Guten Morgen ,

die großen Tech-Konzerne bauen längst ihre eigenen Chips – Google etwa betreibt bereits über 9.000 Ironwood-TPUs, Amazon investiert Milliarden in Annapurna Labs und Microsofts Projekt Braga kommt 2026. Der Grund? Wer die Kontrolle über KI behalten will, braucht eigene Hardware.

📉 Gleichzeitig fallen die Preise für Inferenz rasant: GPT-4-Performance ist 240-mal günstiger als vor 18 Monaten. Und Modelle wie DeepSeek versprechen sogar 36-fach niedrigere Inferenzkosten. Die Kostenexplosion verlagert sich – weg vom Training, hin zur täglichen Anwendung.

⚠️ Doch Vorsicht: 👉Nvidia bleibt der Platzhirsch. Mit der Blackwell-Architektur setzen sie weiter Maßstäbe. Und viele Herausforderer sind technisch noch nicht skalierbar.

🔋 Was das für Dein Depot bedeutet und welche ETFs Du jetzt auf dem Radar haben solltest – das liest Du gleich hier. Die KI-Revolution ist im vollen Gange. Aber sie braucht Strom – und clevere Investoren wie Dich. Viel Spaß beim Lesen!

KI-Revolution

🏭 Nvidia unter Druck: Die Energiekrise öffnet neue Türen für Startups

⚡ Ein ChatGPT-Befehl, der mehr Strom verbraucht als eine Google-Suche – das mag unscheinbar klingen, ist aber Symptom eines gewaltigen Problems: Der Energiehunger von Künstlicher Intelligenz wächst explosionsartig. Laut Weltwirtschaftsforum soll der Stromverbrauch für KI-Anwendungen bis 2030 jedes Jahr um rund 50 % steigen.

In einer Welt, in der KI-Modelle wie GPT-4 täglich Milliarden Anfragen verarbeiten, wird klar: Es geht nicht mehr nur um Leistung, sondern auch um Effizienz. Genau hier beginnt das Wettrennen um die KI-Chips der nächsten Generation – und es könnte für Anleger äußerst spannend werden.

🔋 Schon heute ist die KI verantwortlich für einen erheblichen Teil des Stromverbrauchs in Rechenzentren. Der Energieaufwand ist enorm:

• Eine einzelne ChatGPT-Abfrage: 0,0029 kWh – etwa zehnmal mehr als eine Google-Suche

• Ein Nvidia-H100-Chip bei typischer Auslastung: 3.740 kWh pro Jahr – so viel wie ein US-Haushalt

• Gesamter Stromverbrauch aller H100-Chips 2024: über 13 000 GWh – mehr als Georgien oder Costa Rica

Die Prognose: Rechenzentren könnten bis 2030 über 1.000 TWh pro Jahr verschlingen. Das entspricht mehr als dem gesamten jährlichen Stromverbrauch Japans.

🧠 Nvidia ist der Platzhirsch: Rund 70 bis 90 % Marktanteil bei KI-Hardware, leistungsfähige Chips wie der neue Blackwell GB200 – und eine satte Bruttomarge von 60 %. Doch der Erfolg hat seinen Preis:

• Immer leistungsfähigere Chips benötigen auch immer mehr Energie: Blackwell verbraucht bis zu 1.200 W.

• Viele Kunden klagen über den „Nvidia-Steuer“: die teure Abhängigkeit vom Ökosystem

• Das CUDA-Software-Lock-in erschwert den Umstieg auf Alternativen.

Trotz aller Effizienzfortschritte bleibt Nvidia energiehungrig – und damit angreifbar.

🚀 Der vielleicht spannendste Herausforderer ist Positron AI. Das US-Startup entwickelt FPGAs – neuartige Chips, die speziell für KI-Inferenz optimiert sind, also für das Generieren von Antworten durch KI-Systeme.

