Newsletter · 5. Juli 2026
Weekly Digest 27
Meta baut Berichten zufolge ein Cloud-Geschäft auf, um ungenutzte KI-Rechenkapazität weiterzuverkaufen — vom Markt als Bedrohung für die Neoclouds gewertet, doch eher das Zeichen eines großen Käufers, der kontrahierte Kapazität in einen monetarisierbaren Vermögenswert verwandelt; OpenAI bringt ins Spiel, der US-Regierung einen Anteil von 5 % zu geben, und testet damit, ob Frontier-KI zu strategisch ist, als dass der Staat bloß Regulierer bleiben könnte; eine Studie von Ramp und Revelio findet, dass intensive KI-Anwender mehr statt weniger einstellen, was die Entlassungserzählung verkompliziert, während Goldman zugleich einen monatlichen Dämpfer für das Beschäftigungswachstum sieht; und Etched sammelt 800 Mio. Dollar bei einer Bewertung von 5 Mrd. Dollar für Sohu ein, einen ASIC, der Transformer-Inferenz fest verdrahtet.
Themen, die wir verfolgen
Meta testet den Wiederverkaufsmarkt für KI-Rechenleistung
Quelle: Bloomberg — Meta Is Planning a Cloud Business to Sell AI Computing Power
Laut Berichten von Bloomberg prüft Meta ein Cloud-Geschäft: eine Möglichkeit, Zugang zu ungenutzter KI-Kapazität zu verkaufen — entweder über gehostete Meta-Modelle oder über reine Rechenleistung.
Der Markt las die Meldung als direkte Bedrohung für die Neoclouds. CoreWeave und Nebius gerieten unter Druck, weil einer ihrer größten Kunden zum Wettbewerber werden könnte. Die Reaktion ist verständlich, aber vielschichtiger. Meta hat bereits große, langfristige Kapazitätszusagen bei externen Anbietern, darunter CoreWeave und Nebius. Diese Vereinbarungen gleichen weit eher langfristigen Abnahmeverträgen für Infrastruktur als der kurzfristigen Anmietung von GPUs. Die genauen Kündigungsrechte sind nicht öffentlich, doch das sind keine Verträge, die verschwinden, weil Meta beschließt, ein Wiederverkaufsprodukt zu testen.
Die bessere Lesart ist, dass Meta die Größenordnung überschritten hat, ab der Rechenleistung zu einem Vermögenswert in der Bilanz wird. Meta hat allein im ersten Halbjahr mehr als 5 GW an Cloud- und Colocation-Kapazität kontrahiert — und dabei sind die sich beschleunigenden Eigenbauprojekte noch nicht mitgezählt. Das Unternehmen kauft genug Rechenleistung, dass es sie nun auf mehrere Arten monetarisieren kann.
Der erste Anwendungsfall ist weiterhin Frontier-KI. Meta hat das Training von Frontier-Modellen nicht aufgegeben. Meta Superintelligence Labs bleibt der Kerngrund für den Ausbau, und großangelegtes Training verlangt weiterhin saubere, homogene Beschleuniger-Inseln: eine GPU-Generation, ein Speicherprofil, eine Netzwerktopologie, ein Speicherpfad und eine Fehlerdomäne. Sobald ein Job über Tausende oder Zehntausende GPUs verteilt ist, beginnt der langsamste oder störanfälligste Teil des Systems zu dominieren.
Der zweite Anwendungsfall ist Metas Kerngeschäft: Werbung, Ranking und Empfehlungen. Das ist der Teil der Geschichte, der leicht unterschätzt wird. Wenn größere Empfehlungsmodelle Targeting, Conversion, Anzeigenpreise und die auf Facebook und Instagram verbrachte Zeit verbessern, kann Rechenleistung direkt in die bestehende Umsatzmaschine fließen. Meta könnte die Rechenleistung für Werbeempfehlungen um mehr als das Zehnfache skalieren, indem es zu generativen Empfehlungssystemen (RecSys) übergeht, die mit der Rechenleistung skalieren — sie verbessern sich mit mehr Training und mehr Inferenz. Das ist ein ganz anderes Geschäft als das Vermieten von GPUs an Startups.
