Software hat die Welt verschlungen – und jetzt verschlingt Hardware die Software

• Im SaaS-Zeitalter erzielten Interfaces und Anwendungen 75–90 % Bruttomarge, doch bei AI verlagert sich das Wertzentrum nach unten zu Halbleitern, Computing, Daten und Inferenz-Plattformen, während die Anwendungsschicht dünner wird
• Enormer Kapitaleinsatz, physische Engpässe bei CoWoS, HBM und Strom, Wechselkosten bei Daten sowie die Ersetzbarkeit von Anwendungslogik verankern den Wert in den unteren Schichten
• Der Umsatz von NVIDIA im Datacenter-Geschäft stieg im bis April 2026 beendeten Quartal auf 75,2 Milliarden US-Dollar, ein Plus von 92 % gegenüber dem Vorjahr, und die Investitionsausgaben der vier größten Hyperscaler erreichten im 1. Quartal 2026 131 Milliarden US-Dollar – Kapital konzentriert sich damit auf die physische Basisschicht
• Leistungsabstand und Preise bei Open-Weight-Modellen sinken schnell, doch Inferenz- und Optimierungsplattformen mit hohem Durchsatz und niedriger Latenz, proprietäre Datenplattformen sowie wenige Premium-Modelle mit Spitzenleistung und Enterprise-Vertrieb behalten ihren Wert
• Bei AI-Anwendungen machen Inferenzkosten im Schnitt 23 % des Umsatzes aus, sodass die Bruttomarge oft bei 50–60 % bleibt; um die Abwehrkraft klassischer Software zu erreichen, braucht es mindestens eines von proprietären Daten-Loops, Systems of Record, regulierten Workflows, Vertriebskraft oder erfolgsbasierter Preisgestaltung

---

AI dreht die Richtung der Wertverschiebung um

• Bei SaaS lagen die Grenzkosten für einen zusätzlichen Nutzer nahe null, und Unternehmen, die Interface, Workflow und System of Record besaßen, erzielten 75–90 % Bruttomarge
• Bei AI werden Inferenzkosten zu variablen Umsatzkosten, wodurch sich das Wertzentrum von der Anwendung in tiefere Schichten verlagert
  • Halbleiter und Computing, Datenplattformen, Inferenz-Engines zum Betrieb offener Modelle und einige wenige Premium-Frontier-Modelle bilden die wichtigsten Wertschichten
• Anwendungen verschwinden nicht, aber ihre Schicht wird dünner
  • Während Modelle und Daten höher bewertet werden, erzielen undifferenzierte Wrapper-Anwendungen niedrigere Margen und Umsatzmultiples
• Nach dem Dotcom-Crash zog sich privates Kapital aus kapitalintensiven, zyklischen Halbleitern zurück und verlagerte sich zu Cloud und SaaS mit über 80 % Bruttomarge und wiederkehrenden Umsätzen
• AI kehrt diese Bewegung um und lenkt Kapital zurück in Silizium, Packaging, Strom, Dateninfrastruktur und Inferenz-Basis
  • Die wertvollsten Franchises im Technologiesektor sind wieder Chip-Unternehmen
  • Inferenz- und Datenplattformen werden zu Infrastrukturgeschäften mit Rekordwachstum
  • Asset-light-Anwendungen, einst Ziel dieser Kapitalverschiebung, haben im AI-Stack nun eine nachteilige Margenstruktur

