Pantera Capital: Vier Chancen im Markt für Rechenleistung

Autor: Jay Yu, Partner bei Pantera Capital

Übersetzung: Jiahua, ChainCatcher

Einleitung

Die Ausgaben für Rechenleistung und Rechenzentrumsinfrastruktur sind zu einem Billionen-Dollar-Markt geworden, der mit den US-Konsumausgaben vergleichbar ist und zunehmend zu einer wichtigen Säule des US-Wirtschaftswachstums wird.

Doch während KI-Agenten allmählich in die Realwirtschaft vordringen und die Nachfrage nach Rechenleistung weiter steigt, erfolgt die Beschaffung von GPUs noch immer auf recht traditionelle Weise. Obwohl bereits Märkte für Rechenleistung wie SF Compute, Vast AI und Runpod entstanden sind, wird ein großer Teil der GPU-Knoten weiterhin über Gruppenchats, außerbörsliche Broker und maßgeschneiderte bilaterale Vereinbarungen gehandelt.

Derzeit befindet sich die GPU-Rechenleistung noch in einem frühen Stadium der Finanzialisierung. Ähnlich wie Strom ist Rechenleistung kein vollständig homogenes Gut; sie unterliegt Einschränkungen durch Chipmodell, Lieferzeit, geografische Lage und andere Faktoren. In den nächsten fünf bis zehn Jahren dürfte sich Rechenleistung jedoch allmählich zu einer Ware wie Strom oder Öl entwickeln und zu einer Schlüsselressource werden, die das Funktionieren der globalen Wirtschaft im KI-Zeitalter trägt.

Dieser Artikel untersucht, wie der Markt für Rechenleistung diesen Wandel vollziehen kann – einschließlich der Lehren aus dem Strommarkt, der potenziellen Struktur des Rechenleistungsmarkts, der in der Branche entwickelten Produkte sowie der Chancen und Herausforderungen im Prozess der Kommodifizierung von Rechenleistung.

1. Antworten im Strommarkt suchen 
1.1 Die Struktur des Strommarkts

Um die mögliche künftige Entwicklung des Rechenleistungsmarkts zu verstehen, lohnt sich zunächst ein Blick auf die Funktionsweise seines zugrunde liegenden Rohstoffs – des Strommarkts.

Wie Rechenleistung ist auch Strom ein Gut mit Heterogenität, zeitlichen Eigenschaften und Knotenpunktcharakter und bildet eine wichtige Grundlage des globalen Wirtschaftswachstums.

Seit den 1990er-Jahren wurde das US-Stromsystem schrittweise privatisiert. Die zuvor stark vertikal integrierten Stromversorger begannen, Erzeugung, Übertragung und Verteilung zu trennen.

Unabhängige Netzbetreiber übernahmen die Verwaltung der Stromsysteme in verschiedenen Regionen der USA. Gleichzeitig entwickelten sich große Verbundnetze wie PJM-West (Ostküste), ERCOT North (Texas) und CAISO SP15 (Südkalifornien) schließlich zu an Börsen wie CME und ICE handelbaren Rohstoffen und bildeten wichtige Preisbenchmarks für die gesamte Anlageklasse Strom.

Auf physischer Ebene lässt sich der Strommarkt grob als Struktur aus „Netz, Betreiber, Knoten“ beschreiben.

Die oberste Ebene bilden voneinander unabhängige regionale Netze. Unter jedem regionalen Netz gibt es mehrere Systembetreiber, darunter Regional Transmission Organizations (RTOs) und Independent System Operators (ISOs). Diese Betreiber verwalten mehrere Umspannwerksknoten in ihrem jeweiligen Gebiet.

In San Francisco beispielsweise kann eine Stadt von mehreren Umspannwerksknoten wie Embarcadero, Larkin und Mission versorgt werden.

