Insights AI

Amazons AI-infrastructuurstrategie van $220 miljard: chips op maat, economische aspecten van datacenters en AI op ondernemingsschaal

Podcast · Luister (20 min)

$220B AI Bet: How AWS Custom Chips Cut Costs 40%

Inhoud
  1. 1. Het dilemma van kapitaalinvesteringen: infrastructuur opschalen bij onverzadigbare vraag
  2. 2. De werking van de datacentereconomie en maatschappelijke weerstand rond het elektriciteitsnet
  3. 3. De tweepolige vraag naar kunstmatige intelligentie en de rol van op maat gemaakte chips
  4. 4. Organisatieontwerp in het tijdperk van autonome agenten en de realiteit van cyberbeveiliging
  5. 5. Kapitaalallocatie, strategische samenwerkingen en heruitvinding van kernproducten
  6. Kerncijfers
  7. Wat dit beeld zou veranderen
  8. Geraadpleegde bronnen

Amazon doorloopt in 2026 een ongekende investeringscyclus van $220 miljard om zijn wereldwijde infrastructuur voor kunstmatige intelligentie en cloudcomputing uit te breiden. Door de aanhoudende vraag is de rekencapaciteit tot en met 2026 volledig uitverkocht, voor 2027 grotendeels uitverkocht en tot in 2028 voor een aanzienlijk deel vastgelegd. Het bedrijf weegt daarbij enorme financiële investeringen op korte termijn af tegen het op lange termijn genereren van inkomsten uit infrastructuur. Om een brede toepassing van kunstmatige intelligentie binnen de belangrijkste productiewerklasten van bedrijven mogelijk te maken — momenteel beperkt door hoge inferentiekosten — zet Amazon op maat gemaakte chips in, waaronder Trainium-versnellers en Graviton-chips met centrale verwerkingseenheden, ontwikkeld door Annapurna Labs. In combinatie met een fundamentele verschuiving naar uiterst slanke werkprocessen voor softwareontwikkeling met autonome agenten moet deze kapitaalallocatiestrategie de kosten van rekenkracht met een orde van grootte verlagen en een fundamentele leiderschapspositie in het opkomende tijdperk van kunstmatige intelligentie veiligstellen.

1. Het dilemma van kapitaalinvesteringen: infrastructuur opschalen bij onverzadigbare vraag#

De enorme omvang van de huidige vraag van bedrijven naar kunstmatige intelligentie heeft de uitbreiding van cloudinfrastructuur naar onbekend terrein gedreven. Amazon verwacht voor 2026 ongeveer $220 miljard aan totale kapitaalinvesteringen — wat neerkomt op een uitzonderlijk investeringstempo van circa $600 miljoen per dag. Ondanks deze kapitaaltoezegging blijft rekencapaciteit binnen het gehele cloudecosysteem ernstig beperkt. De capaciteit van Amazon Web Services is tot en met 2026 volledig uitverkocht, voor 2027 grotendeels uitverkocht en tot in 2028 zijn al aanzienlijke hoeveelheden capaciteit vastgelegd. Hoewel financiële markten soms sceptisch zijn over de enorme financiële middelen die nodig zijn om deze uitbreiding te financieren, is rekeninfrastructuur voor bedrijven uitgegroeid tot een basisvoorziening voor de wereldwijde handel, het bankwezen, de gezondheidszorg en softwareactiviteiten.

Deze snelle uitbreiding brengt tijdelijke operationele en financiële afwegingen met zich mee die sterk lijken op Amazons uitbreiding van zijn fysieke netwerk tijdens de pandemie. Tussen 2020 en 2022 verdubbelde Amazon de omvang van zijn netwerk voor orderverwerking — een fysiek netwerk dat in de voorgaande 25 jaar was opgebouwd — in slechts 18 maanden. Tegelijkertijd bouwde het bedrijf in 20 maanden een transportnetwerk voor de laatste bezorgfase dat qua omvang vergelijkbaar was met United Parcel Service.

Wanneer fysieke of digitale infrastructuur met zo'n extreme snelheid wordt gebouwd, ontstaan onvermijdelijk operationele inefficiënties. Binnen de detailhandelsdivisie zorgde de snelle opschaling aanvankelijk voor ernstige druk op de kosten van klantbediening. In plaats van concessies te doen aan de klantervaring of de operationele normen binnen de bedrijfscultuur te verlagen, gebruikte Amazon interne gegevensindicatoren en beoordelingsmechanismen op directieniveau om structurele knelpunten te identificeren. Dit leidde tot een volledige herinrichting van de logistieke infrastructuur, waarbij een vlak nationaal netwerk voor orderverwerking werd omgevormd tot een regionaal model. Door regionalisering kwam de voorraad dichter bij eindconsumenten te liggen, waardoor transportafstanden en operationele kosten van klantbediening afnamen en leveringen sneller werden.

