Alphabets TPU-Wette stellt Nvidias Führungsposition bei KI-Chips infrage

Alphabet hat seine Offensive bei KI-Chips intensiviert und setzt einem Berichten zufolge angestrebten Ziel von 12 bis 15 Millionen TPUs Nvidias Hardware-Führungsrolle entgegen. Diese Größenordnung hat die Geschichte in die Google-News-Berichterstattung gebracht und für Alphabet-Anleger eine folgenreiche Frage neu aufgeworfen. Kann Google seinen internen Siliziumvorsprung in ein profitables Infrastrukturgeschäft verwandeln, ohne den Cashflow zu überfordern?

Der Vergleich klingt einfach, doch die Zahl der Accelerator-Einheiten belegt weder technologische noch kommerzielle Führungspositionen. Nvidia verkauft breit einsetzbare Systeme, die von CUDA, Netzwerkhardware, Bibliotheken und einer großen Entwicklergemeinschaft getragen werden. Google entwickelt Tensor Processing Units, kurz TPUs, für Workloads innerhalb seines eng integrierten Cloud- und KI-Stacks.

Alphabet muss Nvidia daher nicht überall ersetzen. Es muss TPUs für genügend Trainings- und Inferenz-Workloads attraktiv machen, um die Wirtschaftlichkeit von Google Cloud zu verbessern. Zudem müssen externe Kunden diesen Stack wählen, obwohl Nvidia der vertraute Standard bleibt.

Diese Unterscheidung macht die jüngsten Google News zu mehr als einer weiteren optimistischen Halbleiterprognose. Alphabet versucht, ein Jahrzehnt interner Chipentwicklung in einen externen Umsatzmotor zu überführen. Die Chance ist erheblich, doch die Risiken bei Ausgaben, Fertigung und Software sind ebenso real.

Google News richtet den Fokus auf Alphabets gemeldete TPU-Expansion

Die entscheidende Veränderung ist keine neue Chip-Ankündigung. Es ist das berichtete Ausmaß von Alphabets Fertigungsambitionen.

Ein Analystenbericht vom Juli 2026 erklärte, Google plane im Jahr 2028 den Einsatz von 12 bis 15 Millionen TPUs der neunten Generation. Alphabet hat diese Schätzung nicht bestätigt; Anleger sollten sie daher als Prognose für die Lieferkette und nicht als offizielle Prognose behandeln.

Das gemeldete Ziel würde eine dramatische Erweiterung von Googles eigener Accelerator-Flotte bedeuten. Fubon Research schätzte Berichten zufolge, dass Nvidia im Jahr 2026 8,2 Millionen Rechenzentrums-Accelerators geliefert hat. Für 2028 erwartet das Unternehmen jährliche Nvidia-Auslieferungen von rund 12,4 Millionen Einheiten.

Diese Schätzungen legen nahe, dass Google ebenso viele Accelerators einsetzen könnte, wie Nvidia an seinen Kundenstamm liefert. Der Vergleich hat jedoch erhebliche Grenzen. Eine TPU und eine Nvidia-GPU unterscheiden sich bei Architektur, unterstützten Workloads, durchschnittlichem Verkaufspreis, Systemdesign und Bereitstellungsmodell.

Google würde zudem einen Großteil seiner TPU-Kapazität intern nutzen. Nvidia verbucht seine Umsätze vor allem durch den Verkauf von Chips und Systemen an Cloud-Anbieter, KI-Labore, Regierungen und Unternehmen. Gleiches Stückvolumen würde nicht zu gleichen Umsätzen, Gewinnen oder derselben Marktreichweite führen.

Dennoch ist der berichtete Plan relevant, weil die Chipmengen bestimmen, was Google anbieten kann. Knapp bemessene interne Kapazitäten zwingen das Unternehmen dazu, Gemini, Search, Werbung und ausgewählte Cloud-Kunden zu priorisieren. Eine deutlich größere Flotte würde Google ermöglichen, interne Anwendungen zu bedienen und zugleich die kommerzielle Verfügbarkeit auszubauen.

Der Fertigungsplan weist zudem auf eine größere Lieferkette hin. Laut der Accelerator-Prognose könnte das Design der neunten Generation vier Compute-Chiplets verwenden. Ein Chiplet ist ein spezialisierter Siliziumblock, der innerhalb eines einzelnen Gehäuses mit anderen Blöcken kombiniert wird.

