Broadcom gewinnt beim AMD-Google-Rennen um KI-Chips

Broadcom hat den Wettbewerb zwischen AMD und Google um KI-Chips in ein anderes Rennen verwandelt – eines, in dem die Lieferung kundenspezifischen Siliziums wichtiger sein kann als der Verkauf von Beschleunigern unter eigener Marke.

Nvidia dominiert weiterhin den Markt für KI-Beschleuniger, während AMD sein Instinct-Portfolio als führende Alternative ausbaut. Google verfolgt mit Tensor Processing Units, kurz TPUs, einen anderen Weg, der auf die eigenen Workloads zugeschnitten ist. Broadcom profitiert, wenn große Cloud-Betreiber entscheiden, dass kein Standard-GPU-Anbieter sämtliche Anforderungen ihrer Infrastruktur erfüllt.

Das macht Broadcom nicht zum unangefochtenen Gewinner. Nvidia erzielt weiterhin deutlich höhere Umsätze im Rechenzentrumsgeschäft, und AMD bietet Kunden eine glaubwürdige zweite GPU-Plattform. Die Umkehrung besteht darin, dass Broadcom wachsen kann, ohne eines der beiden Unternehmen im gesamten Markt verdrängen zu müssen.

Seine Chance liegt in kundenspezifischen Beschleunigern, Ethernet-Netzwerken, Chip-Konnektivität und Systemdesign. Diese Komponenten gewinnen an Wert, wenn KI-Labore Cluster für Workloads aufbauen, die sie gut verstehen. Broadcom konkurriert daher weniger um die Aufmerksamkeit von Entwicklern als um einen Platz in Infrastruktur-Roadmaps.

Broadcoms KI-Umsatz ist mehr als ein Nebengeschäft

Broadcoms jüngste Ergebnisse zeigen, dass kundenspezifische KI-Chips und Netzwerktechnik zu zentralen Wachstumstreibern geworden sind – nicht zu experimentellen Produktlinien.

Broadcom meldete für das zweite Geschäftsquartal 2026 einen Umsatz von 22,2 Milliarden US-Dollar, ein Plus von 48 Prozent gegenüber dem Vorjahr. Der auf KI entfallende Halbleiterumsatz erreichte 10,8 Milliarden US-Dollar, ein Anstieg um 143 Prozent.

Chief Executive Hock Tan führte dieses Wachstum auf kundenspezifische KI-Beschleuniger und KI-Netzwerke zurück. Das Unternehmen erwartete für das dritte Quartal einen KI-Halbleiterumsatz von 16 Milliarden US-Dollar, was einem Wachstum von mehr als 200 Prozent gegenüber dem Vergleichszeitraum entspräche.

Diese Zahlen stammen direkt aus Broadcoms Quartalsergebnissen. Sie verdeutlichen auch, warum Investoren Broadcom zunehmend als KI-Hardwareunternehmen beschreiben.

Ein Beschleuniger führt die rechenintensiven mathematischen Operationen aus, die zum Trainieren oder Ausführen eines KI-Modells genutzt werden. Nvidia und AMD verkaufen in der Regel Beschleuniger, die viele Kunden, Modelle und Softwareumgebungen unterstützen.

Broadcom folgt einem anderen Modell. Das Unternehmen unterstützt ausgewählte Kunden bei der Entwicklung workloadspezifischer Prozessoren, die oft XPUs oder anwendungsspezifische integrierte Schaltungen genannt werden. Diese Chips verzichten auf einen Teil ihrer Allgemeingültigkeit, um einen engeren Satz von Operationen zu adressieren.

Der Kunde bestimmt die Workload-Strategie, während Broadcom Entwicklungsarbeit, Schnittstellen, Konnektivität und Produktionsexpertise beisteuert. Diese Aufteilung kann den Weg von einem internen Chipdesign zu einem einsatzfähigen System verkürzen.

Netzwerktechnik bildet die zweite Hälfte dieser Chance. Ein großes Modell läuft nicht auf einem einzelnen Prozessor, daher müssen Tausende von Beschleunigern Daten mit geringer Latenz austauschen.

