IBM-CEO: „Eine Rentabilität der KI-Rechenzentrum-Investitionen ist kaum zu erwarten“

 (businessinsider.com)
8 Punkte von GN⁺ 2025-12-03 | 7 Kommentare | Auf WhatsApp teilen
  • IBM-CEO Arvind Krishnas Einwände zur starken Zunahme der Rechenzentrumsinvestitionen globaler KI-Unternehmen rühren an die Frage der Gewinnmarge.
  • Er sagt, dass nach heutigen Kostenvoranschlägen der Bau eines 1-GW-Rechenzentrums etwa 80 Milliarden US-Dollar kostet und große Unternehmen bereits 20 bis 30 GW anstreben.
  • Weltweit werden nach seiner Rechnung rund 100 GW KI-Infrastruktur aufgebaut, was einem Gesamtvolumen von 8 Billionen US-Dollar entspricht.
  • Krishna zufolge wäre bei Berücksichtigung der 5-jährigen Abschreibung von KI-Chips und der massiven Kapitalaufwendungen jährlich ein Gewinn von 800 Milliarden US-Dollar erforderlich, um die Investition tragfähig zu machen – ein realistischer Weg sei jedoch nicht erkennbar.
  • Er hält die Wahrscheinlichkeit, dass die heutige Technologie zu AGI (Artificial General Intelligence) führt, für nur 0 bis 1 % und betont damit die Grenzen von LLM.

Rascher Anstieg der KI-Rechenzentrumsinvestitionen und Debatte um die Rentabilität

  • Führende KI-Unternehmen investieren im AGI-Wettstreit mit dem Ziel der Milliarden-Investitionen in Rechenzentren.
    • Meta hat in der letzten Ergebnisveröffentlichung mehrfach die Begriffe „Capacity“ und „AI Infrastructure“ hervorgehoben.
    • Google hat langfristig Pläne für den Bau von weltraumgestützten Rechenzentren vorgestellt.
  • Krishna äußerte, dass es „sehr unwahrscheinlich ist, dass solche Investitionen in Gewinn umgewandelt werden“.
    • Er betont, dass die Kalkulation auf der heutigen Kostenbasis beruhe und künftige Ausgaben unsicher seien.

Krishnas Kostenkalkulation und Rentabilitätsanalyse

  • Für den Aufbau eines 1-GW-Rechenzentrums seien etwa 80 Milliarden US-Dollar erforderlich.
    • Wenn ein Unternehmen 20 bis 30 GW ausbaut, entstünden 1,5 Billionen US-Dollar an Kapitalausgaben (CapEx).
  • Weltweit lägen Investitionen in einer Größenordnung von etwa 100 GW vor, was einem Gesamtvolumen von 8 Billionen US-Dollar entspräche.
    • In diesem Fall wäre ein jährlicher Gewinn von 800 Milliarden US-Dollar nötig, nur um die Zinslast zu bedienen.
  • Krishna hält fest, es gebe „keine praktikable Möglichkeit“, solch hohe Gewinne zu erzielen.

Abschreibung und Investitionsrisiken

  • Die 5-jährige Abschreibung von KI-Chips nennt er als zentralen Risikofaktor.
    • Er sagte: „Nach fünf Jahren muss man die Chips ersetzen und neu aufstocken.“
  • Auch Investor Michael Burry habe auf das Abschreibungsproblem bei Nvidia hingewiesen und damit einen Rückgang des Aktienkurses ausgelöst.
  • Krishna bewertet, dass diese Abschreibungsstruktur die ROI (Return on Investment) weiter verschlechtert.