Fubon geht Berichten zufolge davon aus, dass TSMC allein möglicherweise nicht über genügend Kapazität für Googles Ziel verfügt. Diese Einschränkung könnte für Teile des Programms Intels fortschrittliche Packaging-Dienste erforderlich machen. Weder Google noch Intel haben die im Bericht beschriebenen prognostizierten Mengen öffentlich bestätigt.

Packaging ist kein nebensächliches Produktionsdetail. Fortschrittliche KI-Prozessoren verbinden Compute-Dies mit High-Bandwidth Memory über technisch anspruchsvolle Packaging-Systeme. Begrenzte Kapazitäten können die Bereitstellung verzögern, selbst wenn das Prozessordesign selbst fertig ist.

Google hat außerdem weniger Spielraum beim Wechsel von Packaging-Lieferanten, als eine einfache Beschaffungsgeschichte vermuten lässt. Chiplets müssen auf die gewählte Interconnect- und Packaging-Technologie abgestimmt werden. Intels EMIB-Systeme und TSMCs CoWoS-Technologie sind nach Abschluss eines Designs nicht austauschbar.

Der Bericht beschreibt daher eine Fertigungsherausforderung und nicht lediglich eine Bestellung. Google müsste Chipdesign, Speicherlieferungen, Packaging, Netzwerke, Kühlung, Rechenzentrumsbau und Softwarebereitstellung koordinieren. Schwächen in einer beliebigen Schicht können die nutzbare Kapazität begrenzen.

Dieses berichtete Ziel folgt darauf, dass Google sein eigenes Silizium für Kunden sichtbarer gemacht hat. Das Unternehmen behandelte TPUs jahrelang hauptsächlich als Infrastruktur für seine eigenen Dienste. Nun präsentiert es sie als zentralen Bestandteil der kommerziellen KI-Plattform von Google Cloud.

Dieser Wandel schafft die zentrale Spannung des Artikels. Alphabet besitzt die Modelle, die Cloud, die Rechenzentren und die Accelerators, die für den Aufbau eines vertikal integrierten Dienstes erforderlich sind. Nvidia besitzt jedoch die breitere Plattform, die Kunden bereits verstehen und einsetzen.

Alphabet macht aus Google TPU-Kapazität ein Geschäft

Alphabets stärkstes Argument beruht auf der Umwandlung proprietärer Infrastruktur in Cloud-Umsätze, nicht auf dem Gewinn eines Auslieferungswettbewerbs.

Google stellte seine erste TPU vor rund einem Jahrzehnt vor, um Machine-Learning-Workloads zu beschleunigen. Der Prozessor entwickelte sich gemeinsam mit Googles Modellen, Software-Frameworks und globalem Rechenzentrumsnetzwerk. Diese Geschichte verschafft Alphabet Erfahrungen, die seine neueren Konkurrenten bei eigenen Chips nicht schnell nachbilden können.

Die TPU Ironwood der siebten Generation wurde Ende 2025 allgemein verfügbar. Google erklärte, Ironwood liefere die zehnfache Spitzenleistung von TPU v5p. Zudem behauptete das Unternehmen eine mehr als viermal so hohe Pro-Chip-Leistung wie bei der vorherigen Trillium-Generation.

Diese Werte sind Googles eigene Vergleiche und keine unabhängigen Tests über alle relevanten Workloads hinweg. Die Leistung hängt von Modellarchitektur, Präzision, Batch-Größe, Netzwerken, Speicherzugriff und Softwareoptimierung ab. Ein vorteilhafter interner Benchmark garantiert nicht, dass ein Kunde denselben Vorteil erhält.

Ironwood etablierte dennoch einen klareren kommerziellen Weg. Google entwickelte den Prozessor sowohl für große Trainingsaufgaben als auch für Inferenz mit hohem Volumen. Inferenz bezeichnet die Berechnung, die erfolgt, wenn ein trainiertes Modell eine Antwort, ein Bild, eine Vorhersage oder eine Softwareaktion erzeugt.