Broadcom verkauft Ethernet-Switching- und Konnektivitätstechnologie für diesen Datenverkehr. Das Unternehmen kann somit sowohl an der Rechenschicht als auch am Netzwerk teilhaben, das diese Berechnungen verbindet.

Diese Kombination erklärt, warum der gemeldete KI-Umsatz schneller wächst, als es eine reine Geschichte über kundenspezifische Chips vermuten ließe. Jede größere Beschleunigerbereitstellung schafft auch Nachfrage nach Switches, optischen Verbindungen und unterstützenden Komponenten.

Das Modell unterscheidet sich von Nvidias eng integrierter Plattform. Nvidia bündelt GPUs, NVLink-Verbindungen, Netzwerkprodukte, Systeme, Bibliotheken und Entwicklerwerkzeuge unter einer Marke.

Broadcom unterstützt stattdessen Infrastruktur, die der Kunde selbst kontrollieren möchte. Seine Produkte werden zu Bestandteilen eines Systems, das die Identität von Google, Meta, Anthropic oder einem anderen Betreiber trägt.

Diese Position bietet weniger öffentliche Sichtbarkeit. Sie verringert aber auch die Notwendigkeit, Millionen von Entwicklern von der Einführung einer neuen proprietären Programmierumgebung zu überzeugen.

Broadcoms Wachstum beweist nicht, dass kundenspezifische Chips GPUs ersetzen werden. Es zeigt, dass Hyperscaler kundenspezifische Beschleunigung inzwischen als Produktionsstrategie betrachten, die mehrjährige Investitionen rechtfertigt.

Die Ergebnisse des Unternehmens enthalten zudem eine wichtige Warnung. Ein Lieferant, der eine begrenzte Zahl von Hyperscale-Kunden bedient, kann starke Schwankungen erleben, wenn sich ein einzelnes Deployment zwischen Quartalen verschiebt.

Broadcom ist darauf angewiesen, dass Kunden erfolgreich Modelle entwickeln, Rechenzentrumskapazitäten sichern und ihre internen Chippläne aufrechterhalten. Der Umsatz kann schnell wachsen, doch die Konzentration schafft Verhandlungs- und Prognoserisiken.

Dennoch haben die jüngsten Zahlen die Beweislast verändert. Kundenspezifische KI-Beschleuniger müssen nicht länger nachweisen, dass ein realer Markt existiert. Die Frage lautet, wie viel des nächsten Infrastrukturzyklus sie erobern können.

Warum die Hardware-Spaltung zwischen AMD und Google Broadcom begünstigt

Die Spaltung zwischen AMD und Google steht für zwei unterschiedliche Beschaffungsphilosophien, und Broadcom profitiert, wenn Cloud-Betreiber Eigentum der Allgemeingültigkeit vorziehen.

AMDs Instinct-Beschleuniger folgen dem Modell der Standard-GPU. Kunden kaufen einen standardisierten Prozessor, der von AMDs ROCm-Softwarestack unterstützt wird, und nutzen ihn anschließend für unterschiedliche Trainings- und Inferenz-Workloads.

Googles TPUs gehen von einer anderen Prämisse aus. Google entwickelt Hardware, Compiler, Modelle, Netzwerke und Rechenzentren als Teile eines koordinierten Systems.

Dieser Unterschied macht das Schlagwort AMD Google zu mehr als einem unbeholfenen Vergleich zweier Chipnamen. Es beschreibt eine strategische Entscheidung, vor der jeder große Käufer von KI-Infrastruktur steht.

Eine Option besteht darin, einen flexiblen Beschleuniger von Nvidia oder AMD zu kaufen. Die andere ist, spezialisierte Hardware für bekannte Workloads zu entwickeln und eine stärkere Kontrolle über das entstehende System zu behalten.

AMDs MI350-Serie bietet bis zu 288 Gigabyte HBM3E-Speicher und acht Terabyte pro Sekunde Speicherbandbreite. HBM ist gestapelter Speicher, der nah am Beschleuniger platziert wird, um den Datentransfer zu beschleunigen.

