Bernstein: KI-Rechenzentrumskosten erreichen 39,5 Milliarden US-Dollar pro GW, doch die Abschreibung ist die größere Warnung
Die KI-Rechenzentrumskosten laut Bernstein erreichen für Nvidias Vera-Rubin-Architektur inzwischen geschätzte 39,5 Milliarden US-Dollar pro Gigawatt. Doch die Schlagzeilen-Investition ist nicht der folgenreichste Teil der Analyse. Die dauerhafte Belastung entsteht durch die Abschreibung von Servern, Netzwerktechnik, Speicher und Stromversorgungssystemen im Wert von Milliarden, bevor die Hardware ihren wirtschaftlichen Wert verliert.
Die Schätzung ordnet unterschiedliche Beschleunigerarchitekturen in einer Spanne von 34,6 bis 39,5 Milliarden US-Dollar pro Gigawatt ein. OpenAIs gemeldetes kundenspezifisches ASIC-Design Jalapeno liegt am unteren Ende, während Nvidias Vera-Rubin-NVL72-Plattform die Obergrenze erreicht. Diese vergleichsweise enge Spanne stellt die Annahme infrage, dass die Wahl eines günstigeren Beschleunigers die Wirtschaftlichkeit einer gesamten Anlage grundlegend verändern kann.
Bernsteins frühere Analyse bezifferte ein Gigawatt KI-Kapazität auf rund 35 Milliarden US-Dollar und lag damit unter Nvidias eigener Schätzung von 50 bis 60 Milliarden US-Dollar. Die jüngsten Berechnungen präzisieren die Annahmen zu den Komponenten, doch der strategische Konflikt bleibt derselbe. Technologieunternehmen streben nach mehr Rechenleistung, während sich die Buchhaltungskosten ab dem Zeitpunkt ansammeln, an dem die Geräte in Betrieb gehen.
Bernstein: KI-Rechenzentrumskosten erreichen 39,5 Milliarden US-Dollar pro Gigawatt
Bernsteins jüngste Schätzung zeigt, dass die Wahl des Beschleunigers die Kostenstruktur verändert, KI-Infrastruktur im Gigawatt-Maßstab jedoch nicht günstig macht.
Ein am 10. Oktober zusammengefasster Bericht bezifferte die Gesamtinvestition für ein Gigawatt Kapazität auf 34,6 bis 39,5 Milliarden US-Dollar. Die Berechnung umfasst mehr als ein leeres, an das Stromnetz angeschlossenes Gebäude. Sie beinhaltet Beschleuniger, Server, Speicher, Storage, Netzwerktechnik, Kühlung, Notstromversorgung sowie die elektrischen Systeme, die für dicht bestückte Rechenracks erforderlich sind.
Die obere Schätzung gilt für Nvidias geplante Vera-Rubin-NVL72-Architektur. Bernstein soll seine Kostenschätzung für ein Rubin-Rack von 9,1 Millionen auf 7,52 Millionen US-Dollar gesenkt haben. Das entspricht gegenüber dem früheren Modell des Unternehmens einem Rückgang von rund 17 Prozent.
Die Überarbeitung spiegelt laut der veröffentlichten Infrastruktur-Schätzung niedrigere Annahmen für High-Bandwidth Memory und NAND-Speicherkapazität wider. High-Bandwidth Memory, meist zu HBM abgekürzt, platziert schnellen Speicher nahe an einem Beschleuniger, damit Modelle Daten bewegen können, ohne auf langsameren Speicher warten zu müssen.
Die Senkung ist bedeutsam, weil Speicher zu einem erheblichen Bestandteil jedes KI-Servers geworden ist. Niedrigere Speicherannahmen beseitigen jedoch nicht die umliegenden Kosten. Mehr Racks benötigen weiterhin Switches, Netzwerkkarten, Hardware zur Stromumwandlung, Kühltechnik, Transformatoren und Generatoren.
OpenAIs gemeldete Jalapeno-Architektur erscheint am unteren Ende von Bernsteins Spanne. Jalapeno wird als kundenspezifischer anwendungsspezifischer integrierter Schaltkreis, kurz ASIC, beschrieben, der auf einen engeren Anwendungsbereich als ein Allzweckbeschleuniger ausgelegt ist. Kundenspezifische Chips können einige Lieferantenmargen senken und die Leistung für ausgewählte Aufgaben optimieren.