Die Wirtschaftlichkeit der Inferenz wird zunehmend wichtiger, da KI-Produkte Nutzer gewinnen. Training findet in Abständen statt, während ein beliebter Dienst fortlaufend Anfragen verarbeiten kann. Niedrigere Kosten pro nützlichem Ergebnis können daher wichtiger sein als die Schlagzeilenleistung beim Training.

Google hat inzwischen TPU 8t für Training und TPU 8i für Inferenz angekündigt. Das KI-Infrastruktur-Update des Unternehmens besagt, dass TPU 8t auf 9.600 Prozessoren und zwei Petabyte gemeinsam genutzten High-Bandwidth Memory skaliert. Google behauptet die dreifache Rechenleistung von Ironwood und bis zu die doppelte Leistung pro Watt.

TPU 8i verwendet ein anderes Design, das auf die Bereitstellung von Modellen ausgerichtet ist. Google sagt, ein Pod könne 1.152 Prozessoren verbinden und eine um 80 Prozent bessere Inferenzleistung pro Dollar als die vorherige Generation liefern. Dies bleiben vom Unternehmen gemeldete Vergleiche, die Kunden in ihren eigenen Umgebungen validieren müssen.

Die Aufteilung zwischen Training und Inferenz zeigt eine ausgereifte Produktstrategie. Google präsentiert nicht länger einen Accelerator als beste Antwort für jede Aufgabe. Stattdessen richtet das Unternehmen Hardware auf unterschiedliche Workloads aus und kontrolliert zugleich Netzwerk und Software.

Dieser Ansatz kann verschwendete Rechenressourcen reduzieren. Trainingssysteme benötigen enorme Speicherbandbreite und schnelle Kommunikation zwischen Tausenden von Accelerators. Inferenzsysteme priorisieren häufig Latenz, Durchsatz, Cache-Kapazität und vorhersehbare Betriebskosten.

Googles interne Dienste bieten einen weiteren Vorteil. Search, Photos, Maps, YouTube, Werbung und Gemini erzeugen enorme wiederkehrende Workloads. Alphabet kann Hardware anhand realer Produktionsnachfrage optimieren, bevor die Systeme externen Kunden zur Verfügung gestellt werden.

Für das Argument zur Alphabet-Aktie ist die externe Akzeptanz wichtiger. Interne Effizienz kann Margen schützen, Cloud-Verkäufe können jedoch zusätzliche Umsätze schaffen. Alphabet muss zeigen, dass Kunden TPUs als Plattform ansehen und nicht als spezialisierte Ausrüstung für Googles bevorzugte Modelle.

Anthropic liefert das sichtbarste Beispiel. Google erklärte, das KI-Unternehmen plane Zugriff auf bis zu eine Million TPUs. Anthropic hat Google-Infrastruktur neben Chips und Cloud-Kapazität genutzt, die über andere Partner bezogen wurden.

Die Beziehung stützt Googles Größenthese, belegt aber keine Kundenexklusivität. Führende Modellentwickler nutzen bewusst mehrere Anbieter, um Kapazitäten zu sichern und die Abhängigkeit von einem Anbieter zu verringern. Google muss um jeden Workload konkurrieren, selbst nachdem es eine bedeutende Vereinbarung gewonnen hat.

Alphabet machte im zweiten Quartal 2026 einen weiteren Schritt. Das Management erklärte Berichten zufolge, Google habe erstmals TPU-Systeme in kundeneigene Rechenzentren geliefert. Zuvor nutzten externe Anwender TPU-Kapazität im Allgemeinen über Google Cloud.

Dieser Schritt erweitert den adressierbaren Markt. Einige Organisationen möchten dedizierte Infrastruktur in Einrichtungen, die sie selbst kontrollieren. Andere benötigen Bereitstellungsmodelle, die von Datenresidenz, Netzwerktopologie, Latenz, Sicherheit oder bestehenden Kapitalinvestitionen geprägt sind.

Der Verkauf von Systemen kann zudem Hardwareumsätze mit niedrigeren Margen und Support-Verpflichtungen mit sich bringen. Alphabet muss entscheiden, wie stark es einem Chipanbieter ähneln möchte. Der größere Vorteil des Unternehmens könnte weiterhin ein integrierter Cloud-Service statt eigenständiger Hardware sein.