Skepsis über die Erreichung von AGI

  • Krishna setzt die Wahrscheinlichkeit für AGI mit der aktuellen Technologie bei 0 bis 1 % an.
    • Er sagte, dass eine Realisierung „ohne weitere technische Durchbrüche“ nicht möglich sei.
  • Er argumentiert, dass LLM (Large Language Models) allein an Grenzen stoßen und eine Integration von harten Wissensbeständen erforderlich sei.
  • Ilya Sutskever von OpenAI betonte mit der Aussage „Das Zeitalter des Skalierens ist vorbei“ die Notwendigkeit eines Wechsels auf Forschung.

Weitere skeptische Stimmen in der Branche

  • Marc Benioff bezeichnete den AGI-Vorstoß als „Hypnose“-ähnlich.
  • Andrew Ng sagte, AGI sei „überbewertet“.
  • Mistral-CEO Arthur Mensch bezeichnete AGI als „Marketingstrategie“.

Krishnas Fazit

  • Krishna bewertet, dass aktuelle KI-Tools bereits Billionen von Dollar an Wert für die Unternehmensproduktivität schaffen können.
  • Er betont aber, dass für AGI weitere technische Fortschritte jenseits des heutigen LLM-Weges notwendig seien.
  • „Selbst dann läge die Wahrscheinlichkeit eher bei ‚vielleicht‘ (maybe).“

Verwandte Beiträge

7 Kommentare

 
un0haep337 2025-12-04

Ich teile zwar die Ansicht, dass das aktuelle Ausmaß und die Pläne für Investitionen in AI-Rechenzentren überzogen sind, aber Pläne sind eben nur Pläne, und in einer Situation, in der niemand die Geschwindigkeit und Richtung der technologischen Entwicklung vorhersagen kann, ist es riskant, ein so endgültiges Urteil zu fällen; als CEO scheint mir das keine gute Einschätzung zu sein.
 
halfenif 2025-12-04

(In einem Interview) Die Frage an SKT-Chairman Choi Tae-won, ob er KI für eine Blase halte, und seine Antwort darauf fand ich beeindruckend.

Wenn ich mich richtig an den Unterton erinnere, dann etwa: „Selbst wenn es tatsächlich eine Blase sein sollte, kann man nicht einfach nichts tun, wenn alle anderen es auch machen.“
 
aer0700 2025-12-06

Ganz schön ehrlich.
 
mhj5730 2025-12-04

Wenn man sich ansieht, wie viel Geld hineinfließt, denke ich, dass Effizienzsteigerungen in allen Bereichen Einzug halten werden, in denen man optimieren kann.
[Stromkosten, Effizienz von LLM-Parametern, Caching usw.] Ich denke, dass dadurch am Ende weniger Geld benötigt wird als erwartet. Hm hm ... eine pessimistische Haltung gegenüber Künstlicher Intelligenz (~~ das wird auf keinen Fall funktionieren) wurde doch immer wieder widerlegt.

Selbst wenn man nur auf LLMs schaut, fühlt es sich für mich wie ein Wunder an.
 
bus710 2025-12-04

Rein zahlenmäßig stimmt das zwar ...
Aber abgesehen von LLMs und Datenzentren gibt es wohl auch nichts, was die US-Wirtschaft antreiben könnte.
 
love7peace 2025-12-03

Fast genau wie meine Meinung ... Uns reicht es im Grunde, einfach viel Speicher zu verkaufen.
 
GN⁺ 2025-12-03
Hacker-News-Kommentare

  • Es wird Steve Jobs zitiert, der sagte, IBM habe 1958 die Xerografie verpasst, zehn Jahre später den Minicomputer ignoriert und weitere zehn Jahre später den Apple II unterschätzt.
    Wenn man heute den IBM-CEO sagen hört, dass sich Investitionen in AI-Rechenzentren nicht rentieren, scheint IBM die Zukunft immer noch schlecht zu lesen.
    Verwandtes Material: Steve Jobs 1983 Keynote, Geschichte der Erfindung von Xerox

