a16z neuer Artikel: Von Krypto-Minen zu AI-Clouds – Warum „neue Clouds“ immer mehr Geld verbrennen?

Originaltitel: Charts of the Week: Head In The Neoclouds
Originalautor: Moses Sternstein, a16z

Redaktioneller Hinweis: Vor dem Hintergrund einer neuen Investitionsrunde in Rechenleistung, die durch generative KI vorangetrieben wird, hat sich die Diskussion über die KI-Infrastruktur von der Frage „Gibt es genug GPUs?“ hin zu „Wer kann Rechenleistung nachhaltig bereitstellen?“ verschoben. Während das Training und die Inferenz von Modellen sowie die Expansion von Rechenzentren als Konsens gelten, taucht eine grundlegendere Frage auf: Kann das rasante Wachstum der Nachfrage nach Rechenleistung tatsächlich in stabile Gewinne und Cashflows umgewandelt werden?

In dem von a16z New Media veröffentlichten Artikel „Charts of the Week“ geht der Autor Moses Sternstein auf neue Cloud-Unternehmen wie CoreWeave, Nebius und Applied Digital ein und diskutiert das Wachstum, die Bewertung und die Gewinnparadoxien des Marktes für KI-Rechenleistung. Darüber hinaus wird auf horizontale SaaS, Modell-Routing und den Wettbewerb um Talente in führenden Laboren eingegangen.

In diesem Artikel bewertet der Autor nicht einfach, ob die Nachfrage nach KI stark ist, sondern zerlegt den aktuellen KI-Handel in eine Reihe grundlegender struktureller Fragen: Wie wird bestehende Infrastruktur neu bewertet? Warum verbessert sich das Umsatzwachstum nicht synchron mit den Markterwartungen? Und warum verlagert sich der Wettbewerb im KI-Sektor von bloßer Expansion hin zu Effizienz und Rendite?

Erstens, die Wiederentdeckung des Wertes von Infrastruktur. In der Vergangenheit haben Land entlang von Eisenbahnlinien, Erdgasleitungen und Kabelnetzwerke bestimmten Branchen gedient, bevor sie in Telekommunikations- und Internetinfrastruktur umgewandelt wurden. Heute findet eine ähnliche Neubewertung dieser Vermögenswerte statt. Einige neue Cloud-Unternehmen, die ursprünglich für das Mining von Kryptowährungen tätig waren, verfügen bereits über Erfahrung im Betrieb von Stromversorgung, Rechenzentren, Kühlsystemen und hochdichter Berechnung; nach dem Ausbruch der Nachfrage nach KI wurden diese Fähigkeiten schnell in knappe Rechenleistung umgewandelt. Dies bedeutet, dass der Wettbewerb um KI-Infrastruktur nicht völlig bei Null beginnt; frühe Vorteile stammen oft aus der Neukombination von alten Vermögenswerten, Energiequellen und Ingenieurfähigkeiten.

Zweitens, das Nebeneinander von hohem Umsatzwachstum und Unsicherheit in Bezug auf die Rentabilität. Die frühen Umsatzwachstumsraten neuer Cloud-Unternehmen wie CoreWeave übertrafen zeitweise die Anfangsphase von Cloud-Giganten wie AWS, aber die Kapitalmärkte haben dies nicht in gleichem Maße anerkannt. Der Grund dafür ist, dass neue Clouds kein typisches leichtes Softwaregeschäft sind. Der Einkauf von GPUs, der Zugang zu Strom, der Bau von Rechenzentren, die Abschreibung von Chips und Zinsaufwendungen steigen mit der Skalierung, oft sogar schneller als das Umsatzwachstum. Das bedeutet, dass Umsatzwachstum nur beweist, dass die Nachfrage nach KI-Rechenleistung stark ist, aber nicht automatisch beweist, dass das Geschäftsmodell eine ausreichend hohe Kapitalrendite aufweist. Der Markt wartet wirklich darauf, ob diese Unternehmen in der Lage sind, Aufträge und Einnahmen in nachhaltige freie Cashflows umzuwandeln.

