a16z Tiefgehende Analyse der Rechenleistung künstlicher Intelligenz: Umsatz verdoppelt, Aktienkurs unter Druck und enorme Investitionsausgaben.

Originalautor: Moses Sternstein, a16z

Anmerkung der Redaktion: Vor dem Hintergrund einer neuen Investitionswelle in Rechenleistung, die durch generative KI getrieben wird, verlagern sich die Marktdiskussionen über KI-Infrastruktur von der Frage „Gibt es genügend GPUs?“ hin zu „Wer kann Rechenleistung nachhaltig bereitstellen?“. Da der Bedarf an Modelltraining, Inferenz und Rechenzentrumserweiterung zunehmend als gesichert gilt, rückt eine grundlegendere Frage in den Vordergrund: Kann das rasante Wachstum des Rechenleistungsbedarfs tatsächlich zu stabilen Gewinnen und Cashflows führen?

In „Charts of the Week“, herausgegeben von a16z New Media, beginnt Autor Moses Sternstein mit aufstrebenden Cloud-Unternehmen wie CoreWeave, Nebius und Applied Digital, um die Widersprüche in Bezug auf Wachstum, Bewertung und Rentabilität auf dem Markt für KI-Rechenleistung zu erörtern, und geht anschließend auf horizontale SaaS-Lösungen, Modellrouting und den Wettbewerb um Talente in hochmodernen Laboren ein.

In diesem Artikel beurteilt der Autor nicht einfach nur, ob die Nachfrage nach KI stark ist, sondern analysiert den aktuellen KI-Konflikt anhand einer Reihe grundlegenderer struktureller Fragen: Wie wird die bestehende Infrastruktur neu bewertet? Warum hat das Umsatzwachstum nicht mit den steigenden Markterwartungen Schritt gehalten? Und warum verlagert sich der Fokus des Wettbewerbs in der KI-Branche von einfacher Expansion hin zu Effizienz und Rendite?

Erstens erlebt die Infrastruktur eine Wiederentdeckung ihres Wertes. Früher dienten Grundstücke entlang von Eisenbahnlinien, Erdgasleitungen und Kabelfernsehnetzen bestimmten Branchen, bevor sie in Telekommunikations- und Internetinfrastruktur umgewandelt wurden. Heute findet eine ähnliche Neubewertung von Vermögenswerten statt. Einige neue Cloud-Anbieter, die ursprünglich Kryptowährungs-Mining bedienten, verfügen bereits über operative Erfahrung in den Bereichen Energieversorgung, Rechenzentren, Kühlsysteme und Hochleistungsrechnen. Mit der explosionsartigen Zunahme der KI-Nachfrage werden diese Kompetenzen schnell zu knapper Rechenleistung. Die Bedeutung liegt darin, dass der Wettbewerb um KI-Infrastruktur nicht völlig neu beginnt; anfängliche Vorteile ergeben sich oft aus der Rekombination bestehender Anlagen, Energieressourcen und technischer Kompetenzen.

Zweitens besteht die Koexistenz von hohem Umsatzwachstum und Rentabilitätsunsicherheit. Die anfänglichen Umsatzwachstumsraten neuer Cloud-Unternehmen wie CoreWeave übertrafen in der Anfangsphase sogar die von Cloud-Giganten wie AWS, doch der Kapitalmarkt würdigte sie nicht im gleichen Maße. Dies liegt daran, dass neue Cloud-Anbieter keine typischen ressourcenschonenden Softwareunternehmen sind. GPU-Beschaffung, Stromversorgung, Rechenzentrumsbau, Chip-Abschreibung und Fremdkapitalzinsen steigen mit dem Unternehmenswachstum und sogar schneller als der Umsatz. Das bedeutet, dass Umsatzwachstum zwar eine starke Nachfrage nach KI-Rechenleistung belegt, aber nicht automatisch beweist, dass das Geschäftsmodell eine ausreichend hohe Kapitalrendite aufweist. Der Markt wartet daher gespannt darauf, ob diese Unternehmen Aufträge und Umsätze in einen nachhaltigen freien Cashflow umwandeln können.