Dennoch beträgt der Gesamtabstand zwischen den günstigsten und teuersten Konfigurationen weniger als 5 Milliarden US-Dollar pro Gigawatt. Das sind weniger als 15 Prozent der oberen Schätzung. Das Ergebnis deutet darauf hin, dass die Chipauswahl stärker verändert, wohin das Geld fließt, als den Umfang der Verpflichtung.
Dieser Punkt war bereits in Bernsteins früherer Analyse von Nvidias GB200-Systemen sichtbar. Diese bezifferte die gesamten Baukosten auf rund 35 Milliarden US-Dollar pro Gigawatt, wobei Grafikprozessoren etwa 39 Prozent der Investitionsausgaben ausmachten. Netzwerktechnik stand für rund 13 Prozent, während mechanische und elektrische Systeme sich einem Drittel näherten.
Beschleuniger bleiben damit zwar die größte einzelne Kategorie, sie bilden jedoch nicht das gesamte Rechenzentrum. Ein niedrigerer Beschleunigerpreis beseitigt nicht die Ausrüstung, die Strom bereitstellt, Wärme abführt und Tausende von Prozessoren verbindet.
Bernstein schätzte zuvor, dass ein GB200-NVL72-Rack etwa 5,9 Millionen US-Dollar kostete. Rund 3,4 Millionen US-Dollar entfielen auf Rechenhardware, während 2,5 Millionen US-Dollar die zugehörige physische Infrastruktur abdeckten. Diese in einer früheren Kostenaufstellung berichteten Zahlen zeigen, warum Vergleiche, die nur auf Chippreisen basieren, Investoren in die Irre führen können.
Auch die Einheit bedarf einer sorgfältigen Einordnung. Ein Gigawatt beschreibt eine enorme kontinuierliche Stromlast, keinen herkömmlichen Serverraum. Bei voller Auslastung entspricht dies einer elektrischen Nachfrage, die das Projekt zu einem regionalen Infrastrukturthema macht.
Die Bernstein-Schätzung für Rechenzentren liefert folglich einen gemeinsamen Maßstab für konkurrierende Systeme. Nvidia, Entwickler kundenspezifischer ASICs, Cloud-Betreiber und Infrastrukturlieferanten können allesamt überlegene Effizienz beschreiben. Investoren müssen jedoch weiterhin fragen, wie viel produktive Rechenleistung und Umsatz jedes vollständige Gigawatt liefert.
Diese Frage schafft die zentrale Spannung. Die Branche hat jahrelang den Zugang zu Beschleunigern und Elektrizität als die begrenzenden Faktoren betrachtet. Bernsteins Analyse deutet darauf hin, dass die nächste Einschränkung darin besteht, ob Betreiber genug verdienen können, bevor die installierte Ausrüstung finanziell und technisch veraltet.
Abschreibung, nicht Strom, schafft die schwerste wiederkehrende Belastung
Strom zieht öffentliche Aufmerksamkeit auf sich, doch die Abschreibung bestimmt, wie schnell KI-Infrastruktur dauerhafte Umsätze erzielen muss.
Abschreibung ist der buchhalterische Prozess, bei dem die Kosten eines Vermögenswerts über seine erwartete Nutzungsdauer verteilt werden. Sie erfordert nicht in jedem Quartal eine neue Barzahlung. Sie verringert jedoch den ausgewiesenen Gewinn und steht für den Verbrauch von Ausrüstung, die mit realem Kapital erworben wurde.
Bernsteins früheres Vera-Rubin-Modell veranschaulicht die Größenordnung. Bei einem Strompreis von 0,15 US-Dollar pro Kilowattstunde würde eine Anlage mit einem Gigawatt jährlich etwa 1,3 Milliarden US-Dollar an Stromkosten verursachen. Dasselbe Modell ergab bei einer sechsjährigen Hardware-Nutzungsdauer rund 7,9 Milliarden US-Dollar jährliche Abschreibungen.
