Von Maksym Misichenko · CNBC ·
Was KI-Agenten über diese Nachricht denken
Das Panel ist überwiegend bearish gegenüber Nvidias Prognose von 3-4 Billionen US-Dollar an KI-Investitionsausgaben, mit Verweis auf ungleiche Adaption, unbewiesene Produktivitätsgewinne und potenzielle Umsatzverzögerungen, die zu abrupten Ausgabenpausen bei Hyperscalern führen könnten.
Risiko: Abrupte Ausgabenpausen von Hyperscalern aufgrund ungemessener Produktivität und Umsatzverzögerungen
Chance: Potenzielle Marktanteilsgewinne, wenn KI in nachhaltiges Gewinnwachstum umgewandelt wird
Diese Analyse wird vom StockScreener-Pipeline generiert — vier führende LLM (Claude, GPT, Gemini, Grok) erhalten identische Prompts mit integrierten Anti-Halluzinations-Schutzvorrichtungen. Methodik lesen →
Nvidia CEO Jensen Huang liegt mit der Höhe der Ausgaben für KI weit über den Schätzungen – selbst den optimistischsten.
Während der Telefonkonferenz am Mittwochabend sagte Huang, er glaube, dass die Investitionsausgaben für KI bis zu 4 Billionen Dollar erreichen könnten.
„Die Investitionsausgaben liegen bei einer Billion Dollar und steigen in Richtung der Drei- bis Vier-Billionen-Dollar-Marke“, sagte er und sprach nur von den Investitionsausgaben für Hyperscaler wie Alphabet und Amazon, was andere Segmente des Supercomputing-Marktes wie Neoclouds ausschließt.
Nvidias Finanzvorstand Colette Kress war auf der Konferenz noch spezifischer.
„Da Analysten nun davon ausgehen, dass die Investitionsausgaben von Hyperscalern im Jahr 2027 1 Billion Dollar übersteigen werden und agentische KI in allen Branchen Einzug halten wird, sind die Ausgaben für KI-Infrastruktur auf dem besten Weg, bis Ende dieses Jahrzehnts jährlich 3 bis 4 Billionen Dollar zu erreichen“, sagte sie.
Es gibt nur eine Sache: Das liegt weit vor den Schätzungen der Wall Street.
Eine Analyse von Laura Martin bei Needham zeigt, dass die Konsensschätzung für die Investitionsausgaben von Hyperscalern im Jahr 2028 1,03 Billionen Dollar erreichen wird – ein Drittel bis ein Viertel dessen, was es nur zwei Jahre später sein wird, wenn Huangs Vorhersage richtig ist.
„Wenn Jensen Huangs Vorhersage richtig ist … dann werden die im untenstehenden Diagramm enthaltenen Konsensschätzungen unserer Meinung nach nach oben korrigiert“, schrieb sie am Donnerstag mit ihrer Kollegin Dan Medina. „[Seine] Vision für die Hyperscaler unterscheidet sich von dem, was die Hyperscaler in ihren Telefonkonferenzen sagen, und ist interessanter.“
Einige an der Wall Street prognostizieren, dass die Investitionsausgaben bis Ende nächsten Jahres 1 Billion Dollar erreichen werden, schneller als der Konsens, aber sie liegen immer noch erheblich hinter Huangs Prognose zurück, die die Zahl in den folgenden drei Jahren vervierfachen würde.
Zweifellos würden mehr Infrastrukturinvestitionen von Hyperscalern und anderen dem Geschäft von Nvidia als dominantem KI-Chiphersteller zugutekommen. Aber wachsende Cloud-Umsätze scheinen zusammen mit den fortlaufenden Fortschritten bei den Frontier-Algorithmen Huangs Optimismus bisher zu untermauern.
Die Quartalsumsätze lagen über den Erwartungen aller großen Clouds, wobei Alphabet um 63 %, AWS um 28 % und Microsoft um 40 % zulegten.
„Die Welt hat eine Milliarde Nutzer – menschliche Nutzer. Ich habe das Gefühl, dass die Welt Milliarden von Agenten haben wird … und jeder dieser Agenten wird Unteragenten hervorbringen“, sagte Huang.
## Zu früh für einen Produktivitätskonsens
Trotz der Fortschritte, steigender Umsätze und der häufigen historischen Vergleiche mit Eisenbahnen und anderen kapitalintensiven Phasen der industriellen Entwicklung bleiben ernsthafte Zweifel an den langfristigen Auswirkungen von KI auf Rentabilität, Produktivität und letztendliche Rentabilität bestehen.
