---
title: "Den KI-Stack entschlüsseln: Analyse von Engpässen, Burggräben (Moats) und Wertzuwachs für langfristige Anleger"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-05"
language: "de"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_language: "en"
translated_on: "2026-11-14"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-de/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-de/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Den KI-Stack entschlüsseln: Analyse von Engpässen, Burggräben (Moats) und Wertzuwachs für langfristige Anleger, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-de/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
tickers: ["UPS"]
sources:
  - title: "Decoding AI Value"
audio: "https://anchor.fm/s/105664940/podcast/play/128876669/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-5%2F435999874-44100-2-a31a8c348ee018.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/1FQonylAeyz5T5jwgxdOVq"
---
# Den KI-Technologiestapel entschlüsseln: Analyse von Engpässen, Burggräben (Moats) und Wertzuwachs für langfristige Anleger

Wertzuwachs entsteht über den Technologiestapel der künstlichen Intelligenz hinweg nicht allein durch absolute physische Knappheit, sondern dort, wo technologische Engpässe auf Preissetzungsmacht, wiederkehrendes Volumenwachstum, Wechselkosten und eine hohe inkrementelle Rendite auf das investierte Kapital (ROIC) treffen. Während Chamath Palihapitiyas Modell eines sechsschichtigen Technologiestapels (Infrastruktur, Chips, Daten, Modelle, Ausführung, Anwendung) die wirtschaftliche Kommoditisierung von Basismodellen und die Entstehung kritischer Hardwareengpässe zutreffend hervorhebt, müssen langfristige Anleger zwischen absoluter technischer Knappheit und nachhaltiger Wertschöpfung für Aktionäre unterscheiden. Da sich Hyperscaler zu kapitalintensiven Industrieunternehmen entwickeln, die 2026 voraussichtlich über $700 Mrd. für Rechen- und Stromnetzinfrastruktur ausgeben werden, erfordert die Bewertung des inneren Werts eine Analyse der Beständigkeit des Free Cashflows, der Risiken der Kapitalintensität und proprietärer Rückkopplungsschleifen in Arbeitsabläufen, statt sich ausschließlich auf physische Engpässe zu verlassen.

## 1. Zerlegung des KI-Technologiestapels: Engpässe versus wirtschaftlicher Wertzuwachs

Die Analyse künstlicher Intelligenz anhand einer mehrschichtigen Architektur bietet fundamental orientierten Anlegern wesentliche Klarheit. Chamath Palihapitiya unterteilt das Ökosystem in sechs eigenständige Schichten: Infrastruktur (Strom, Grundstücke, Kühlung, Mineralien, Halbleiterfabriken), Chips (GPUs/ASICs, Speicher mit hoher Bandbreite [HBM], Chipgehäusetechnik, Netzwerktechnik), Daten (proprietäre Daten, Sensor- und Robotikdaten), Modelle (Basisintelligenz), Ausführung (Agenten, Orchestrierung, APIs, Aktuatoren) und Anwendung (Software und Systeme für Endnutzer). Das zentrale analytische Konzept, das diese Schichten verbindet, ist der „Dreh- und Angelpunkt“ – eine unersetzliche Komponente, die jede darüberliegende Schicht durchlaufen muss und die sich nicht leicht ersetzen lässt.

Allerdings besteht ein entscheidender Unterschied zwischen einem absoluten technologischen Engpass und einem renditestarken wirtschaftlichen Burggraben (Moat). Ein Vermögenswert kann unmittelbar auf dem technologisch kritischen Pfad liegen, ohne entsprechende finanzielle Erträge für Aktionäre abzuschöpfen. Für langfristige Anleger, die wirtschaftliche Burggräben (Moats) nach dem Ansatz von Graham und Buffett bewerten, garantiert physische Knappheit allein keinen langfristigen Zinseszinseffekt bei den Owner Earnings.

Diese Dynamik lässt sich durch einen Vergleich von ASML und NVIDIA deutlich veranschaulichen. ASML verfügt bei Lithografiesystemen mit extrem ultraviolettem Licht (EUV) über einen absoluten, unersetzlichen technologischen Engpass; moderne Halbleiterfabriken können die Maschinen von ASML nicht ersetzen. Dennoch hat NVIDIA einen wesentlich höheren Wertzuwachs für Aktionäre erzielt. ASML verkauft eine begrenzte Anzahl hochkomplexer, kapitalintensiver Maschinen an eine konzentrierte Käufergruppe, was die automatische Umsatzskalierung begrenzt, wenn sich der weltweite Tokenverbrauch verdoppelt. NVIDIA hingegen verbindet Engpässe bei Siliziumchips mit der CUDA-Softwarewerkzeugkette, Systemarchitekturen, NVLink-Netzwerktechnik und einer tiefen Integration in das Ökosystem. NVIDIA profitiert unmittelbar von der zunehmenden Volumenelastizität bei KI-Inferenz und -Training.