Diese Zahlen stammen aus einer Analyse vom Juni, die die gesamte Vera-Rubin-Infrastruktur damals auf 47 Milliarden US-Dollar pro Gigawatt schätzte. Bernstein hat seine Rack-Schätzung seitdem gesenkt, weshalb sich der genaue Abschreibungsbetrag ändern würde. Die Beziehung erklärt jedoch weiterhin die Warnung des Unternehmens: Die Eigentumskosten können selbst bei einer Anlage mit einem Verbrauch von einem Gigawatt die Stromrechnung übersteigen.
Das zugrunde liegende Rubin-Kostenmodell ging von 3.557 Racks mit jeweils 220 Kilowatt aus. Es ordnete rund 32 Milliarden US-Dollar rackbezogener Ausrüstung und weitere 15 Milliarden US-Dollar physischer Infrastruktur zu. Sein Sechsjahresplan wandelte diese anfängliche Verpflichtung in einen fortlaufenden Ergebnisaufwand um.
Eine buchhalterische Nutzungsdauer von sechs Jahren garantiert nicht, dass jeder Beschleuniger sechs Jahre lang wettbewerbsfähig bleibt. Ein Server kann weiter funktionieren, nachdem neuere Systeme bessere Leistung pro Watt oder niedrigere Inferenzkosten liefern. Diese Lücke zwischen physischer Lebensdauer und wirtschaftlicher Nutzbarkeit ist das eigentliche Risiko.
Wenn Hardware der nächsten Generation die Kosten für die Erzeugung einer KI-Antwort deutlich senkt, geraten Eigentümer älterer Systeme unter Druck, ihre Mietpreise zu reduzieren. Ihre Abschreibungspläne bleiben bestehen, sofern die Unternehmen nicht die Nutzungsdauer verlängern oder Wertminderungen erfassen. Keine der beiden Entscheidungen schafft mehr Nachfrage nach der älteren Ausrüstung.
Eine Verlängerung der Nutzungsdauer senkt die jährlichen Abschreibungen und stützt die kurzfristigen Ergebnisse. Sie setzt jedoch voraus, dass die Ausrüstung länger produktiv bleibt. Ein Unternehmen, das diese Anpassung zu aggressiv vornimmt, kann die Anerkennung sich verschlechternder wirtschaftlicher Bedingungen aufschieben.
Eine Wertminderung geht den entgegengesetzten Weg. Sie erkennt an, dass ein Vermögenswert seinen bilanzierten Wert nicht durch künftige Cashflows zurückerlangen wird. Der Aufwand ist bei Erfassung nicht zahlungswirksam, offenbart jedoch, dass frühere Investitionsausgaben weniger einbringen werden als erwartet.
Dieser Mechanismus unterscheidet KI-Abschreibungskosten von einer gewöhnlichen Stromrechnung. Der Stromverbrauch steigt mit der Nutzung, sodass ein wenig ausgelasteter Cluster weniger Energie verbraucht. Die Abschreibung läuft weiter, auch wenn Server auf Kunden, Software oder Netzwerkkapazität warten.
Die Auslastung wird damit entscheidend. Ein vollständig ausgelasteter Cluster kann die Abschreibung auf mehr Trainingsläufe, erzeugte Tokens oder Cloud-Verträge verteilen. Eine unterausgelastete Anlage trägt einen Großteil derselben Eigentumslast, während sie weniger Umsatz erzielt.
Das Timing-Problem ist ebenso wichtig. Unternehmen binden gewöhnlich Geld in Grundstücke, elektrische Ausrüstung, Chips und Bauarbeiten, bevor der fertiggestellte Cluster Kunden bedient. Verzögerungen können Kapital ohne entsprechende Umsätze binden, während einige installierte Vermögenswerte bereits zu altern beginnen.
AllianceBernstein hat eine damit verbundene Gefahr als Informations-„Luftloch“ beschrieben. Umsatzbelege können während eines Zeitraums, der kürzer ist als der Abschreibungszyklus, unvollständig bleiben. Investoren müssen dann langlebige Ausgaben bewerten, ohne zu wissen, ob sich die Akzeptanz schnell genug verbreitert.