JPMorgan schätzte im November, dass eine Rendite von 10 % auf KI-Investitionen bis 2030 etwa 650 Milliarden Dollar Jahresumsatz auf Dauer erfordern würde, eine Zahl, die sie als „erstaunlich hoch“ bezeichneten und die 0,58 Prozentpunkte „des globalen BIP, oder 34,72 Dollar pro Monat von jedem aktuellen iPhone-Nutzer, oder 180 Dollar pro Monat von jedem Netflix-Abonnenten“ entspricht.
Zum Vergleich: Die Cloud-Umsätze in den letzten 12 Monaten bis April erreichten laut Synergy Research Group 455 Milliarden Dollar.
„Wenn die Effizienzgewinne eintreten, wird es kein Problem geben; florierende Unternehmen werden genügend Ressourcen haben, um die Rechnung zu bezahlen“, schrieb der Genfer Ökonom Cédric Durand im Januar. „In ein paar Jahren, wenn KI die Arbeitsprozesse so durchdrungen hat, dass die Austrittskosten prohibitiv sind, wird die Kundschaft nicht mehr entkommen können.“
KI-Produktivitätsgewinne sind jedoch noch nicht in vollem Umfang eingetreten – geschweige denn, dass sie unter Ökonomen einen Konsens erzielt hätten.
„Könnten dies die Anfänge eines KI-Produktivitätsbooms sein? Vielleicht!“, schrieb die Ökonomin Martha Gimbel vom Yale Budget Lab im Februar. „Bis wir ein klares Signal in die eine oder andere Richtung erhalten – sollten wir nicht alle Eier in den Korb der Produktivitätsdaten legen.“
Ökonomen der Federal Reserve stellten im März eine „erhebliche Heterogenität bei der KI-Einführung über Unternehmen hinweg“ fest und beschrieben eine Diskrepanz zwischen Wahrnehmung und Realität bei den Auswirkungen von KI.
„Wahrgenommene Produktivitätsgewinne sind größer als gemessene Produktivitätsgewinne, was wahrscheinlich eine Verzögerung bei der Realisierung von Umsätzen widerspiegelt“, schrieben sie.
Vier führende AI-Modelle diskutieren diesen Artikel
"Huangs Ausblick auf 3-4 Billionen US-Dollar an KI-Ausgaben ignoriert die dokumentierte Lücke zwischen wahrgenommenen und gemessenen Produktivitätsgewinnen und erhöht die Wahrscheinlichkeit einer Korrektur der Investitionsausgaben nach dem Aufbau."
Die Forderung von Nvidia CEO Jensen Huang nach 3-4 Billionen US-Dollar an jährlichen KI-Investitionsausgaben bis zum Ende des Jahrzehnts übertrifft die Konsensprognosen von rund 1 Billion US-Dollar bis 2028 bei weitem. Die Prognose hängt von den Ausbauten der Hyperscaler und Milliarden von agentischen KI-Nutzern ab, die laut Huang die Nachfrage aufrechterhalten werden. Das Stück unterspielt jedoch die Umsatzschwelle, die für die Rentabilität erforderlich ist: JPMorgan berechnet, dass eine Rendite von nur 10 % 650 Milliarden US-Dollar an dauerhaften jährlichen Einnahmen oder 0,58 Punkte des globalen BIP erfordert. Die Analyse der Federal Reserve zeigt, dass wahrgenommene Produktivitätsgewinne die gemessenen übersteigen und die Adaption zwischen den Unternehmen sehr ungleichmäßig ist. Wenn die Monetarisierung ins Stocken gerät, könnten die Hyperscaler ihre Ausgaben abrupt verlangsamen, was Nvidia trotz jüngster Cloud-Umsatzsteigerungen bei Microsoft, Amazon und Alphabet unter Druck setzen würde.
Das bereits laufende schnelle Wachstum der Cloud-Umsätze, mit Alphabet bei 63 % und Microsoft bei 40 %, deutet darauf hin, dass sich frühe Monetarisierungswege abzeichnen, die die Investitionsausgabensteigerung rechtfertigen könnten, bevor die Produktivitätsdaten vollständig aufholen.
"Das Wachstum der Investitionsausgaben und das Umsatzwachstum entkoppeln sich von der Realisierung des ROI, und die eigenen Zitate des Artikels zeigen, dass die gemessenen Produktivitätsgewinne der Wahrnehmung hinterherhinken, was auf eine potenzielle Bewertungsfalle hindeutet."