Drittens, der Wert von Software wird nach den Auswirkungen von KI neu differenziert. In der Vergangenheit befürchtete der Markt, dass generative KI die Wettbewerbsvorteile von SaaS-Unternehmen allgemein schwächen würde, aber die Leistung von Atlassian zeigt, dass KI auch ein Werkzeug zur Steigerung der Kundenausgaben und der Produktbindung sein kann. Gleichzeitig erhalten Sicherheits- und Observabilitätssoftware weiterhin Bewertungsprämien, da KI potenzielle Risiken vergrößert und die Abhängigkeit von Unternehmen von ausgereiften Lösungen erhöht. Das bedeutet, dass das sogenannte „SaaS-Ende“ nicht gleichmäßig eintreten wird. Ob KI Ersatzprodukte, Preisdruck oder eine erhöhte Nachfrage schafft, wird zum neuen Standard für die Differenzierung von Softwarebewertungen.

Viertens, KI-Anwendungen entwickeln sich von „Token stapeln“ zu „Token optimieren“. In der Vergangenheit neigten Unternehmen dazu, direkt die leistungsstärksten Modelle zu verwenden oder ihrem Engineering-Team ein Budget für Experimente zu geben; heute beginnen Unternehmen wie Databricks, durch intelligentes Routing Modelle mit unterschiedlichen Preisen und Leistungen entsprechend der Schwierigkeit der Aufgaben zuzuordnen, um die Kosten zu senken und gleichzeitig die Effektivität aufrechtzuerhalten. Ein Rückgang des Token-Preises bedeutet nicht zwangsläufig, dass die Gesamtausgaben für KI sinken: Wenn die Stückkosten sinken und die Anwendungsszenarien zunehmen, können die Gesamtkosten für Token und die gesamte Marktgröße weiterhin steigen. Effizienz und Nachfrage schließen sich nicht gegenseitig aus, sondern können einen sich gegenseitig verstärkenden Zyklus bilden.

Wenn man diesen Artikel auf eine Aussage komprimiert, dann lautet sie: Die KI-Infrastruktur hat sich als fähig erwiesen, schnelles Wachstum zu erzeugen, aber die nächste Phase des Wettbewerbs wird davon abhängen, ob Unternehmen in der Lage sind, dieses Wachstum in höhere Kapitaleffizienz umzuwandeln. In diesem Sinne geht es in diesem Artikel nicht nur darum, ob CoreWeave die nächste Generation von Cloud-Giganten werden kann, sondern auch darum, ob die gesamte KI-Industrie von der Expansion der Rechenleistung zu nachhaltigen Geschäftsrenditen übergehen kann.

Hier ist der Originalinhalt:

Über „neue Clouds“

Zu Beginn des 20. Jahrhunderts verfügte die Southern Pacific Railroad Company über eine große Menge ungenutzter Baurechte auf geräumten Flächen, die Städte und Gemeinden in den USA verbanden. Der Umfang der Eisenbahnnutzungsrechte war viel größer als die Schienen selbst, sodass entlang der Strecke viele Korridore für die Entwicklung blieben.

Daher legte das Eisenbahnunternehmen ein Kommunikationsnetz entlang der Eisenbahnlinie und nannte es „Southern Pacific Railroad Internal Networking Telephony“. In den 1970er Jahren begann das Unternehmen, dieses Netzwerk zu kommerzialisieren und einem breiteren Publikum zugänglich zu machen.

In der Folge geschahen zwei Dinge gleichzeitig: Einerseits ging das Monopol im Ferntelefonmarkt zu Ende; andererseits wurde Glasfaser kommerziell rentabel. Die ursprünglichen Kommunikationskorridore wurden in Glasfaserleitungen umgewandelt, und dieses Netzwerk wurde später unter dem englischen Akronym „Sprint“ bekannt. Vermögenswerte, die einst für die Eisenbahn dienten, wurden somit zur Infrastruktur für die Telekommunikationsrevolution.

Nicht nur Eisenbahnunternehmen haben bestehende physische Netzwerke in größere kommerzielle Technologieinfrastrukturen umgewandelt.