Das Unternehmen positioniert MI350-Systeme für Training, Inferenz und High-Performance Computing. Seine Beschleuniger-Spezifikationen betonen zudem die Unterstützung offener Software und standardisierter Server-Deployments.

Diese Flexibilität ist für Cloud-Anbieter und Unternehmen wichtig, die viele Kunden bedienen. Sie können nicht immer vorhersagen, welche Modelle, Zahlenformate oder Entwicklungsframeworks die künftige Nachfrage bestimmen werden.

Google steht vor einer anderen Abwägung, weil das Unternehmen wichtige interne Workloads kontrolliert. Search, Werbung, Gemini, YouTube und Google Cloud erzeugen eine enorme wiederkehrende Nachfrage mit erkennbaren Betriebsmustern.

Ein kundenspezifischer Prozessor wird attraktiver, wenn sein Eigentümer ihn kontinuierlich auslasten kann. Eine hohe Auslastung verteilt die Entwicklungskosten auf ein großes Rechenvolumen.

Googles TPU Ironwood der siebten Generation veranschaulicht diesen Ansatz. Google zufolge liefert Ironwood beim Training und bei der Inferenz mehr als die vierfache Pro-Chip-Leistung von Trillium.

Google erklärt zudem, dass ein Ironwood-Pod 9.216 Chips verbinden kann. Jeder Prozessor enthält 192 GiB High-Bandwidth Memory, während ein vollständiges System 1,77 Petabyte bereitstellt.

Ironwood nutzt XLA, einen Compiler, der Modelloperationen in für Googles Hardware optimierte Anweisungen übersetzt. Dieses gemeinsame Design von Hardware und Software kann Overhead beseitigen, den eine allgemeine Plattform für eine breitere Kompatibilität beibehalten muss.

Broadcoms exakter Beitrag zu jeder Google-TPU-Generation wird in öffentlichen Angaben nicht vollständig erläutert. Berichte bringen die Unternehmen seit Langem miteinander in Verbindung, doch keines von beiden veröffentlicht eine vollständige Aufteilung der Entwicklungsverantwortung.

Diese Lücke ist wichtig. Broadcom sollte nicht die alleinige Anerkennung für Prozessoren erhalten, die Google als kundenspezifisch entwickelt beschreibt, denn Google liefert entscheidende Architektur-, Software- und Workload-Kenntnisse.

Die belastbare Schlussfolgerung ist enger gefasst. Broadcom hat ein Geschäft aufgebaut, das Hyperscale-Betreibern hilft, Pläne für kundenspezifische Beschleuniger in großflächige Deployments zu überführen.

Damit positioniert sich Broadcom zwischen Käufer und Foundry. Das Unternehmen muss weder das Modell des Kunden noch dessen Cloud-Service oder Entwicklerplattform besitzen.

Das Unternehmen kann zudem mehrere kundenspezifische Roadmaps unterstützen, ohne einen öffentlichen Beschleuniger als Antwort auf jeden Workload zu präsentieren. Dieses Portfolio verteilt sein Engagement auf unterschiedliche KI-Labore.

AMD muss Kunden davon überzeugen, dass seine gemeinsame Plattform ausreichend Leistung, Verfügbarkeit und Software-Reife bietet. Google muss nachweisen, dass sein integrierter Stack die Einschränkungen einer stärker spezialisierten Architektur rechtfertigt.

Broadcom profitiert von der Nachfrage, die durch das zweite Argument entsteht. Wenn ein Hyperscaler entscheidet, dass Differenzierung eigenes Silizium erfordert, wird Broadcom zu einem möglichen Entwicklungspartner.

Deshalb schafft die Spaltung zwischen AMD und Google eine größere Chance, als ein einfacher GPU-Benchmark vermuten lässt. Beim eigentlichen Wettbewerb geht es darum, wer die Architektur kontrolliert und wer mit ihrem Aufbau Umsatz erzielt.