    • IBM brachte bereits 1975 mit dem IBM 5100 einen Personal Computer heraus. Das Problem war, dass er viel zu teuer war.
      Später senkte der IBM PC (5150) durch den Einsatz von Standardbauteilen den Preis, und genau das war der Schlüssel zum Erfolg.
      IBM 5100 Wiki
    • Ich verstehe nicht, was diese historischen Beispiele mit der Einschätzung des heutigen CEO zu tun haben sollen.
    • Sich mehr auf den Boten als auf die Botschaft zu konzentrieren, halte ich für sinnlos. Xerox ist längst nicht mehr relevant, IBM ist dagegen immer noch ein Unternehmen mit einer Marktkapitalisierung von 300 Milliarden Dollar.
      Auch der Apple II hatte im Unternehmensmarkt nur begrenzten Einfluss. Außerdem geht es hier um Ereignisse von vor 50 Jahren und nicht um die heutige Debatte über den ROI von AI-Investitionen.
    • DEC ist verschwunden, und Xerox liegt bei etwa einem Tausendstel der IBM-Marktkapitalisierung. Die Offenheit der PC-Architektur von IBM war vielmehr ein Faktor dafür, dass der Markt beherrscht werden konnte.

  • Der IBM-CEO sagte, dass man AI-Chips nach fünf Jahren wegwerfen müsse, aber das wirkt wie eine zu pauschale Annahme.
    Wenn die Hardware nach fünf Jahren noch stabil läuft, gibt es Spielraum, mit älteren Modellen zu niedrigen Preisen weiter Erträge zu erzielen.

    • Michael Burry argumentiert sogar, dass fünf Jahre eine viel zu großzügige Abschreibungsdauer seien. Tatsächlich seien 2–3 Jahre realistischer.
      Burrys Tweet
    • Die übliche Abschreibungsdauer für Server-Hardware beträgt fünf Jahre, also ist das kein reines GPU-Problem.
    • Ältere Server funktionieren zwar noch gut, sind aber wegen der Energieeffizienz wirtschaftlich weniger attraktiv als neue Technik.
    • Wie beim Krypto-Mining könnte sich auch bei GPUs durch das Aufkommen von ASICs der Austauschzyklus beschleunigen.
      Letztlich wird der Fünfjahreszyklus Investitionsentscheidungen stark beeinflussen.
    • Wenn Wettbewerber effizientere Chips einsetzen, muss man alte Hardware am Ende entsorgen und upgraden.

  • Ich glaube nicht, dass sich alle AI-Rechenzentrumsinvestitionen vollständig realisieren lassen. Schon die Stromnachfrage setzt Grenzen.

    • Westliche Länder haben geringe Stromreserven, aber China hält eine Reserve von 100 % aufrecht und kann daher auch auf starke Nachfragesprünge reagieren.
    • Andererseits werden die CEOs das bereits gründlich untersucht haben; schwer zu behaupten, man wisse es besser als sie.

  • Gartner prognostiziert, dass die weltweiten AI-Ausgaben 2025 1,5 Billionen Dollar erreichen werden.
    Im Verhältnis zum weltweiten BIP (111 Billionen Dollar im Jahr 2024) erscheint das nicht übermäßig hoch.
    Die Lebensdauer von AI-Investitionen wird auf 6–8 Jahre geschätzt; sofern man nicht übertrieben pessimistisch ist, ist das eine vernünftige Größenordnung.
    Gartner-Bericht
    Weltbank-BIP-Daten

    • Ob die Investoren diesen zusätzlichen BIP-Gewinn tatsächlich abschöpfen können, ist allerdings eine andere Frage.
    • GPUs veralten deutlich schneller als in 6–8 Jahren, daher könnte die Amortisationszeit kürzer sein.