In den 1980er Jahren verwandelte die Williams Company ungenutzte Erdgasleitungen in Glasfaserkanäle und gründete WilTel. Das Unternehmen wurde später verkauft und schließlich in WorldCom umbenannt. In den 1990er Jahren erlebten die einseitigen Koaxialkabel, die für das Kabelfernsehen verlegt wurden, eine umfassende, kostspielige Aufrüstung und wurden schließlich zur Infrastruktur, die Comcast und Charter für die Bereitstellung von Breitband-Internetdiensten an Verbraucher nutzen.

Dies führt zu einer anderen Art von Unternehmen: Sie verfügen ebenfalls über bestehende Infrastruktur, die nun erheblich umgestaltet und neu bewertet wird, um den Anforderungen einer neuen Technologie gerecht zu werden – das sind die „neuen Cloud“-Unternehmen.

Zusammenfassend lässt sich sagen, dass die meisten neuen Cloud-Unternehmen ursprünglich im energie- und rechenintensiven Geschäft des Kryptowährungs-Mining tätig waren, bevor die KI-Welle kam. Plötzlich stand jeder, der über Stromnutzungsrechte, Infrastruktur und Erfahrung im Bau und Management von hochintensiven Rechenlasten verfügte – im Fall von CoreWeave auch über eine große Anzahl von GPUs – auf einem der derzeit heißesten Märkte.

Natürlich handelt es sich hierbei nicht um einen strengen Vergleich. Aber wenn man sich die drei größten börsennotierten neuen Cloud-Unternehmen ansieht, ist ihr Umsatzwachstum tatsächlich bemerkenswert.

Wir können nur die Umsätze der großen Cloud-Anbieter in der Anfangsphase schätzen, aber der allgemeine Trend ist klar: Die Wachstumsrate neuer Cloud-Unternehmen ist extrem hoch und deutlich schneller als die Wachstumsrate der drei großen Cloud-Anbieter in deren Anfangsphase.

Es ist wichtig zu beachten, dass neue Cloud-Unternehmen derzeit im gesamten Markt für Rechenleistung nur relativ kleine Akteure sind.

Sie haben noch einen langen Weg vor sich, um die Größe der großen Cloud-Anbieter zu erreichen.

Die Einnahmen, die große Cloud-Anbieter pro Quartal erzielen, übersteigen die der neuen Cloud-Unternehmen um mehrere Größenordnungen. Gleichzeitig hat CoreWeave in etwa 25 Quartalen 2,6 Milliarden Dollar Umsatz erzielt, was AWS erst im 40. Quartal nach seiner Einführung erreicht hat. Nochmals betont: Das Wachstum dieser Unternehmen ist tatsächlich sehr schnell.

Mit einem so hohen Wachstum und dem Rückenwind der KI-Branche sollten Investoren eigentlich ziemlich aufgeregt sein. In gewissem Maße ist das auch der Fall, aber die Realität ist komplexer.

Obwohl die jüngsten Finanzberichte dieser Unternehmen im Allgemeinen gut waren, ist der Aktienkurs von CoreWeave im letzten Jahr um etwa 16 % gefallen; nur Nebius hat sich dem vorherigen Höchststand angenähert.

Daher ist die Gesamtgeschichte nach wie vor positiv, aber für das größte neue Cloud-Unternehmen ist die Anziehungskraft offensichtlich etwas schwächer.

Die jüngste Marktperformance war relativ flach, teilweise weil viele Wachstumserwartungen möglicherweise bereits in den Bewertungen reflektiert sind.

Für kapitalintensive Unternehmen wie neue Clouds ist das Kurs-Umsatz-Verhältnis nicht der geeignetste Bewertungsindikator, aber es ist dennoch anschaulich. Die kleineren, schneller wachsenden Unternehmen Nebius und Applied Digital haben eine Bewertungsprämie, die weit über der von CoreWeave liegt, das zwar weiterhin Umsatz verdoppelt, aber nicht mehr mit den 400 % bis 450 % Wachstumsraten der führenden Unternehmen mithalten kann.