Die Versprechen:

• 3,5x bessere Leistung pro Dollar im Vergleich zu Nvidia H100

• 3 bis 6x höhere Energieeffizienz

• 93 % Bandbreitenauslastung (vs. 10–30 % bei GPUs)

• Kompatibilität mit Hugging Face und OpenAI-APIs

Auch Groq setzt auf Radikalität: Statt klassischer GPUs nutzt man LPUs (Language Processing Units). Das Ergebnis:

• 10x höhere Effizienz auf architektonischer Ebene

• 500 Token/s bei 7B-Modellen

• Kaum Latenz, kein Overhead durch Caching oder Core-Kommunikation

Groq und Positron haben eines gemeinsam: Sie bauen Chips nicht für alles, sondern nur für KI-Inferenz. Und genau darin liegt ihre Stärke.

Auch 👉Amazon, 👉Google und 👉Microsoft mischen mit: Google skaliert mit seinem neuen Ironwood-TPU auf über 9.000 Chips – und verbessert die Energieeffizienz mit jeder Generation.

Amazon investiert Milliarden in eigene Chips von Annapurna Labs, inklusive des Inferentia-Projekts mit Anthropic.

Microsoft kämpft mit Verzögerungen: Der hauseigene Chip Braga kommt wohl erst 2026.

Die Botschaft ist klar: Wer die Kontrolle über die KI behalten will, benötigt eigene Hardware.

📉 Was das für Dich bedeutet:

Die langfristigen Kosten in der KI liegen nicht beim Training – sondern bei der Inferenz, also dem Moment, in dem ein KI-Modell nach dem Training sein Wissen anwendet, um neue Daten zu analysieren und Vorhersagen zu treffen. McKinsey schätzt, dass dies 80 bis 90 % der Gesamtkosten eines Modells ausmachen. Und genau hier setzen die neuen Chips an.

Hinzu kommen dramatisch fallende Preise:

• GPT-4-Performance kostet heute 240x weniger als noch vor 18 Monaten.

• Neue Modelle wie DeepSeek versprechen 18x geringere Trainingskosten und 36x geringere Inferenzkosten.

Der Preisdruck steigt – und mit ihm die Chancen für effizientere Anbieter.

💡 Merke: Die KI-Branche steht vor einer der größten Energie-Herausforderungen der digitalen Ära. Doch sie ist auch dabei, sie zu lösen – mit neuen Chip-Architekturen, effizienteren Designs und spezialisierter Hardware.

Für Anleger ergeben sich daraus drei klare Trends:

• Spezialisierte Inferenz-Chips wie von Positron oder Groq bieten echte Effizienzsprünge.

• Vertikale Integration durch Big Tech sichert Margen und Kontrolle.

• Infrastruktur-Investments in Rechenzentren und Energiequellen wie Fusion oder Kleinreaktoren werden vielleicht zum nächsten Billionenmarkt.

Eines erscheint sicher: Wer die Energiefrage der KI löst, wird nicht nur technologisch, sondern auch finanziell ganz vorn mitspielen.

Fonds unter der Lupe

🌍 Global investieren in KI-Infrastruktur – mit diesen 4 ETFs

🔋 Künstliche Intelligenz frisst Strom – und das im großen Stil. Kein Wunder also, dass auch große Investoren nach Fonds suchen, die von dieser Entwicklung profitieren – und gleichzeitig auf energieeffiziente Zukunftstechnologien setzen.

Hier sind spannende ETF-Kandidaten, die genau das möglich machen könnten:

🤖 Xtrackers Artificial Intelligence & Big Data ETF

Dieser ETF ist der Klassiker für alle, die breit in den KI-Boom investieren wollen. Mit Schwergewichten wie Microsoft, Nvidia, Meta und SAP deckt er die großen Player im Bereich KI, Big Data und ESG ab.