Drittens wird der Wert von Software anhand der Auswirkungen von KI neu differenziert. Früher befürchtete der Markt, dass generative KI die Wettbewerbsvorteile von SaaS-Unternehmen generell schwächen würde. Doch die Erfolge von Atlassian zeigen, dass KI auch ein Instrument sein kann, um die Kundenausgaben und die Produktbindung zu steigern. Gleichzeitig erzielen Cybersicherheits- und Observability-Software weiterhin höhere Bewertungen, da KI potenzielle Risiken verstärkt und die Abhängigkeit von Unternehmen von ausgereiften Lösungen erhöht. Das bedeutet, dass der sogenannte „SaaS-Untergang“ nicht einheitlich eintreten wird. Ob KI Produkte ersetzt, Preise senkt oder die Nachfrage steigert, wird zum neuen Maßstab für die Differenzierung von Softwarebewertungen.

Viertens verlagern KI-Anwendungen ihren Fokus von der reinen Token-Verwaltung hin zur Optimierung von KI-Codes. Früher bevorzugten Unternehmen oft die direkte Nutzung ihrer leistungsstärksten Modelle oder stellten ihren Entwicklerteams Budgets für eigenständige Experimente zur Verfügung. Heute setzen Unternehmen wie Databricks intelligentes Routing ein, um Modelle mit unterschiedlichen Preisen und Leistungsniveaus je nach Aufgabenkomplexität zuzuordnen und so Kosten zu senken, ohne die Effektivität zu beeinträchtigen. Ein sinkender Token-Preis bedeutet nicht zwangsläufig einen Rückgang der gesamten KI-Ausgaben: Mit sinkenden Stückkosten und zunehmenden Anwendungsszenarien können sowohl der Gesamtverbrauch an Token als auch die Marktgröße weiter steigen. Effizienz und Nachfrage schließen sich nicht aus, sondern können einen sich gegenseitig verstärkenden Kreislauf bilden.

Wenn dieser Artikel in einem einzigen Fazit zusammengefasst werden müsste, wäre es dieses: KI-Infrastruktur hat bewiesen, dass sie schnelles Wachstum generieren kann. Der Erfolg der nächsten Phase hängt jedoch davon ab, ob Unternehmen dieses Wachstum in eine höhere Kapitaleffizienz umsetzen können. In diesem Sinne geht es in diesem Artikel nicht mehr nur darum, ob Unternehmen wie CoreWeave zu den Cloud-Giganten der nächsten Generation aufsteigen können, sondern vielmehr darum, ob die gesamte KI-Branche den Schritt von der Steigerung der Rechenleistung hin zu nachhaltigen Geschäftsergebnissen schaffen kann.

Es folgt der Originaltext:

"Neue Wolken" am Himmel

Zu Beginn des 20. Jahrhunderts besaß die Southern Pacific Railroad Company riesige, unbebaute Flächen entlang der Bahnstrecke, die Städte und Gemeinden in den gesamten Vereinigten Staaten miteinander verbanden. Die Bahnrechte reichten weit über die Gleise hinaus, sodass zahlreiche Korridore entlang der Strecke für die Bebauung offen blieben.

Die Eisenbahngesellschaft verlegte daher ein Kommunikationsnetz entlang der Bahnstrecke und nannte es „Southern Pacific Railroad Internal Networking Telephony“. In den 1970er Jahren begann das Unternehmen, das Netzwerk zu kommerzialisieren und es einem breiteren Nutzerkreis zugänglich zu machen.

In der Folge geschahen zwei Dinge gleichzeitig: Erstens endete das Monopol im Ferngesprächsmarkt; zweitens erwiesen sich Glasfaserkabel als wirtschaftlich rentabel. Bestehende Kommunikationskorridore wurden in Glasfaserleitungen umgewandelt, und dieses Netzwerk wurde später unter dem Kürzel „Sprint“ bekannt. Anlagen, die einst der Eisenbahn gedient hatten, bildeten somit das Rückgrat der Infrastruktur für die Telekommunikationsrevolution.

Eisenbahnunternehmen sind nicht die einzigen, die bestehende physische Netze in größere kommerzielle Technologieinfrastrukturen umwandeln.