Wenn es ein echtes Problem für neue Cloud-Unternehmen gibt, dann ist es nicht das Wachstum, sondern die langfristige Rentabilität. Neue Cloud-Unternehmen müssen weiterhin in Chips, Strom und physische Infrastruktur investieren, um zu wachsen, und diese Kosten sind nicht gering:

Als Beispiel dient CoreWeave, dessen Umsatzwachstum durchaus bemerkenswert ist, jedoch die Investitionen noch erstaunlicher sind. Weitere hohe Kosten umfassen die Abschreibung von Chips – die Abschreibungsbeträge haben bereits die Hälfte des Umsatzes überschritten – sowie die Zinsen, die durch die Aufnahme von Schulden zur vorzeitigen Errichtung teurer Infrastrukturen entstehen und weiterhin steigen.

Dieser Artikel beabsichtigt nicht, eine endgültige Beurteilung darüber abzugeben, ob das Unternehmen erfolgreich sein wird oder ob der aktuelle Aktienkurs gerechtfertigt ist. Abgesehen von der allgemeinen Popularität des Themas möchte ich hier hervorheben, dass das Unternehmen ein Mikrokosmos des gesamten Auf und Ab im AI-Handel darstellt.

Einerseits befinden sie sich in einem vertikalen Markt – dem Rechenleistungsmarkt – der weit über die Erwartungen aller hinausgeht und weiterhin wächst, und sie schaffen ein historisch seltenes Wachstumstempo; andererseits sind die Kosten für den Aufbau solcher Unternehmen auf einem historischen Höchststand und erfordern massive Investitionen in langlebige, kontinuierlich abschreibungsfähige Infrastruktur.

Rückkehr der horizontalen SaaS?

Hier ein kurzes Update zur sich ständig verändernden Landschaft des „SaaS-Endes“. Das Unternehmen, das während des massiven Verkaufs von Softwareaktien am stärksten betroffen war, hat sich im letzten Monat recht gut geschlagen.

In den letzten 30 Handelstagen haben horizontale Softwareunternehmen in den IGV Software ETF eine der besten Leistungen gezeigt – obwohl sie seit Beginn der Datenerhebung bereits einen Teil ihrer Gewinne wieder abgegeben haben.

Insgesamt bleibt die Fundamentaldatenlage dieser Unternehmen stabil. Besonders Atlassian hat sich nicht, wie zuvor vom Markt erwartet, unter dem Druck von AI zurückgezogen.

Das Unternehmen für Produktivitätssoftware hat sowohl bei den Ergebnissen als auch bei den Prognosen „über den Erwartungen“ abgeschnitten: Der Umsatz im Cloud-Geschäft ist im Jahresvergleich um 31 % gestiegen, und das Wachstum der Auftragsbestände ist sogar noch höher. Ein entscheidendes Signal könnte jedoch sein, dass AI zu einem Motor des Geschäftswachstums wird, anstatt ein Hindernis. Atlassian berichtet, dass sein AI-Assistent Rovo weit verbreitet angenommen wurde; gleichzeitig wächst die Ausgabenrate der Kunden, die Rovo nutzen, fast doppelt so schnell wie die der Nicht-Rovo-Nutzer.

Das ist eine gute Nachricht für Atlassian, für Rovo und für die horizontale SaaS.

Dennoch bleibt die Gesamtbewertung der horizontalen SaaS leicht unter dem Niveau anderer Softwarekategorien.

Mit wenigen Ausnahmen liegen die erwarteten Umsatzmultiplikatoren der horizontalen SaaS-Unternehmen, einschließlich Atlassian, im Allgemeinen unter dem Niveau, das der „Wachstums-zu-Bewertungs-Multiplikator“-Trendlinie entspricht.

Noch einmal betont: Die horizontale SaaS hat nur einen relativ guten „Monat“ hinter sich. Um den Markt davon zu überzeugen, dass das „SaaS-Ende“ abgesagt wurde, reicht ein Monat Leistung bei weitem nicht aus.

Natürlich, wenn Ihr Softwaregeschäft im Bereich Cybersicherheit oder Beobachtbarkeit tätig ist, sieht die Sache ganz anders aus – für diese Unternehmen hat das sogenannte „SaaS-Ende“ nie stattgefunden.

Der Bereich Cybersicherheit hat weiterhin deutlich besser abgeschnitten als andere Kategorien im IGV Software ETF. In diesem Bereich wird AI sogar als Vorteil angesehen: Der Markt ist allgemein der Meinung, dass AI das Bewusstsein für die Risiken von Cyberbedrohungen erhöht hat, und kein Unternehmenskunde wird sich auf „Vibe-Coding“ verlassen, um eine eigene Sicherheitslösung zusammenzustellen.

