Insights Investing

De AI-stack ontrafeld: analyse van knelpunten, moats (duurzame concurrentievoordelen) en waardeopbouw voor langetermijnbeleggers

Podcast · Luister (24 min)

Chamath's AI Stack: Who Gets Paid From $700B Capex? | Stock Market

Inhoud
  1. 1. De AI-technologiestapel ontleed: knelpunten tegenover economische waardeopbouw
  2. 2. Infrastructuur en kapitaalinvesteringsintensiteit: de industriële revolutie onder AI
  3. 3. Chips, geheugen en modeleconomie: commoditisering tegenover verschuivende grenzen
  4. 4. Uitvoeringslagen, fysieke AI en de paradox van Jevons
  5. 5. Kerncijfers
  6. 6. Wat onze visie zou veranderen
  7. 7. Bronnen

Waarde bouwt zich binnen de technologiestapel voor kunstmatige intelligentie niet uitsluitend op door absolute fysieke schaarste, maar waar technologische knelpunten samenkomen met prijszettingsmacht, terugkerende volumegroei, overstapkosten en een hoog incrementeel rendement op geïnvesteerd kapitaal (ROIC). Hoewel het raamwerk van Chamath Palihapitiya met zes lagen (Infrastructuur, Chips, Data, Modellen, Uitvoering, Toepassing) de economische commoditisering van basismodellen en het ontstaan van kritieke hardwareknelpunten nauwkeurig belicht, moeten langetermijnbeleggers onderscheid maken tussen absolute technische schaarste en duurzame waardecreatie voor aandeelhouders. Nu hyperscalers veranderen in kapitaalintensieve industriële ondernemingen die naar verwachting in 2026 meer dan $700 miljard zullen uitgeven aan reken- en elektriciteitsnetinfrastructuur, vereist de beoordeling van de intrinsieke waarde een analyse van de bestendigheid van de vrije kasstroom, de risico's van kapitaalintensiteit en bedrijfseigen terugkoppelingslussen in werkprocessen, in plaats van uitsluitend op fysieke knelpunten te vertrouwen.

1. De AI-technologiestapel ontleed: knelpunten tegenover economische waardeopbouw#

Het analyseren van kunstmatige intelligentie via een gelaagde architectuur biedt essentiële helderheid voor fundamentele beleggers. Chamath Palihapitiya deelt het ecosysteem in zes afzonderlijke lagen in: Infrastructuur (elektriciteit, grond, koeling, mineralen, chipfabrieken), Chips (GPU's/ASIC's, geheugen met hoge bandbreedte [HBM], behuizingstechnologie, netwerken), Data (bedrijfseigen gegevens, sensorgegevens, roboticagegevens), Modellen (basisintelligentie), Uitvoering (agenten, orkestratie, API's, actuatoren) en Toepassing (software en systemen voor eindgebruikers). Het centrale analytische concept dat deze lagen verbindt, is het 'spilactief': een onvervangbaar onderdeel waar elke bovenliggende laag doorheen moet en dat niet gemakkelijk kan worden vervangen.

Er bestaat echter een cruciaal onderscheid tussen een absoluut technologisch knelpunt en een hoogrenderende economische moat (duurzaam concurrentievoordeel). Een actief kan rechtstreeks op het technologische kritieke pad liggen zonder evenredige financiële rendementen voor aandeelhouders te genereren. Voor langetermijnbeleggers die economische moats (duurzame concurrentievoordelen) beoordelen vanuit het raamwerk van Graham en Buffett, garandeert fysieke schaarste alleen geen samengestelde groei van owner earnings op lange termijn.

Deze dynamiek wordt duidelijk geïllustreerd door ASML en NVIDIA te vergelijken. ASML beschikt over een absoluut, onvervangbaar technologisch knelpunt in lithografiesystemen met extreem ultraviolet licht (EUV); geavanceerde halfgeleiderfabrieken kunnen de machines van ASML niet vervangen. Toch heeft NVIDIA een veel grotere waardestijging voor aandeelhouders gerealiseerd. ASML verkoopt een beperkt aantal zeer complexe, kapitaalintensieve machines aan een geconcentreerde groep afnemers, waardoor de automatische opschaling van de omzet beperkt blijft wanneer het wereldwijde tokenverbruik verdubbelt. NVIDIA combineert daarentegen knelpunten in siliciumchips met de CUDA-softwareontwikkelketen, systeemarchitecturen, NVLink-netwerken en diepgaande integratie in het ecosysteem. NVIDIA profiteert rechtstreeks van de toenemende volume-elasticiteit van AI-inferentie en -training.