Een vergelijkbare architecturale ontwikkeling vindt plaats binnen de digitale infrastructuur. Amazons CEO Andy Jassy beschrijft de huidige uitbreiding van datacenters als een moderne industriële noodzaak en vergelijkt deze met historische federale infrastructuurprojecten. "Er is in de wereld en in dit land niets vergelijkbaars geweest sinds misschien de aanleg van snelwegen en bruggen in de jaren 1950", merkte Jassy op. Het overslaan of uitstellen van deze investeringscyclus vormt een ingrijpend strategisch risico; als binnenlandse rekeninfrastructuur niet wordt opgebouwd, kunnen technologisch leiderschap en operationele normen in handen komen van buitenlandse concurrenten zoals China.

2. De werking van de datacentereconomie en maatschappelijke weerstand rond het elektriciteitsnet#

Om de economische aspecten van zeer grootschalige datacenters te begrijpen, moet de kenmerkende tweedelige kasstroomcyclus van cloudinfrastructuur worden beoordeeld:

  • Datacentergebouwen en elektriciteitsinfrastructuur: De fysieke gebouwen van datacenters en de elektriciteitsaansluitingen vereisen kapitaaltoezeggingen ongeveer twee jaar voordat servers worden geïnstalleerd. Deze gebouwen zijn echter activa met een gebruiksduur van 30 jaar die één primaire kapitaaluitgave vereisen.
  • Servers en netwerkapparatuur: Activa voor informatietechnologie — zoals serverrekken, netwerkapparatuur, geheugen met hoge bandbreedte en dynamisch geheugen met willekeurige toegang — worden pas enkele maanden vóór ingebruikname aangeschaft. Deze activa hebben een gebruiksduur van 5-tot-6 jaar, bereiken doorgaans binnen drie jaar het kostendekkingspunt en worden gedekt door langlopende klantcontracten met een gemiddelde looptijd van vijf jaar.

Omdat datacentergebouwen twee jaar voordat inkomsten worden gegenereerd enorme kapitaalinvesteringen vooraf vereisen, ondervinden aanbieders van zeer grootschalige cloudinfrastructuur tijdens versnelde uitbreidingsfasen aanzienlijke tijdelijke druk op de vrije kasstroom. Kasstromen normaliseren en groeien cumulatief zodra faciliteiten operationeel worden, servers zijn geïnstalleerd en klantcontracten inkomsten beginnen op te leveren. "Zelfs met $220 miljard aan kapitaalinvesteringen dit jaar laten we een aanzienlijk deel van de vraag onbeantwoord", verklaarde Jassy tijdens de bespreking.

Tegelijkertijd ondervindt de ontwikkeling van zeer grootschalige infrastructuur politieke en lokale maatschappelijke weerstand vanwege de gevolgen voor het milieu en het elektriciteitsnet. Empirische brongegevens weerleggen verschillende veelvoorkomende maatschappelijke misvattingen:

  • Waterverbruik: Koelsystemen van datacenters zijn zeer efficiënt in vergelijking met oudere commerciële gebouwen. Zo verbruikt de golfsector 200 keer zoveel water als alle datacenters van Amazon samen en verbruikt deze sector in twee dagen meer water dan Amazons datacenters in een heel jaar.
  • Uitstoot en noodgeneratoren: Nooddieselgeneratoren op locatie draaien niet continu. Ze worden uitsluitend gebruikt tijdens stroomuitval en regulier onderhoud en draaien ongeveer 0.1% van het jaar (circa 10 uur per jaar).
  • Lokale economische gevolgen en gevolgen voor het elektriciteitsnet: Datacenters vormen een enorme belastinggrondslag voor de gemeenten waar ze gevestigd zijn. In St. Joseph County, Indiana, heeft Amazon ongeveer $3 miljard aan lokale belastingen betaald. Daarnaast heeft Amazon via zijn programma "Built Together" rechtstreeks $1 miljard over vijf jaar toegezegd aan de gemeenschappen waar het gevestigd is. Hoewel de snel toenemende stroomvraag aanvankelijk netverbeteringen noodzakelijk maakt, tonen historische gegevens uit regio's in Indiana, Georgia en Mississippi aan dat lokale energietarieven na de aanleg van regionale netcapaciteit op termijn stabiel blijven of dalen.