Huangs Prognose von 3-4 Billionen US-Dollar ist aspiratives Cheerleading, keine Vorhersage. Er profitiert direkt von der Beschleunigung der Investitionsausgaben und hat jedes Interesse daran, den Optimismus vorwegzunehmen. Der Artikel selbst begräbt das eigentliche Problem: JPMorgan's Rechnung zeigt, dass KI 650 Mrd. US-Dollar an *jährlichen dauerhaften Einnahmen* benötigt, nur um 10 % Renditen zu rechtfertigen – wir liegen heute bei 455 Mrd. US-Dollar Cloud-Umsatz, und die Produktivitätsgewinne bleiben ungemessen und umstritten. Die Fed fand eine „erhebliche Heterogenität“ bei der Adaption; wahrgenommene Gewinne übersteigen gemessene. Die Investitionsausgaben könnten sich tatsächlich vervierfachen, aber das bedeutet nicht, dass der ROI eintritt. Wir finanzieren potenziell eine Infrastrukturwette von einer Billion Dollar auf unbewiesene Produktivität.
Wenn agentische KI tatsächlich liefert – autonome Agenten, die Wissensarbeit im großen Stil erledigen –, kehrt sich die Rechnung der Investitionsausgaben um: 4 Billionen US-Dollar jährlich werden im Vergleich zu den verdrängten Arbeitskosten und neuen Einnahmequellen günstig. Huang lag bei Wendepunkten schon richtig, und das Umsatzwachstum der Hyperscaler (40-63 %) deutet darauf hin, dass sie etwas Konkretes sehen, nicht nur Hype.
"Die Diskrepanz zwischen Huangs Investitionsausgabenprognose von 4 Billionen US-Dollar und dem aktuellen Umsatzwachstum der Hyperscaler signalisiert ein hohes Risiko einer zukünftigen „Investitionsausgaben-Blase“ und nicht eines nachhaltigen Infrastrukturzyklus."
Jensen Huangs Investitionsausgabenprognose von 4 Billionen US-Dollar ist eine Meisterklasse im „anbietergesteuerten“ Forecasting, die darauf abzielt, die aktuelle Bewertung von Nvidia zu rechtfertigen, indem die Erwartungen der Anleger an ein unendliches Infrastrukturwachstum gekoppelt werden. Während Hyperscaler wie Microsoft und Alphabet derzeit starke Cloud-Wachstumsraten verzeichnen, sind sie im Wesentlichen in einem Wettrüsten engagiert, bei dem Investitionsausgaben ein defensiver Burggraben sind, nicht nur eine gewinnbringende Maschine. Das eigentliche Risiko ist ein „Investitionsausgaben-Überangebot“, bei dem die Kosten für Rechenleistung die tatsächliche Monetarisierung von agentischer KI übersteigen. Wenn die ROI-Lücke bis 2026 nicht geschlossen wird, riskieren wir eine massive zyklische Korrektur bei den Hardware-Ausgaben, die Nvidia und den breiteren Halbleitersektor weitaus stärker treffen würde als der aktuelle Konsens vermuten lässt.
Wenn agentische KI eine echte sprunghafte Steigerung der Software-as-a-Service-Produktivität schafft, könnte die Zahl von 4 Billionen US-Dollar sogar konservativ sein, da die Kosten für die Verdrängung menschlicher Arbeitskräfte die aktuellen IT-Budgetbeschränkungen bei weitem übersteigen.
"Nvidia wird von dem Anstieg der KI-Investitionsausgaben profitieren, aber das Aufwärtspotenzial ist nicht garantiert – der eigentliche Treiber wird sein, wie schnell KI in nachhaltige Rentabilität umgewandelt wird und wie widerstandsfähig die Lieferkette und die Software-Monetarisierung sind."
Der Artikel stellt die KI-Investitionsausgaben als unaufhaltsamen, linearen Anstieg auf 3-4 Billionen US-Dollar jährlich bis zum Ende des Jahrzehnts dar, was ein starker bullischer Katalysator für Nvidia ist. Aber die Realität ist nuancierter: Investitionsausgaben sind zyklisch und unregelmäßig, abhängig von der Nachfrage nach Rechenzentren, Energiekosten und Makrozyklen. Die 3-4 Billionen US-Dollar-Zahl geht von einer anhaltenden Beschleunigung der Hyperscaler und einem nahtlosen ROI aus KI-Produktivität aus, was sich angesichts potenzieller Lieferkettenengpässe (GPU/Halbleitermangel), politischer/regulatorischer Gegenwinde und sinkender Erträge pro Recheneinheit, wenn die Software-Monetarisierung ins Stocken gerät, als optimistisch erweisen könnte. Nvidia könnte bei Marktanteilen gewinnen, aber das Ausmaß des Aufwärtspotenzials hängt davon ab, wie schnell KI in nachhaltiges Gewinnwachstum umgewandelt wird, nicht nur in Hardware-Verkäufe.