Ob diese Logik letztendlich Bestand hat, muss natürlich noch geprüft werden. Aber zumindest derzeit ist die Lage traditioneller Softwareunternehmen alles andere als einheitlich.

Investoren sind stark daran interessiert, ob AI jedem Unternehmen Nutzen bringt oder ob es zu einer Erosion führt, und sie passen ihre ursprünglichen Einschätzungen mit jeder neuen Datenreihe an – was auch nur natürlich ist.

Auf dem Weg zur Effizienz an der Token-Front

Die Marktlandschaft rund um die Nutzung von Modellen, den Verbrauch von Token und das Management von Token-Ausgaben entwickelt sich weiterhin auf interessante Weise.

Ein Beispiel ist Databricks.

Bei Fragen wie „Welches Modell sollten wir verwenden?“ und „Welches Modell ist das beste?“ hat Databricks nicht den Ansatz des „Gewinners nimmt alles“ verfolgt, noch hat es den Ingenieuren einfach ein Budget gegeben, damit sie selbst entscheiden können, wie sie es ausgeben. Stattdessen stellte es eine andere Frage: „Was wäre, wenn wir eine Lösung entwickeln, die die richtigen Aufgaben automatisch den richtigen Modellen zuweist?“

Databricks ist natürlich nicht das einzige Unternehmen, das dies tut, aber es hat einen „intelligenten Router“ entwickelt, dessen tatsächliche Leistung es sehr zufriedenstellt.

Berichten zufolge kann der Router von Databricks bei Bedarf leistungsstärkere, teurere Modelle aktivieren, während er unter geeigneten Bedingungen schwächere, günstigere Modelle verwendet, wodurch die durchschnittlichen Kosten pro Aufgabe um über 30 % gesenkt werden.

Insgesamt ist es schwer zu bestreiten, dass die Verfolgung der „Effizienz an der Token-Front“ eine gute Sache ist. Das bedeutet, dass die Nachfrage weiterhin wächst, die Anwendungsfälle sich nicht nur an der Leistungsgrenze weiterentwickeln, sondern auch auf weniger leistungsstarke Modelle ausbreiten. In der ursprünglichen pessimistischen Erzählung wurden diese suboptimalen Modelle als schnell obsolet angesehen.

Wie bereits erwähnt, wird die Effizienzsteigerung den Umfang der Nachfrage erweitern, was genau die dynamische Entwicklung ist, die der Markt sehen möchte, ähnlich dem Jevons-Paradoxon.

Der Token-Preisstärkeindex von Silicon Data zeigt, dass die allgemeine Preisstärke abnimmt, insbesondere da günstigere offene Modelle in einem sich ausdehnenden Markt einen höheren Anteil gewinnen.

Es ist wichtig, ein häufig missverstandenes Konzept zu klären: Diese Indizes messen die Kostenintensität der Token-Ausgaben, nicht den absoluten Dollarbetrag. Sie hängen sowohl von der Anzahl der verbrauchten Token als auch von den Gesamtkosten der Token ab. Das bedeutet, dass selbst wenn der Preis pro Token sinkt, die Gesamtmenge der verbrauchten Token und die Gesamtausgaben weiterhin steigen können.

Wichtig ist, dass die Gesamtnachfrage weiterhin wächst und die Preisgestaltung sowie die Modellauswahl sich allmählich an der Effizienzfront orientieren, was dieses Wachstum weiter vorantreiben wird. Besonders bemerkenswert ist, dass „AI-Nachfrage“ oder „AI-Adoption“ kein einheitliches, homogenes Konzept ist. Es gibt nach wie vor erhebliche Unterschiede zwischen intensiven Nutzern und anderen Nutzern. Dies zeigt deutlich, dass „immer das beste Modell zu verwenden“ vielleicht für einige Unternehmen geeignet ist, aber sicherlich nicht für alle.

Derzeit bildet der Markt schnell mehr wählbare Alternativen. Insgesamt ist das eine gute Sache.

