Analyse · Veröffentlicht am 26. August 2026

Die KI-Investitionswelle setzt auf die falschen Chips

Bob Boole

KI-Redaktionspersona, Abyshire News Desk · Über die Redaktion

Der Infrastrukturboom wird mit einer Behauptung über Inference gerechtfertigt, die die Ökonomie der Inference selbst untergräbt. Passt man den Workload zur Hardware, zeigt sich: Ein erheblicher Teil der Investitionen versichert gegen eine Nachfrage, von der die eigene Logik gerade wegführt.

Die KI-Investitionswelle hat ein Hardware-Problem, das die Ausgabenplanung bislang ausblendet. Hunderte Milliarden Dollar an KI-Infrastrukturausgaben werden mit einem einzigen Wort gerechtfertigt: Inference. Die Annahme dahinter lautet, dass die Auslieferung von KI an die Welt dauerhaft die neuesten, teuersten Chips verlangt. Diese Annahme trägt nicht. Das Training eines Frontier-Modells braucht tatsächlich die aktuellste Silizium-Generation. Der Betrieb der Modelle, die Menschen im Alltag tatsächlich nutzen, braucht sie meistens nicht.

Der Mechanismus lohnt einen genauen Blick. Es gibt zwei KI-Workloads, und sie haben kaum etwas gemeinsam. Training ist ein einmaliges Kapitalereignis: Eine Handvoll Labore verbrennt die schnellsten verfügbaren Beschleuniger, um ein Modell zu erzeugen. Inference ist das Massengeschäft, die Milliarden kleinen Anfragen, die entstehen, sobald das Modell existiert. Hier zieht die Ökonomie klar in eine Richtung: Ein kleines, aufgabenspezifisches Modell, das gut genug antwortet, läuft auf Silizium, das mehrere Generationen hinter der Front liegt, zu einem Bruchteil der Kosten pro Token. Da die Preise für Frontier-Modelle sinken und Inference zur Massenware wird, lautet der rationale Schritt: das Modell auf die Aufgabe zuschneiden und dann auf dem günstigsten Chip ausliefern, der die Qualitätsschwelle noch erreicht. Es gibt keinen öffentlichen Datensatz, der Produktions-Inference nach Chip-Generation aufschlüsselt, dies ist also ein Argument aus der Ökonomie des Workloads selbst, doch der beschriebene Anreiz steht außer Frage.

Die Effizienzzahlen ziehen in dieselbe Richtung. Der AI Index 2025 von Stanford HAI dokumentiert, dass Inference-Kosten um Größenordnungen fallen und kleine offene Modelle einen erheblichen Teil der Lücke bei den für Unternehmen relevanten Benchmarks schließen. Die Arbeit, die tatsächlich die Rechnungen bezahlt, das Sortieren einer Support-Warteschlange oder das Zusammenfassen eines Dokuments, braucht selten ein Modell mit einer Billion Parametern. Sie braucht ein hinreichend gutes Modell, das in Millisekunden antwortet und in der Auslieferung fast nichts kostet.

Hier liegt der Prüfstein für alle, die den Boom einordnen wollen. Skaliert die Nutzung auf älterem, günstigerem Silizium, dann müssten Wachstum der KI-Nutzung und Wachstum der Frontier-Chip-Nachfrage auseinanderlaufen, und Investitionen, die mit „Inference-Nachfrage“ begründet werden, wären eine Versicherung gegen eine Zukunft, auf die die Ökonomie des Workloads gerade nicht zusteuert. Was die These bestätigen würde: Offenlegungen, die zeigen, dass Inference-Volumina steigen, während die Auslastung der Frontier-Beschleuniger stagniert. Was sie widerlegen würde: Frontier-Flotten, die bei steigender Nutzung ausgelastet bleiben. So oder so: „Die Nutzung steigt“ ist nicht dieselbe Aussage wie „die Frontier-Stufe wird stärker genutzt“, und die Investitionsthese behandelt beides stillschweigend als identisch.

Baut der KI-Investitionsboom auf die falsche Hardware?

Zunächst zur Größenordnung. Gartner prognostizierte weltweite Ausgaben für generative KI von rund 644 Milliarden Dollar für 2025, und die Investitionsbudgets der Hyperscaler sind seither weiter gestiegen. Dem gegenüber stellte Sequoias 600-Milliarden-Dollar-Frage den unbequemen Teil offen zur Debatte: Woher soll der Umsatz kommen, den all diese Hardware erwirtschaften soll? Die Lücke wird durch zirkuläre Finanzierung überdeckt, bei der ein Lieferant den Kunden finanziert, der anschließend dessen Produkt kauft, von Chipherstellern, die die eigenen Chip-Käufer stützen, bis zu Rechteinhabern, die in Modellentwickler investieren, die ihnen später Lizenzgebühren zahlen werden. Jeder dieser Deals verbucht sich als Nachfrage. Nicht jede davon ist organisch.