• Performance 2 Jahre p.a.: +56 %

• TER: 0,35 %

• Strategie: Vollreplikation, ESG-Fokus, thesaurierend

• Risiko: Hohe Volatilität (23,91 %) und starke Abhängigkeit von US-Tech

💾 VanEck Semiconductor ETF

Wer gezielt auf die Chip-Lieferanten der KI setzt, landet bei diesem Halbleiter-ETF. Namen wie Nvidia, TSMC, AMD oder ASML dominieren das Portfolio. Der Fokus: 100 % Halbleiter, 100 % US-Markt.

• Top-10-Anteil: über 73 %

• Volatilität: 24,9 %

• Performance: eng an Technologiezyklen gebunden

• Chance: direktes Exposure zu den zentralen Hardware-Treibern der KI

🏭 Global X Data Center REITs & Digital Infrastructure ETF

Jede KI braucht ein Zuhause – und das sind Rechenzentren. Dieser ETF investiert in Betreiber wie Equinix, American Tower und Digital Realty Trust, die die physische Infrastruktur der digitalen Welt stellen.

• Fokus: Rechenzentrums-REITs, Funkmasten, digitale Infrastruktur

• Stabilität: regelmäßige Mieterträge, thesaurierend

• Risiken: Zinsänderungen und geringe Fondsgröße (3 Mio. Dollar)

⚡ First Trust Smart Grid Infrastructure ETF

Hier dreht sich alles um die Stromnetze der Zukunft. Unternehmen wie ABB, Schneider Electric oder Johnson Controls sorgen dafür, dass der Energiehunger der KI auch gedeckt werden kann.

• Performance 2 Jahre: +28 %

• Fondsvolumen: 616 Mio. Dollar

• Diversifikation: 95 Werte aus über 10 Ländern

• Risiko: Technologischer Wandel und regulatorische Unsicherheit

📊 Fazit: Ob Chips, Rechenzentren oder Stromnetze – die Energiefrage der Künstlichen Intelligenz eröffnet neue Investmentthemen. Wer langfristig denkt und Risiken bewusst managt, könnte mit diesen ETFs gezielt auf die wichtigsten Bausteine der KI-Revolution setzen. Viel Erfolg!

Erstellung und Verbreitung: Dieser Beitrag wurde von einem Redakteur der Finanzen.net GmbH, Gartenstraße 67, 76135 Karlsruhe, erstellt. Wir, die Finanzen.net Zero GmbH, haben diesen Beitrag unverändert in diesem Mailing übernommen. Die Finanzen.net GmbH hat uns zugesichert, dass dieser Beitrag mit größter Sorgfalt erstellt und zuvor keinem anderen Empfängerkreis zugänglich gemacht worden ist.

Interessen und Interessenkonflikte: Der erstellende Redakteur hält Eigenpositionen an den besprochenen Finanzinstrumenten.

Die Finanzen.net ZERO GmbH profitiert wirtschaftlich davon, wenn Empfänger dieses Mailings die besprochenen Finanzinstrumente über unsere Brokerfunktion handeln.

Disclaimer: Wir, die Finanzen.net ZERO GmbH, übernehmen keine Haftung für die Richtigkeit, Vollständigkeit und Aktualität der in diesem Beitrag enthaltenen Informationen. Dieser Beitrag stellt weder ein Angebot, eine Aufforderung zum Erwerb oder Verkauf eines Finanzinstruments, noch eine Empfehlung oder Anlageberatung dar. Eine Anlageentscheidung sollte keinesfalls ausschließlich auf die Informationen in diesem Beitrag gestützt werden. Geldanlagen in Finanzinstrumente sollten immer unter langfristigen Gesichtspunkten und unter Berücksichtigung der persönlichen Kenntnisse, Erfahrungen, finanziellen Verhältnisse und Anlageziele getätigt werden. Anleger sollten bedenken, dass sie bei der Investition in Finanzinstrumente Verluste bis zum Totalverlust des investierten Kapitals (bei einigen Finanzinstrumenten sogar über das eingesetzte Kapital hinaus) erleiden können. Die Wertentwicklung in der Vergangenheit ist kein verlässlicher Indikator für die zukünftige Wertentwicklung.