3. De tweepolige vraag naar kunstmatige intelligentie en de rol van op maat gemaakte chips#

De huidige toepassing van kunstmatige intelligentie bij bedrijven vertoont een structurele onevenwichtigheid, die Andy Jassy omschrijft als een "tweepolige vraag". Het verbruik van rekenkracht is sterk geconcentreerd aan twee uiterste kanten van de markt, terwijl de overgrote meerderheid van de bedrijfswerklasten nog niet wordt bereikt:

  • De kant met een hoog rekenverbruik: Omvat toonaangevende onderzoekslaboratoria voor kunstmatige intelligentie en explosief groeiende consumententoepassingen die ongeacht de prijs enorme hoeveelheden rekencapaciteit verbruiken.
  • De kant met een laag rekenverbruik: Omvat bedrijven die kunstmatige intelligentie inzetten voor specifieke kostenvermijding en productiviteitsverbeteringen, zoals geautomatiseerde klantenservice en fraudedetectie.
  • Het nog niet bereikte middensegment: Omvat de belangrijkste productietoepassingen van bedrijven, die grotendeels gebonden blijven aan traditionele architecturen met centrale verwerkingseenheden.

De belangrijkste belemmering die voorkomt dat deze kernwerklasten overstappen op versnellers voor kunstmatige intelligentie, zijn de inferentiekosten. Hoewel deze kosten zijn gedaald, zijn ze nog altijd een orde van grootte te hoog om het herschrijven van gangbare toepassingen te rechtvaardigen. "De kosten van inferentie... zijn naar mijn mening nog steeds een orde van grootte te hoog om deze zo breed mogelijk te kunnen gebruiken", merkte Jassy op. Als het kostenverschil tussen standaardberekeningen met centrale verwerkingseenheden en door kunstmatige intelligentie versnelde berekeningen groot blijft, moet het aanvullende prestatievoordeel voldoen aan een onnatuurlijk hoge drempel voor het rendement op investeringen. Het verlagen van de inferentiekosten is de enige essentiële katalysator die nodig is om dit enorme middensegment te ontsluiten.

Amazons strategie om inferentiekosten te verlagen steunt sterk op op maat gemaakte chips die worden ontwikkeld door Annapurna Labs, dat in 2015 werd overgenomen. Oorspronkelijk werd Annapurna overgenomen om opslag-, netwerk-, virtualisatie- en beveiligingstaken van de centrale verwerkingseenheden van servers over te hevelen naar specifieke netwerkinterfacekaarten. Dankzij deze architectuur kon Amazon Web Services bijna 100% van de capaciteit van de centrale verwerkingseenheden van Elastic Compute Cloud-servers rechtstreeks toewijzen aan klantwerklasten.

Deze technische basis leverde twee cruciale chipfamilies op:

  • Graviton-processors: Graviton-chips zijn ontwikkeld als alternatief voor de traditionele x86-architectuur en bieden een 40% betere prijs-prestatieverhouding dan standaard x86-processors. Tegenwoordig wordt Graviton gebruikt door 99% van de 1,000 grootste Elastic Compute Cloud-klanten van Amazon Web Services.
  • Trainium-versnellers voor kunstmatige intelligentie: Trainium-processors zijn specifiek ontworpen voor training en inferentie met diep leren en bieden een 30% tot 40% betere prijs-prestatieverhouding dan concurrerende commerciële grafische processors.

Door de inferentiekosten met op maat gemaakte chips met een orde van grootte te verlagen, wil Amazon het voor reguliere bedrijven economisch haalbaar maken om hun belangrijkste softwaretoepassingen te herschrijven voor brede integratie van kunstmatige intelligentie.

4. Organisatieontwerp in het tijdperk van autonome agenten en de realiteit van cyberbeveiliging#

De verspreiding van generatieve kunstmatige intelligentie en ontwikkelhulpmiddelen met autonome agenten verandert softwareontwikkeling, teamstructuren en bedrijfsmodellen fundamenteel. De historische trend naar uiterst gespecialiseerde organisatiestructuren — waarbij individuele productmanagers of ontwikkelaars verantwoordelijk zijn voor zeer kleine onderdelen van een product — maakt plaats voor uiterst slanke, functieoverschrijdende teams.

Een belangrijk voorbeeld van deze verschuiving in ontwikkelsnelheid vond plaats binnen Amazon Web Services zelf: het ontwikkelingsteam van AWS Bedrock bouwde zijn centrale inferentiesysteem volledig opnieuw met 6 ontwikkelaars in 76 dagen. Historisch gezien vereiste een infrastructuurproject van die omvang 40 ontwikkelaars die een volledig jaar werkten. Ook kunnen kleine interne teams van 4 tot 5 ontwikkelaars nu in één weekend softwareprototypen bouwen die voor 80% gereed zijn voor levering.