Kundenspezifisches Silizium verändert den Wettbewerb mit Nvidia

Broadcom muss Nvidias GPU-Plattform nicht direkt schlagen, denn kundenspezifisches Silizium greift die Ökonomie wiederkehrender, vorhersehbarer Workloads an.

Nvidias Position bleibt beeindruckend. Der Umsatz im Rechenzentrumsgeschäft erreichte im Geschäftsjahr 2026 193,7 Milliarden US-Dollar, ein Anstieg um 68 Prozent gegenüber dem Vorjahr.

Allein der Rechenzentrumsumsatz im vierten Quartal erreichte 62,3 Milliarden US-Dollar. Diese Finanzergebnisse zeigen, warum es die Marktgröße ignorieren würde, Nvidia für verdrängt zu erklären.

Nvidia liefert mehr als einen Prozessor. CUDA-Software, optimierte Bibliotheken, Netzwerktechnik, Referenzsysteme und breite Cloud-Verfügbarkeit verringern die Hürden bei der Bereitstellung für Entwickler.

Diese Breite macht Nvidia wertvoll, wenn sich Workloads schnell ändern. Eine Forschungsgruppe, die eine neue Architektur untersucht, bevorzugt in der Regel anpassungsfähige Hardware und vertraute Entwicklungswerkzeuge.

Kundenspezifisches Silizium wird überzeugender, nachdem sich ein Workload stabilisiert hat. Ein Betreiber kann Funktionen entfernen, die er selten nutzt, und mehr Chipfläche häufigen Berechnungen widmen.

Die Inferenz ist ein besonders relevantes Beispiel. Inferenz ist der Prozess, bei dem ein trainiertes Modell ausgeführt wird, um Vorhersagen, Antworten, Bilder oder andere Ergebnisse zu erzeugen.

Ein weit verbreiteter Dienst kann ähnliche Operationen Milliarden Male ausführen. Selbst eine moderate Effizienzsteigerung kann sich auf Energiebedarf, Kühlung und Kapazitätsanforderungen von Rechenzentren auswirken.

Daraus ergibt sich Broadcoms Chance. Seine Plattform für kundenspezifische Beschleuniger ermöglicht es Kunden, auf Modellstruktur, Speicherbewegung, numerische Präzision und Netzwerkverhalten zu optimieren.

Netzwerktechnik ist ebenso wichtig, weil schnellere Prozessoren weiterhin auf Daten warten können. Die nutzbare Leistung eines Clusters hängt davon ab, wie effizient Chips Modellparameter und Zwischenergebnisse austauschen.

Nvidia adressiert dieses Thema mit NVLink, InfiniBand und Ethernet-Produkten. Broadcom konkurriert hauptsächlich über Ethernet, einen etablierten Standard, der Betreibern ermöglicht, Infrastruktur aus Produkten mehrerer Anbieter zusammenzustellen.

Die Debatte dreht sich nicht einfach um proprietäre gegenüber offenen Netzwerken. Käufer vergleichen Latenz, Stauverwaltung, Softwareintegration, Komponentenverfügbarkeit, betriebliche Vertrautheit und Kontrolle.

Broadcom profitiert, wenn Kunden Ethernet bevorzugen und Abhängigkeit von einem einzigen Komplettanbieter vermeiden wollen. Nvidia profitiert, wenn die Leistung einer integrierten Plattform diese Bedenken überwiegt.

Darin liegt die zentrale Umkehrung des Artikels. Broadcom kann seinen Anteil an KI-Ausgaben steigern, ohne den breiteren Entwicklermarkt davon überzeugen zu müssen, Nvidia den Rücken zu kehren.

Die Kunden treffen diese Entscheidung intern. Sie setzen kundenspezifische Beschleuniger für ausgewählte Workloads ein und kaufen zugleich weiterhin Nvidia-GPUs für Forschung, externe Cloud-Dienste oder weniger vorhersehbare Aufgaben.

Google verfolgt diesen gemischten Ansatz. Das Unternehmen bietet TPUs an und stellt über Google Cloud zugleich Nvidia-GPU-Instanzen bereit.

