie es Ökonom und Management-Ikone Peter F. Drucker einmal sagte:
„Die wichtigste und schwierigste Aufgabe ist niemals, die richtige Antwort zu finden, sondern die richtige Frage zu stellen. Denn es gibt wenig, was so nutzlos ist, wie die richtige Antwort auf die falsche Frage.“
Gemessen an der Größe, die das Thema der KI an der Börse aktuell einnimmt, ist der Diskurs verengt. Zu oft wird die eine oder andere Variante der Frage „Boom or Bust?“ gestellt. Ob der Erfolg der aktuellen KI-Profiteure an der Börse anhält, hängt langfristig nicht im Wesentlichen an der Nachfrageentwicklung. Zugegeben, kurzfristig wird der Erfolg an der Börse wohl davon getrieben sein. Aber die Nachfrage ist auch nur dann elementar, wenn die Strukturen, welche die aktuell riesigen Kapitalrenditen ermöglichen, auch bestehen bleiben.
Wenn man aus diesem Text jetzt etwa eine Blaupause für den Untergang von Nvidia herausliest, dann hat der Text sein Ziel verfehlt. Aber als Investor in Nvidia sollte man sich, wie als Investor eines jeden Unternehmens, auf die Suche nach den richtigen Fragen begeben. Diese könnten eben sein: Wird Rechenleistung zum Rohstoff? Können Hyperscaler erfolgreich vertikal integrieren?
Die Folgefragen, die sich hieraus für Investoren ergeben, sind schier endlos. Wenn UXL oder UEC erfolgreich sind, wie stark wäre der Einfluss? Wie kann man die Erfolgschancen der Projekte beurteilen? Wie nah müssen Hyperscaler an Nvidia herankommen, um die Preissetzungsmacht signifikant dämpfen zu können? Mit welcher Vehemenz verfolgen die einzelnen Unternehmen die vertikale Integration? Wichtig ist hierbei nur, die wesentlichen Leitfragen nie aus dem Auge zu verlieren. Ein klarer Blick ist, ganz besonders in euphorischen wie im Übrigen auch in panischen Zeiten, von essenzieller Bedeutung.
Aber die gute Nachricht ist: Man muss auch nicht auf all diese Fragen antworten können. Man muss lediglich Situationen finden, in denen man sich einige Antworten zutraut bzw. in denen die Fragen vielleicht nicht so schwer sind. Und so schließt sich der Kreis zu Warren Buffett, dessen Klarheit an der Börse unübertroffen ist:
„In dem Maße, in dem wir erfolgreich waren, liegt es daran, dass wir uns darauf konzentriert haben, 30-Zentimeter-Hürden zu identifizieren, über die wir einfach drübersteigen konnten, und nicht daran, dass wir die Fähigkeit erworben hätten, Zwei-Meter-Hürden zu überspringen.“
Man beginnt mit der Suche nach den richtigen Fragen, und wenn man Glück hat, dann hat man auf ein paar von Iinen auch noch gute Antworten.
Wichtige Hinweise: Diese Publikation dient ausschließlich der Information und stellt keine Anlageberatung oder Aufforderung zum Kauf oder Verkauf von Wertpapieren dar. Die Wertentwicklung in der Vergangenheit ist kein
verlässlicher Indikator für die künftige Entwicklung. Der Wert von Anlagen kann sowohl steigen als auch fallen. Backtesting-Ergebnisse sind hypothetischer Natur und spiegeln keine tatsächlichen Handelsergebnisse wider. Weitere Informationen zum Fonds entnehmen Sie bitte dem aktuellen Prospekt, der bei der LOYS AG, Barckhausstraße 10, 60325 Frankfurt am Main, kostenlos angefordert werden kann.