Vier Gründe, warum sich Wert in den unteren Schichten ansammelt

• Jede Schicht des AI-Stacks lässt sich danach bewerten, wie leicht der nächste Dollar an Wert anderswo ersetzt werden kann
• Kapitalintensität wirkt als Eintrittsbarriere
  • Die vier größten Hyperscaler fahren derzeit annualisierte Investitionsausgaben von mehr als 500 Milliarden US-Dollar und steuern 2026 auf über 600 Milliarden US-Dollar zu
  • In Märkten, die dauerhaft enorme Kapitalzufuhr erfordern, wird Kapital selbst zum Burggraben
• Physische Engpässe lassen sich kurzfristig nicht einfach mit Geld beseitigen
  • Fortgeschrittenes CoWoS-Packaging, High Bandwidth Memory (HBM) und Strom sind klare Restriktionen
  • Wer knappe Restriktionen kontrolliert, sichert sich den Wert
• Wechselkosten und Trägheit lassen Wert in Datenplattformen akkumulieren
  • Je mehr Pipelines, Tabellen und Modelle in derselben Umgebung hinzukommen, desto höher werden die Migrationskosten
  • Da Open Weights für Portabilität ausgelegt sind, verschiebt sich der Wert vom Modell selbst auf die Plattform, die es bereitstellt
• Das Substitutionsrisiko an der Oberfläche wächst weiter
  • Generische Anwendungslogik kann direkt von Modellen übernommen werden und ist damit die am leichtesten ersetzbare Schicht im Stack

Schicht 1: Halbleiter und Computing

• NVIDIA und die Capex-Ausgaben der Hyperscaler

  • Der Datacenter-Umsatz von NVIDIA stieg im bis April 2026 beendeten Quartal auf 75,2 Milliarden US-Dollar, 92 % mehr als im Vorjahr
  • Die Bruttomarge liegt bei rund 75 %, der annualisierte Umsatz bei etwa 300 Milliarden US-Dollar
  • Die Umsatzprognose für das folgende Quartal liegt insgesamt bei 91,0 Milliarden US-Dollar, der Marktanteil bei AI-Beschleuniger-Umsätzen bei rund 80 %
  • Die Investitionsausgaben der vier größten Hyperscaler erreichten im 1. Quartal 2026 rund 131 Milliarden US-Dollar
    • Amazon gab 44,2 Milliarden US-Dollar aus, Alphabet 35,7 Milliarden US-Dollar
    • Microsoft investierte 30,9 Milliarden US-Dollar, Meta 19,8 Milliarden US-Dollar
  • Dieses Investitionsvolumen entspricht annualisiert etwa 525 Milliarden US-Dollar und steigt weiter in Richtung der Jahresprognose 2026 von mehr als 600 Milliarden US-Dollar
  • Goldman Sachs schätzt die kumulierten Investitionsausgaben der Hyperscaler von 2025 bis 2030 auf 5,3 Billionen US-Dollar

• Angebotsengpässe bei Computing, Speicher und Storage

  • Der weltweite Halbleiterumsatz lag 2025 bei 793 Milliarden US-Dollar, 21 % mehr als im Vorjahr, und dürfte 2026 an 1 Billion US-Dollar heranreichen
    • Die WSTS-Prognose liegt bei rund 975 Milliarden US-Dollar, was einem Anstieg von 25 % gegenüber dem Vorjahr entspricht
    • Die Gartner-Prognose liegt noch höher
  • AI macht rund 30 % des gesamten Halbleiterumsatzes aus und dürfte bis 2029 auf mehr als 50 % steigen
  • Im Computing-Bereich wird erwartet, dass der Markt für AI-Beschleuniger von rund 80 Milliarden US-Dollar im Jahr 2024 auf mehr als 280 Milliarden US-Dollar im Jahr 2029 wächst
  • Auch der Speichermarkt gerät schnell unter Druck
    • Die HBM-Nachfrage stieg 2025 um rund 130 % und legt 2026 nochmals um etwa 70 % zu
    • Die Vertragspreise für Standard-DRAM stiegen im 1. Quartal 2026 gegenüber dem Vorquartal um rund 90 %
    • AI-Rechenzentren absorbieren etwa 70 % des hochwertigen DRAM
  • Der NAND-Markt wird 2026 etwa 65 Milliarden US-Dollar erreichen, wobei ein Fünftel aller Bits für AI genutzt wird
    • Bis 2027 dürfte das Nachfragewachstum von 20–22 % über dem Angebotswachstum von 15–17 % liegen