Um den wirtschaftlichen Wertzuwachs über den Technologiestapel hinweg zu bewerten, sollten Anleger eine umfassende qualitative Formel anwenden, statt Knappheit isoliert zu messen:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Dauerhafte wirtschaftliche Erträge entstehen nur dann, wenn ein operativer Engpass mit Volumenelastizität, hohen Wechselkosten und starken inkrementellen Renditen auf das investierte Kapital kombiniert wird.

## 2. Infrastruktur und Investitionsintensität: Die industrielle Revolution unterhalb der KI

Die grundlegenden Schichten des KI-Technologiestapels durchlaufen einen strukturellen Wandel von kapitalarmen Softwaremodellen zu kapitalintensiven Industriebetrieben. Kritische Engpässe an der Basis des Technologiestapels zeigen eine extreme geografische und unternehmerische Konzentration:

*   **Knappheit bei Halbleitermaterialien:** Japanische Materiallieferanten kontrollieren, nach Herkunftsland der Unternehmen betrachtet, etwa 78% des weltweiten Umsatzes mit Fotolacken für Halbleiter, wobei Shin-Etsu, JSR, Tokyo Ohka Kogyo und Fujifilm bestimmte Märkte für hochreine Chemikalien dominieren.
*   **Hochreiner Quarz (HPQ):** Die Herstellung von Siliziumblöcken in Halbleiterqualität ist auf Tiegel aus Quarzglas angewiesen, die aus außergewöhnlich reinem, in Spruce Pine, North Carolina, abgebautem Quarz hergestellt werden. Sibelco (mit der Herstellung von IOTA-Material aus zwei reinen Erzkörpern) und The Quartz Corp sind die einzigen Anbieter, die fortschrittlichen, hochwertigen HPQ wirtschaftlich in großem Maßstab produzieren.

Über physische Rohstoffe hinaus stellt die Stromversorgungsinfrastruktur eine erhebliche operative Beschränkung dar. Die Internationale Energieagentur (IEA) prognostiziert, dass sich der weltweite Stromverbrauch von Rechenzentren nahezu verdoppeln wird, von etwa 485 TWh im Jahr 2025 auf rund 950 TWh bis 2030. Die Investitionsausgaben der Hyperscaler werden 2026 schätzungsweise $700 Mrd. übersteigen, vor allem getrieben durch den Ausbau von Rechenzentren.

| Infrastrukturbereich | Kritischer Engpass & Hauptlieferanten | Wirtschaftliche Auswirkungen & Kennzahlen |
| :--- | :--- | :--- |
| **Halbleitermaterialien** | Japanische Fotolacke (*Shin-Etsu, JSR, TOK, Fujifilm*) | ~78% Marktanteil nach Herkunftsland; nicht substituierbare chemische Ausgangsstoffe. |
| **Hochreiner Quarz** | Erzkörper von Spruce Pine (*Sibelco, The Quartz Corp*) | Exklusive Quelle für Quarzglastiegel für Siliziumblöcke. |
| **Bereitstellbare Netzleistung** | Transformatoren, Schaltanlagen, USV, Netzanschlüsse | Beschränkungen greifen vor der eigentlichen Erzeugung; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| **Investitionsausgaben der Hyperscaler** | Ausbau von Rechenzentren & Beschleunigung der Rechenleistung | >$700B für 2026 prognostiziert (IEA); erhebliche Belastungen durch Abschreibungen. |

Entscheidend ist, dass die reine Stromerzeugung kurzfristig nicht die primäre Begrenzung darstellt. Untersuchungen der Johns Hopkins University zeigen, dass Anlagen zur Strombereitstellung über das Netz – insbesondere Transformatoren, Schaltanlagen, Systeme zur unterbrechungsfreien Stromversorgung (USV), Anschlüsse an das Übertragungsnetz und spezialisierte Kühlinfrastruktur – den Ausbau von Rechenzentren begrenzen werden, bevor die Erzeugungskapazität selbst zum primären Engpass wird. Der unmittelbar wirtschaftlich knappe Vermögenswert ist bereitstellbare Stromleistung mit der erforderlichen Spannung, am erforderlichen Standort und mit der erforderlichen Zuverlässigkeit.