Om de economische waardeopbouw binnen de technologiestapel te beoordelen, zouden beleggers een uitgebreide kwalitatieve formule moeten toepassen in plaats van schaarste afzonderlijk te meten:

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

Duurzame economische rendementen ontstaan alleen wanneer een operationeel knelpunt wordt gecombineerd met volume-elasticiteit, hoge overstapkosten en sterke incrementele rendementen op geïnvesteerd kapitaal.

2. Infrastructuur en kapitaalinvesteringsintensiteit: de industriële revolutie onder AI

De fundamentele lagen van de AI-technologiestapel ondergaan een structurele overgang van kapitaalarme softwaremodellen naar kapitaalintensieve industriële activiteiten. Kritieke knelpunten aan de basis van de technologiestapel wijzen op extreme geografische en bedrijfsconcentraties:

  • Schaarste aan halfgeleidermaterialen: Japanse materiaalleveranciers beheersen ongeveer 78% van de wereldwijde verkoop van fotoresist voor halfgeleiders, gemeten naar de nationaliteit van ondernemingen, waarbij Shin-Etsu, JSR, Tokyo Ohka Kogyo en Fujifilm specifieke markten voor hoogzuivere chemicaliën domineren.
  • Hoogzuiver kwarts (HPQ): De productie van siliciumstaven van halfgeleiderkwaliteit is afhankelijk van smeltkroezen van gesmolten kwarts, afkomstig uit uitzonderlijk zuiver kwarts dat wordt gewonnen in Spruce Pine, North Carolina. Sibelco (dat IOTA-materiaal produceert uit twee zuivere ertslichamen) en The Quartz Corp zijn de enige leveranciers die geavanceerd, hoogwaardig HPQ op economisch rendabele wijze op grote schaal produceren.

Naast fysieke grondstoffen vormt de elektriciteitsnetinfrastructuur een ernstige operationele beperking. Het Internationaal Energieagentschap (IEA) verwacht dat het wereldwijde elektriciteitsverbruik van datacenters bijna zal verdubbelen, van ongeveer 485 TWh in 2025 tot circa 950 TWh in 2030. De kapitaaluitgaven van hyperscalers zullen naar schatting in 2026 meer dan $700 miljard bedragen, voornamelijk gedreven door de uitbreiding van datacenters.

Infrastructuurdomein Kritiek knelpunt en belangrijkste leveranciers Economische impact en maatstaven
Halfgeleidermaterialen Japanse fotoresists (Shin-Etsu, JSR, TOK, Fujifilm) ~78% marktaandeel naar nationaliteit; onvervangbare chemische grondstoffen.
Hoogzuiver kwarts Ertslichamen in Spruce Pine (Sibelco, The Quartz Corp) Exclusieve bron voor smeltkroezen van gesmolten kwarts voor siliciumstaven.
Leverbaar netvermogen Transformatoren, schakelinstallaties, UPS, netverbindingen Beperkingen treden eerder op dan bij de elektriciteitsopwekking zelf; 485 TWh $\rightarrow$ 950 TWh (IEA).
Kapitaaluitgaven van hyperscalers Uitbreiding van datacenters en versnelling van rekenvermogen >$700B verwacht in 2026 (IEA); zware druk door afschrijvingen.

Cruciaal is dat elektriciteitsopwekking op zichzelf niet de belangrijkste beperking op korte termijn vormt. Onderzoek van Johns Hopkins University toont aan dat apparatuur voor elektriciteitslevering via het net — met name transformatoren, schakelinstallaties, systemen voor ononderbreekbare stroomvoorziening (UPS), verbindingen met het transmissienet en gespecialiseerde koelingsinfrastructuur — de bouw van datacenters zal beperken voordat de opwekkingscapaciteit zelf het belangrijkste knelpunt wordt. Het direct schaarse economische actief is leverbare elektriciteit op de vereiste spanning en locatie en met de vereiste betrouwbaarheid.