• Packaging-, Strom-Engpässe und Renditerisiken

  • Die zentralen Restriktionen verlagern sich beim Chipdesign von Packaging und Strom
  • Die CoWoS-Kapazität von TSMC steigt von rund 70.000 Wafern pro Monat im Jahr 2025 auf rund 110.000 Wafer im Jahr 2026, ist aber de facto ausverkauft
  • NVIDIA hat mehr als die Hälfte dieses Angebots bis 2027 reserviert
  • Die 2025 angekündigte neue AI-Rechenzentrumskapazität überstieg 10 GW, während die heutige Packaging-Basis nur etwa 18 GW unterstützen kann
  • Maßgeschneidertes Silizium der Hyperscaler wie Google TPU, AWS Trainium und Broadcom ASIC wächst zu einem Beschleunigermarkt von mehr als 200 Milliarden US-Dollar heran
    • Das könnte den NVIDIA-Anteil langfristig senken, verschiebt den Wert aber nicht aus der Halbleiterschicht heraus
  • Das größte Risiko betrifft eher die Kapitalrendite als den Umsatz
    • Bei jährlichen Investitionsausgaben von mehr als 500 Milliarden US-Dollar und einer Nutzungsdauer von 2–3 Jahren für Beschleuniger muss die Auslastung der installierten Basis hoch genug bleiben, um Margen zu halten
    • Mehr noch als Wettbewerb wird die Anlagenauslastung zur entscheidenden Variable für die Profitabilität des gesamten AI-Stacks

Schicht 2: Offene Modelle und Inferenz-Plattformen

• Konvergenz der Modellleistung und Ausweitung des Angebots

  • Laut Stanford AI Index schrumpfte im Chatbot Arena der Abstand zwischen dem besten geschlossenen Modell und dem besten Open-Weight-Modell von 8,04 % im Januar 2024 auf 1,70 % im Februar 2025
  • Bei MMLU ist der Abstand von rund 17,5 Punkten im Jahr 2023 praktisch verschwunden
  • DeepSeek R1 zeigte, dass für Frontier-taugliches Reasoning kein Trainingsbudget im hohen dreistelligen Millionenbereich zwingend nötig ist
  • Qwen überholte auf Hugging Face Llama als meistgeladene Modellfamilie
  • Auf Hugging Face sind mehr als 2,2 Millionen Modelle registriert, und der Katalog hat sich in rund 24 Monaten verdoppelt
  • Wenn Tausende ähnliche offene Modelle existieren, wird nicht das Gewicht selbst knapp, sondern die Fähigkeit, es effizient auszuführen
    • Durchsatz, Latenz und Kosten pro Token müssen optimiert werden
    • Modell-Routing und Caching, Fine-Tuning und Evaluation sowie Guardrails sind ebenfalls nötig

• Nicht-US-Open-Modelle und Plattformwert

  • An der Open-Weight-Frontier wächst der Anteil von Entwicklern außerhalb der USA
  • Von August 2024 bis August 2025 entfielen 17,1 % der Hugging-Face-Downloads auf chinesische Entwickler
    • Der Anteil von US-Entwicklern lag bei 15,8 %
  • Qwen überholte Llama als Modellfamilie mit den meisten Downloads
  • Die Kommoditisierung offener Modelle umfasst nicht nur ökonomische Fragen, sondern auch Lieferketten- und Politikvariablen
  • Wie bei Linux selbst nicht Linux, sondern Red Hat und die Cloud den ökonomischen Wert abschöpften, absorbieren bei Open Weights nicht die Modelle, sondern die Plattformen die Ausgaben, die sie stabil und günstig bereitstellen
  • Nachhaltige Geschäftsmodelle ähneln eher Inferenz- und Optimierungsplattformen als offenen Modellen selbst
    • Die Fähigkeit, portable Modelle in Produktion zuverlässig und günstig zu betreiben, lässt sich nicht leicht kommoditisieren