Deze snelheidsindicatoren wijzen op een fundamentele verandering in de manier waarop technische organisaties menselijk kapitaal inzetten:

  • Verschuiving in personeelsomvang: Softwareorganisaties zullen minder menselijke ontwikkelaars nodig hebben voor traditionele taken, zoals handmatig programmeren, eenvoudige verwerking van juridische documenten en routinematige bedrijfsinformatieanalyse. "In de toekomst zullen minder mensen het werk doen dat ze vandaag doen dan nu het geval is", legde Jassy uit.
  • Van meet af aan functieoverschrijdende teams: Ontwikkelteams zullen werken met kleinere, zeer flexibele structuren die beginnen bij gevorderde bouwfasen en modellen voor kunstmatige intelligentie gebruiken om 80% van de routinetaken uit te voeren.
  • Kortere tijd tot marktintroductie: Productiteratiecycli worden verkort van planningen over meerdere maanden tot prototypesprints van meerdere dagen.

De snelheid van autonome agenten brengt echter acute cyberbeveiligingsdreigingen met zich mee. Geavanceerde modellen voor kunstmatige intelligentie ontdekken softwarekwetsbaarheden sneller dan menselijke beveiligingsspecialisten of traditionele penetratietesters ze kunnen identificeren.

Traditioneel berustte softwarebeveiliging op het identificeren van kwetsbaarheden, het opstellen van beveiligingscorrecties, het testen van afhankelijkheden en het uitrollen van updates — een proces dat vaak weken of maanden duurt. In een dreigingsomgeving met autonome agenten moeten organisaties de uitroltijd van beveiligingscorrecties terugbrengen tot minuten. Om deze verschuiving te overleven, moeten bedrijven bestaande codebestanden herschrijven naar architecturen die van meet af aan voor agenten zijn ontworpen, zodat geautomatiseerde softwareagenten continu kwetsbaarheden kunnen ontdekken, corrigeren en updates kunnen uitrollen zonder handmatige menselijke tussenkomst.

5. Kapitaalallocatie, strategische samenwerkingen en heruitvinding van kernproducten#

Amazons kapitaalinvesteringsstrategie combineert de ontwikkeling van eigen chips met strategische samenwerkingen ter waarde van meerdere miljarden dollars met toonaangevende ontwikkelaars van modellen voor kunstmatige intelligentie.

Via zijn samenwerking met Anthropic fungeert Amazon Web Services als de primaire aanbieder van training en inferentie voor Claude-modellen. Anthropic heeft zich verbonden tot het inzetten van rekencapaciteit van meerdere gigawatts op basis van Trainium-chips en biedt zijn modellen rechtstreeks aan op AWS Bedrock. Daarnaast heeft Amazon zijn ecosysteem uitgebreid om werklasten van OpenAI op Amazon Web Services te ondersteunen, waarbij gezamenlijk gespecialiseerde uitvoeringsomgevingen worden ontwikkeld die toestand bewaren en specifiek zijn ontworpen voor uitvoering door autonome agenten.

Naast het aanbieden van externe modellen vereist een technologiestrategie voor bedrijven dat volwassen, zeer succesvolle producten vanaf de basis opnieuw worden ontworpen, in plaats van te vertrouwen op stapsgewijze functieverbeteringen. Jassy noemt de volledige vernieuwing van Amazon Alexa als praktijkvoorbeeld. Hoewel de oorspronkelijke architectuur van Alexa bij de introductie baanbrekend was, vereiste de opkomst van generatieve kunstmatige intelligentie dat het onderliggende systeem volledig werd vervangen.

Hoewel het stapsgewijs bijwerken van bestaande software organisatorisch eenvoudiger is, vereist het behoud van marktleiderschap fundamentele herschrijvingen. Gevestigde bedrijfstoepassingen binnen de detailhandel, videostreaming en cloudbeheer moeten volledig opnieuw worden ontworpen met kunstmatige intelligentie als uitgangspunt om concurrerend te blijven ten opzichte van opkomende jonge bedrijven die vanaf de basis op autonome agenten zijn gericht.