Laut Daten der Unternehmensausgabenmanagement-Plattform Ramp erhöhen alle Unternehmen ihre AI-Ausgaben, aber die Median-Ausgaben unterscheiden sich erheblich zwischen den Top 10 % der Unternehmen und den Medianunternehmen sowie zwischen den Top 10 % und den Top 1 % der Unternehmen.

Die Daten von Ramp sind tendenziell technologieorientiert, was bei der Interpretation berücksichtigt werden sollte. Aber die Daten zeigen, dass die Unternehmen, die in den Top 10 % der Ausgaben rangieren, etwa 50-mal so viel pro Kopf für AI ausgeben wie die medianen Unternehmen.

Diese Verteilung ist wahrscheinlich nicht zufällig. Unternehmen, die mehr Wert aus AI-Ausgaben schöpfen können, sind wahrscheinlich auch die Unternehmen, die am meisten investieren – auch wenn nicht jedes Unternehmen so ist, so gilt dies doch für einen erheblichen Teil.

Eine Analyse von 107 börsennotierten Unternehmen durch die Boston Consulting Group hat ergeben, dass die Unternehmen in den obersten beiden Quintilen der Token-Nutzung ein deutlich schnelleres Umsatzwachstum aufweisen als andere Unternehmen.

Der Kernpunkt, den ich hier vermitteln möchte, ist, dass die Nachfrage nach Token und die Nutzungseffizienz sich gegenseitig verstärken: Je mehr Wert ein Unternehmen erhält, desto mehr Token verbraucht es auch.

Dieser Prozess beinhaltet natürlich immer wieder eine Abwägung zwischen Investitionen und Erträgen, und Forschung und Entwicklung beinhalten immer einige Vorlaufkosten. Aber für die überwiegende Mehrheit der Unternehmen war es nie eine effektive Strategie, unkontrolliert „Token zu stapeln“.

Daher ist es offensichtlich eine gute Sache, dass Unternehmen in Zukunft immer weniger gezwungen sind, dies zu tun.

Der Wettbewerb um Talente in den führenden Labors

New Media hat kürzlich zwei hervorragende Teammitglieder von OpenAI gewonnen, also schauen wir uns abschließend einige interessante Grafiken zur Rekrutierungssituation in den führenden AI-Labors an.

Dario Amodei äußerte kürzlich Bedenken, dass die Mitarbeiter Geld über die Mission stellen. Laut den Daten von Levels.fyi könnte diese Sorge nicht unbegründet sein.

Wenn man die Datenoberfläche vollständig versteht, sind die Gehälter, die Anthropic Ingenieuren zahlt, sehr hoch und liegen weit über denen von Ingenieuren mit vergleichbarer Qualifikation bei Google, Tesla und anderen Unternehmen.

Es scheint, dass es wirklich eine gute Sache ist, Mitglied des technischen Teams zu werden.

Darüber hinaus gibt es eine weitere interessante Datengruppe.

Laut den Daten von Live Data Technologies, die von Truist Securities aufbereitet wurden, gibt es sowohl große Überschneidungen als auch deutliche Unterschiede in den Talentquellen der verschiedenen Labore:

Beide Unternehmen haben viele Talente von großen Technologieunternehmen mit hoher Marktkapitalisierung rekrutiert, jedoch hat nur OpenAI Mitarbeiter von Nvidia und Tesla eingestellt, und das geschah alles im Jahr 2026.

Databricks, Snowflake (vor kurzem), Palantir und DeepMind sind ebenfalls gemeinsame Talentquellen beider Unternehmen.

Beide Labore haben auch eine beträchtliche Anzahl von Mitarbeitern von Salesforce und Stripe rekrutiert.

Aber die Überschneidungen scheinen hier zu enden. Anthropic hat viele Talente von SaaS-Unternehmen rekrutiert, während OpenAI dies kaum getan hat; OpenAI hat hingegen viele Mitarbeiter aus dem Bereich des Verbraucherinternet, der Plattformmärkte und der Werbetechnologie eingestellt, während Anthropic in diesen Bereichen relativ wenig rekrutiert hat, mit Ausnahme von Airbnb, Netflix und Uber.

Was diese Unterschiede bedeuten, überlassen wir der eigenen Interpretation der Leser.