• Wachstum und Kostenstruktur von Inferenz-Plattformen

  • Fireworks AI gab an, in rund drei Jahren einen annualisierten Umsatz von 800 Millionen US-Dollar überschritten und sich gegenüber dem Vorjahr mehr als vervierfacht zu haben
  • Together AI soll in einer ähnlichen Größenordnung liegen, Baseten wuchs gegenüber dem Vorjahr um mehr als das Fünffache auf rund 600 Millionen US-Dollar
  • Diese Unternehmen sind keine Modell-Labs, sondern Infrastrukturanbieter, die Open Weights produktionsreif machen
  • Bei einer mittelgroßen AI-Funktion mit 50 Milliarden Output-Token pro Monat ergibt sich ein deutlicher Kostenunterschied
    • Wenn Frontier-APIs für Output etwa 10–15 US-Dollar pro 1 Million Token kosten, liegen die monatlichen Kosten bei rund 500.000–750.000 US-Dollar
    • Wenn offene Modelle wie Llama, Qwen oder DeepSeek über Inferenz-Plattformen für rund 0,40–1 US-Dollar pro 1 Million Token bereitgestellt werden, liegen die monatlichen Kosten bei rund 20.000–50.000 US-Dollar
  • Die Kostensenkung liegt bei mehr als 90 %, und die Plattform sichert sich einen Teil der Einsparung als Marge
  • Diese Rechnung ist illustrativ; die tatsächlichen Kosten hängen von Modell, Kontextlänge und Auslastung ab

Schicht 3: Einige wenige Premium-Modelle

• Die Konvergenz offener Modelle reduziert die durchschnittliche Leistungslücke, beseitigt aber nicht die Frontier selbst
• Für Bereiche, in denen man für einen zusätzlichen Leistungspunkt zahlt – etwa komplexe Agentenaufgaben, langfristige Zuverlässigkeit, Coding in Produktion oder Sicherheit –, bleibt eine Premium-Schicht bestehen
• Der annualisierte Umsatz von Anthropic stieg von rund 1 Milliarde US-Dollar Ende 2024 auf etwa 47 Milliarden US-Dollar im Mai 2026; bis Jahresende werden rund 100 Milliarden US-Dollar erwartet
  • Es gibt mehr als 1.000 Unternehmenskunden, die jährlich über 1 Million US-Dollar ausgeben
• Der annualisierte Umsatz von OpenAI lag Ende 2024 bei rund 6 Milliarden US-Dollar, Ende 2025 bei etwa 20 Milliarden US-Dollar und Mitte 2026 bei rund 30 Milliarden US-Dollar; bis Jahresende steuert er auf etwa 60 Milliarden US-Dollar zu
• Beide Labs verwenden unterschiedliche Umsatzdefinitionen, und die Zahlen für Ende 2026 sind Schätzungen; wichtiger als die absolute Größe ist daher der Wachstumspfad
• Die Premium-Schicht ist schmaler als 2023 erwartet, und eine verteidigungsfähige Position erfordert neben Frontier-Leistung auch Vertriebskanäle zu Enterprise-Kunden

Schicht 4: Datenplattformen

• Datenplattformen erzeugen Datengravitation, da mit jeder zusätzlichen Pipeline, Tabelle und Ontologie die Wechselkosten steigen
• Databricks überschritt einen annualisierten Umsatz von 6,9 Milliarden US-Dollar und wuchs um rund 80 %
  • AI-Produkte machen bereits rund 26 % des Umsatzes aus
  • Die Bewertung des nicht börsennotierten Unternehmens liegt bei rund 170 Milliarden US-Dollar
• Palantir ist eine operative Schicht, die Unternehmensdaten mit kontrollierten Entscheidungen verbindet
  • Der Umsatz im 1. Quartal 2026 stieg um 85 % gegenüber dem Vorjahr und erreichte annualisiert rund 6,5 Milliarden US-Dollar
  • Der Umsatz im US-Kommerzgeschäft wuchs um 133 %
  • Die Rule of 40 liegt bei 145 %
  • Die Marktkapitalisierung liegt bei rund 350 Milliarden US-Dollar, was etwa dem 50-Fachen des Umsatzes entspricht
• Modelle konvergieren, aber proprietäre Unternehmensdaten und die darauf aufgebauten Workflows und Ontologien bleiben unersetzlich
• Je stärker die Modellschicht kommoditisiert wird, desto mehr Hebel behalten Plattformen, die Daten und Entscheidungs-Loops besitzen
• Hohe Umsatzmultiples wie rund das 50-Fache bei Palantir oder 25–50x bei Foundation-Model-Unternehmen konzentrieren sich auf mit proprietären Daten gekoppelte Schichten statt auf generische Software-Oberflächen