Die glaubwürdigste Chance verbindet beide Modelle. Systeme am Kundenstandort können Käufer erreichen, die nicht jeden Workload in Google Cloud verlagern können. Cloud-Kapazität kann Organisationen bedienen, die flexiblen Zugang und gemanagte Infrastruktur bevorzugen.

Die Umsetzung hängt nun von der Softwareportabilität ab. Google hat die PyTorch-Unterstützung erweitert und die Inferenz-Engine vLLM für GPUs und TPUs optimiert. Diese Änderungen richten sich an Entwickler, die nicht ganze Anwendungen für einen einzelnen Accelerator umschreiben möchten.

Ein technischer Käufer wird weiterhin Compiler-Verhalten, Modellunterstützung, Debugging-Tools, Verfügbarkeit und Mitarbeiterkompetenz prüfen. Benchmark-Führerschaft zählt weniger, wenn eine Migration Monate dauert. Googles kommerzielle Aufgabe besteht darin, diese Wechselkosten zu senken.

Nvidias KI-Chips setzen weiterhin den Wettbewerbsstandard

Googles eigenes Silizium setzt Nvidia auf Workload-Ebene unter Druck, doch Nvidia bleibt die Standardplattform der Branche.

Nvidias Vorteil beginnt mit CUDA, seiner Softwareplattform für die Programmierung von GPUs. CUDA umfasst Compiler, optimierte Bibliotheken, Debugging-Tools und Integrationen, die sich über viele Produktgenerationen hinweg angesammelt haben. Dieses Ökosystem macht Nvidia-Hardware für unterschiedliche KI-Workloads leichter einsetzbar.

Entwickler begegnen Nvidia-Infrastruktur zudem bei nahezu jeder großen Cloud. Unternehmen können Ingenieure mit entsprechender Erfahrung einstellen, bestehenden Code wiederverwenden und Workloads zwischen Anbietern verschieben. Diese Vorteile schaffen Wechselkosten, die rohe Chipspezifikationen nicht erfassen können.

Nvidia erweitert seine Position über den Prozessor hinaus. Seine KI-Systeme umfassen CPUs, Netzwerk-Switches, Interconnects, Datenverarbeitungseinheiten, Softwarebibliotheken und Referenzdesigns für Rechenzentren. Kunden kaufen häufig eine vollständige Computing-Architektur und nicht nur eine isolierte GPU.

Die finanziellen Belege bleiben beeindruckend. Nvidia meldete für das am 26. April 2026 endende Quartal Quartalszahlen mit einem Umsatz von 81,6 Milliarden US-Dollar. Der Umsatz im Rechenzentrumsgeschäft erreichte 75,2 Milliarden US-Dollar, ein Plus von 92 Prozent gegenüber dem Vorjahr.

Diese Ergebnisse zeigen, dass konkurrierende kundenspezifische Chips Nvidias Wachstum nicht aufgehalten haben. Hyperscaler können den Einsatz eigener Beschleuniger ausweiten und zugleich mehr Nvidia-Systeme kaufen. Die wachsende KI-Nachfrage ermöglicht beide Entwicklungen gleichzeitig.

Google selbst veranschaulicht diese Realität. Google Cloud bietet TPUs an, vermarktet seinen Kunden jedoch auch Nvidia-GPUs. Bei seiner Cloud-Veranstaltung 2026 erklärte Google, zu den ersten Anbietern von Nvidias Vera Rubin-Systemen gehören zu wollen.

Dieses gemischte Portfolio bedient praktische Kundenanforderungen. Einige Unternehmen wünschen sich die Portabilität und breite Framework-Unterstützung von Nvidia. Andere priorisieren die Wirtschaftlichkeit von TPUs für Modelle, die effizient innerhalb des Google-Stacks laufen.

Damit ist Alphabet zugleich Kunde und Wettbewerber von Nvidia. Google profitiert vom Wachstum der Cloud-Computing-Nachfrage, unabhängig davon, welchen Beschleuniger ein Kunde wählt. Es sichert sich jedoch einen größeren Anteil der Wertschöpfung, wenn Workloads auf selbst entwickelter Hardware laufen.

Nvidia gerät dort unter Druck, wo ein kundenspezifischer Beschleuniger einen stabilen Workload mit hohem Volumen zu niedrigeren Gesamtkosten bewältigen kann. Google kann Chips für seine eigenen Modelle optimieren, Teile der Lieferantenmarge eliminieren und Hardware direkt mit dem Rechenzentrumsbetrieb abstimmen.

