Warum Frontier-KI der Halbleiterindustrie immer ähnlicher wird

• Durch die Kombination aus enormem Vorabkapital und kurzen Technologiezyklen geraten Frontier-KI-Labore auf ein Halbleiter-Treadmill: Sobald sie ein neues Produkt veröffentlichen, müssen sie bereits die nächste Generation vorbereiten.
• Die Trainingskosten für Frontier-Modelle sind über acht Jahre hinweg jährlich um etwa das 2,4-Fache gestiegen; die größten Trainingsläufe könnten 2027 die Marke von 1 Mrd. US-Dollar überschreiten und 2028 10 Mrd. US-Dollar erreichen.
• Die Halbleiterindustrie erlebte alle 3–4 Jahre Abschwünge und wurde um wenige Unternehmen herum konsolidiert. Firmen wie Nvidia, Apple und ARM, die eine Ebene über der Fertigung Design, Software und Ökosysteme kontrollierten, schufen jedoch großen Wert.
• Auch in der KI steigen die Frontier-Kosten rasant, während die Kosten für eine bestimmte Leistungsfähigkeit nach einigen Schätzungen jedes Jahr auf ein Zehntel fallen. Dadurch können Anwendungsunternehmen wie Cursor, Harvey und Abridge Produkte und Kundenbeziehungen aufbauen, ohne selbst Modelle zu trainieren.
• Größe und Kapital sind die zentralen Wettbewerbsvorteile von Frontier-Laboren, doch die breiteren Geschäftschancen liegen in der Anwendungsschicht von günstiger und reichlich verfügbarer Intelligenz. Das Risiko der Plattformabhängigkeit, dass Modellanbieter in Kundenmärkte eindringen, muss separat bewertet werden.

---

Das nie anhaltende Halbleiter-Treadmill

• Halbleiterunternehmen der nächsten Generation investieren enorme Summen in Design, Tape-out, Prozessqualifizierung sowie den Ausbau von Fertigung und Vertrieb. Doch wenn das Produkt fertig ist, verlangt der Markt bereits nach der nächsten Generation.
• Unternehmen, die mit diesem Zyklus nicht Schritt hielten, wurden übernommen, konsolidiert oder stellten ihr Geschäft still ein. Nicht die Technologie selbst, sondern Kapitalintensität und Entwicklungsgeschwindigkeit machten Investitionen schwierig.
• Frontier-Modell-Labore zeigen dasselbe Muster: Sobald sie mit großem Kapitaleinsatz ein Produkt veröffentlichen, wird bereits das nächste Modell von ihnen erwartet.

Die Kosten modernster Halbleiterprozesse

• Tape-out-Kosten, die bei älteren Prozessen bei einigen Hunderttausend Dollar lagen, können bei einem vollständigen Maskensatz für 3 nm über 100 Mio. US-Dollar erreichen.
  • Der Großteil der Kosten entsteht nicht durch Wafer, sondern durch Maskensätze und Non-Recurring Engineering.
• Die von International Business Strategies geschätzten Gesamtdesignkosten neuer Chips steigen stark, je feiner der Prozess wird.
  • 28 nm: etwa 40 Mio. US-Dollar
  • 7 nm: etwa 217 Mio. US-Dollar
  • 5 nm: etwa 416 Mio. US-Dollar
  • 3 nm: etwa 590 Mio. US-Dollar
  • 2 nm: über 725 Mio. US-Dollar
• Diese Zahlen sind allerdings umstritten.
  • Laut SemiAnalysis gibt es reale Beispiele von Startups, die einen hochmodernen 7-nm-Chip für insgesamt 50–75 Mio. US-Dollar auf den Markt gebracht haben; hohe Schätzungen sollten daher als Obergrenze gesehen werden.
• Bezieht man Fertigungsanlagen mit ein, wird die Belastung noch größer.
  • Eine 3-nm-Produktionsanlage kostet 15–20 Mrd. US-Dollar.
  • Ein einzelner EUV-Scanner kostet über 350 Mio. US-Dollar.
  • TSMCs Investitionsplan für 2026 liegt bei 52–56 Mrd. US-Dollar.
• Die Kosten pro Transistor sinken weiter, doch nur Unternehmen, die genügend Produktionsvolumen erreichen, um dies auszugleichen, können wirtschaftlich arbeiten.