Der Strompreis an jedem Knoten ist nicht völlig identisch, sondern wird durch einen Algorithmus namens „Locational Marginal Pricing“ (LMP) bestimmt. Dieser Algorithmus berücksichtigt Erzeugungsfahrpläne, Verbrauchernachfrage, Übertragungskosten und Lastflussgesetze und berechnet den optimalen Preis unter Nebenbedingungen.

Der LMP-Algorithmus ist das entscheidende Bindeglied zwischen der physischen Stromlieferung und handelbaren Strombenchmarks wie PJM-West.

Hub-Preise und Indexpreise im Strommarkt sind im Wesentlichen gewichtete Durchschnitte der Preise mehrerer Endknoten-LMPs. Die größten und liquidesten Preisbenchmarks erreichen schließlich an Börsen wie CME und ICE eine stabile Handelstiefe und werden zum Referenzpreis für die gesamte Anlageklasse Strom.

1.2 Die potenzielle Struktur des Rechenleistungsmarkts

Aus der Entwicklung des Strommarkts der letzten 30 Jahre lassen sich einige Vermutungen über den Rechenleistungsmarkt ableiten.

Erstens könnte der Rechenleistungsmarkt eine ähnliche Struktur wie der Strommarkt ausbilden.

Bei der physischen Lieferung dürfte die Rechenleistungsversion der Strommarktstruktur „Netz, Betreiber, Knoten“ am ehesten „Hardware, Anbieter, Cluster“ lauten.

So wie es im Strommarkt mehrere voneinander unabhängige regionale Netze gibt, könnten im Rechenleistungsmarkt mehrere Märkte auf Basis unterschiedlicher Hardwarekategorien entstehen. Chipkategorien wie H100, H200, B200 und B300 könnten jeweils eigene, aber miteinander verbundene Preisbenchmarks besitzen.

Auf Betreiberebene werden Rechenleistungsanbieter wie AWS, Nebius, CoreWeave, SF Compute und Ornn unterschiedliche Preismechanismen für bestimmte Cluster anbieten. Diese Cluster unterliegen – ähnlich wie verschiedene Knoten im Strommarkt – ebenfalls dem Einfluss von Zeit, Ort und SKU.

Das Pendant zum LMP im Rechenleistungsmarkt könnte ein Scheduling- oder Routing-Algorithmus sein. Dieser Algorithmus generiert dynamisch Preise für Rechenleistungsinstanzen auf Basis der Verfügbarkeit bestimmter SKUs.

Die Benchmarks, die im Strommarkt schließlich zu Branchenreferenzpreisen wurden – wie PJM-West, ERCOT-North und CAISO SP15 –, sind in der Regel mit der liquidesten physischen Lieferinfrastruktur verbunden. Dies ähnelt anderen Rohstoffmärkten wie dem Ölmarkt.

Wenn im Rechenleistungsbereich mehr Preisbenchmarks entstehen, dürften sich letztlich jene durchsetzen, die mit hochliquiden physischen Lieferstandorten verbunden sind.

Darüber hinaus sichern Stromerzeuger und stromverbrauchende Unternehmen ihre Risiken im Strommarkt zwar manchmal direkt an der Strombörse ab, der Großteil des Handels findet jedoch über außerbörsliche (OTC-)Abteilungen von Banken und Handelshäusern statt. Diese OTC-Institute tauschen Knotenabrechnungspreise gegen Hub-Abrechnungspreise, erzielen Spreads und sichern ihre eigenen Risiken ab.

Eine ähnliche Marktstruktur könnte auch im Rechenleistungsmarkt entstehen. Die tatsächlichen Anbieter und Nachfrager im Rechenleistungsmarkt – also neue Cloud-Service-Anbieter und KI-Unternehmen – könnten es vorziehen, bestimmte SKUs über Broker zu beschaffen, statt sich direkt an einer Rechenleistungsbörse abzusichern.

Schließlich könnte der Rechenleistungsmarkt einem stärkeren Basisrisiko ausgesetzt sein als der Strommarkt.