Diese Sorge beweist nicht, dass die Ausgaben verschwenderisch sind. Die Nachfrage nach KI-Training und Inferenz kann schnell wachsen, und neuere Systeme können weitaus mehr Arbeit verarbeiten. Sie bedeutet jedoch, dass Umsatzwachstum, Auslastung und Hardwareeffizienz gleichzeitig eintreten müssen.
Die Abschreibung verändert auch, wie Leser Cloud-Margen interpretieren sollten. Ein Anbieter kann eine steigende KI-Nachfrage melden und dennoch Margendruck erleben, wenn neue Vermögenswerte in Betrieb gehen. Cashflow, Betriebsergebnis und bereinigte Gewinne können unterschiedliche Geschichten erzählen, weil sie Investitionsausgaben jeweils unterschiedlich behandeln.
Die Belastung kann zwischen Unternehmen wandern, ohne zu verschwinden. Ein Modellentwickler, der Rechenleistung mietet, vermeidet den Besitz jedes einzelnen Servers, doch sein Cloud-Anbieter preist dann Abschreibung und Finanzierung in den Vertrag ein. Ein Cloud-Betreiber kann Zweckgesellschaften oder Leasing nutzen, doch ein anderer Investor besitzt weiterhin die Vermögenswerte.
Die zentrale Frage lautet daher nicht, ob jemand den nächsten Cluster finanzieren kann. Sie lautet, ob die gesamte Kette ausreichend wirtschaftliche Leistung erzeugen kann, bevor eine weitere Hardwaregeneration den Wettbewerbsmaßstab neu setzt.
Nvidia und kundenspezifische KI-Chips stehen vor derselben Kapitalrealität
Der Hauptwettbewerb lautet nicht Nvidia gegen einen kundenspezifischen Chip; es geht um das Versprechen wachsender Rechenleistung gegen die Realität abschreibender Infrastruktur.
Nvidias Position macht das Unternehmen zum sichtbarsten Profiteur der Ausgabenwelle. Seine Beschleuniger, Netzwerkprodukte, Software und Rack-Systeme erfassen mehrere Ebenen einer Bereitstellung. Höhere Systemleistung kann auch teurere Konfigurationen rechtfertigen, wenn Kunden die Zeit zum Trainieren oder Bereitstellen eines Modells schätzen.
Kundenspezifische ASICs bieten ein anderes Versprechen. Google, Amazon, Microsoft, Meta und KI-Labore haben Chips entwickelt, die für ihre eigenen Arbeitslasten ausgelegt sind. Diese Systeme können einige Margen von Standardchip-Anbietern eliminieren und Hardware enger auf interne Software abstimmen.
Bernsteins Schätzungen implizieren, dass keiner der beiden Wege der umfassenderen Rechnung entkommt. Ein kundenspezifischer Beschleuniger kann weniger kosten, doch der Betreiber könnte mit dem verfügbaren Budget mehr Racks bereitstellen. Jedes Rack benötigt weiterhin Speicher, Netzwerktechnik, Stromverteilung, Kühlung und einen physischen Standort.
Das Ergebnis ähnelt dem Jevons-Paradoxon, bei dem Effizienz die Kosten für die Nutzung einer Ressource senkt und zusätzlichen Verbrauch anregt. Eine bessere Leistung pro Dollar kann die Kosten einer Arbeitslast reduzieren und zugleich Entwickler dazu ermutigen, größere Modelle auszuführen, längere Kontexte zu nutzen oder mehr Anfragen zu bedienen.
Diese Dynamik begünstigt Infrastrukturanbieter, erschwert jedoch die Annahme, dass Effizienz den Kapitalbedarf automatisch senkt. Die Branche kann Effizienzgewinne in mehr Rechenleistung statt in niedrigere Gesamtausgaben umwandeln.
Nvidias eigene Schätzungen zeigen, wie unsicher diese Berechnungen weiterhin sind. Das Unternehmen nannte zuvor eine Spanne von 50 bis 60 Milliarden US-Dollar pro Gigawatt, während eine ältere Analyse von Bernstein vergleichbare Kapazitäten bei rund 35 Milliarden US-Dollar verortete. Die Differenz spiegelt unterschiedliche Hardwaregenerationen, Definitionen und Annahmen über die einbezogene Infrastruktur wider.