Vanuit het perspectief van waardebeleggen heeft deze overgang een ingrijpende invloed op bedrijfsbalansen en rendementsmaatstaven. Wanneer hyperscalers jaarlijks meer dan $700 miljard aan kapitaaluitgaven inzetten, komen fysieke activa ter waarde van meerdere miljarden dollars als materiële vaste activa (PP&E) op de balans te staan. Zodra deze operationeel zijn, drukken lineaire afschrijvingen op de resultatenrekening, ongeacht of er onmiddellijk omzet wordt gerealiseerd. Als de vraag naar tokens die te gelde kan worden gemaakt of de adoptie van bedrijfssoftware achterblijft bij de fysieke uitbouw, storten het rendement op geïnvesteerd kapitaal (ROIC) en de conversie naar vrije kasstroom (FCF) in onder het gewicht van nog niet afgeschreven infrastructuur. Deze dynamiek weerspiegelt rechtstreeks historische overinvesteringen in infrastructuur, zoals de ineenstorting van de telecomglasvezelmarkt waarbij WorldCom en Global Crossing betrokken waren: enorme kapitaaluitgaven creëerden ernstige overcapaciteit en vernietigden aandeelhouderswaarde, ondanks de uiteindelijke juistheid van de verwachting van internetadoptie op lange termijn.

3. Chips, geheugen en modeleconomie: commoditisering tegenover verschuivende grenzen#

Hoewel theoretische modellen aannemen dat hardwareknelpunten na verloop van tijd vanzelf verdwijnen wanneer de productiecapaciteit normaliseert, blijven de aanbodbeperkingen voor halfgeleiders acuut. Geheugen met hoge bandbreedte (HBM) en geavanceerde behuizingstechnologie vormen meerjarige structurele knelpunten in plaats van tijdelijke frictie. Het IEA verwacht dat tekorten in het HBM-aanbod tot minstens eind 2027 zullen aanhouden. Het marktaandeel blijft sterk geconcentreerd; gegevens van Counterpoint voor Q2 2026 ramen het aandeel in de HBM-omzet op:

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

Moderne hardware-moats (duurzame concurrentievoordelen) berusten niet op afzonderlijke rekenchips, maar op volledige integratie op systeemniveau: GPU-/ASIC-chips die via tussenlagen met HBM zijn geïntegreerd, geavanceerde behuizingstechnologie, snelle netwerken (zoals NVLink), stroomvoorziening en gespecialiseerde koeling. Deze systeemintegratie wordt nog belangrijker nu de werklast verschuift van modeltraining naar inferentie. McKinsey verwacht dat inferentie in 2030 ongeveer 60% van de totale AI-vraag zal vertegenwoordigen. Daardoor verschuift de concurrentiestrijd rechtstreeks naar geheugenbandbreedte, capaciteit, latentie, thermische efficiëntie en stroomverbruik per bruikbaar geproduceerd token, wat de structurele moats (duurzame concurrentievoordelen) van geïntegreerde hardwareleveranciers verstevigt.

Tegelijkertijd vertoont de economie van basisintelligentiemodellen een snelle kostendaling. Gegevens uit de Stanford AI Index geven aan dat de kosten voor het uitvoeren van een model met MMLU-prestaties op GPT-3.5-niveau daalden van ongeveer $20 per miljoen tokens in november 2022 tot circa $0.07 in oktober 2024 — een kostendaling met een factor 280 over 18 maanden. Bovendien tonen OESO-studies aan dat voor kwaliteit gecorrigeerde prijzen van taalmodellen tussen januari 2024 en april 2026 met bijna 80% daalden.