Nach dem US-Bundesstromgesetz müssen Großhandelsstrompreise unter der Aufsicht der Federal Energy Regulatory Commission (FERC) transparent sein. Für den Rechenleistungsmarkt gibt es derzeit jedoch keine vergleichbaren Transparenzanforderungen.

Das bedeutet, dass dynamische Preise und Indizes im Rechenleistungsmarkt möglicherweise nur auf dem eigenen Orderbuch sowie auf Orderbuchdaten kooperierender neuer Cloud-Service-Anbieter basieren können. Solche Kooperationen könnten über Umsatzbeteiligungen, Datenkäufe und ähnliche Modelle realisiert werden.

2. Die Struktur des Rechenleistungsmarkts

 2.1 Die dreischichtige Struktur der Inferenznachfrage

Der Strommarkt existiert, weil das Industriesystem eine kontinuierliche Nachfrage nach Strom hat. Ebenso ist die fundamentale Triebkraft des Rechenleistungsmarkts die Nachfrage nach Tokens, insbesondere nach Inferenz-Tokens.

Die derzeitige Inferenz-Wertschöpfungskette lässt sich grob in drei Schichten unterteilen, die gemeinsam die strukturellen Anbieter und Nachfrager des Rechenleistungsmarkts bilden.

Schicht der neuen Cloud-Service-Anbieter

Unternehmen wie Nebius und CoreWeave betreiben physische Rechenzentren und bilden die Verkäuferseite der GPUs.

On-Demand-Schicht

Entwicklerplattformen wie Fireworks und Baseten verwandeln Bare-Metal-GPU-Umgebungen in vollständigere GPU-Nutzungsumgebungen, in denen Entwickler Aufgaben direkt ausführen oder jederzeit Inferenz-Tokens beziehen können. Diese Schicht repräsentiert die Käuferseite der GPUs.

Anwendungsschicht

Anwendungen wie Cursor, Perplexity und Rime nutzen Inferenzplattformen, um Endnutzern und Unternehmen Endprodukte bereitzustellen. Diese Schicht ist die Nachfrageseite nach Tokens, und die Token-Nachfrage übersetzt sich in Nachfrage nach GPU-Rechenleistung.

Obwohl jedes Unternehmen im Ökosystem eine andere GPU-Managementstrategie verfolgt, stehen die neuen Cloud-Service-Anbieter insgesamt auf der Angebotsseite des GPU-Markts und repräsentieren strukturelle Short-Positionen; die On-Demand- und die Anwendungsschicht stehen auf der Nachfrageseite und repräsentieren strukturelle Long-Positionen.

Auf der anderen Seite betreiben große Cloud-Service-Anbieter wie Amazon und Google gleichzeitig Produkte auf allen drei Schichten.

Was die Gewinnverteilung entlang der Wertschöpfungskette betrifft, gilt grob folgende Faustregel: Wenn eine Top-Anwendung 100 US-Dollar für Tokens ausgibt, fließen etwa 45 US-Dollar an die On-Demand-Schicht, 50 US-Dollar an die neuen Cloud-Service-Anbieter bzw. die GPU-Schicht und die restlichen 5 US-Dollar an Routing-Schichten wie OpenRouter.

2.2 Die Struktur des Kapitalmarkts für Rechenleistung

Die Token-Ökonomie der verschiedenen Akteure in der KI-Wertschöpfungskette wird beeinflussen, wie sich der Kapitalmarkt für Rechenleistung letztlich formt.

Eine mögliche Struktur ist: Entwicklerplattformen und Anwendungsschicht auf der Nachfrageseite sowie neue Cloud-Service-Anbieter auf der Angebotsseite handeln bestimmte SKUs über Rechenleistungsbroker und OTC-Handelsplattformen wie SF Compute, Runpod und Compute Exchange.