Schicht 5: Die dünner werdende Anwendungsschicht

• Druck auf die Bruttomarge

  • Traditionelles SaaS konnte 75–90 % Bruttomarge erzielen, weil zusätzliche Nutzer kaum Mehrkosten verursachten
  • AI-native Anwendungen müssen das Modell bei jeder Anfrage erneut ausführen und landen daher eher bei 50–60 % Bruttomarge
  • Laut den Daten von ICONIQ für 2026 machen Inferenzkosten bei AI-Unternehmen in der Wachstumsphase im Schnitt rund 23 % des Umsatzes aus
  • Anders als klassische Cost of Revenue im SaaS sinkt der Anteil der Inferenzkosten nicht automatisch mit der Skalierung
  • Extrem dünne Wrapper können auf nur 25 % Bruttomarge fallen

• Polarisierung der Bewertungen

  • Der Markt setzt je nach Schicht im AI-Stack unterschiedliche Umsatzmultiples an
    • Foundation-Model-Unternehmen werden mit 25–50x bewertet
    • AI-native Plattformen liegen bei etwa 25–30x
    • Der Median klassischer SaaS-Bewertungen fiel vom Peak von 18,6x im Jahr 2021 auf rund 6,7x
    • AI-Wrapper liegen bei 5–8x und damit auf oder unter dem Niveau klassischer SaaS
  • Modelle und Daten werden hoch bewertet, undifferenzierte Anwendungsoberflächen dagegen niedrig
  • Nachhaltige Anwendungen brauchen Assets, die sich von Modellen nicht leicht absorbieren lassen
    • Sie müssen proprietäre Daten-Loops oder ein System of Record besitzen
    • Regulierte Workflows und reale Vertriebskanäle liefern Verteidigungsfähigkeit
    • Erfolgsbasierte Preisgestaltung kann Inferenzkosten in Marge verwandeln
  • Ohne solche Faktoren bleibt die Anwendung eine dünne Schicht aus Prompts und Glue Code auf kommoditisierten Modellen

Unter welchen Bedingungen Wert wieder zu Anwendungen zurückwandert

• Wenn Anwendungen Interaktionsdaten schnell ansammeln, können sie selbst zu einer Datenplattform werden und Datengravitation aufbauen
  • Anwendungen, die als System of Record fungieren, könnten eine Ausnahme vom Trend zur dünneren Schicht sein
• Wenn Premium-Modell-Labs die Inferenz kontrollieren, Agenten bauen und Anwendungen direkt verkaufen, können sie den Wert von drei Schichten internalisieren
  • Das verteilt den Wert nicht nach oben um, sondern konzentriert ihn in einem Unternehmen, könnte aber unabhängige Inferenz-Plattformen und die Anwendungsschicht schwächen
• Wenn sich Inferenzkosten schneller kommoditisieren als erwartet, könnten die Bruttomargen von AI-Anwendungen auf SaaS-Niveau zurückkehren
  • LLMflation geht davon aus, dass die Kosten pro Intelligenzeinheit jährlich um etwa den Faktor 10 sinken und der mediane Preisverfall seit Anfang 2024 bei etwa dem Faktor 200 pro Jahr liegt
  • Wenn Inferenz nahezu kostenlos wird, schwächt sich das Margenproblem der Anwendungsschicht ab
  • Selbst bei Kosten von null bleibt jedoch die Ersetzbarkeit der Oberflächenschicht bestehen, sodass das Bewertungsproblem weitgehend fortbesteht
• Derselbe Kostenrückgang kann Preise und Margen bei Halbleitern und Inferenz-Plattformen unter Druck setzen und gleichzeitig die Margen von Anwendungen erholen lassen, doch das strukturelle Substitutionsrisiko der Oberfläche bleibt bestehen