Maatstaf / focus van de maatstaf Historisch uitgangsniveau Recent / verwacht niveau Analytische betekenis
GPT-3.5 MMLU-tokenkosten $20.00 / M tokens (nov. 2022) $0.07 / M tokens (okt. 2024) 280x verlaging van de kosten per eenheid intelligentie (Stanford).
Prijzen van taalmodellen Basisniveau (jan. 2024) ~80% daling (apr. 2026) Snelle prijsval van voor kwaliteit gecorrigeerde uitvoer (OESO).
Prestatiekloof tussen gesloten en open modellen Ruime marge (2023) 3.3%–3.4% verschil (mrt. 2026) Commoditisering van basiscapaciteiten (Stanford AI Index 2026).
Aandeel in bedrijfsuitgaven 35% grensverleggende modellen (Q3 2025) 63% grensverleggende modellen (Q3 2026) Bereidheid om een meerprijs te betalen voor geavanceerd redeneervermogen (Menlo).

Ondanks deze prijsval zijn basismodellen nog geen zuivere standaardproducten geworden. Basisintelligentie commoditiseert: de Stanford AI Index 2026 laat zien dat de toonaangevende grensverleggende modellen (Anthropic, xAI, Google, OpenAI) slechts 25 Arena Elo-punten van elkaar verschillen en dat gesloten modellen in maart 2026 slechts 3.3% tot 3.4% voorlagen op alternatieven met open modelgewichten. Zakelijke klanten blijven echter een meerprijs betalen voor grensverleggende capaciteiten. Onderzoek van Menlo laat zien dat het aandeel van grensverleggende modellen in de AI-uitgaven van bedrijven steeg van 35% in Q3 2025 tot 63% in Q3 2026.

De modellaag functioneert als een verschuivende economische grens: basiscapaciteiten commoditiseren snel, terwijl het meest geavanceerde redeneervermogen prijszettingsmacht behoudt, waardoor modelontwikkelaars voortdurend enorme kapitaalinvesteringen moeten dragen, alleen al om gelijke tred te houden met de technologische voorhoede.

4. Uitvoeringslagen, fysieke AI en de paradox van Jevons#

Naarmate basismodellen gestandaardiseerde producten worden, verschuift de economische waarde naar de uitvoerings- en besturingslaag. Deze tussenlaag omvat dynamische modelroutering, persistent toestandsgeheugen, identiteitsbeheer, toegangsrechtenbeheer, evaluatie, integratie van hulpmiddelen en orkestratie. Vanuit het perspectief van bedrijfsbalansen kopen zakelijke softwareafnemers geen ruwe basismodeltokens; zij kopen gerealiseerde bedrijfsresultaten. De uitvoeringslaag fungeert als institutionele tussenlaag—vergelijkbaar met Kubernetes, identiteits- en toegangsbeheer en waarneembaarheid bij cloudcomputing—die overstapkosten voor bedrijven verankert en winstmarges beschermt, zelfs wanneer de onderliggende basismodellen veranderen. Het productieonderzoek van LangChain uit 2026 bevestigt dat bedrijfsarchitecturen met meerdere modellen inmiddels de norm zijn, waarbij de belangrijkste knelpunten bij implementatie verschuiven van kosten per token naar betrouwbare uitvoering, veiligheid en taakvoltooiing.

Evenzo worden generieke trainingsgegevens van het web steeds meer gestandaardiseerde producten ten opzichte van bedrijfseigen, resultaatgerichte terugkoppelingslussen. Duurzame economische moats (duurzame concurrentievoordelen) ontstaan wanneer softwaretoepassingen rechtstreeks worden ingebed in domeinspecifieke operationele werkprocessen waarin acties verifieerbare evaluaties in de praktijk opleveren.

Een treffend voorbeeld van deze dynamiek is Harvey in de juridische sector. Harvey concurreert niet als een kwetsbare schil rond een basismodel die generieke tokengeneratie verkoopt. In plaats daarvan integreert het rechtstreeks in juridische werkprocessen en combineert het gezaghebbende juridische registratiesystemen, distributie, naleving van regelgeving, klantvertrouwen en bedrijfseigen terugkoppelingslussen (contractanalyse $\rightarrow$ herziening door een advocaat $\rightarrow$ definitieve indiening bij de rechtbank/afwikkeling). Omdat Harvey het volledige werkproces en de daaruit voortvloeiende resultaatgegevens beheerst, bouwt het hoge overstapkosten op en verdedigt het zijn prijszettingsmacht, waardoor de onderliggende keuze van het basismodel ondergeschikt wordt aan het behaalde bedrijfsresultaat. Vergelijkbare resultaatgerichte terugkoppelingslussen ontstaan in gespecialiseerde domeinen zoals programmeren (codewijziging $\rightarrow$ testresultaat $\rightarrow$ implementatieresultaat), geneeskunde (diagnose $\rightarrow$ therapie $\rightarrow$ gezondheidsuitkomst voor de patiënt) en financiën (factuur $\rightarrow$ verrekening $\rightarrow$ geschillenbeslechting).