Anschließend verwalten die Rechenleistungsbroker und OTC-Handelsplattformen ihre Bestände und tragen das Basisrisiko zwischen den von End-Token-Verbrauchern benötigten spezifischen SKUs und generischen H200-Instanzen.

Sie können sich über Rechenleistungshandelsplattformen wie Architect oder Pluto absichern.

Die Preise auf diesen Handelsplattformen basieren auf einer Rechenleistungsbenchmark. Diese Benchmark ist ein gewichteter Durchschnitt der Orderbuchpreise kooperierender neuer Cloud-Service-Anbieter und OTC-Plattformen.

2.3 NVIDIA: Die „Zentralbank“ des Rechenleistungsmarkts

Darüber hinaus kündigte NVIDIA kürzlich an, die Rechenleistung seiner KI-Fabriken zu einer „investierbaren Anlageklasse“ machen zu wollen.

Im Finanzialisierungssystem der Rechenleistung kann NVIDIA als „Zentralbank“ des Rechenleistungsmarkts betrachtet werden, da das Unternehmen den GPU-Technologie-Stack nahezu monopolisiert.

Zentralbanken verfolgen in der Regel mehrere Kernziele:

Steuerung der Inflation in der Wirtschaft;

Förderung der Vollbeschäftigung;

in Extremsituationen als Kreditgeber letzter Instanz zu fungieren.

In gewisser Weise erfüllt NVIDIA alle drei Rollen.

Erstens die Steuerung der „Inflation“. Die „Inflation“ in der GPU-Wirtschaft lässt sich mit dem Abschreibungszyklus von GPUs vergleichen, insbesondere mit der Abschreibungsgeschwindigkeit im Verhältnis zur neuesten Chipgeneration. Durch die Steuerung des Produktveröffentlichungsrhythmus – etwa durch die Einführung von Vera Rubin – kann NVIDIA bis zu einem gewissen Grad beeinflussen, wie schnell GPUs im Laufe der Zeit an Wert verlieren.

Zweitens die Aufrechterhaltung einer hohen GPU-Auslastung. Eine hohe GPU-Auslastung signalisiert in der Regel eine starke Nachfrage nach Tokens und veranlasst Nutzer, mehr GPUs zu kaufen. Daher hat NVIDIA ein Interesse daran, die Finanzialisierung von GPU-Rechenleistung voranzutreiben, den Handel mit GPU-Stunden liquider zu machen und so die GPU-Auslastung weiter zu erhöhen.

Drittens die Rolle des Kreditgebers letzter Instanz. NVIDIA kündigte außerdem an, GPUs mit bis zu 25 % ihres Restwerts zu unterstützen. Dies kann als Rettungs- oder Versicherungsmechanismus für den GPU-Wert betrachtet werden: Wenn neue Cloud-Service-Anbieter und andere GPU-Anbieter in eine Liquiditätskrise geraten, kann eine solche Unterstützung den Restwert der GPUs absichern.

3. Chancen und Herausforderungen im Rechenleistungsmarkt 

3.1 Produktformen im Rechenleistungsmarkt

Mit zunehmender Finanzialisierung des Rechenleistungsmarkts dürften in der Branche mehrere Hauptprodukttypen entstehen. Jeder Produkttyp hat seine eigenen Vorteile und Herausforderungen.

Produkt 1: Physische Lieferung

Physische Lieferung bedeutet, GPU-Hardware tatsächlich an Endnutzer zu liefern, die Rechenleistung benötigen. Projekte wie SF Compute, Hyperbolic, Vast, Runpod und Compute Exchange gehören zu dieser Produktschicht. Diese Schicht ist der Hardware am nächsten und verbindet Angebot und Nachfrage nach Rechenleistung direkt.

Aufgrund der hohen Heterogenität der Rechenleistungs-SKUs fungieren viele Projekte anfangs lediglich als Broker und verdienen Provisionen durch die Vermittlung von GPU-Nachfrage an neue Cloud-Service-Anbieter. Langfristig dürfte das Ziel dieser Schicht darin bestehen, eine Art „Spot-Börse für Rechenleistung“ aufzubauen.