Der dritte Anwendungsfall ist die Modelldistribution. Meta befindet sich Berichten zufolge in finalen Gesprächen mit Anthropic über private Claude-Instanzen, vom Konzept her ähnlich wie Bedrock, Foundry oder Vertex. Das ergibt strategisch Sinn. Meta verfügt über Distribution, Werbekundenbeziehungen, Consumer-Oberflächen und internen Bedarf an Zugang zu Frontier-Modellen. Wenn es heute seine eigenen Modelle extern bereitstellen und später Frontier-Modelle Dritter auf von Meta kontrollierter Rechenleistung anbieten kann, wird das Cloud-Geschäft weniger zu einer Bare-Metal-IaaS und mehr zu Token-as-a-Service.
Der vierte Anwendungsfall ist der Deal im SpaceX-Stil: großvolumige, kurzfristige Rechenleistung, mit Aufschlag an ein Frontier-Lab oder einen Unternehmenskäufer verkauft, der anderswo nicht genug Kapazität bekommt. SpaceX schuf faktisch ein neues Marktsegment, indem es große Rechenblöcke zu ungewöhnlich attraktiven Konditionen verkaufte, mit kurzen Kündigungsfristen, die strategische Flexibilität wahren. Meta muss keine breite Neocloud mit 30 % Bruttomarge werden. Ein paar Hundert Megawatt hochpreisiger externer Rechenleistung könnten Milliarden an Umsatz erzeugen und zugleich die Option bewahren, Kapazität in die Meta Superintelligence Labs zurückzuholen, falls sich der interne Fortschritt verbessert.
SpaceX created a new market segment — short-term, large-scale compute at a premium
Deshalb ist die berichtete Cloud-Idee plausibler als Geschäft für Inferenz, Token-Serving und Überlaufkapazität denn als sauberer Ersatz für den Neocloud-Trainingsmarkt. Metas GPU-Bestand umfasst ältere A100-Kapazität, große H100-Cluster, Blackwell-Systeme, Partner-Hardware, Metas eigenes MTIA-Silizium, Colocation-Kapazität und vertraglich gesicherte Neocloud-Kapazität. Eine solche Flotte lässt sich schwerer als makellose Frontier-Trainingsinfrastruktur verkaufen. Leichter ist es, sie als Inferenzkapazität zu routen. Verschiedene Modelle, Latenzstufen, Batch-Größen, Kontextlängen und Kundenworkloads lassen sich unterschiedlichen Hardware-Pools zuweisen. Ältere GPUs können weiterhin nützliche Workloads bedienen. MTIA kann internes Ranking und Werbe-Inferenz aufnehmen. H100- oder Blackwell-Kapazität kann für höherwertiges Serving oder internes Training reserviert werden.
Daten zur H100-Vermietung zeigen, dass die Preise für Einjahresverträge seit Anfang 2026 steigen, selbst nach einem langen Rückgang gegenüber den Niveaus von 2024. Das bedeutet nicht, dass jeder Cluster voll ausgelastet ist. Meta kann vereinzelt ungenutzte Rechenkapazität haben, während dem breiteren Markt weiterhin saubere, extern verfügbare Kapazität fehlt. Doch das ist kein Beleg dafür, dass der Compute-Engpass vorbei ist. Würde der Markt bereits in Überkapazität ertrinken, würden die H100-Mietpreise eher nachgeben als anziehen.
Der Wiederverkauf durch Hyperscaler könnte für Neoclouds ein marginales Angebotsrisiko schaffen, besonders in der Inferenz. Ungenutzte H100- oder Blackwell-Kapazität bleibt nicht ewig ungenutzt, wenn Kunden bereit sind, dafür zu zahlen. Doch das Kernprodukt der Neoclouds bleibt ein anderes: saubere Beschleunigerblöcke, Strom, Netzwerk, Speicher, Mandantenfähigkeit, Support, SLAs und die Fähigkeit, neue Kapazität schneller bereitzustellen, als Kunden sie selbst bauen können.