Nvidia kann jedoch über eine deutlich größere installierte Basis reagieren. Seine Vera Rubin-Plattform ging 2026 mit Prozessoren, Netzwerken, Speicher und Rack-Scale-Designs in Produktion. Nvidia zufolge bietet sie bis zu den zehnfachen Agentendurchsatz der vorangegangenen Grace Blackwell-Generation.

Dabei handelt es sich um Nvidias eigene Plattformvergleiche, die einer unabhängigen Validierung bedürfen. Dennoch schafft der Veröffentlichungsrhythmus für jede Alternative ein bewegliches Ziel. Google muss sich schneller verbessern als Nvidia und zugleich Lücken bei Softwarezugang und Bereitstellungsflexibilität schließen.

Nvidias wirtschaftliche Größe finanziert diese Reaktion. Der Umsatz im Rechenzentrumsgeschäft erreichte im Geschäftsjahr 2026 193,7 Milliarden US-Dollar. Dieser Umsatz unterstützt Forschung, Lieferantenzusagen, Softwareentwicklung und Partnerschaften in der gesamten Serverbranche.

Google verfügt über eigene finanzielle Vorteile. Suchwerbung generiert Cash, Google Cloud wächst, und Alphabet kann Chips in eine garantierte interne Nachfrage einbringen. Das Unternehmen muss kein Prozessorgeschäft ohne bestehenden Kundenstamm aufbauen.

Der zentrale Wettbewerb lautet daher nicht Google TPU gegen Nvidia GPU in jedem Markt. Es geht um integrierte Cloud-Ökonomie gegenüber einer breit etablierten Händlerplattform. Google strebt mehr Kontrolle und niedrigere Workload-Kosten an, während Nvidia Kompatibilität und Kundenwahl bietet.

Andere Hyperscaler verstärken diesen Trend. Amazon entwickelt Trainium-Beschleuniger, Microsoft hat Maia und Meta baut MTIA-Chips. Jedes Unternehmen will seine Abhängigkeit von einem unverzichtbaren Lieferanten verringern und Hardware zugleich auf wiederkehrende interne Workloads zuschneiden.

Google ist jedoch weiter vorangekommen als die meisten Wettbewerber. Seine Prozessoren unterstützen wichtige interne Produkte, externe Cloud-Kunden und prominente KI-Labore. Diese Historie macht Google zum klarsten Testfall dafür, ob kundenspezifisches Silizium zu einer dauerhaften Alternative werden kann.

Die Einordnung eines 300-Milliarden-Dollar-Marktes kann Leser dennoch in die Irre führen. Marktschätzungen hängen davon ab, ob Analysten Prozessoren, vollständige Systeme, Netzwerke, Speicher oder zugehörige Dienstleistungen zählen. Ein großer prognostizierter Markt lässt sich nicht automatisch in adressierbare Umsätze für Alphabet übersetzen.

Anleger sollten stattdessen die vereinnahmte Wertschöpfung betrachten. Ersetzt ein TPU innerhalb von Google einen gekauften Nvidia-Beschleuniger, kann dies Infrastrukturkosten senken. Verkauft Google TPU-Zugang über Cloud, kann dies den Umsatz stützen und zugleich Differenzierung schaffen.

Der zweite Weg bietet mehr Potenzial, ist jedoch schwieriger. Kunden müssen Googles Roadmap vertrauen, verfügbare Kapazitäten finden und ihre Software anpassen. Sie müssen zudem darauf vertrauen, dass Google Workloads unterstützt, die nicht primär Gemini zugutekommen.

Die Alphabet-Aktie steht vor einem kostspieligen Infrastrukturtest

Die optimistische These wird nur glaubwürdig, wenn Cloud-Wachstum und operative Erträge Alphabets historisch hohe Ausgaben letztlich rechtfertigen.

Alphabet meldete für das zweite Quartal 2026 einen Umsatz von 119,8 Milliarden US-Dollar, ein Anstieg um 24 Prozent gegenüber dem Vorjahr. Der Umsatz von Google Cloud erreichte rund 24,8 Milliarden US-Dollar, was einem Wachstum von 82 Prozent im Jahresvergleich entspricht.