Meta ist ein weiteres Beispiel. Broadcom kündigte eine ausgeweitete Partnerschaft an, die Meta Training and Inference Accelerator-Chips bis 2029 unterstützt.

Die Unternehmen erklärten, das Programm umfasse einen Zwei-Nanometer-Beschleuniger und mehrere Siliziumgenerationen. Sie beschrieben zudem Pläne für Bereitstellungen im Umfang mehrerer Gigawatt.

Ihre MTIA-Partnerschaft kombiniert kundenspezifische Rechenleistung mit Broadcom-Ethernet-Technologie. Die Bereitstellungspläne bleiben jedoch zukunftsgerichtet, bis Kunden die zugesagte Kapazität installieren und nutzen.

Das Mischmodell setzt beide führenden GPU-Anbieter unter Druck. Nvidia steht Kunden gegenüber, die mehr Kontrolle über Kosten, Lieferketten und Architektur gewinnen möchten.

AMD steht vor einer subtileren Herausforderung. Das Unternehmen kann Kunden gewinnen, die einen zweiten Anbieter für Standardbeschleuniger suchen, doch einige dieser Käufer könnten ihre größten Workloads letztlich auf interne Chips verlagern.

Für AMD veranschaulicht Google sowohl Chance als auch Risiko. Google Cloud kann AMD-Beschleuniger anbieten, doch Googles eigenes TPU-Programm verringert die Notwendigkeit, sich ausschließlich auf externe GPUs zu verlassen.

Für Broadcom kann jede dieser Entwicklungen Nachfrage schaffen. Ein Cloud-Betreiber, der Alternativen sucht, könnte mit AMD beginnen und dann kundenspezifische Prozessoren ergänzen, sobald Workloads ausreichend skalieren.

Das bedeutet nicht, dass jedes KI-Unternehmen einen Chip entwickeln sollte. Kundenspezifisches Silizium erfordert erfahrene Teams, stabile Workloads, große Bereitstellungsvolumina und lange Planungszyklen.

Den meisten Unternehmen fehlen diese Voraussetzungen. Sie werden weiterhin Kapazität mieten oder Systeme auf Basis von Standardbeschleunigern kaufen.

Broadcoms adressierbare Kunden konzentrieren sich daher auf das obere Marktsegment. Diese Einschränkung kann dennoch ein großes Geschäft ermöglichen, weil diese Unternehmen über enorme Infrastrukturbudgets verfügen.

Die Gewinnerposition besteht nicht darin, jeden Beschleuniger zu besitzen. Sie liegt darin, an den Ausgaben von Kunden teilzuhaben, die entschlossen sind, einen größeren Teil ihres Computing-Stacks selbst zu kontrollieren.

Was die Broadcom-These weiterhin nicht beweist

Schnelles Umsatzwachstum bestätigt die Nachfrage, belegt jedoch nicht, dass Broadcom einen dauerhaften Vorteil gegenüber Nvidia oder AMD gesichert hat.

Die erste Unsicherheit ist die Kundenkonzentration. Broadcoms Programme für kundenspezifische Chips betreffen eine kleine Gruppe von Unternehmen mit enormer Kaufkraft.

Diese Käufer können hart verhandeln, Bereitstellungen verschieben oder Entwicklungsressourcen umleiten. Der Verlust einer Roadmap könnte unverhältnismäßig starke Auswirkungen auf das künftige Wachstum haben.

Das zweite Thema ist das Entwicklungsrisiko. Ein kundenspezifischer Beschleuniger beginnt Jahre vor der Bereitstellung, wenn Modellarchitekturen und Speicheranforderungen noch unsicher sind.

Eine unerwartete Veränderung bei KI-Techniken kann dazu führen, dass spezialisierte Hardware schlecht zum neuesten Workload passt. Allgemeine GPUs bieten gegen diese Möglichkeit eine Absicherung.

Das dritte Thema ist Software. Google kann die TPU-Entwicklung durch JAX, PyTorch-Integrationen, XLA und interne Engineering-Ressourcen unterstützen.