Broadcom und AMD haben eine adressierbare Marktchance für Beschleuniger von etwa 15 bis 20 Milliarden US-Dollar pro Gigawatt beschrieben. Diese Zahl entspricht nicht den Kosten eines vollständig fertiggestellten Rechenzentrums. Sie beschreibt die Halbleiterchance innerhalb des größeren Projekts.
Diese Kennzahlen werden oft wiederholt, als beantworteten sie dieselbe Frage. Das tun sie nicht. Eine Schätzung kann Beschleuniger abdecken, eine andere ein komplettes Rack, und eine weitere kann Stromerzeugung oder Finanzierung einschließen.
Die jüngste Bernstein-Spanne ist nützlich, weil sie vollständige Architekturen nach einer einheitlichen Methodik vergleicht. Sie ist kein universelles Bauangebot. Grundstückspreise, Netzanbindung, Energiesysteme, Auslastungsziele, Finanzierung und lokale Arbeitskosten können das Endergebnis verändern.
Architekturvergleiche müssen auch den nutzbaren Output berücksichtigen. Ein teureres Cluster kann wirtschaftlich sein, wenn es ein Modell schneller trainiert oder deutlich mehr Anfragen bedient. Ein günstigeres Cluster kann enttäuschen, wenn Softwareunterstützung, Zuverlässigkeit oder Kundennachfrage die Auslastung begrenzen.
Vera Rubin wird voraussichtlich die Rechenleistung gegenüber Nvidias Blackwell-Generation deutlich verbessern. Bernsteins früheres Modell schätzte 2.520 FP8-Petaflops pro Rubin-Rack, verglichen mit 720 Petaflops für Blackwell. FP8 ist ein achtbittiges Zahlenformat, das KI-Berechnungen beschleunigt, dabei jedoch weniger Präzision als größere Formate akzeptiert.
Roher Durchsatz lässt sich nicht unmittelbar in abrechenbare Arbeit übersetzen. Modellarchitektur, Speicherkapazität, Kommunikationsaufwand, Softwareoptimierung und Verfügbarkeit beeinflussen, wie viel der beworbenen Leistung tatsächlich bei Kunden ankommt.
Der Weg über kundenspezifische Chips bringt einen weiteren Zielkonflikt mit sich. Betreiber gewinnen Kontrolle über das Hardwaredesign und können potenziell Lieferantenmargen senken. Sie übernehmen jedoch auch Entwicklungsrisiken, die Arbeit der Softwareintegration und die Herausforderung, eine wettbewerbsfähige Roadmap aufrechtzuerhalten.
Nvidia verteilt diese Kosten auf viele Kunden und unterstützt seine Hardware mit einer ausgereiften Softwareumgebung. Das kann das Bereitstellungsrisiko senken, selbst wenn der Kaufpreis höher ist. Ein Hyperscaler mit ausreichend hoher interner Nachfrage kann die gegenteilige Entscheidung rechtfertigen.
Die Bernstein-Schätzung für Rechenzentren benennt daher keinen einfachen Gewinner. Sie zeigt, dass keine der beiden Architekturen die Größenordnung verändert. Das finanzielle Ergebnis hängt stärker von Auslastung, Umsatz und der Geschwindigkeit des Hardwareaustauschs ab.
Deshalb lässt sich der zentrale Gegensatz am besten als Rechenausbau gegenüber Kapitalrückgewinnung verstehen. Nvidia und kundenspezifische ASICs stehen für unterschiedliche Wege durch denselben Druck. Beide müssen genügend wertvolle Arbeit erzeugen, bevor die Abschreibung die erwartete Rendite aufzehrt.
Was die Schätzung von 39,5 Milliarden US-Dollar nicht beweist
Bernsteins Berechnung legt die Kostenstruktur offen, kann jedoch weder künftige Auslastung, Nutzungsdauer noch Anlageerträge belegen.
Die Schätzung gelangt über Zusammenfassungen proprietärer Forschung an die Öffentlichkeit, nicht über eine vollständig zugängliche technische Stückliste. Leser können die zentralen Annahmen prüfen, aber nicht jede Komponente oder jeden Lieferantenpreis unabhängig auditieren.