Die Kosten der nächsten Frontier-Modellgeneration

• Die amortisierten Hardwarekosten für das finale Training von GPT-4 lagen laut Schätzung von Epoch AI bei etwa 40 Mio. US-Dollar.
  • Der Stanford AI Index kommt unter Verwendung von Cloud-Mietpreisen auf etwa 78 Mio. US-Dollar.
  • Sam Altman sagte, es habe mehr als 100 Mio. US-Dollar gekostet.
• Die geschätzten Trainingskosten von Gemini Ultra variieren je nach Berechnungsmethode zwischen 30 Mio. und 191 Mio. US-Dollar.
• Je nach Methodik kann sich die erste Ziffer ändern, doch die Größenordnung der Kosten ist ähnlich; wichtiger als einzelne Schätzungen ist der langfristige Wachstumstrend.
• Laut Epoch AI sind die Trainingskosten für Frontier-Modelle acht Jahre in Folge jährlich um etwa das 2,4-Fache gestiegen.
  • Die größten Trainingsläufe könnten 2027 die Marke von 1 Mrd. US-Dollar überschreiten.
  • Dario Amodei erwartet, dass 2028 Trainingsläufe im Umfang von 10 Mrd. US-Dollar auftauchen könnten.
  • Frontier-Trainingsläufe für 2026 werden bereits auf über 200–500 Mio. US-Dollar geschätzt.
• Enormes Vorabkapital, schnelle Release-Zyklen und die Erwartung einer nächsten Generation unmittelbar nach Veröffentlichung setzen KI-Labore unter einen Druck, der dem von Halbleiterunternehmen ähnelt.

Warum KI-Trainingsassets schneller abschreiben

• Halbleiterfabriken können über mehrere Prozessgenerationen hinweg wiederverwendet werden, und bereits abgeschriebene ältere Produktionslinien können noch jahrelang Gewinne erwirtschaften.
• Ein trainiertes Frontier-Modell verliert dagegen an Wert, sobald ein Wettbewerber ein besseres Modell veröffentlicht, und hat keinen Restwert wie eine ältere Halbleiterfabrik.
• Aufgrund dieses Unterschieds kann das wirtschaftliche Treadmill von Frontier-KI-Laboren härter sein als die Halbleiterfertigung.

Zyklen und Konsolidierung in der Halbleiterindustrie

• In der Halbleiterindustrie kam es über rund 70 Jahre hinweg alle 3–4 Jahre zu Abschwüngen; bisher gab es mehr als 15 solcher Zyklen.
• Beim Platzen der Dotcom-Blase fiel der PHLX Semiconductor Sector Index (SOX) von seinem Hoch im Jahr 2000 um etwa 82 %, und auch Nvidias Unternehmenswert sank um etwa 90 %.
• Laut PitchBook erreichten Venture-Investitionen in Halbleiter-Startups 2021 mit etwa 14,5 Mrd. US-Dollar ihren Höhepunkt und gingen 2022 um 46 % auf 7,8 Mrd. US-Dollar zurück.
• Chip-Startups, die Forschung und Entwicklung nicht in Umsatz umwandeln konnten, bevor die Finanzierungsmärkte einfroren, gingen die Betriebsmittel aus.
• Eine Branche mit Tausenden Unternehmen wurde über Jahrzehnte um wenige Anbieter herum konsolidiert; insbesondere der Speichermarkt wurde zu einem Oligopol.
• Wenn extreme Kapitalintensität mit ständigem Generationswechsel zusammenkommt, konzentriert sich die Branche auf wenige Gewinner, und Unternehmen, die einen Boom fälschlich für einen Dauerzustand halten, werden im nächsten Abschwung hart getroffen.

Die Schichten, die im Halbleiterbereich größeren Wert schufen

• Die Halbleiterindustrie brachte nicht nur eine Konsolidierung unter Unternehmen mit modernsten Prozessen hervor, sondern wurde zur Grundlage enormer Wertschöpfung in der gesamten Technologiebranche.
• Nvidia, Apple, Qualcomm, Broadcom und AMD bauten starke Geschäfte mit einem Fabless-Modell auf: Sie besitzen keine eigenen Fabriken, sondern überlassen die Kapitalbelastung modernster Fertigung TSMC und anderen.
• ARM kam in nahezu jedes Mobiltelefon, ohne selbst mit Silizium zu arbeiten, indem es Instruction Sets lizenzierte.
• Diese Unternehmen kontrollierten eine Ebene über dem Fertigungs-Treadmill Design, Software und Ökosysteme und verlagerten die Bilanzrisiken auf Foundries.
• Der größere Wandel fand auf der Basis günstiger, reichlich verfügbarer und kontinuierlich verbesserter Halbleiter statt.
  • Softwareindustrie
  • Internet
  • Smartphone-Ökonomie
  • Cloud Computing
  • Google, Amazon und die App-Ökonomie
• Unternehmen, die ihr Geschäft auf dem günstigen Computing aufbauten, das dieser Wettbewerb hervorbrachte, wuchsen über Jahrzehnte stärker als jene, die im Wettlauf um modernste Prozesse verschwanden.