Kerncijfers#

  • $220 miljard: Verwachte kapitaaluitgaven van Amazon in 2026 (~$600 miljoen per dag).
  • 36.7%: Omzetgroei van AWS op jaarbasis in het meest recente kwartaal, bij een geannualiseerde omzet van $169 miljard.
  • $25+ miljard: Geannualiseerde omzet van AWS voor zijn generatieve AI-activiteiten binnen de eerste 3 jaar (vergeleken met een geannualiseerde omzet van $60 miljoen na 3 jaar in de beginperiode van AWS).
  • 80%: Geschatte omzetgroei van Amazon als geheel van 2021 tot heden.
  • 3x: Groeifactor van AWS van 2021 tot heden.
  • 2.5x: Groei van de advertentieomzet van Amazon van 2021 tot heden.
  • 30 jaar tegenover 5–6 jaar: Gebruiksduur van datacenterinfrastructuur (30 jaar) tegenover server- en netwerkapparatuur (5–6 jaar, terugverdientijd ~3 jaar).
  • 40%: Verbetering van de prijs-prestatieverhouding van Graviton-processoren ten opzichte van standaard x86-processoren.
  • 30%–40%: Voordeel in de prijs-prestatieverhouding van Trainium-AI-chips ten opzichte van vergelijkbare processoren.
  • 200x: Factor waarmee het waterverbruik van golfbanen hoger ligt dan dat van de datacenters van Amazon.
  • 0.1%: Percentage van het jaar waarin noodgeneratoren draaien (ongeveer 10 uur per jaar).
  • $3 miljard: Door Amazon betaalde belastingen in St. Joseph County, Indiana.
  • $1 miljard: Vijfjarige toezegging aan gemeenschappen waar datacenters gevestigd zijn via het programma "Built Together".
  • 6 ingenieurs in 76 dagen: Omvang van de herbouw van de inferentie-engine door het Bedrock-team (tegenover voorheen 40 mensen gedurende 1 jaar).

Wat dit beeld zou veranderen#

  1. Drastisch lagere inferentiekosten: Een enorme daling van de inferentiekosten dankzij speciaal ontworpen chips (bijv. Trainium), waardoor het middensegment van de "halter" (gangbare bedrijfsapplicaties) overstapt van architecturen die uitsluitend op centrale processoren draaien.
  2. Oplossing van beperkingen in de levering van componenten en stroom: Aanzienlijke uitbreidingen van de toeleveringsketens voor geheugen (HBM/DRAM), stroom en koeling die extra capaciteit ontsluiten boven op de huidige volledig uitverkochte capaciteit (2026–2028).
  3. Grootschalige autonome herschrijvingen door AI-agenten: Bedrijven die de architectuur van hun bestaande codebases succesvol aanpassen om van meet af aan op AI-agenten te zijn ingericht, waardoor beveiligingsupdates van minuut tot minuut kunnen worden uitgerold.
  4. Verschuiving in publiek-private infrastructuurpartnerschappen: Versnelde federale en lokale investeringen in elektriciteitsnetcapaciteit om aan te sluiten op de industriële vraag naar rekenkracht op hyperschaal.

Bezoek het platform van DeepValues Research of probeer de DeepValues-app om meer gratis onderzoek te verkennen of uw eigen modellen te testen.

Geraadpleegde bronnen#

Amazon CEO Andy Jassy on the Infrastructure the AI Era Needs, hosted by a16z (Video Transcript).

Kijken

Bronlinks

Kijken & luisteren

Bedrijfsonderzoek

Onderzoekstekst onder CC BY 4.0, citeer als: DeepValues Research, Amazons AI-infrastructuurstrategie van $220 miljard: chips op maat, economische aspecten van datacenters en AI op ondernemingsschaal, https://research.deepvalues.ai/insights/2026-10-24-amazons-ai-era-and-infrastructure-expansion-nl/

Gratis wekelijkse e-mail

Margin of Safety Weekly

Elke zaterdag een e-mail: de temperatuur van de markt, wat grote beleggers kochten en verkochten (13F-meldingen), het nieuwe onderzoek van de week en onze video's en podcasts — gratis, geen account nodig.

Send me the DeepValues Margin of Safety Weekly, one email every Saturday. I can unsubscribe at any time. Information only, not investment advice. Privacy

Ga verder

Voer deze analyse in 2 minuten uit voor elk aandeel

Deep Value Intelligence, de AI-analist met meerdere AI-agenten achter dit rapport, maakt op verzoek hetzelfde rapport voor elk beursgenoteerd bedrijf.

Open Deep Value Intelligence

Volg 300+ aandelen in de DeepValues-app

Visies, intrinsieke waarde en de nieuwste rapporten op je telefoon.

Ontwikkelaars: visies en rapporten via de API

De fundamentele gegevens, intrinsieke waarden, visies en rapportlinks achter deze pagina's, als JSON.

API-documentatie

Meepraten