Diese Beschleunigung liefert Alphabet eine stärkere Antwort auf Bedenken zur Monetarisierung von KI. Die Nachfrage zeigt sich in einem berichteten Geschäftssegment, nicht nur in Nutzungsstatistiken oder Produktdemonstrationen. Das Cloud-Wachstum steht zudem in direktem Zusammenhang mit den Infrastrukturinvestitionen des Unternehmens.

Die zur Deckung dieser Nachfrage nötigen Ausgaben haben außergewöhnliche Dimensionen erreicht. Alphabet verbuchte Investitionsausgaben von 44,9 Milliarden US-Dollar im Quartal. Das Management erhöhte seinen Ausblick für die Investitionsausgaben im Gesamtjahr 2026 auf 195 bis 205 Milliarden US-Dollar.

Investitionsausgaben finanzieren Server, Rechenzentren, Netzwerkausrüstung und andere langlebige Vermögenswerte. Sie verringern den aktuellen Cashflow sofort, während Bilanzaufwendungen wie Abschreibungen über mehrere Jahre anfallen.

Das Ergebnis war laut einer Cashflow-Analyse Alphabets erstes Quartal mit negativem freien Cashflow seit dem Börsengang. Der operative Cashflow lag bei rund 39,1 Milliarden US-Dollar und damit unter den Infrastrukturausgaben des Quartals.

Ein Quartal belegt keine dauerhafte Verschlechterung. Alphabet verzeichnete zudem ungewöhnliche Anlagegewinne, die den ausgewiesenen Nettogewinn beeinflussten und den Schlagzeilengewinn für die Beurteilung des operativen Geschäfts weniger aussagekräftig machen. Cash-Generierung und Infrastruktur-Renditen verdienen genauere Aufmerksamkeit.

Die Investment-These enthält nun einen echten Zielkonflikt. Das Wachstum von Google Cloud stützt die Ansicht, dass die Nachfrage neue Kapazitäten absorbiert. Der negative freie Cashflow zeigt, dass Alphabet den Ausbau finanzieren muss, bevor der volle wirtschaftliche Nutzen entsteht.

Kundenspezifische Chips können diese Gleichung auf mehrere Arten verbessern. Alphabet kann die Abhängigkeit von Lieferantenmargen reduzieren, Systeme auf interne Workloads abstimmen und differenzierte Cloud-Kapazitäten anbieten. Außerdem kann es ausgewählten Kunden vollständige TPU-Systeme verkaufen.

Jeder dieser Vorteile hängt jedoch von der Auslastung ab. Ein Rechenzentrum voller unzureichend genutzter Beschleuniger bleibt ein teurer Vermögenswert. Google muss die Prozessoren über Gemini, Search, Werbung, Enterprise-Cloud-Workloads und externe KI-Labore hinweg auslasten.

Die Auslastung kann sinken, wenn Modelle schneller effizienter werden als die Nachfrage wächst. Sie kann auch zurückgehen, wenn Kunden Bereitstellungen verschieben, Stromanschlüsse verspätet eintreffen oder neue Prozessoren bestehende Systeme weniger attraktiv machen.

Googles gemeldetes Mengenziel für 2028 erhöht dieses Risiko. Die Bestellung von Millionen Prozessoren erfordert Zusagen, lange bevor die endgültige Nachfrage sichtbar wird. Auch Speicher, Packaging, Server und Strominfrastruktur benötigen lange Vorlaufzeiten.

Lieferengpässe schaffen das gegenteilige Problem. Google hat KI-Kapazitäten wiederholt als knapp beschrieben, und unzureichende Hardware kann das Cloud-Wachstum begrenzen. Das Management muss der Nachfrage vorausbauen, ohne ihr zu weit voraus zu sein.

Der unsichere Bericht zu TPU v9 fügt eine weitere Ebene hinzu. Alphabet hat die Zahl von 12 bis 15 Millionen nicht bestätigt. Anleger sollten die Lieferketten-Schätzung eines Analysten nicht direkt in künftige Umsätze oder Gewinne übersetzen.

Allein die Spanne umfasst drei Millionen Prozessoren. Diese Lücke deutet auf erhebliche Prognoseunsicherheit hin. Fertigungspläne können sich mit Ausbeuten, Designrevisionen, Nachfrage, Zugang zu Packaging und dem Zeitpunkt des Rechenzentrumsbaus ändern.