Wie Investoren, Gründer und etablierte Unternehmen reagieren sollten

• Investoren sollten eher Kontrollpunkte als Interfaces bewerten
  • Dazu gehören physische Engpässe wie Computing sowie Packaging, Strom und Speicher
  • Ebenso Datenplattformen, die fortlaufend proprietäre Daten akkumulieren
  • Auch Inferenz- und Optimierungsplattformen, die das reichliche Angebot offener Modelle monetarisieren, gehören dazu
  • Und man muss die wenigen Premium-Modelle unterscheiden, die sowohl Frontier-Leistung als auch Enterprise-Vertrieb besitzen
• Bei Anwendungen sollte man Daten-Loops oder ein System of Record verlangen und bis zum Beweis des Gegenteils 50–60 % Bruttomarge statt über 80 % ansetzen
• Gründer müssen proprietäre Daten-Loops besitzen oder selbst zum System of Record werden
  • Alternativ sollten sie erfolgsbasiert bepreisen, damit sinkende Inferenzkosten nicht nur beim Kunden als Ersparnis landen, sondern in die eigene Marge fließen
• Etablierte Unternehmen können den Burggraben der kapitalintensiven Basisschichten mieten, aber kaum selbst besitzen
  • Statt mit Computing oder Frontier-Modellen zu konkurrieren, sollten sie ihre Verteidigungsfähigkeit eher in der Datenschicht aufbauen, die Daten, Training und Serving an einem Ort hält

Kennzahlen für die nächsten vier Quartale

• Wenn das Verhältnis von Hyperscaler-Capex zu Umsatz über 25–30 % steigt und die Margen dennoch halten, bleibt die Logik der Rendite in der Basisschicht intakt
  • Brechen die Renditen auf das investierte Kapital ein, könnte der Wert des gesamten Stacks neu bewertet werden
• Wenn die Annual Recurring Revenue von Fireworks AI, Together AI und Baseten jeweils auf rund 1–2 Milliarden US-Dollar steigt, wäre das ein Beleg dafür, dass sich Wert eher in der Inferenzschicht als im Modell sammelt
• Bleibt der Abstand zwischen offenen und geschlossenen Modellen bei schwierigen Benchmarks wie Agenten und Coding unter etwa 2 Punkten, verfestigt sich die Kommoditisierung der Modellschicht
• Bleiben die Bruttomargen von AI-Anwendungen in der Wachstumsphase bei 50–60 %, bleibt die These der dünner werdenden Anwendung intakt; steigen sie wieder auf über 75 %, schwächt sie sich ab
• Wenn die Preise für DRAM und HBM quartalsweise weiter zweistellig steigen, bestätigt das, dass physische Restriktionen und Margen in der Basisschicht verbleiben

Positionierung mit Blick auf 3–5 Jahre

• Im wahrscheinlichsten Szenario sollte man sich auf Basis- und Datenschichten konzentrieren; Premium-Modelle nur dann wählen, wenn die Überzeugung in wenige Sieger sehr hoch ist
• Auf Anwendungen sollten klassische Software-Umsatzmultiples nur angewendet werden, wenn sie Daten-Loops oder ein System of Record besitzen
• Die durch Kapital, physische Engpässe, Daten-Wechselkosten und Ersetzbarkeit geformte Gravitation des Werts akkumuliert Wert in den unteren Schichten des AI-Stacks