Kleinere Betreiber können diesen Aufwand nicht einfach nachbilden. Ein Prozessor mit attraktiven Spezifikationen scheitert dennoch, wenn Entwickler Schwierigkeiten haben, Modelle darauf zu migrieren.

Google hat daran gearbeitet, diese Hürde zu senken. Sein Ironwood-Stack unterstützt Compiler-Optimierung und kundenspezifische Kernel über ein abgestimmtes System hinweg.

Googles veröffentlichte Leistungsangaben spiegeln jedoch die eigene Hardware- und Softwareumgebung wider. Unabhängige Vergleiche über unterschiedliche Produktions-Workloads hinweg bleiben begrenzt.

Die AMD-Google-Entscheidung betrifft daher nicht nur Spitzenrechenleistung. Sie umfasst Portabilität, Entwicklungszeit, Auslastung, Cloud-Verfügbarkeit und die Kosten für die Pflege der Software.

AMD kann reagieren, indem es die ROCm-Kompatibilität verbessert und Beschleuniger mit hoher Speicherkapazität anbietet. Nvidia kann die Inferenzkosten senken und zugleich seine integrierten Systeme ausbauen.

Beide Unternehmen verkaufen zudem Netzwerktechnik oder arbeiten mit Systemanbietern zusammen. Broadcom kann nicht davon ausgehen, dass seine Ethernet-Führungsrolle und Erfolge bei kundenspezifischen Designs unangefochten bleiben.

Auch die Lieferkette birgt Risiken. Broadcom ist auf externe Hersteller und Anbieter fortschrittlicher Packaging-Lösungen angewiesen, um Designs in fertige Prozessoren zu überführen.

Kundenspezifische Beschleuniger konkurrieren um dieselbe Fertigungskapazität an der technologischen Spitze, die auch andere KI-Chips nutzen. Packaging-Engpässe können Umsätze verzögern, selbst wenn die Kundennachfrage stark bleibt.

Die Verfügbarkeit von Strom ist ebenso wichtig geworden. Eine Bereitstellung im Gigawatt-Maßstab benötigt Elektrizität, Fläche, Kühlung, Transformatoren, Netzwerktechnik und Baukapazität.

Ein fertiger Chip kann in einem unvollendeten Rechenzentrum keinen Umsatz erzeugen. Infrastrukturzeitpläne können daher Halbleiterzeitpläne dominieren.

Broadcoms Finanzierungsinitiative vom Juni 2026 veranschaulicht sowohl die Chance als auch die Einschränkung. Das Unternehmen schloss sich Apollo und Blackstone bei einer Plattform an, die bis 2028 KI-Bereitstellungen von mehr als 20 Gigawatt ermöglichen soll.

Die Initiative begann mit einer ersten Transaktion, die mehr als ein Gigawatt Kapazität im Zusammenhang mit Anthropic unterstützt. Broadcom erklärte, seine XPUs und Netzwerktechnik würden Bereitstellungen für führende KI-Laboratorien unterstützen.

Diese Kapazitätsplattform erweitert Broadcoms Rolle über die Komponentenlieferung hinaus. Sie zeigt zugleich, wie viel Kapital und Koordination moderne KI-Cluster erfordern.

Die angekündigte Kapazität entspricht nicht installierter, produktiver Infrastruktur. Finanzierung, Genehmigungen, Bau, Netzanschlüsse und Kundennachfrage müssen zusammenpassen.

Eine weitere Unsicherheit betrifft die Transparenz. Broadcom spricht nur selektiv über Kunden für kundenspezifische Beschleuniger, und Vertraulichkeit begrenzt die Einblicke in Vertragsbedingungen oder Programmökonomie.

Investoren können die aggregierten Umsätze im Bereich KI-Halbleiter beobachten. Sie können jedoch nicht immer Rechenbeschleuniger von Netzwerktechnik trennen oder den Beitrag jedes Kunden identifizieren.

Das macht einfache Prognosen unzuverlässig. Ein starkes Quartal könnte einen dauerhaften Plattformwechsel, eine vorübergehende Konzentration von Auslieferungen oder beides widerspiegeln.