Diese Einschränkung ist wichtig, weil sich das Modell verändert hat. Bernsteins Analyse vom Juni bezifferte die Vera-Rubin-Infrastruktur auf rund 47 Milliarden US-Dollar pro Gigawatt und ein Rack auf 9,1 Millionen US-Dollar. Die Zusammenfassung vom Oktober senkte die Rack-Schätzung auf 7,52 Millionen US-Dollar und die Gesamtinvestition auf 39,5 Milliarden US-Dollar.
Eine Rack-Revision von 17 Prozent innerhalb weniger Monate zeigt, wie empfindlich das Modell auf Annahmen zu Speicher, Storage und Konfiguration reagiert. Sie widerlegt die neue Schätzung nicht. Sie spricht jedoch dagegen, 39,5 Milliarden US-Dollar als festes Gesetz der KI-Infrastruktur zu behandeln.
Die niedrigere Zahl beweist auch nicht, dass sich die Renditen verbessert haben. Wenn die Marktpreise für Vermietung parallel zu den Hardwarekosten sinken, könnten Betreiber die Einsparungen an Kunden weitergeben. Wettbewerb kann eine Kostensenkung in günstigere Inferenz statt in höhere Margen verwandeln.
Schätzungen zur Nutzungsdauer schaffen eine weitere Unsicherheit. Sechs Jahre bieten einen praktischen Abschreibungszeitraum, doch KI-Beschleuniger stehen in einem deutlich schnelleren Produktzyklus im Wettbewerb. Einige ältere Systeme werden für Inferenz, Fine-Tuning oder weniger anspruchsvolle Workloads weiterhin wertvoll bleiben. Andere können wegen Energieverbrauchs oder Softwareanforderungen früher unwirtschaftlich werden.
Unternehmen können ältere Hardware länger nutzen, indem sie sie auf niedrigere Stufen der Workload-Hierarchie verlagern. Ein Cluster, das das größte Frontier-Modell nicht mehr trainiert, könnte weiterhin kleinere Modelle oder Batch-Jobs bedienen. Die Restnachfrage und Preisgestaltung für diese Aufgaben bleiben ungewiss.
Auch die Stromkosten unterscheiden sich erheblich. Bernsteins frühere jährliche Schätzung von 1,3 Milliarden US-Dollar basierte auf 0,15 US-Dollar pro Kilowattstunde. Eine Anlage mit günstigerem vertraglich gesichertem Strom würde weniger ausgeben, während Regionen mit Engpässen höhere Kosten für Strom und Netzausbau tragen können.
Ein Gigawatt angeschlossener Kapazität entspricht nicht immer einem Gigawatt kontinuierlicher IT-Last. Wartung, Redundanz, Kühlaufwand, Power Usage Effectiveness und Hochlaufpläne beeinflussen den Verbrauch. Vergleiche erfordern konsistente Definitionen von Netzstrom, kritischer Last und Beschleunigerlast.
Die Finanzierung verkompliziert das Bild zusätzlich. Zwei Projekte mit identischer Ausstattung können unterschiedliche Renditen erzielen, wenn eines auf Unternehmenskasse zurückgreift und das andere teure Schulden nutzt. Zinsen sind von Abschreibungen getrennt, doch beide müssen letztlich durch Umsätze gedeckt werden.
Die Finanzierungsstruktur wird wichtiger, da sich die Ausgaben über die stärksten Unternehmensbilanzen hinaus verlagern. Die umfassendere AI-Capex-Analyse von AllianceBernstein warnte, dass zunehmende Verschuldung und Lieferantenfinanzierung die Finanzierungsqualität verringern können.
Dieselbe Analyse schätzte die Ausgaben für den Bau von Rechenzentren im Jahr 2025 auf rund 400 Milliarden US-Dollar. Zudem bezifferte sie die prognostizierten Hyperscaler-Investitionen bis 2027 auf mehr als 1 Billion US-Dollar. Diese Summen zeigen, warum kleine Veränderungen bei Auslastung oder Lebensdauer von Vermögenswerten die Erträge des gesamten Sektors beeinflussen können.