Aus Sicht des wertorientierten Investierens wirkt sich dieser Wandel erheblich auf Unternehmensbilanzen und Renditekennzahlen aus. Wenn Hyperscaler jährlich über $700 Mrd. investieren, gehen physische Vermögenswerte im Wert von mehreren Milliarden Dollar als Sachanlagen in die Bilanzen ein. Sobald sie in Betrieb sind, belasten lineare Abschreibungen die Gewinn- und Verlustrechnungen unabhängig davon, ob unmittelbar Umsätze erzielt werden. Bleibt die monetarisierbare Tokennachfrage oder die Einführung von Unternehmenssoftware hinter dem physischen Ausbau zurück, brechen die Rendite auf das investierte Kapital (ROIC) und die Umwandlungsquoten in Free Cashflow (FCF) unter der Last noch nicht abgeschriebener Infrastruktur ein. Diese Dynamik spiegelt unmittelbar historische Überinvestitionen in Infrastruktur wider, etwa den Zusammenbruch im Telekommunikations-Glasfasersektor unter Beteiligung von WorldCom und Global Crossing, bei dem massive Investitionsausgaben erhebliche Überkapazitäten schufen und Aktionärswert vernichteten, obwohl sich die langfristige Verbreitung des Internets letztlich bestätigte.

## 3. Chips, Speicher und Modellökonomie: Kommoditisierung versus sich verschiebende Leistungsgrenzen

Während theoretische Modelle davon ausgehen, dass Hardwareengpässe mit der Normalisierung der Fertigungskapazitäten im Zeitverlauf von selbst verschwinden, bleiben die Angebotsbeschränkungen bei Halbleitern akut. Speicher mit hoher Bandbreite (HBM) und fortschrittliche Chipgehäusetechnik stellen mehrjährige strukturelle Engpässe dar und keine vorübergehenden Reibungsverluste. Die IEA prognostiziert, dass HBM-Lieferengpässe mindestens bis Ende 2027 anhalten werden. Die Marktanteile bleiben stark konzentriert; Daten von Counterpoint für Q2 2026 schätzen die HBM-Umsatzanteile auf:

*   **SK Hynix:** 50%
*   **Samsung:** 33%
*   **Micron:** 18%

Moderne Hardware-Burggräben (Moats) beruhen nicht auf eigenständigen Rechenchips, sondern auf vollständiger Integration auf Systemebene: GPU/ASIC-Chips, die über Zwischenlagen mit HBM verbunden sind, fortschrittliche Chipgehäusetechnik, Hochgeschwindigkeitsnetzwerke (wie NVLink), Stromversorgung und spezialisierte Kühlung. Diese Systemintegration wird noch wichtiger, wenn sich die Arbeitslasten vom Modelltraining zur Inferenz verlagern. McKinsey prognostiziert, dass die Inferenz bis 2030 etwa 60% der gesamten KI-Nachfrage ausmachen wird. Folglich verlagert sich der Wettbewerb unmittelbar auf Speicherbandbreite, Kapazität, Latenz, thermische Effizienz und Stromverbrauch je nutzbar ausgegebenem Token – wodurch sich die strukturellen Burggräben (Moats) integrierter Hardwareanbieter festigen.

Gleichzeitig zeigt die Ökonomie der Basisintelligenzmodelle einen raschen Kostenverfall. Daten des Stanford AI Index zufolge sanken die Kosten für den Betrieb eines Modells mit MMLU-Leistung auf GPT-3.5-Niveau von etwa $20 je Mio. Token im November 2022 auf rund $0.07 im Oktober 2024 – eine Kostensenkung um das 280-Fache innerhalb von 18 Monaten. Darüber hinaus zeigen OECD-Studien, dass die qualitätsbereinigten Preise für Sprachmodelle zwischen Januar 2024 und April 2026 um nahezu 80% sanken.