Die Einordnung als „ultimativer Gewinner“ übersieht zudem die Marktexpansion. Nvidia, AMD, Broadcom, Cloud-Betreiber, Speicheranbieter und Foundries können alle wachsen, wenn die gesamten KI-Ausgaben steigen.

Ein Sieg wird erst nach der Definition des Wettbewerbs aussagekräftig. Nvidia führt bei der breiten Beschleunigerplattform, während Broadcom bei kundenspezifischem Silizium und Ethernet-Infrastruktur an Boden gewinnt.

AMD bleibt bei Rechenzentrumsbeschleunigern kleiner, liefert aber eine strategisch wichtige Alternative. Google ist sowohl Cloud-Käufer als auch interner Chipdesigner.

Diese Positionen überschneiden sich, sind aber nicht identisch. Broadcoms Stärke liegt darin, Kunden zu bedienen, deren Anreize sich von denen herkömmlicher Halbleiterkäufer unterscheiden.

Die These wird schwächer, wenn kundenspezifische Chips wiederholt Zeitpläne verfehlen, die nutzbare Effizienz nicht verbessern oder auf interne Experimente beschränkt bleiben. Sie wird ebenfalls schwächer, wenn die Plattformökonomie von Nvidia den Grund für Spezialisierung beseitigt.

Sie wird stärker, wenn Kunden aufeinanderfolgende Chipgenerationen bereitstellen. Wiederholte Programme zeigen, dass kundenspezifisches Silizium operative Tests bestanden und weitere Investitionen verdient hat.

Broadcoms Meta-Vereinbarung läuft bis 2029, doch die zugesagten Generationen müssen erst zu funktionierenden Systemen werden. Umsatzwachstum bleibt der deutlichste öffentliche Beleg für diese Umsetzung.

Drei Signale werden das AMD-Google-Rennen um KI-Chips entscheiden

Die nächste Phase hängt von Nachweisen für Bereitstellungen, wiederholten Kundenverpflichtungen und davon ab, ob Anbieter von Standard-GPUs den wirtschaftlichen Nutzen kundenspezifischer Chips verringern.

Das erste Signal sind Broadcoms gemeldete Umsätze mit KI-Halbleitern. Das Management erwartete für das dritte Geschäftsquartal 2026 16 Milliarden US-Dollar.

Das Erreichen dieser Prognose würde die Behauptung stützen, dass sich die Nachfrage von isolierten Design-Erfolgen zu größeren Produktionsvolumina verlagert. Ein Verfehlen würde Fragen zum Auslieferungszeitpunkt und zur Kundenkonzentration aufwerfen.

Die Zusammensetzung ist ebenso wichtig wie die Gesamtsumme. Investoren sollten auf Hinweise achten, dass sowohl kundenspezifische Beschleuniger als auch Netzwerktechnik bei mehreren Kunden beitragen.

Ein Quartal kann keine Beständigkeit belegen. Aufeinanderfolgende Zuwächse, die mit mehreren Bereitstellungen verbunden sind, würden einen stärkeren Hinweis auf einen breiten Infrastrukturwandel liefern.

Das zweite Signal ist die reale Nutzung von Google Ironwood und Meta MTIA. Google machte Ironwood allgemein verfügbar, nachdem es für Training und Inferenz mit hohem Volumen positioniert worden war.

Google zufolge bietet Ironwood die zehnfache Spitzenleistung von TPU v5p und mehr als die vierfache Leistung pro Chip von Trillium. Außerdem wird eine fast dreißigmal höhere Energieeffizienz als bei seinem ersten Cloud-TPU beansprucht.

Dies sind Messwerte des Anbieters, keine universellen Ergebnisse. Aussagekräftiger werden Kundenverfügbarkeit, nachhaltige Auslastung, Softwareunterstützung und wiederholte Bereitstellungen sein.

Google erklärt bereits, dass Gemini, Veo, Imagen und Anthropics Claude TPUs für Training oder Bereitstellung nutzen. Eine breitere Kundennutzung würde zeigen, dass kundenspezifische Hardware über die internen Anwendungen eines einzelnen Eigentümers hinausgehen kann.