Die dauerhafte Sicherstellung der Qualität physischer GPU-Lieferungen ist jedoch eine große Herausforderung, insbesondere für Projekte, deren Angebot aus dezentralen Netzwerken stammt. Der Rechenleistungsmarkt benötigt möglicherweise Ratingagenturen ähnlich wie Moody's, um die Qualität lieferbarer GPUs zu zertifizieren und so die weitere Reifung dieser Schicht zu fördern.

Obwohl die Schicht der physischen Lieferung stark umkämpft ist, könnte sie langfristig den nachhaltigsten Burggraben besitzen. Ein Blick auf die Öl- und Strommärkte zeigt, dass sich Finanzialisierungssysteme in der Regel um die liquidesten Lieferstandorte physischer Rohstoffe herum entwickeln und nach und nach Indizes, Börsen und Kreditprodukte hervorbringen.

Wer daher zuerst das Problem der physischen GPU-Lieferung löst, könnte erhebliche Marktrenditen erzielen.

Produkt 2: Indizes

Diese Schicht umfasst vor allem auf Rechenleistung aufbauende „Indexkurven“, darunter Rechenleistungspreisindizes von Projekten wie Ornn, Silicon Data, Compute Desk und Semianalysis.

Die Schaffung von Indizes ist ein wichtiger Schritt zur weiteren Finanzialisierung und zum Handel von Vermögenswerten wie Rechenleistung. Man kann sagen, dass viele der aktuellen Diskussionen über den „Rechenleistungsmarkt“ gerade mit der allmählichen Reifung der Rechenleistungsindizes an Fahrt gewonnen haben. Auch große Börsen wie CME und ICE haben bereits Kooperationen mit entsprechenden Indizes angekündigt.

Allerdings bestehen zwischen vielen Rechenleistungsindizes und den einzelnen GPU-Märkten weiterhin erhebliche Preisunterschiede.

Für diese Preisunterschiede gibt es im Wesentlichen zwei Gründe.

Erstens unterscheiden sich die zugrunde liegenden Produkte selbst. Verschiedene Rechenleistungsplattformen weichen bei Produktstabilität, Unterbrechbarkeit und Vertragsbedingungen oft stark voneinander ab.

Zweitens sind die Orderbücher hinter den verschiedenen Rechenleistungsindizes nicht identisch, und dem Rechenleistungsmarkt fehlen Transparenzanforderungen wie in anderen Anlageklassen. So verlangt die FERC beispielsweise Transparenz im Strommarkt.

Derzeit kaufen viele Rechenleistungsindizes Orderbuchdaten lediglich in großen Mengen von neuen Cloud-Service-Anbietern ein oder bauen erste Datensätze über Kooperationen und Umsatzbeteiligungsvereinbarungen auf. Zudem ist die Monetarisierungsfähigkeit einer unabhängig betriebenen Indexschicht schwächer als die von Börsen und der physischen Lieferung.

Obwohl die Indexschicht Aufmerksamkeit erzeugen und eine wichtige Rolle im Rechenleistungsmarktsystem spielen kann, wird sie gleichzeitig von vor- und nachgelagerten Akteuren unter Druck gesetzt:

Die vorgelagerte physische Lieferung kontrolliert die Quelle der Preise;

die nachgelagerten Börsen möchten einen Teil der Erträge aus den Indizes abschöpfen.

Produkt 3: Plattformen für den Handel mit Derivaten

Die dritte Schicht bilden Plattformen für den Handel mit Derivaten, die in der Regel bar abgerechnete Futures-Produkte anbieten. Diese Plattformen basieren auf Rechenleistungsindizes und bieten Marktteilnehmern Absicherungsinstrumente. Liquid Compute und Architect entwickeln entsprechende Produkte.