| Kennzahl / Kennzahlenfokus | Historischer Ausgangswert | Jüngstes / Prognostiziertes Niveau | Analytische Bedeutung |
| :--- | :--- | :--- | :--- |
| **GPT-3.5-MMLU-Tokenkosten** | $20.00 / Mio. Token (Nov. 2022) | $0.07 / Mio. Token (Okt. 2024) | Reduktion der Stückkosten für Intelligenz um 280x (Stanford). |
| **Sprachmodellpreise** | Ausgangsniveau (Jan. 2024) | ~80% Rückgang (Apr. 2026) | Rascher Preisverfall bei qualitätsbereinigten Ergebnissen (OECD). |
| **Leistungsabstand zwischen geschlossenen und offenen Modellen** | Großer Abstand (2023) | 3.3%–3.4% Abstand (März 2026) | Kommoditisierung grundlegender Fähigkeiten (Stanford 2026 AI Index). |
| **Anteil an Unternehmensausgaben** | 35% Spitzenmodelle (Q3 2025) | 63% Spitzenmodelle (Q3 2026) | Bereitschaft zur Zahlung eines Aufpreises für Schlussfolgerungsfähigkeiten auf dem neuesten Stand (Menlo). |

Trotz dieses Preisverfalls sind Basismodelle noch nicht zu reinen Standardgütern geworden. Grundlegende Intelligenz wird kommoditisiert – der Stanford 2026 AI Index zeigt, dass die führenden Spitzenmodelle (Anthropic, xAI, Google, OpenAI) nur 25 Arena-Elo-Punkte auseinanderliegen und geschlossene Modelle den Alternativen mit offenen Modellgewichten mit Stand März 2026 lediglich um 3.3% bis 3.4% voraus sind. Unternehmenskunden zahlen jedoch weiterhin einen Aufpreis für Fähigkeiten an der Leistungsgrenze. Untersuchungen von Menlo zeigen, dass der Anteil der Spitzenmodelle an den KI-Ausgaben von Unternehmen von 35% in Q3 2025 auf 63% in Q3 2026 stieg. 

Die Modellschicht wirkt als sich verschiebende wirtschaftliche Leistungsgrenze: Grundlegende Fähigkeiten werden rasch kommoditisiert, während Schlussfolgerungsfähigkeiten auf dem neuesten Stand ihre Preissetzungsmacht bewahren und Modellentwickler zwingen, fortlaufend massive Kapitalinvestitionen zu tragen, allein um mit der Leistungsspitze gleichzuziehen.
## 4. Ausführungsebenen, physische KI und das Jevons-Paradoxon

Mit zunehmender Austauschbarkeit der Basismodelle verlagert sich der wirtschaftliche Wert auf die Ausführungs- und Steuerungsebene. Diese Zwischensoftwareebene umfasst dynamische Modellweiterleitung, dauerhaften Zustandsspeicher, Identitätsverwaltung, Berechtigungsvergabe, Bewertung, Werkzeugintegration und Orchestrierung. Aus Sicht der Unternehmensbilanzen kaufen Abnehmer von Unternehmenssoftware keine rohen Basismodell-Token, sondern abgeschlossene Geschäftsergebnisse. Die Ausführungsebene fungiert als institutionelle „Zwischensoftware“ – analog zu Kubernetes, Identitäts- und Zugriffsverwaltung sowie Beobachtbarkeit beim Cloud-Computing – und verankert Wechselkosten für Unternehmen, während sie Gewinnmargen schützt, selbst wenn sich die zugrunde liegenden Basismodelle verändern. Die LangChain-Umfrage zum Produktiveinsatz von 2026 bestätigt, dass Unternehmensarchitekturen mit mehreren Modellen inzwischen Standard sind und sich die wichtigsten Engpässe bei der Bereitstellung von den Token-Stückkosten hin zu Ausführungszuverlässigkeit, Sicherheit und Aufgabenerledigung verlagern.

Ebenso werden allgemeine Trainingsdaten aus dem Internet gegenüber proprietären, ergebnisbasierten Rückkopplungsschleifen zunehmend austauschbar. Nachhaltige wirtschaftliche Burggräben (Moats) entstehen, wenn Softwareanwendungen direkt in bereichsspezifische operative Arbeitsabläufe eingebettet werden, in denen Handlungen überprüfbare Bewertungen anhand realer Ergebnisse erzeugen.