Steigende Frontier-Kosten und sinkende Kosten für Intelligenz

• Die Kostenobergrenze für Frontier-Modelle steigt auf über 1 Mrd. US-Dollar, doch die Kosten, um ein bestimmtes Leistungsniveau zu erreichen, fallen nach einigen Schätzungen jedes Jahr auf ein Zehntel.
• Ein Modell auf dem Niveau eines Modells, dessen Training 2023 78 Mio. US-Dollar kostete, lasse sich heute vermutlich für unter 10 Mio. US-Dollar bauen.
• DeepSeek soll ein leistungsstarkes Modell für wenige Millionen Dollar trainiert haben.
• Die genauen Zahlen sind umstritten, und einige Schätzungen könnten zu optimistisch sein. Die Richtung ist jedoch klar: Die Kosten, um dieselbe Leistung mit offenen Modellen zu erreichen, sinken.
• Intelligenz fällt zusammen mit Computing entlang der Kostenkurve, und der Frontier-Wettbewerb sowie der darüberliegende Anwendungsmarkt haben unterschiedliche ökonomische Logiken.

Die auf KI übertragene Fabless-Strategie

• Am Training von Frontier-Modellen können nur wenige Labore teilnehmen, die enorme Mittel sichern können; die Anwendungsschicht darüber steht jedoch deutlich mehr Unternehmen offen.
• Anysphere wurde 2022 von vier MIT-Studierenden gegründet und baute Cursor auf den Frontier-Modellen anderer Unternehmen auf.
  • Der annualisierte Umsatz stieg von etwa 100 Mio. US-Dollar Anfang 2025 auf etwa 4 Mrd. US-Dollar Mitte 2026.
  • SpaceX stimmte im Juni 2026 zu, das Unternehmen für etwa 60 Mrd. US-Dollar zu übernehmen.
• Cursor trainierte keine eigenen Frontier-Modelle, sondern besaß das Produkt und die Entwicklerbeziehungen und ließ die Modelllabore die Trainingskosten tragen.
• Dieselbe Strategie wird in mehreren Branchen angewendet.
  • Perplexity: Suche
  • Harvey: juristische Arbeit
  • Sierra: Kundenservice
  • Abridge: klinischer Alltag
  • Glean: interne Unternehmensarbeit
  • Foundry Robotics: Fertigung
• Diese Unternehmen steigen nicht direkt auf das Trainings-Treadmill, sondern bauen darauf Produkte und Geschäfte auf.

Das separate Risiko der Plattformabhängigkeit

• Wer Produkte auf externen Modellen aufbaut, riskiert, dass Modellanbieter in die Anwendungsschicht aufsteigen und direkt mit dem Geschäft ihrer Kunden konkurrieren.
• Labore konkurrieren bereits mit einigen wichtigen Kunden, die ihre Modelle nutzen.
• Cursor konkurrierte mit den eigenen Coding-Tools der Modellanbieter und trug dabei Retail-Preise für Modelle, während die Anbieter Wholesale-Ökonomien nutzen konnten.
• Plattformabhängigkeit ist ein nicht zu ignorierendes Investitionsrisiko, unterscheidet sich jedoch in Charakter und Eintrittskosten von den Trainingskosten und Generationswechselrisiken, die Frontier-Labore tragen.

Zwei Typen, die Investoren unterscheiden sollten

• Im Halbleiterzeitalter erzielten zwei Arten von Unternehmen Erfolge.
  • Einige wenige Unternehmen erreichten die Größe, um das modernste Treadmill dauerhaft zu bewältigen.
  • Deutlich mehr Unternehmen bauten ein oder zwei Schichten über günstigem, reichlich verfügbarem Silizium nachhaltige und margenstarke Geschäfte auf.
• Gemessen an der gesamten Wertschöpfung war der zweite Typ dem ersten deutlich überlegen.
• Das Zeitalter der Frontier-Modelle entwickelt sich in dieselbe Richtung; man sollte das Treadmill nicht mit dem gesamten Markt verwechseln.
• Auch KI könnte wie frühere kapitalintensive Tech-Booms eine oder mehrere Finanzierungsdürreperioden erleben, und Unternehmen, die die jeweils neueste Generation mit optimistischem Marktkapital finanzieren, werden dann unter Druck geraten.
• Die größere Chance liegt weniger darin, wer den Frontier-Wettbewerb gewinnt, sondern darin, was gebaut wird, nachdem Intelligenz günstig und reichlich verfügbar geworden ist.
• Red Glass Ventures interessiert sich besonders für Robotik, Hardware und Systeme, die in der physischen Welt direkt handeln, also dort, wo günstige Intelligenz auf die reale Welt trifft.