Vergleiche mit Nvidias geschätzten Auslieferungen sind ähnlich fragil. Stückzahlen ignorieren Leistungsunterschiede und die Anzahl der Chips, die für einen bestimmten Workload erforderlich sind. Sie ignorieren außerdem Umsätze von Nvidia mit Netzwerken, Software, CPUs und vollständigen Systemen.

Die Alphabet-Aktie steigt daher nicht einfach, weil Google viele TPUs herstellt. Der Shareholder Value hängt von der Rendite ab, die das gesamte Infrastrukturprogramm erzielt. Relevante Kennzahlen sind Cloud-Betriebsgewinn, Anlagenauslastung, Abschreibungen und freier Cashflow.

Das jüngste Quartal lieferte ermutigende operative Hinweise. Der Umsatz von Google Cloud wuchs schneller, während Alphabet seine Infrastruktur ausbaute. Dennoch sind die Bedenken des Marktes hinsichtlich der Investitionsausgaben rational, weil das heutige Wachstum keine angemessenen langfristigen Renditen garantiert.

Eine erfolgreiche Strategie würde einen sich selbst verstärkenden Kreislauf erzeugen. Bessere Chips würden die Serving-Kosten senken, die Cloud-Ökonomie verbessern, Kunden anziehen und die nächste Hardwaregeneration finanzieren. Größere Workloads würden Google dann mehr Daten für die Systemoptimierung liefern.

Eine schwache Strategie würde das Gegenteil bewirken. Steigende Ausgaben würden den Cashflow belasten, während Kunden an Nvidia gebunden blieben. Kurze Produktzyklen könnten Alphabet zwingen, teure Systeme zu ersetzen, bevor sie zufriedenstellende Renditen erwirtschaftet haben.

Das Ergebnis wird wahrscheinlich zwischen diesen Extremen liegen. Google kann TPUs als bedeutende zweite Plattform etablieren, ohne Nvidia zu verdrängen. Dieses Ergebnis könnte Alphabets Cloud-Position und Verhandlungsmacht dennoch verbessern.

Anleger sollten zudem Unternehmensausführung und Aktienbewertung voneinander trennen. Eine starke Chipstrategie kann wirtschaftlich wertvoll sein, obwohl sie bereits in den Markterwartungen enthalten ist. Ein enttäuschendes Quartal kann die Aktie belasten, selbst wenn die langfristige Infrastrukturthese intakt bleibt.

Was der nächste Google-Nachrichtenzyklus bestätigen muss

Drei Signale werden entscheiden, ob Alphabets TPU-Ausbau zu einem dauerhaften Vorteil oder zu einem kostspieligen Kapazitätswettlauf wird.

Das erste Signal sind externe TPU-Umsätze und Kundeneinsätze. Alphabet hat Berichten zufolge begonnen, TPU-Systeme in Kundenrechenzentren auszuliefern. Künftige Ergebnisgespräche sollten klären, ob diese Vereinbarungen über eine kleine Gruppe strategischer Kunden hinausgehen.

Kundenvielfalt wird wichtiger sein als eine große Einzelvereinbarung. Eine Akzeptanz in KI-Laboren, Finanzdienstleistungen, Mediengenerierung, wissenschaftlichem Rechnen und Enterprise-Inferenz würde die Plattformthese stützen. Die Abhängigkeit von wenigen ausgehandelten Deals würde sie schwächen.

Anleger sollten zudem nach Belegen suchen, dass Kunden Produktions-Workloads statt begrenzter Evaluierungen betreiben. Langfristige Kapazitätszusagen, wiederholte Bereitstellungen und breitere Framework-Unterstützung würden darauf hindeuten, dass TPUs Teil der normalen Infrastrukturplanung werden.

Das zweite Signal ist die Beziehung zwischen Wachstum und Ausgaben bei Google Cloud. Die jüngsten Google-Nachrichten zeigten eine außergewöhnliche Cloud-Expansion neben beispiellosen Kapitalanforderungen. Diese Kombination ist nur dann ermutigend, wenn zusätzliche Umsätze nachhaltige operative Gewinne erzeugen.