  • Wenn LLM-Dienste grundsätzlich einen Kurzantwortmodus (unter 200 Token) nutzen und Prompt-Caching sowie Routing auf kleinere Modelle anwenden,
    ließe sich der Energieverbrauch um mehr als 70 % senken.
    Bei der Größenordnung von ChatGPT liegen die jährlichen Stromkosten bei 50 bis 100 Millionen Dollar; mit diesem Ansatz würden sie auf 5 bis 10 Millionen Dollar sinken.
    Wenn die EU oder Kalifornien solche Modi verpflichtend machen würden, hätte das auch große Auswirkungen auf die Ökonomie von Rechenzentren.

    • Dann frage ich mich, warum diese 90-%-Sparoptimierung noch nicht umgesetzt wurde.

  • Vor zehn Jahren warb IBM massiv mit Watson und Anzeigen für Dinge wie „Cognitive Finance“, aber heute spricht niemand mehr darüber.
    Vielleicht gefällt es IBM einfach nicht, dass der aktuelle AI-Boom von anderen angeführt wird.

    • IBM ist auch früher schon früh in AI und Cloud eingestiegen, konnte sich aber keine Marktanteile sichern.
      Die Technologie-Demos waren beeindruckend, aber es fehlte an einem echten Geschäftsmodell.
    • Externe Berater drängten Watson als Lösung für jedes Problem auf, tatsächlich war es aber teuer und nutzlos.
      Ich erinnere mich daran, selbst ein PoC bauen zu müssen, um zu beweisen, dass es nicht funktioniert.
    • Weil IBM solche Fehlschläge erlebt hat, könnte das Unternehmen heute eine skeptischere Sichtweise haben.
      Trotzdem sollte man die Einschätzung angesichts seiner Stellung im Markt nicht komplett ignorieren.
    • Das Scheitern von Watson macht die Einschätzung des heutigen CEO nicht ungültig.
    • Vielleicht trifft IBM einfach nur die nüchterne Aussage, dass sich Investitionen in Milliardenhöhe beim ROI nicht rechnen.

  • An der Aussage des IBM-CEO, dass AI schwer profitabel zu machen ist, ist etwas dran.
    Nach Maßgabe von NVIDIA lassen sich mit 1 GW Leistung pro Jahr 6,29×10^16 Token erzeugen;
    wenn der gesamte Text des Internets bei etwa 10^14 Token liegt, könnten die Daten selbst zum begrenzenden Faktor werden.

    • Allerdings scheint mir diese Zahl zu niedrig angesetzt. Wenn man Bild- und Videodaten einbezieht, dürfte der Unterschied mehrere Größenordnungen betragen.
    • Nimmt man Bild-Token hinzu, liegt der Unterschied vermutlich bei mindestens fünf Größenordnungen.
    • Ich verstehe allerdings nicht, warum diese Rechnung zu dem Schluss führen soll, dass „AI nicht profitabel sein kann“.

  • In der aktuellen AI-Debatte gibt es drei Angstfaktoren.

    1. die Angst, dass es eine Blase sein könnte
    2. die Angst, dass vielleicht doch eine echte Revolution kommt
    3. die Angst, diese Revolution zu verpassen (FOMO)
      IBM spiegelt weniger eine besondere Einsicht wider als vielmehr einen Teil dieser Ängste.

  • Ich halte die Investitionen in AI-Infrastruktur für vergleichbar mit den Überinvestitionen in Glasfaser während der Dotcom-Blase.
    Langfristig hat das Wert, aber einzelne Unternehmen können massiv scheitern.
    Wichtiger als die Zahl der GPUs sind Auslastung und Geschäftsmodell.

    • Als Gegenposition wird dieser Blogbeitrag zu einem ähnlichen Thema vorgestellt.
    • Bei Glasfaser war der langfristige Wert jedoch klar, während GPUs außerhalb von AI nur begrenzte Einsatzmöglichkeiten haben und daher riskanter sind.

  • IBM ist ein Unternehmen, das Chancen bei Consumer-Hardware, Betriebssystemen und Cloud verpasst hat.
    Der CEO könnte recht haben, aber als Maßstab für Zukunftsprognosen ist IBM ungeeignet.