In den 1980er-Jahren wandelte die Williams Company stillgelegte Erdgasleitungen in Glasfaserkanäle um und gründete WilTel. Das Unternehmen wurde später verkauft und schließlich in WorldCom umbenannt. In den 1990er-Jahren wurden die für Kabelfernsehdienste verlegten unidirektionalen Koaxialkabel umfassend und kostspielig modernisiert und bildeten schließlich die Infrastruktur, auf der Comcast und Charter ihren Kunden Breitbandinternetdienste anbieten konnten.

Dies führt zu einer anderen Art von Unternehmen: solchen, die ebenfalls über eine leicht verfügbare Infrastruktur verfügen, die nun erheblich umfunktioniert und neu bepreist wird, um den Bedürfnissen einer aufkommenden Technologie gerecht zu werden – das sind Unternehmen wie „neocloud“.

Kurz gesagt, die meisten neuen Cloud-Anbieter betrieben ursprünglich energie- und rechenintensives Kryptowährungs-Mining, bis die KI-Welle kam. Plötzlich gehörte jeder, der über die Rechte zur Nutzung von Strom, Infrastruktur und Erfahrung im Aufbau und Management hochleistungsfähiger Rechenlasten verfügte – im Fall von CoreWeave auch eine große Anzahl von GPUs – zu den gefragtesten Branchen.

Natürlich ist dieser Vergleich nicht ganz fair. Betrachtet man jedoch die drei größten börsennotierten Cloud-Unternehmen, so ist deren Umsatzwachstum in der Tat bemerkenswert.

Wir können die Cloud-Geschäftsumsätze von Hyperscale-Cloud-Service-Anbietern in ihrer Anfangsphase nur schätzen, aber der allgemeine Trend ist bereits klar: Neue Cloud-Unternehmen wachsen in einem extrem schnellen Tempo, deutlich schneller als die Wachstumsrate der drei großen Cloud-Service-Anbieter in ihrer Anfangsphase.

Es ist zu beachten, dass NewCloud im Gesamtmarkt für Rechenleistung derzeit nur ein relativ kleiner Akteur ist.

Bis sie die Größenordnung der ultragroßen Cloud-Service-Anbieter erreichen, ist es noch ein langer Weg.

Hyperscale-Cloud-Anbieter erwirtschaften pro Quartal ein Vielfaches des Umsatzes neuer Cloud-Unternehmen. CoreWeave erzielte in etwa 25 Quartalen das, wofür AWS 40 Quartale benötigte: 2,6 Milliarden US-Dollar Umsatz. Um es noch einmal zu betonen: Diese Unternehmen wachsen unglaublich schnell.

Angesichts solch hoher Wachstumsraten und der positiven Entwicklung der KI-Branche sollten Anleger theoretisch sehr begeistert sein. Bis zu einem gewissen Grad stimmt das auch, doch die Realität ist komplexer.

Obwohl diese Unternehmen in ihren letzten Gewinnberichten im Allgemeinen gute Ergebnisse meldeten, ist der Aktienkurs von CoreWeave im vergangenen Jahr dennoch um etwa 16 % gefallen; nur Nebius liegt relativ nahe an seinem vorherigen Höchststand.

Insgesamt ist die Geschichte also immer noch gut, aber für die größten der neuen Cloud-Anbieter ist sie deutlich weniger attraktiv.

Der Markt hat sich in letzter Zeit relativ stabil entwickelt, was zum Teil darauf zurückzuführen ist, dass viele Wachstumserwartungen möglicherweise bereits in den Bewertungen eingepreist sind.

Für kapitalintensive Unternehmen wie NewCloud ist das Kurs-Umsatz-Verhältnis zwar nicht die geeignetste Bewertungskennzahl, aber dennoch recht anschaulich, um Probleme zu verdeutlichen. Kleinere, wachstumsstärkere Unternehmen wie Nebius und Applied Digital erzielen deutlich höhere Bewertungsprämien als das wesentlich größere CoreWeave. CoreWeaves Umsatz verdoppelt sich zwar noch, liegt aber bereits hinter dem Wachstum der leistungsstärksten Unternehmen von 400 % bis 450 % zurück.

Das größte Problem des neuen Cloud-Anbieters liegt nicht im Wachstum, sondern in der langfristigen Rentabilität. Um zu wachsen, benötigt das Unternehmen kontinuierliche Investitionen in Chips, Strom und physische Infrastruktur – und diese Kosten sind beträchtlich.