Langfristig könnten Plattformen für den Derivatehandel das am meisten erwartete und am leichtesten skalierbar zu monetarisierende Produkt im Finanzialisierungssystem der Rechenleistung sein. Allerdings befindet sich dieser Bereich noch in einem frühen Stadium, und das Handelsvolumen hat noch keine nennenswerte Größe erreicht.

Zudem handelt es sich bei den handelbaren Produkten auf bar abgerechneten Handelsplattformen in der Regel um generische H200-Instanzen und nicht um spezifische SKUs, die direkt für Inferenz genutzt werden können. Daher dürften an diesen Handelsplattformen vor allem OTC-Plattformen und Rechenleistungsbroker teilnehmen und weniger die Endunternehmen der KI-Wertschöpfungskette. Erstere sichern ihre in den Bilanzen gehaltenen Rechenleistungsbestände ab, letztere müssen ihr eigenes Rechenleistungsrisiko steuern.

Produkt 4: Finanzialisierungsinstrumente

Im Rechenleistungsbereich könnten zudem breitere Finanzialisierungsprodukte entstehen, die Rechenzentren und neuen Cloud-Service-Anbietern Finanzierungsunterstützung bieten. Beispielsweise könnten Kreditprotokolle, Vaults und synthetische Stablecoins wie USD.AI Rechenzentren und neuen Cloud-Service-Anbietern beim Aufbau ihrer Infrastruktur helfen.

Gleichzeitig könnten Risikotransfer- und Versicherungsschichten entstehen, um das Basisrisiko in der GPU-Wirtschaft zu glätten. Betrachtet man die verschiedenen Ebenen, lässt sich relativ klar erkennen, welche vollständige Form der Rechenleistungsmarkt letztlich annehmen könnte.

Gewinner werden Full-Stack-Teilnehmer sein, die eine zuverlässige physische GPU-Lieferung realisieren können. Sie können aus ihrem eigenen physischen Orderbuch Preisindizes bilden und anschließend eine Börse für Rechenleistungs-Futures aufbauen, um Rechenleistung zu einer absicherbaren Anlageklasse zu machen.

Die eigentliche Divergenz in der Branche liegt jedoch in der Reihenfolge, in der die verschiedenen Produkte entstehen. Werden die endgültigen Gewinner mit der physischen Lieferung beginnen, zuerst Indizes aufbauen oder zuerst Handelsplattformen einführen?

3.2 Die Grenzen der Token-Ökonomie der Rechenleistung

Bisher haben wir hauptsächlich den Rechenleistungsmarkt auf GPU-Ebene betrachtet. Wir können den Blick jedoch auch erweitern und die breitere Token-Ökonomie der Rechenleistung untersuchen, einschließlich ihrer historischen Entwicklung, der Mechanismen der Wertschöpfung und des spieltheoretischen Verhältnisses zu den führenden Modelllaboren.

Historisch betrachtet ist der Rechenleistungsmarkt kein völlig neues Konzept. Von 2023 bis 2024 diskutierten Projekte wie SF Compute und Hyperbolic bereits dieses Modell, während dezentrale Projekte wie Akash und IONet ähnliche Richtungen erkundeten.

Interessanterweise blieben viele Projekte letztlich nicht auf der Ebene des GPU-Markts stehen. Hyperbolic wurde später beispielsweise zu einem Anbieter von Inferenzdiensten und verkaufte Tokens direkt; SF Compute begann, direkt Verträge abzuschließen und Rechenleistungscluster zu betreiben.

Aus Sicht der Wertschöpfungskette fließt der Wert von KI-Anwendungen wie Cursor, Harvey und Granola über Routing-Schichten wie OpenRouter zu Inferenzdienstanbietern wie Fireworks und Baseten und gelangt schließlich zu neuen Cloud-Service-Anbietern und Rechenleistungsmärkten wie Nebius, CoreWeave und SF Compute sowie letztlich zu den Rechenzentrumsbetreibern.