Bij fysieke AI-systemen verschilt de dynamiek van kapitaalallocatie fundamenteel van de bedrijfseconomie van ondernemingen die uitsluitend software aanbieden. Software schaalt tegen vrijwel nihil marginale kosten, terwijl fysieke robotica aanzienlijke kapitaalinvesteringen in de stuklijst (BOM) vereist. McKinsey schat dat precisieactuatoren 40% tot 60% van de BOM van een humanoïde robot vertegenwoordigen, tegenover 5% tot 10% voor batterijmodules. Verder schat CRU dat elke humanoïde robot 2 tot 3 kg aan NdFeB-magneten (neodymium-ijzer-boor) van zeldzame aardmetalen vereist. Hoewel fysieke AI-componenten strategische mogelijkheden op lange termijn vertegenwoordigen, genereren reken- en geheugenactiva in datacenters vandaag al directe, verifieerbare kasstromen.

Hardware-element van fysieke AI Geschat aandeel in BOM / grondstoffen Belangrijkste economische factoren en factoren in de toeleveringsketen
Precisieactuatoren 40% – 60% van de totale BOM (McKinsey) Zeer nauwkeurige gewrichten, versnellingskasten, motoren en reductoren.
Batterijmodules 5% – 10% van de totale BOM (McKinsey) Relatief lagere kapitaalallocatie dan voor aandrijving.
NdFeB-magneten van zeldzame aardmetalen 2 – 3 kg per humanoïde robot (CRU) Structurele aanjager van de vraag naar zware zeldzame aardmetalen.

Om deze structurele uitbreiding van kapitaaluitgaven te begrijpen, moet de paradox van Jevons worden toegepast. Een 100-voudige daling van de kosten per token vermindert de totale uitgaven aan rekenkracht niet; in plaats daarvan veroorzaken lagere eenheidsprijzen een explosieve toename van het totale tokenverbruik. Naarmate afzonderlijke vraag-antwoordinteracties worden vervangen door redeneerlussen met meerdere agenten die doorlopende achtergrondsimulaties en geautomatiseerde aanroepen van hulpmiddelen uitvoeren, versnelt de totale vraag naar hardwarematige rekenkracht ondanks sterk dalende eenheidsprijzen.

Voor fundamentele langetermijnbeleggers die kapitaalallocatie beoordelen, vereist duurzame waardecreatie dat zij zuiver fysieke schaarste vermijden en de voorkeur geven aan bedrijven met een hoog incrementeel ROIC, prijszettingsmacht en ingebedde terugkoppelingslussen in werkprocessen. Beleggers die geïnteresseerd zijn in diepgaandere waarderingsmodellen en fundamentele berekeningen van owner earnings kunnen ons openbaar toegankelijke bedrijfsonderzoek op de website van DeepValues Research verkennen of de intrinsieke waarde en veiligheidsmarge van elk aandeel beoordelen met de DeepValues-app.