Die Nachfrage bleibt die entscheidende fehlende Variable. Unterzeichnete Verträge bieten mehr Sicherheit als Prognosen, doch auch Verträge müssen bewertet werden. Laufzeit, Kündigungsrechte, Kundenkonzentration, Vorauszahlungen und Kreditabsicherung bestimmen, ob die zugesagten Umsätze dem Risiko des Vermögenswerts entsprechen.
Einige Betreiber können sich durch langfristige Leasingverträge schützen, die Strom- und andere Betriebskosten an Mieter weiterreichen. Diese Struktur verbessert die Planbarkeit für den Eigentümer der Immobilie. Sie garantiert jedoch nicht, dass der Mieter mit der Rechenkapazität genug verdient.
Die Analyse kann auch nicht bestimmen, wie stark die KI-Nutzung wachsen wird. Modellentwickler schaffen Codierungssysteme, Forschungstools, Mediengeneratoren, Werbeprodukte und Geschäftsagenten. Der Umsatz pro Nutzer und die Kosten pro Aufgabe bleiben offen.
Für Unternehmenskäufer können niedrigere Inferenzkosten die Einführung beschleunigen. Mehr Organisationen können KI-Systeme aus Experimenten in regelmäßige Arbeitsabläufe überführen. Teams müssen dennoch messen, ob diese Systeme Arbeit einsparen, Ergebnisse verbessern oder neue Umsätze schaffen.
Wissensarbeiter stehen vor einer ähnlichen Disziplin. Zugang zu mehr Rechenleistung führt nicht automatisch zu besseren Entscheidungen. Organisationen brauchen vertrauenswürdige Informationen, nutzbare Prozesse und Möglichkeiten, Ergebnisse zu bewahren. Eine durchsuchbare KI-Wissensdatenbank kann helfen, Kontext zu erhalten, verändert jedoch nicht die Ökonomie der Infrastruktur.
Die skeptische Schlussfolgerung ist eng gefasst, aber wichtig. Bernstein hat einen plausiblen Kostenrahmen vorgelegt, keinen Beweis für eine KI-Blase oder dafür, dass kundenspezifische Chips Nvidia übertreffen werden. Die Schätzung benennt die Hürde, die künftige Umsätze überwinden müssen.
Drei Signale werden zeigen, ob sich die Investition auszahlen kann
Die nächste Phase wird nach Abschreibung, Auslastung und Umsatzqualität beurteilt werden, nicht nach Ankündigungen zusätzlicher Gigawatt.
Das erste Signal ist das Wachstum der Abschreibungen bei Hyperscalern. Amazon, Microsoft, Alphabet, Meta und Oracle weisen Abschreibungen in ihren Finanzberichten und Ergebnis-Kommentaren aus. Anleger sollten diese Aufwendungen mit Cloud-Umsätzen und Betriebsergebnis vergleichen.
Steigende Abschreibungen sind während einer Bauwelle zu erwarten. Das Warnsignal erscheint, wenn Abschreibungen dauerhaft schneller wachsen als die Umsätze, die durch die neuen Vermögenswerte getragen werden. Dieses Muster würde die These stärken, dass die Kapitalrückgewinnung zur primären Einschränkung geworden ist.
Veränderungen der Nutzungsdauer verdienen ebenso Aufmerksamkeit. Eine Verlängerung der Serverlebensdauer kann den jährlichen Aufwand senken und ausgewiesene Erträge steigern, ohne den aktuellen Cashflow zu verändern. Unternehmen sollten erklären, warum ältere Beschleuniger produktiv bleiben und wie sie neu zugeordnet werden.
Das zweite Signal ist die tatsächliche Auslastung neuer Rubin- und kundenspezifischer ASIC-Cluster. Auftragsankündigungen zeigen Nachfrage nach Ausrüstung, doch Belegung und Workload-Volumina zeigen, ob fertiggestellte Kapazität Geld verdient.
Cloud-Anbieter können über die Umwandlung von Auftragsbeständen, Umsätze mit KI-Diensten, Bereitstellungspläne und Margentrends Hinweise liefern. Modellunternehmen können durch zahlende Nutzung stärkere Belege vorlegen als durch allgemeine Kennzahlen zu registrierten Nutzern oder generierten Tokens.