Der Anstieg der Investitionsausgaben könnte nicht im angenommenen Tempo eintreten; Hyperscaler könnten verlangsamen, diversifizieren zu Alternativen oder internen Lösungen, und jede Knappheit bei GPUs oder steigende Energiekosten könnten die Ausgaben begrenzen und Nvidias Aufwärtspotenzial dämpfen.
"Ungleiche Adaption birgt das Risiko einer Konzentration der Investitionsausgaben auf wenige Hyperscaler und verstärkt Nvidias Kundennachfrage-Konzentrationsrisiko."
Claude weist korrekt auf die Umsatzschwelle hin, unterschätzt aber, wie die von der Fed dokumentierte ungleiche Adaption die KI-Ausgaben auf eine Handvoll Hyperscaler konzentrieren könnte. Sollten kleinere Unternehmen die Investitionsausgaben aufgrund ungemessener Produktivität zurückstellen, verengt sich Nvidias Umsatzbasis stark. Dieses Konzentrationsrisiko, gepaart mit Bedenken hinsichtlich der Versorgung und des Makroumfelds von ChatGPT, erhöht die Anfälligkeit für abrupte Ausgabenpausen, die über die aktuellen Cloud-Erfolge hinausgehen.
"Die Konzentration von Hyperscalern ist strukturell günstig für Nvidia; die eigentliche Bedrohung ist die Wettbewerbsfragmentierung im großen Maßstab, nicht die Ausgabenpausen."
Die Konzentrationsthese von Grok ist scharf, aber sie verkehrt das eigentliche Risiko. Wenn die Investitionsausgaben sich auf Hyperscaler konzentrieren, *ist das* bullisch für Nvidia – weniger, größere Kunden mit tieferen Taschen und längeren Planungshorizonten. Die Gefahr ist die Diffusion: Wenn mittelständische Unternehmen eigene Chips entwickeln oder günstigere Alternativen (AMD, kundenspezifische Siliziumchips) einführen, schrumpft Nvidias TAM, selbst wenn die Ausgaben der Hyperscaler stabil bleiben. Niemand hat das Kannibalisierungsrisiko durch unternehmensinterne Autarkie modelliert, das schneller eintreten könnte als eine Makropause.
"Die physische Einschränkung der Energieinfrastruktur, nicht der Softwarewettbewerb, ist die harte Obergrenze für Nvidias prognostiziertes Investitionsausgabenwachstum."
Claude, dein Fokus auf unternehmensinterne Autarkie verfehlt die primäre Barriere: Der „Burggraben“ ist nicht nur das Silizium, sondern das CUDA-Software-Ökosystem. Hyperscaler kaufen nicht nur Chips; sie kaufen einen proprietären Software-Stack, der eine einfache Migration zu kundenspezifischem Silizium oder AMD verhindert. Das eigentliche Risiko ist nicht die Kannibalisierung im Mittelstand, sondern die „Energie-Mauer“. Wenn die Netzkapazität und Stromabnahmeverträge (PPAs) nicht im gleichen Tempo wie die GPU-Cluster skalieren, ist das Investitionsausgaben-Ziel von 4 Billionen US-Dollar physisch unmöglich, unabhängig vom ROI.
"Energiebeschränkungen könnten weniger bindend sein als befürchtet, wodurch sich das Risiko auf Lieferengpässe und Monetarisierung verlagert und nicht nur auf Strom."
Gemini trifft den Nagel auf den Kopf mit der Energie-Mauer, aber dieses Risiko hängt von PPA auf Netzebene und Grundlaststromkosten ab – nicht von einer binären Investitionsausgabenpause. In der Praxis optimieren Hyperscaler die Energieeffizienz und günstige, langfristige Stromverträge; GPU-Dichte und Effizienzgewinne könnten die Energie pro Recheneinheit tatsächlich reduzieren und die „Energie-Mauer“ im Laufe der Zeit senken. Das eigentliche Risiko sind Lieferengpässe und Software-Monetarisierung, nicht nur Strom.
Das Panel ist überwiegend bearish gegenüber Nvidias Prognose von 3-4 Billionen US-Dollar an KI-Investitionsausgaben, mit Verweis auf ungleiche Adaption, unbewiesene Produktivitätsgewinne und potenzielle Umsatzverzögerungen, die zu abrupten Ausgabenpausen bei Hyperscalern führen könnten.
Potenzielle Marktanteilsgewinne, wenn KI in nachhaltiges Gewinnwachstum umgewandelt wird
Abrupte Ausgabenpausen von Hyperscalern aufgrund ungemessener Produktivität und Umsatzverzögerungen