Große Käufer werden Rechenleistung zunehmend als Vermögenswert und nicht nur als Input verwalten. Manche werden ungenutzte Kapazität weiterverkaufen. Manche werden sie für Frontier-Training nutzen. Manche werden sie in Werbung, Empfehlungssysteme, Agenten und Token-Serving-Geschäfte lenken. Der entscheidende Punkt ist, dass die Nachfrage nach Rechenleistung groß genug, unregelmäßig genug und dringlich genug bleibt, dass jeder große Kapazitätsinhaber nun Optionalität will.
OpenAI erprobt den Staatsfonds-Deal
Quelle: TechCrunch — OpenAI proposed donating 5% of its equity to a US sovereign wealth fund
OpenAI hat Berichten zufolge erörtert, der US-Regierung einen Anteil von 5 % zu geben. Der Vorschlag ist noch früh, doch er stellt eine größere These auf die Probe: Frontier-KI könnte zu strategisch sein, als dass der Staat nur Regulierer bleiben könnte.
Washington ist bereits von leichter Aufsicht zu direkter Industriepolitik übergegangen. Exportkontrollen bestimmen, wer Zugang zu fortschrittlichen Chips erhält. Sicherheitsprüfungen prägen Modellveröffentlichungen. Beschaffungsregeln beeinflussen, welche Unternehmen zu vertrauenswürdigen Lieferanten werden. Nationaler Sicherheitsdruck wirkt auf Lieferketten und Kundenzugang. Die Trump-Regierung ist noch einen Schritt weiter gegangen und hält direkte Beteiligungen an strategischen Unternehmen wie Intel. OpenAIs Vorschlag würde dieselbe Logik auf Frontier-KI übertragen.
Doch „Verstaatlichung" ist ein zu grobes Wort. Verschiedene Formen von öffentlichem Eigenkapital lösen verschiedene Probleme. Eine direkte Ausschüttung von Anteilen an die Bürger versucht, ein Legitimitätsproblem zu lösen: Normale Menschen haben nicht das Gefühl, den technologischen Wandel mitzugestalten oder an seinem Aufwärtspotenzial teilzuhaben. Eine vom Staat gehaltene Beteiligung löst ein anderes Problem: Sie gibt dem Staat einen Anspruch auf ein strategisches Aktivum.
Die erste Variante ist überwiegend symbolisch. Eine breite Anteilsausschüttung würde es der KI-Branche erlauben zu sagen, dass sie nicht nur eine Zukunft für Gründer, Mitarbeiter, Hyperscaler und Wagniskapitalgeber baut. Sie gibt den Bürgern einen direkten Anspruch auf die Zukunft, die um sie herum gebaut wird. Das Problem ist die Größenordnung. Ein 5-%-Anteil an einem Billionen-Dollar-Unternehmen ist 50 Milliarden Dollar wert. Verteilt auf rund 130 Millionen US-Haushalte sind das etwa 385 Dollar pro Haushalt. Selbst wenn sich der Anteil verdoppelte, sähe er noch eher wie ein einmaliger Konjunkturscheck aus.
Eine vom Staat gehaltene Beteiligung ist komplizierter. Wenn der Staat einen Teil eines Frontier-Labs besitzt, wird er finanziell am Erfolg eines bestimmten Unternehmens interessiert. Das schwächt die politische Neutralität. Ein neues Lab, ein Open-Source-Herausforderer oder ein ausländischer Wettbewerber würde nicht mehr nur gegen OpenAI antreten. Es würde gegen ein Unternehmen antreten, an dessen Schutz die Regierung ein direktes Interesse hat.
Es würde auch verändern, wie das Unternehmen im Ausland wahrgenommen wird. Amerikanische KI sitzt bereits inmitten eines geopolitischen Wettstreits um Chips, Daten, Cloud-Infrastruktur und Sicherheitsgarantien. Wenn Frontier-Labs beginnen, wie ein verlängerter Arm der US-Staatspolitik auszusehen, werden ausländische Kunden und Regierungen sie anders behandeln. Palantir ist eine nützliche Warnung. Die US-Regierung hält keinen Anteil daran, doch seine Verbindung zum nationalen Sicherheitsapparat prägt bereits, wie das Unternehmen im Ausland wahrgenommen wird.