Wenn Rubin-Systeme mit hoher Auslastung und niedrigeren Kosten pro Einheit nutzbaren Outputs in Betrieb gehen, lässt sich das obere Ende von Bernsteins Spanne leichter verteidigen. Wenn Kapazität nur langsam hochfährt, beginnt die Abschreibung gegen die Investmentthese zu arbeiten.
Kundenspezifische Chips stehen vor derselben Prüfung. Niedrigere Anlagenkosten helfen nur, wenn Software und Nachfrage die Hardware auslasten. Eine starke Auslastung würde die Behauptung stützen, dass vertikale Integration dauerhafte Einsparungen schafft. Eine schwache Auslastung würde zeigen, dass niedrigere Komponentenkosten ungenutzte Kapazität nicht ausgleichen können.
Das dritte Signal ist das Verhältnis zwischen vertraglich vereinbarten Umsätzen und Finanzierungsverpflichtungen. Die Branche nutzt zunehmend Leasingverträge, Schulden, Zweckgesellschaften, Kundenvorauszahlungen und Lieferantenvereinbarungen, um Infrastruktur zu finanzieren.
Diese Strukturen können den Bau beschleunigen und Risiken verteilen. Sie können die Wirtschaftlichkeit aber auch schwerer nachvollziehbar machen. Anleger sollten Vertragslaufzeit, Kundenkonzentration, Zinskosten, Kündigungsbestimmungen und den zeitlichen Unterschied zwischen Zahlungen und Bereitstellung der Vermögenswerte beobachten.
AllianceBernstein argumentiert, dass der Sektor Belege für breites Umsatzwachstum benötigt, bevor der Abschreibungszyklus die Transparenz überholt. Die Sorge betrifft nicht einfach die Gesamtbewertung von KI-Unternehmen. Sie betrifft den Zeitraum, in dem die Ausgaben sicher sind, die Umsatzentwicklung jedoch unklar bleibt.
Ein stärkeres Ergebnis würde wachsende Cloud-Margen trotz höherer Abschreibungen, eine steigende Nutzung fertiggestellter Cluster und eine längere Abdeckung durch vertraglich gesicherte Umsätze umfassen. Diese Entwicklungen würden die Auffassung schwächen, dass der Ausbau der Nachfrage vorausgeeilt ist.
Ein schwächeres Ergebnis würde Verzögerungen bei der Bereitstellung, Verlängerungen der Nutzungsdauer, fallende Mietpreise und eine langsamere Umwandlung von Auftragsbeständen kombinieren. Diese Kombination würde Bernsteins Warnung stärken, selbst wenn Unternehmen weiterhin neue Projekte ankündigen.
Die umfassendere Lehre lautet, dass verfügbare Stromkapazität nur die Eintrittsvoraussetzung ist. Sobald ein Unternehmen Grundstücke, Strom, Kühlung und Beschleuniger gesichert hat, übernimmt es ein zweites Problem. Es muss diese Kapazität schnell genug in wiederkehrenden wirtschaftlichen Output verwandeln, um die Investition zurückzugewinnen.
Die Bernstein-Schätzungen zu den Kosten von KI-Rechenzentren machen diese Frist sichtbar. Der Unterschied zwischen 34,6 Milliarden und 39,5 Milliarden US-Dollar ist relevant, aber nicht die entscheidende Variable. Ob die Einnahmen erzielt werden, bevor die Hardware ihren wirtschaftlichen Wert verliert, wird darüber entscheiden, ob das nächste Gigawatt zu produktiver Infrastruktur wird oder zu einer kostspieligen Belastung in der Bilanz.
Leser sollten nun über die Größe jedes angekündigten Campus hinausblicken. Achten Sie auf Abschreibungen in Quartalsergebnissen, auf die Auslastung beim Start neuer Systeme und auf die Beständigkeit der Verträge, die den Bau stützen. Diese drei Signale zeigen, ob der KI-Infrastrukturboom eine dauerhafte Computing-Plattform aufbaut oder Wachstum von Hardware borgt, die schneller altert als ihr Geschäftsmodell.