Ein besonders anschauliches Beispiel für diese Dynamik ist **Harvey** im Rechtssektor. Harvey konkurriert nicht als anfällige Anwendungshülle für ein Basismodell, die allgemeine Token-Generierung verkauft. Stattdessen integriert es sich direkt in juristische Arbeitsabläufe und verbindet maßgebliche juristische Dokumentationssysteme, Vertrieb, regulatorische Compliance, Mandantenvertrauen und proprietäre Rückkopplungsschleifen (Vertragsanalyse $\rightarrow$ anwaltliche Überarbeitung $\rightarrow$ abschließende Einreichung bei Gericht/Streitbeilegung). Da Harvey den gesamten Arbeitsablauf und die daraus resultierenden Ergebnisdaten kontrolliert, baut es hohe Wechselkosten auf und verteidigt seine Preissetzungsmacht, wodurch die Wahl des zugrunde liegenden Basismodells gegenüber dem erzielten Geschäftsergebnis zweitrangig wird. Ähnliche ergebnisbasierte Rückkopplungsschleifen entstehen in spezialisierten Bereichen wie Programmierung (Programmkorrektur $\rightarrow$ Testergebnis $\rightarrow$ Bereitstellungsergebnis), Medizin (Diagnose $\rightarrow$ Therapie $\rightarrow$ gesundheitliches Ergebnis des Patienten) und Finanzwesen (Rechnung $\rightarrow$ Verrechnung $\rightarrow$ Streitbeilegung).

Bei physischen KI-Systemen unterscheidet sich die Dynamik der Kapitalallokation grundlegend von der Ökonomie reiner Unternehmenssoftware. Software skaliert bei Grenzkosten nahe null, während physische Robotik umfangreiche Kapitalaufwendungen für die Materialstückliste erfordert. McKinsey schätzt, dass Präzisionsaktuatoren 40% bis 60% der Materialstückliste eines humanoiden Roboters ausmachen, verglichen mit 5% bis 10% für Batteriemodule. Darüber hinaus schätzt CRU, dass jeder humanoide Roboter 2 bis 3 kg NdFeB-Seltenerdmagnete (Neodym-Eisen-Bor) benötigt. Während physische KI-Komponenten langfristige strategische Optionen darstellen, generieren Rechen- und Speicheranlagen in Rechenzentren bereits heute unmittelbare, überprüfbare Zahlungsströme.

| Hardwareelement für physische KI | Geschätzter Anteil an der Materialstückliste / Ressourcenbedarf | Zentrale wirtschaftliche Einflussfaktoren und Lieferkettentreiber |
| :--- | :--- | :--- |
| **Präzisionsaktuatoren** | 40% – 60% der gesamten Materialstückliste (McKinsey) | Hochpräzise Gelenke, Getriebe, Motoren und Untersetzungsgetriebe. |
| **Batteriemodule** | 5% – 10% der gesamten Materialstückliste (McKinsey) | Geringere relative Kapitalallokation gegenüber der Aktuatorik. |
| **NdFeB-Seltenerdmagnete** | 2 – 3 kg je humanoidem Roboter (CRU) | Struktureller Nachfragetreiber für schwere Seltenerdelemente. |

Um diese strukturelle Ausweitung der Investitionsausgaben zu verstehen, muss das Jevons-Paradoxon angewendet werden. Ein 100-facher Rückgang der Token-Stückkosten verringert nicht die Gesamtausgaben für Rechenleistung; stattdessen lösen niedrigere Stückpreise eine explosionsartige Ausweitung des gesamten Token-Verbrauchs aus. Wenn einzelne Anfrage-Antwort-Interaktionen durch Schlussfolgerungsschleifen mehrerer Agenten ersetzt werden, die kontinuierliche Hintergrundsimulationen und automatisierte Werkzeugaufrufe ausführen, beschleunigt sich die Gesamtnachfrage nach Hardware-Rechenleistung trotz einbrechender Stückpreise.

Für langfristige, fundamental orientierte Anleger, die die Kapitalallokation bewerten, erfordert eine nachhaltige Wertabschöpfung, reine physische Knappheit zugunsten von Unternehmen mit hoher inkrementeller ROIC, Preissetzungsmacht und eingebetteten Rückkopplungsschleifen in Arbeitsabläufen zu meiden. Anleger, die sich für vertiefende Bewertungsmodelle und fundamentale Berechnungen der Owner Earnings interessieren, können unsere frei zugänglichen Unternehmensanalysen auf der Website von DeepValues Research erkunden oder den inneren Wert und die Sicherheitsmarge einer beliebigen Aktie mit der DeepValues-App bewerten.