Sobald der Staat einen Teil eines Frontier-Labs besitzt, könnte er dieses Eigentum nutzen, um Inhaltsrichtlinien, Nutzungsüberwachung, Workflows der nationalen Sicherheit, Entscheidungen über Modellveröffentlichungen, Beschaffungszugang und ausländische Bereitstellung zu gestalten. An diesem Punkt sieht das Lab weniger wie ein privates, unter Regulierung operierendes Unternehmen aus und mehr wie ein quasi-öffentlicher Versorger. In den USA können private Unternehmen, die unter starkem staatlichem Druck handeln, mitunter selbst wie staatliche Akteure erscheinen. Das öffnet die Tür für Argumente aus den Bereichen Rechtsstaatlichkeit, Meinungsfreiheit, Verwaltungsrecht und öffentliche Versorgung.
Das ist der stärkste Einwand gegen das Modell staatlicher Beteiligung. Die Öffentlichkeit fühlt sich nicht zwangsläufig reicher, weil das Finanzministerium einen Anteil an OpenAI hält. Der Legitimitätsgewinn ist schwach, wenn das Eigentum für die Haushalte unsichtbar ist. Die Kosten hingegen sind weit konkreter: Interessenkonflikte, regulatorische Vereinnahmung, Governance-Komplexität, ausländisches Misstrauen und das Risiko, dass Frontier-Labs in Richtung eines öffentlichen Versorgerstatus gezogen werden.
Es gibt eine engere und sauberere Alternative: die Gemeinden zu entschädigen, die die KI-Infrastruktur tatsächlich beherbergen. Wenn ein Rechenzentrum lokale Energie, Land, Wasser und Netzkapazität verbraucht, sollte die Gemeinde etwas Greifbares dafür erhalten: niedrigere Stromrechnungen, direkte Zahlungen, Steuereinnahmen, Infrastrukturfinanzierung oder langfristige Umsatzbeteiligung. Das würde auch dem wachsenden Widerstand gegen Rechenzentren vor Ort begegnen.
Das KI-Jobnarrativ wird weniger eindeutig
Quelle: Ramp — Does AI eliminate jobs? Economists find heavy adopters hire more
Die Auswirkung von KI auf den Arbeitsmarkt ist zu einer der meistdiskutierten Fragen im Silicon Valley und darüber hinaus geworden. Die einfachste Version, oft von den CEOs der Frontier-Labs vertreten, lautet: Je mehr Unternehmen KI einsetzen, desto mehr kognitive Arbeit übernimmt Software, ersetzt Mitarbeiter und reduziert am Ende die Belegschaft.
Ein neuer Bericht von Ramp und Revelio Labs verkompliziert diese Erzählung. Anhand von Ramp-Ausgabendaten, verknüpft mit Revelios Personaldaten, untersuchte die Studie mehr als 21.500 US-Unternehmen und fand, dass intensive KI-Anwender ihre Belegschaft in den zwei Jahren nach der Einführung um rund 10 % erhöhten. Die Zahl der Einstiegspositionen stieg sogar schneller, um etwa 12 %. Doch die Unternehmen, die am aggressivsten für KI ausgeben, sind nicht repräsentativ für die gesamte Wirtschaft. Ramp-Kunden sind eher technisch, wachstumsorientiert, wagniskapitalfinanziert und ohnehin expandierend. Der Bericht ist daher am stärksten als Beleg gegen die grobe Entlassungserzählung, nicht als Beweis, dass KI mechanisch Arbeitsplätze schafft.