5. Kerncijfers#

  • 78%: Het geschatte marktaandeel van Japanse bedrijven in de verkoop van fotoresist voor halfgeleiders, naar nationaliteit van het bedrijf.
  • >$700 miljard: Geschatte kapitaaluitgaven van hyperscalebedrijven in 2026 volgens het IEA, voornamelijk voor uitbreiding van datacenters.
  • 485 TWh tot ~950 TWh: Verwachte stijging van het elektriciteitsverbruik van datacenters van 2025 tot 2030 (IEA).
  • Eind 2027: Verwachte duur van de aanbodtekorten aan geheugen met hoge bandbreedte (HBM) (IEA).
  • 50% / 33% / 18%: Geschat aandeel in de HBM-omzet in Q2 2026 voor respectievelijk SK Hynix, Samsung en Micron (Counterpoint).
  • $20 tot $0.07 per miljoen tokens: Kostendaling voor het behalen van MMLU-prestaties op GPT-3.5-niveau tussen november 2022 en oktober 2024, een verlaging met een factor 280x (Stanford AI Index).
  • ~80%: Daling van voor kwaliteit gecorrigeerde taalmodelprijzen van januari 2024 tot en met april 2026 (OECD).
  • 25 Arena Elo-punten: Kleine prestatiekloof tussen de meest geavanceerde modellen van Anthropic, xAI, Google en OpenAI per maart 2026 (Stanford 2026 AI Index).
  • 3.3%–3.4%: Prestatiekloof tussen het beste model met gesloten broncode en het beste model met openbare modelgewichten in maart 2026 (Stanford AI Index).
  • 35% tot 63%: Toename van het aandeel van de meest geavanceerde modellen in de AI-uitgaven van bedrijven tussen Q3 2025 en Q3 2026 (onderzoek van Menlo).
  • 40%–60% tegenover 5%–10%: Geschat aandeel van actuatoren tegenover batterijmodules in de stuklijst (BOM) van een humanoïde robot (McKinsey).
  • 2–3 kg: Geschatte benodigde hoeveelheid NdFeB-magneten van zeldzame aardmetalen per humanoïde robot (CRU).

6. Wat onze visie zou veranderen#

  • Snelle veroudering van CUDA- en HBM-architecturen: Versnelde ontwikkeling van alternatieve verbindingen of geheugenarchitecturen die HBM en NVLink met succes verdringen en vóór 2027 de moats (duurzame concurrentievoordelen) van netwerkverbindingen op systeemniveau ondermijnen.
  • Terugschroeven van kapitaaluitgaven door hyperscalebedrijven: Een scherpe neerwaartse bijstelling van het traject van >$700 miljard aan jaarlijkse kapitaaluitgaven door hyperscalebedrijven als gevolg van een tegenvallend rendement op geïnvesteerd kapitaal (ROIC) of ernstige vertragingen bij aansluitingen op het elektriciteitsnet.
  • Snelle monetisatie en stagnatie van modellen met openbare modelgewichten: Het verdwijnen van de prestatiekloof van 3.3–3.4% tussen de meest geavanceerde modellen, waardoor zakelijke klanten hoogwaardige gesloten modellen verruilen voor gelokaliseerde, goedkope modellen met openbare modelgewichten.
  • Versnelde implementatie van fysieke AI: Grootschalige commercialisering en productie van humanoïde robotica met miljoenen eenheden ruim vóór 2030, waardoor de directe kasstroomwaarde verschuift naar toeleveringsketens voor aandrijving en magneten.

7. Bronnen#

De waarde van AI ontcijferd, Chamath Palihapitiya (jaarbrief 2025 en bijbehorend raamwerk) Stanford AI Index (Stanford University, gegevens 2024–2026) Rapporten over elektriciteit en kapitaaluitgaven van het Internationaal Energieagentschap (IEA) Counterpoint Research (marktanalyse van halfgeleiders en HBM voor Q2 2026) Onderzoek van McKinsey & Company naar stuklijsten voor robotica Onderzoek van CRU Group naar materialen en zeldzame aardmetalen Onderzoeken van OECD naar taalmodelprijzen (2024–2026) Onderzoek van Menlo Ventures naar AI-uitgaven van bedrijven (2025–2026) Onderzoek van Johns Hopkins University naar infrastructuur en stroomvoorziening van datacenters LangChain-onderzoek naar AI in productie (2026)

Kijken

Bronlinks

  • Decoding AI Value

Kijken & luisteren

Bedrijfsonderzoek

Onderzoekstekst onder CC BY 4.0, citeer als: DeepValues Research, De AI-stack ontrafeld: analyse van knelpunten, moats (duurzame concurrentievoordelen) en waardeopbouw voor langetermijnbeleggers, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-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