## 5. Wichtige Zahlen

*   **78%**: Ungefährer Marktanteil japanischer Unternehmen am Umsatz mit Halbleiter-Fotolacken nach Unternehmensnationalität.
*   **>$700 Mrd.**: Geschätzte Investitionsausgaben der Hyperscaler für 2026 laut IEA, überwiegend für den Ausbau von Rechenzentren.
*   **485 TWh bis ~950 TWh**: Prognostizierter Anstieg des Stromverbrauchs von Rechenzentren von 2025 bis 2030 (IEA).
*   **Ende 2027**: Erwartete Dauer der Lieferengpässe bei Speicher mit hoher Bandbreite (HBM) (IEA).
*   **50% / 33% / 18%**: Geschätzter HBM-Umsatzanteil in Q2 2026 für SK Hynix, Samsung beziehungsweise Micron (Counterpoint).
*   **$20 bis $0.07 je Mio. Token**: Kostenrückgang für die Ausführung mit MMLU-Leistung auf GPT-3.5-Niveau zwischen November 2022 und Oktober 2024, entsprechend einer Reduzierung um den Faktor 280x (Stanford-KI-Index).
*   **~80%**: Rückgang der qualitätsbereinigten Sprachmodellpreise von Januar 2024 bis April 2026 (OECD).
*   **25 Arena-Elo-Punkte**: Geringe Leistungsspanne zwischen den Spitzenmodellen von Anthropic, xAI, Google und OpenAI im März 2026 (Stanford-KI-Index 2026).
*   **3.3%–3.4%**: Leistungsabstand zwischen dem besten Modell mit geschlossenem Quellcode und dem besten Modell mit offenen Gewichten im März 2026 (Stanford-KI-Index).
*   **35% bis 63%**: Anstieg des Anteils von Spitzenmodellen an den KI-Ausgaben von Unternehmen zwischen Q3 2025 und Q3 2026 (Menlo-Analyse).
*   **40%–60% gegenüber 5%–10%**: Geschätzter Anteil von Aktuatoren gegenüber Batteriemodulen an der Materialstückliste eines humanoiden Roboters (McKinsey).
*   **2–3 kg**: Geschätzter Bedarf an NdFeB-Seltenerdmagneten je humanoidem Roboter (CRU).

## 6. Was unsere Einschätzung ändern würde

*   **Rasche Veralterung von CUDA- und HBM-Architekturen:** Beschleunigte Entwicklung alternativer Verbindungen oder Speicherarchitekturen, die HBM und NVLink erfolgreich verdrängen und Burggräben (Moats) bei der Vernetzung auf Systemebene vor 2027 untergraben.
*   **Kürzung der Investitionsausgaben der Hyperscaler:** Eine deutliche Abwärtskorrektur des jährlichen Investitionspfads der Hyperscaler von >$700 Mrd. aufgrund einer enttäuschenden Rendite auf das investierte Kapital (ROIC) oder erheblicher Verzögerungen beim Anschluss an die Stromversorgungsnetze.
*   **Rasche Monetarisierung und Stagnation von Modellen mit offenen Gewichten:** Das Verschwinden des Leistungsabstands von 3.3–3.4% zu Spitzenmodellen, wodurch Unternehmenskunden hochwertige geschlossene Modelle zugunsten lokal betriebener, günstiger Modelle mit offenen Gewichten aufgeben.
*   **Beschleunigte Einführung physischer KI:** Breite Kommerzialisierung und Großserienfertigung humanoider Robotik mit Mio. von Einheiten deutlich vor 2030, wodurch sich die unmittelbare Wertabschöpfung aus Zahlungsströmen auf Lieferketten für Aktuatorik und Magnete verlagert.

## 7. Quellen

Entschlüsselung des KI-Werts, Chamath Palihapitiya (Jahresbrief 2025 und zugehöriges Rahmenkonzept)
Stanford-KI-Index (Stanford University, Daten 2024–2026)
Internationale Energieagentur (IEA), Berichte zu Strom und Investitionsausgaben
Counterpoint Research (Halbleiter- und HBM-Marktanalyse Q2 2026)
McKinsey & Company, Analyse der Materialstücklisten in der Robotik
CRU Group, Forschung zu Materialien und seltenen Erden
OECD, Studien zu Sprachmodellpreisen (2024–2026)
Menlo Ventures, Analyse der KI-Ausgaben von Unternehmen (2025–2026)
Johns Hopkins University, Forschung zu Infrastruktur und Stromversorgung von Rechenzentren
LangChain-Umfrage zu KI im Produktiveinsatz (2026)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