Metas Zwei-Nanometer-MTIA-Programm bietet einen separaten Test. Die Auslieferung mehrerer Generationen bis 2029 würde Broadcoms Fähigkeit bestätigen, einen weiteren Kunden im großen Maßstab zu unterstützen.

Verzögerungen würden die langen Entwicklungszyklen hinter kundenspezifischem Silizium offenlegen. Sie könnten Workloads auch zurück zu Nvidia- oder AMD-Plattformen führen.

Das dritte Signal ist die Reaktion der Anbieter von Standard-GPUs. Nvidias Rubin-Plattform zielt auf niedrigere Inferenzkosten ab und bewahrt zugleich ihre breite Softwareumgebung.

AMD treibt MI350-Beschleuniger mit hoher Speicherkapazität und einem zunehmend ausgereiften ROCm-Stack voran. Bessere Softwareportabilität würde den Nachteil der Wahl von AMD gegenüber Nvidia verringern.

Wenn Nvidia und AMD die gesamten Betriebskosten schneller senken, als kundenspezifische Programme vorankommen, wird Spezialisierung weniger überzeugend. Kunden könnten anpassungsfähige Hardware bevorzugen, die nach einem vorhersehbaren Zeitplan verfügbar wird.

Wenn kundenspezifische Chips bei stabilen Workloads wiederholt Effizienzgewinne liefern, stärkt dies Broadcoms Position. Hyperscaler hätten einen klareren Grund, mehr interne Designs zu finanzieren.

Das wahrscheinlichste Ergebnis bleibt eine heterogene Infrastruktur. Forschungsteams werden flexible Beschleuniger nutzen, während große Produktionsdienste zunehmend Hardware in Betracht ziehen werden, die auf wiederkehrende Aufgaben abgestimmt ist.

Dieses Umfeld begünstigt Anbieter, die über mehrere Architekturen hinweg mitwirken können. Broadcoms Fähigkeiten in Rechenleistung, Switching, Konnektivität und Design erfüllen diese Anforderung.

Es verhindert auch eine einfache Schlussfolgerung nach dem Muster „Der Gewinner bekommt alles“. Nvidia kann die größte Plattform bleiben, während Broadcom einen wachsenden Anteil der kundenspezifischen Infrastruktur gewinnt.

AMD kann Marktanteile bei Standardbeschleunigern gewinnen, selbst wenn Google TPUs ausbaut. Google kann über seine Cloud alle drei Optionen anbieten und intern zugleich seine eigenen Chips bevorzugen.

Die Debatte über AMD-, Google- und KI-Hardware dreht sich letztlich um Kontrolle. Käufer müssen entscheiden, ob die Kontrolle über Workloads Kosten und Komplexität rechtfertigt, die mit mehr eigenem Silizium verbunden sind.

Broadcom hat sich als das Unternehmen positioniert, das dabei hilft, diese Frage mit Ja zu beantworten. Seine Umsätze deuten darauf hin, dass mehrere große Kunden bereits zu diesem Schluss gelangt sind.

Die nächsten ein bis drei Monate sollten klären, ob sich diese Verpflichtungen beschleunigen. Beobachten Sie Broadcoms KI-Umsätze, die Produktionsverfügbarkeit kundenspezifischer Chips und die Inferenzökonomie der GPU-Anbieter.

Für Entwickler und Unternehmenskäufer lautet die Frage nicht, welches Logo jeden Benchmark gewinnt. Fragen Sie, wo Ihre Workloads Flexibilität benötigen, wo sie sich wiederholen und wer den Software-Stack kontrolliert.

Diese Entscheidung wird bestimmen, ob das nächste Deployment auf Nvidia- oder AMD-Hardware, Google-TPUs oder einem anderen maßgeschneiderten Beschleuniger läuft. Sie wird außerdem bestimmen, wie viel der daraus entstehenden Infrastruktur über Broadcom abgewickelt wird.