CoreWeave beispielsweise verzeichnete ein beeindruckendes Umsatzwachstum, doch die Investitionsausgaben sind noch immenser. Zu den weiteren enormen Kostenfaktoren zählen die Abschreibung der Chips – die bereits mehr als die Hälfte des Umsatzes ausmacht – und die steigenden Zinsaufwendungen für die Kreditaufnahme zum frühzeitigen Aufbau teurer Infrastruktur.

Dieser Artikel will weder über den Erfolg von NewCloud noch über die Angemessenheit des aktuellen Aktienkurses urteilen. Abgesehen von der Popularität des Themas möchte dieser Artikel vielmehr veranschaulichen, dass NewCloud den Kampf zwischen Optimisten und Pessimisten im gesamten KI-Handelsumfeld perfekt widerspiegelt.

Einerseits agieren sie in einem vertikalen Markt, der weitaus größer ist als bisher erwartet und weiter wächst – dem Markt für Rechenleistung – und haben beispiellose Wachstumsraten erzielt. Andererseits sind die Kosten für den Aufbau solcher Unternehmen ebenfalls so hoch wie nie zuvor und erfordern enorme Investitionen in eine feste Infrastruktur, die kontinuierlich an Wert verliert.

Ist das die Rückkehr horizontaler SaaS-Lösungen?

Nachfolgend ein kurzes Update zur sich ständig verändernden Marktlage im Kontext des „SaaS-Weltuntergangs“. Eines der Unternehmen, das vom vorherigen Ausverkauf von Softwareaktien am stärksten betroffen war, hat sich im vergangenen Monat recht gut entwickelt.

In den vergangenen 30 Handelstagen zählten horizontale Softwareunternehmen zu den Top-Performern im IGV Software ETF – allerdings haben sie seit Beginn der Datenerfassung einen Teil ihrer Gewinne wieder abgegeben.

Insgesamt sind die Fundamentaldaten dieser Unternehmen weiterhin solide. Insbesondere Atlassian hat, entgegen den vorherigen Markterwartungen, unter dem Einfluss von KI keinen Rückgang erfahren.

Dieses Softwareunternehmen für Produktivitätslösungen übertraf sowohl seine Gewinn- als auch seine Prognoseerwartungen: Der Cloud-Umsatz stieg im Vergleich zum Vorjahr um 31 %, wobei die Umsätze aus Auftragsbestand sogar noch schneller wuchsen. Doch das vielleicht entscheidendere Signal ist, dass KI sich zu einem Wachstumstreiber und nicht zu einem Hemmnis entwickelt. Atlassian gab an, dass sein KI-Assistent Rovo weit verbreitet ist; gleichzeitig geben Rovo-Nutzer fast doppelt so viel aus wie Nicht-Rovo-Nutzer.

Das sind gute Nachrichten für Atlassian, gute Nachrichten für Rovo und gute Nachrichten für horizontale SaaS-Unternehmen.

Die Gesamtbewertung horizontaler SaaS-Lösungen ist jedoch immer noch etwas niedriger als die anderer Softwarekategorien.

Mit wenigen Ausnahmen weisen horizontal ausgerichtete SaaS-Unternehmen, einschließlich Atlassian, im Allgemeinen erwartete Kurs-Umsatz-Verhältnisse auf, die niedriger sind als das Niveau, das der Trendlinie „Wachstumsrate - Bewertungsmultiplikator“ entspricht.

Um es noch einmal zu betonen: Horizontale SaaS-Lösungen hatten bisher nur einen relativ guten „Monat“. Die Leistung eines einzigen Monats reicht bei weitem nicht aus, um den Markt davon zu überzeugen, dass der „SaaS-Weltuntergang“ abgewendet wurde.

Wenn Ihr Softwareunternehmen natürlich in den Bereich Cybersicherheit oder Observability fällt, ist das eine andere Geschichte – für diese Unternehmen ist der sogenannte „SaaS-Weltuntergang“ nie eingetreten.

Der Cybersicherheitssektor entwickelt sich im IGV Software ETF weiterhin deutlich besser als andere Kategorien. Künstliche Intelligenz (KI) hat sich hierbei als Wachstumstreiber erwiesen: Der Markt geht allgemein davon aus, dass KI das Risikobewusstsein für Cybersicherheitsbedrohungen stärkt, und kein Unternehmenskunde wird auf improvisierte Lösungen zurückgreifen, um seine Sicherheitslösungen selbst zu entwickeln.