Bleibt ein Unternehmen in der Mitte der Wertschöpfungskette, kann es von vor- und nachgelagerten Akteuren unter Druck gesetzt werden. Um stabilere Margen zu halten, muss ein Unternehmen letztlich möglicherweise nach vorne oder hinten expandieren.

Der Token-Markt bietet zudem eine sehr interessante spieltheoretische Perspektive, in der drei nicht zu ignorierende Kräfte wirken.

Die erste Kraft ist NVIDIA, das Angebot und Abschreibungsgeschwindigkeit der GPUs kontrolliert.

Die zweite Kraft sind führende Modelllabore wie Anthropic und OpenAI, die kontinuierlich neue Modelle veröffentlichen und die Token-Nachfrage rasch erhöhen können.

Die dritte Kraft sind Open-Source-Modelle wie Kimi, GLM, DeepSeek und Qwen, die Druck auf die Inferenzmargen ausüben.

Diese drei Kräfte sorgen gemeinsam für anhaltenden Antrieb und Druck auf Angebot und Nachfrage im GPU- und Token-Markt. Jede dieser Parteien könnte durch die Einführung eines bedeutenden Produkts die Preiskurve des gesamten Marktes neu schreiben.

Beispielsweise könnte die Veröffentlichung von GPT 5.6 ein von Unternehmen bestimmtes, aber vom Markt schwer vorhersehbares Ereignis sein, das eine Kettenreaktion in der KI-Token-Wertschöpfungskette auslöst und Schwankungen bei Token- und GPU-Hardwarepreisen verursacht.

Daher könnte es kommerziell tragfähiger sein, wenn ein Unternehmen innerhalb desselben Systems sowohl Inferenzdienste als auch einen GPU-Hardwaremarkt betreibt. Ein solches Modell kann Risiken absichern, die aus Veränderungen der Gewinnstruktur entlang der Wertschöpfungskette entstehen.

Fazit

Rückblickend stützten sich auch die Rohstoffmärkte für Öl und Strom anfangs auf bilaterale Geschäfte, die von Intermediären vermittelt wurden; die Handelsprozesse waren intransparent und es fehlten einheitliche Standards. Im Laufe der Zeit entwickelte die physische Lieferung jedoch eine Reihe von Protokollen und Finanzinfrastrukturen, darunter Indizes, Handelsstandardisierung und Qualitätsprüfungen, und wandelte sich schließlich zu hochgradig finanzialisierten Anlageklassen.

Heute durchläuft der Rechenleistungsmarkt einen ähnlichen Wandel. Auf dem Markt sind bereits zahlreiche Projekte entstanden, die versuchen, grundlegende Instrumente zu finanzialisieren, darunter Rechenleistungsindizes, bar abgerechnete Börsen, Kreditprodukte und Versicherungsprodukte.

Gleichzeitig dehnen sich der physische GPU-Markt und die Cloud-Service-Anbieter entlang der Wertschöpfungskette immer weiter nach vorne und hinten aus, um den vollständigen Wert der Token-Ökonomie zu erfassen. Als grundlegende Ressource für das Funktionieren der gesamten KI-Wirtschaft wandelt sich Rechenleistung allmählich von reiner Infrastruktur zu einem eigenständigen Finanzvermögen.

In Zukunft könnten in diesem Bereich mehrere Einhorn-Unternehmen entstehen, die verschiedene Ebenen des Marktes abdecken und unterschiedliche Geschäftsmodelle verfolgen – darunter physische Rechenleistungsbereitstellung, Brokerage-Dienste, Kreditvergabe, Risikomanagement sowie die Verbindung mit DeFi- und TradFi-Kapitalmärkten.

Rechenleistung könnte ein seltenes neues physisches Gut sein, wie es seit Jahrzehnten nicht mehr aufgetreten ist, und wir könnten gerade miterleben, wie sie sich von frühen, privat vermittelten Transaktionen zu einer vollständigen Anlageklasse entwickelt.