Cloud-Betriebsmarge, Umwandlung des Auftragsbestands, Abschreibungen und freier Cashflow werden ein besseres Bild liefern als der Umsatz allein. Steigende Auslastung sollte Alphabet helfen, Rechenzentrumskosten auf mehr zahlende Workloads zu verteilen.

Negativer freier Cashflow widerlegt die Investition nicht automatisch. Große Infrastrukturprojekte verbrauchen häufig Cash, bevor sie ihre volle Auslastung erreichen. Die entscheidende Frage lautet, ob sich die Cash-Generierung erholt, sobald die heutigen Anlagen Umsätze erwirtschaften.

Ein anhaltender Anstieg der Ausgaben ohne entsprechende operative Verbesserung würde die These schwächen. Er würde darauf hindeuten, dass jede neue Generation mehr Kapital erfordert, bevor frühere Investitionen reifen.

Das dritte Signal ist Nvidias Wettbewerbsreaktion. Nvidias Bericht zum zweiten Geschäftsquartal 2027 ist für den 26. August 2026 geplant. Anleger sollten das Wachstum im Rechenzentrumsgeschäft, die Rubin-Bereitstellung, die Bruttomarge und Kommentare des Managements zu kundenspezifischen Beschleunigern prüfen.

Eine anhaltende Beschleunigung bei Nvidia würde Alphabet nicht automatisch schaden. Sie könnte bestätigen, dass die globale Nachfrage nach Rechenleistung weiterhin größer ist als das verfügbare Angebot. Beide Unternehmen können wachsen, während sie unterschiedliche Workloads und Kundenpräferenzen bedienen.

Preisdruck oder langsamere Nvidia-Bestellungen wären direktere Hinweise darauf, dass kundenspezifische Chips Marktanteile gewinnen. Selbst dann müssten Analysten Googles Einfluss von dem von AMD, Amazon, Microsoft, Huawei und spezialisierten Anbietern von Inferenzchips trennen.

Softwareentwicklungen könnten sich als wichtiger erweisen als das Stückvolumen. Eine breitere PyTorch-Kompatibilität, optimierte Inferenz-Engines und eine einfachere Migration von Workloads würden die praktischen Kosten für die Wahl von Google-TPU-Systemen senken.

Entwickler sollten beobachten, ob gängige Modelle ohne umfassende Neuschreibung effizient laufen. Unternehmenskäufer sollten Verfügbarkeit, Zuverlässigkeit, Daten-Governance und die gesamten Betriebskosten prüfen. Beschaffungsteams sollten vermeiden, sich auf einen einzigen, von einem Anbieter ausgewählten Benchmark zu stützen.

Auch Wissensarbeiter haben ein Interesse an diesem Wettbewerb. Die Konkurrenz bei der Infrastruktur beeinflusst Verfügbarkeit, Geschwindigkeit und Kosten von KI-Tools für Recherche und die tägliche Arbeit. Niedrigere Inferenzkosten können leistungsfähigere Agenten und größere Workloads ermöglichen.

Teams, die diese Systeme bewerten, benötigen eine disziplinierte Methode, um technische Behauptungen, Benchmark-Bedingungen und Änderungen bei Anbietern festzuhalten. Eine durchsuchbare technische Wissensdatenbank kann dazu beitragen, diese Entscheidungen an Belege statt an Schlagzeilen zur Produkteinführung zu binden.

Die Chance für Alphabet ist real, doch das berichtete Ziel für 2028 bleibt unbestätigt. Google verfügt über die Modelle, Workloads, die Cloud-Plattform und die Erfahrung mit kundenspezifischem Silizium, die nötig sind, um Nvidia unter Druck zu setzen. Das Unternehmen hat jedoch noch nicht gezeigt, dass eine vergleichbare Auslieferungsskala auch zu einem vergleichbaren wirtschaftlichen Einfluss führt.

Die nächste hilfreiche Frage lautet nicht, ob Google mehr Beschleuniger als Nvidia produzieren wird. Entscheidend ist, ob Kunden diese Beschleuniger wiederholt wählen und ob Alphabet mit den Kapazitäten akzeptable Renditen erzielen kann. Verfolgen Sie diese drei Signale in den kommenden Ergebnissen, Kundenimplementierungen und Software-Releases, bevor Sie eine weitere Google-Nachricht als Beweis für einen Sieg werten.