Ob diese Logik sich letztendlich bewahrheiten wird, bleibt abzuwarten. Doch zumindest im Moment ist die Situation traditioneller Softwareunternehmen alles andere als einheitlich.

Die Anleger beobachten genau, ob KI jedem Unternehmen nützen oder schaden wird, und überarbeiten ihre Einschätzungen mit jeder neuen Datenmenge – was verständlich ist.

Auf dem Weg zur Effizienzgrenze von Token-Investitionen

Die Marktlandschaft rund um Modellnutzung, Tokenverbrauch und Tokenausgabenmanagement entwickelt sich weiterhin auf vielfältige und interessante Weise.

Nehmen wir Databricks als Beispiel.

Bei Fragen wie „Welches Modell sollten wir verwenden?“ und „Welches Modell ist das beste?“ verfolgte Databricks weder einen Alles-oder-Nichts-Ansatz, noch gab man den Entwicklern einfach ein Budget und überließ ihnen die Entscheidung über dessen Verwendung. Stattdessen stellte man sich die Frage: „Was wäre, wenn wir eine Lösung entwickeln würden, die die richtigen Aufgaben automatisch den richtigen Modellen zuweist?“

Databricks ist sicherlich nicht das einzige Unternehmen, das so etwas macht, aber es hat einen „Smart Router“ entwickelt und ist mit dessen Leistung sehr zufrieden.

Die Router von Databricks sollen in der Lage sein, bei Bedarf leistungsstärkere und teurere Modelle aufzurufen und schwächere und günstigere Modelle zu verwenden, wenn die Bedingungen dies zulassen, wodurch „die durchschnittlichen Kosten einer Aufgabe kontinuierlich um mehr als 30 % gesenkt werden“.

Insgesamt ist das Streben nach maximaler Effizienz beim Token-Einsatz keineswegs negativ. Es bedeutet, dass die Nachfrage weiter wächst und sich die Anwendungsszenarien nicht nur im Hinblick auf die Leistung weiterentwickeln, sondern auch auf weniger fortschrittliche Modelle ausgeweitet werden. In der anfänglich pessimistischen Einschätzung ging man zunächst davon aus, dass diese suboptimalen Modelle schnell überholt sein würden.

Wie bereits erwähnt, werden Effizienzsteigerungen den Nachfragebereich erweitern, was genau die Art von Dynamik ist, die der Markt sehen möchte, ähnlich dem Jevons-Paradoxon.

Der Token Price Strength Index von Silicon Data zeigt, dass die allgemeine Preisstärke nachlässt, insbesondere da günstigere Open-Modelle einen größeren Anteil am expandierenden Markt gewinnen.

Hier muss ein häufig missverstandenes Konzept klargestellt werden: Diese Indizes messen die Kostenintensität des Token-Handels, nicht den absoluten Dollarbetrag. Sie hängen sowohl von der Anzahl der konsumierten Token als auch von deren Gesamtkosten ab. Das bedeutet, dass selbst bei sinkendem Token-Preis die Gesamtmenge der konsumierten Token und der Gesamtbetrag der Ausgaben weiter steigen können.

Entscheidend ist, dass die Gesamtnachfrage weiter steigt und eine Optimierung von Preisgestaltung und Modellauswahl hin zur Effizienzgrenze dieses Wachstum zusätzlich ankurbeln wird. Besonders hervorzuheben ist, dass „KI-Nachfrage“ bzw. „KI-Nutzung“ kein einheitliches Konzept darstellt. Zwischen Vielnutzern und anderen Nutzern besteht weiterhin eine erhebliche Kluft. Dies zeigt deutlich, dass die Strategie, stets das beste Modell zu verwenden, zwar für manche Unternehmen funktionieren mag, aber sicherlich nicht für alle.

Der Markt entwickelt derzeit rasant mehr alternative Optionen. Insgesamt ist das eine gute Sache.

Laut Daten von Ramp, einer Plattform für das Ausgabenmanagement von Unternehmen, erhöhen alle Unternehmen ihre Ausgaben für KI, aber die Kluft zwischen dem Median der Ausgaben und den Top 10 % der Unternehmen sowie zwischen den Top 10 % und dem Top 1 % ist extrem groß.