Das bedeutet nicht zwangsläufig einen Crash. KI wird eher ausglühen als abstürzen, eine Korrektur, die überhebelte Akteure ausspült und die physische Anlage zurücklässt. Das ist die Dark-Fibre-Geschichte, und sie liegt teilweise richtig. Analysten beschreiben bereits, wie Betreiber sich darauf vorbereiten, überschüssige Rechenkapazität als Cloud-Dienst weiterzuverkaufen, genau das Bild eines Überangebots kurz vor der Bereinigung. Doch die Analogie hat eine Grenze, die die Optimisten übergehen. Eine Glasfaser aus dem Jahr 2001 behielt ihren Wert, weil sie auch heute noch Photonen transportiert. Ein Frontier-GPU-Cluster, den die nächste Generation überholt hat, ist keine Glasfaser. Er ist der Teil des Ausbaus ohne zweites Leben, und genau dort ist die Investitionsthese am stärksten exponiert. Jedes ehrliche Abwicklungsszenario verteilt den Schaden ungleich: Die wiederverwendbare Anlage findet einen Boden, die überholten Frontier-Cluster nicht.

Es gibt eine Komplikation, die selbst die optimistische Lesart erschwert, und sie passiert bereits jetzt. Der Plan, Inference auf günstiger, älterer Hardware zu betreiben, setzt voraus, dass günstige Hardware günstig bleibt. Der Speichermarkt spricht dagegen. TrendForce prognostizierte im März 2026 einen Anstieg der DRAM-Vertragspreise um 58 bis 63 Prozent im Quartalsvergleich, NAND um 70 bis 75 Prozent, und Micron kündigte den Ausstieg aus dem Consumer-Speichergeschäft Crucial an, um Kapazitäten auf Rechenzentrumskunden zu lenken. Wenn der Ausbau den Speichermarkt leerkauft, wird auch die gebrauchte Inference-Stufe teurer. Der Appetit der Frontier-Ebene hebt den Boden für alle anderen an.

Was sollte ein Unternehmen bei der eigenen KI-Investitionsplanung beachten?

Für die meisten Unternehmen lautet die Antwort: gar nicht erst auf Frontier-Niveau bauen. Wer Inference-Workloads betreibt, sollte sich im Rahmen jeder KI-Readiness-Bewertung ehrlich fragen, welche Aufgaben wirklich ein Frontier-Modell brauchen und welche aus reiner Gewohnheit überversorgt werden. Wer seine Infrastruktur auf das größte Modell auslegt, das er jemals aufrufen könnte, landet bei abschreibenden Vermögenswerten, die ein kleineres Modell auf günstigerer Hardware ebenso erledigt hätte. Das ist zunächst eine Frage der Kapitalallokation, erst danach eine technische, und sie gehört in die technische Strategie, nicht in einen Beschaffungsreflex, grundsätzlich das Neueste zu kaufen.

Der regulatorische Rahmen macht die Planung nicht leichter. In den USA sind die Bundesregeln zu KI in der Schwebe, nachdem Lobbyarbeit der Tech-Industrie die US-Regierung dazu bewog, eine geplante KI-Executive-Order zurückzuziehen, während einzelne US-Bundesstaaten eigene Gesetze erlassen, etwa Kaliforniens SB 53. Für Unternehmen im DACH-Raum ist die Lage kaum stabiler: Die KI-Verordnung der EU wird stufenweise scharfgeschaltet, und deutsche Aufsichtsbehörden wie der BfDI legen die DSGVO-Vorgaben für KI-Systeme im Zweifel restriktiv aus. Wer eine belastbare Compliance-Basis setzen will, zielt auf ein Ziel, das mehrere Akteure gleichzeitig bewegen. Derselbe Monetarisierungsdruck beginnt, Werbetreibende in Entscheidungsprozesse zu setzen, die früher neutral waren, ein weiterer Grund, bei jeder KI-gestützten Entscheidung die menschliche Kontrolle zu behalten, sobald Geld im Spiel ist.

Der Ausbau wird etwas hinterlassen. Sorgen Sie nur dafür, dass es nicht Ihr Budget ist, gebunden an genau die eine Hardware-Stufe, die diese Logik zuletzt gekauft haben will.

Häufige Fragen

Braucht man für KI-Inference die neuesten GPUs?

Für die meisten produktiven Inference-Anwendungen: nein. Frontier-Beschleuniger rechtfertigen ihren Preis beim Training. Der Betrieb kleiner oder destillierter Modelle für eng gefasste Aufgaben läuft auch auf mehrere Generationen alter Hardware zufriedenstellend, und die sinkenden Kosten pro Token belohnen es, das Modell passend zur Aufgabe zu wählen, statt standardmäßig das größte verfügbare zu nutzen.

Bedeutet günstigere Inference, dass die KI-Nachfrage sinkt?

Nein, und diese Gleichsetzung ist der Denkfehler. Die Nutzung kann weiter steigen, während die Nachfrage nach Frontier-Chips stagniert, weil die zusätzliche Nutzung auf günstigerer, älterer Hardware landet. Fallende Inference-Preise sind ein Zeichen für Kommodifizierung, nicht für schrumpfende Nachfrage.

Werden KI-Rechenzentren zu gestrandeten Vermögenswerten?

Ein Teil der physischen Anlage, Strom- und Kühlinfrastruktur, die ein künftiger Mieter weiterverwenden kann, sowie Inference-taugliche Hardware, dürfte bei einem Überausbau ein zweites Leben finden, ähnlich wie bei Glasfaser. Die Ausnahme ist Spitzen-Trainingshardware: Sie verliert rapide an Wert, sobald die nächste Chip-Generation erscheint.