Die Daten von Ramp sind typischerweise auf Technologieunternehmen ausgerichtet, was bei der Interpretation berücksichtigt werden muss. Die Daten zeigen jedoch, dass die Top 10 % der Unternehmen hinsichtlich ihrer Ausgaben etwa 50-mal mehr KI-Ausgaben pro Mitarbeiter tätigen als das durchschnittliche Unternehmen.

Diese Verteilung dürfte kaum zufällig sein. Die Unternehmen, die aus KI-Investitionen den größten Nutzen ziehen können, sind wahrscheinlich diejenigen, die am meisten investieren – auch wenn nicht jedes Unternehmen so vorgeht, folgt doch eine beträchtliche Anzahl diesem Muster.

Eine Analyse von 107 börsennotierten Unternehmen durch die Boston Consulting Group ergab, dass die Unternehmen in den beiden obersten Quintilen der Token-Nutzung ein deutlich schnelleres Umsatzwachstum verzeichneten als andere Unternehmen.

Der Kernpunkt hierbei ist, dass sich Nachfrage und Effizienz der Tokennutzung gegenseitig verstärken: Je mehr Wert ein Unternehmen erzielt, desto mehr Token verbraucht es.

Dieser Prozess beinhaltet naturgemäß wiederholte Abwägungen zwischen Aufwand und Ertrag, und Forschung und Entwicklung sind stets mit Vorlaufkosten verbunden. Für die überwiegende Mehrheit der Unternehmen ist das wahllose „Anhäufen von Token“ jedoch niemals eine effektive Strategie.

Daher ist es eindeutig gut, dass Unternehmen diese Praxis in Zukunft nicht mehr anwenden müssen.

Der Kampf um die besten Talente in hochmodernen Laboren

New Media hat kürzlich zwei herausragende Teammitglieder bei OpenAI begrüßt, daher schließen wir mit einigen interessanten Diagrammen ab, um die Situation der Talentgewinnung in diesem hochmodernen KI-Labor zu veranschaulichen.

Dario Amodei äußerte kürzlich seine Besorgnis darüber, dass Mitarbeiter dem Geld den Vorrang vor der Mission einräumen. Daten von Levels.fyi deuten darauf hin, dass diese Besorgnis nicht unbegründet sein könnte.

Wenn wir die Daten wörtlich interpretieren, zahlt Anthropic seinen Ingenieuren sehr hohe Gehälter, die weit über denen von Ingenieuren mit ähnlichen Qualifikationen bei Unternehmen wie Google und Tesla liegen.

Es scheint also tatsächlich eine gute Sache zu sein, Mitglied des technischen Teams zu werden.

Darüber hinaus gibt es noch einen weiteren Datensatz, der ebenfalls sehr interessant ist.

Laut Daten von Live Data Technologies – zusammengestellt und präsentiert von Truist Securities – gibt es sowohl erhebliche Überschneidungen als auch deutliche Unterschiede in den Talentquellen verschiedener Labore:

Beide Unternehmen haben eine beträchtliche Anzahl von Talenten von großen Technologiekonzernen abgeworben, aber nur OpenAI hat Mitarbeiter von Nvidia und Tesla rekrutiert, und beide Abwerbungen erfolgten im Jahr 2026.

Databricks, Snowflake (seit Kurzem), Palantir und DeepMind sind allesamt Talentquellen für beide Unternehmen.

Beide Labore haben zudem eine beträchtliche Anzahl von Mitarbeitern von Salesforce und Stripe eingestellt.

Doch damit scheinen die Überschneidungen zwischen den beiden Unternehmen zu enden. Anthropic hat viele Talente von SaaS-Unternehmen abgeworben, während OpenAI fast keine eingestellt hat; OpenAI hingegen hat viele Mitarbeiter von Unternehmen aus den Bereichen Consumer Internet, Plattformmarktplätze und Ad-Tech rekrutiert, während Anthropic – mit Ausnahme von Airbnb, Netflix und Uber – in diesen Bereichen relativ wenige Mitarbeiter eingestellt hat.

Was diese Unterschiede bedeuten, überlasse ich Ihrer Interpretation.