AI adoption sorts firms — heavy adopters pull ahead on headcount
- High-intensity adopters
- Low-intensity adopters
Goldmans neuer Bericht zur KI-Job-Apokalypse landet von der Makroseite an einer ähnlichen Stelle. Goldman schätzt, dass KI in den Sektoren, in denen die Werkzeuge zuerst eingesetzt werden — darunter Technologie, Beratung und Grafikdesign —, bereits einen Dämpfer von 10.000 bis 15.000 Stellen pro Monat für das US-Beschäftigungswachstum erzeugt.
Der Bericht unterstellt zudem einen Produktivitätsschub von 15 % nach vollständiger KI-Einführung und schätzt, dass rund 9 % der US-Beschäftigten, also etwa 15 Millionen Menschen, während der KI-Umstellung neu zugeordnet werden könnten. Über ein Jahrzehnt verteilt, würde das die jährliche Wirkung auf die Arbeitslosigkeit dennoch unter einem Prozentpunkt halten.
Der entscheidende Faktor ist die Einführungsgeschwindigkeit, die sich viel langsamer bewegt als die Fähigkeit der Frontier-Modelle. Dass ein Modell technisch zu einer Aufgabe fähig ist, bedeutet nicht, dass die Aufgabe automatisiert wird. Das System braucht Zugang zu den richtigen Daten, einen verlässlichen Workflow, Integration in bestehende Prozesse und eine Kostenstruktur, die den Einsatz lohnend macht. Große Firmen automatisieren vor kleinen Firmen, und nur einige exponierte Aufgaben werden wirtschaftlich attraktiv genug sein, um sie zu ersetzen.
KI kann in einigen exponierten Berufen einen messbaren Dämpfer erzeugen, während intensive KI-Anwender insgesamt dennoch mehr Menschen einstellen. KI ersetzt einige Aufgaben, senkt die Nachfrage in einigen Kategorien und setzt einige Märkte für Auftragnehmer unter Druck. Zugleich können Firmen, die KI in Workflows aufnehmen, expandieren, weil jeder Mitarbeiter produktiver wird.
Das Ergebnis bei den Einstiegspositionen ist vielleicht der interessanteste Teil. Die vorherrschende Erzählung war, dass die Einstiegstätigkeiten im Bürobereich die erste Schicht sind, die automatisiert wird: Recherche, Schreiben, Analyse, Kundensupport, einfaches Programmieren und operative Koordination. Ramp/Revelio findet unter intensiven Anwendern das gegenteilige Muster: Die Zahl der Einstiegspositionen stieg um etwa 12 %. Eine Erklärung könnte sein, dass KI Junior-Mitarbeiter früher produktiv macht, während sich erfahrene Mitarbeiter in Richtung Aufsicht, Prüfung und Workflow-Gestaltung verschieben.
Wir argumentieren seit Langem, dass KI-Einführung kein sauberer Arbeitsplatz-Ersatzschock ist, sondern ein Sortiermechanismus. Firmen mit dem Kapital, den Daten, der Managementdisziplin und der technischen Kultur, um KI intensiv zu nutzen, ziehen weiter davon. Sie stellen mehr ein, weil KI erhöht, was diese Teams leisten können. Firmen, die nur herumprobieren, zeigen denselben Effekt nicht.
Etched sammelt Kapital für den Inferenz-Engpass
Quelle: TechCrunch — Nvidia competitor Etched hits $5B valuation, $1B in sales for AI chip
Etched ist die interessanteste VC-Geschichte der Woche. Das Unternehmen sagt, es habe mehr als 1 Milliarde Dollar an Kundenverträgen für Inferenzsysteme gebucht, die von Sohu angetrieben werden, seinem transformer-spezifischen KI-Chip, und insgesamt 800 Millionen Dollar bei einer berichteten Bewertung von 5 Milliarden Dollar eingesammelt. Die ersten Racks sollen diesen Sommer ausgeliefert werden, nachdem TSMC den Chip Anfang des Jahres gefertigt hat.
Sohu ist keine Allzweck-GPU. Es ist ein ASIC, der speziell für Transformer-Inferenz gebaut ist. GPUs geben viel Silizium-Budget für Flexibilität aus: Allzweck-Rechenleistung, das Erbe aus der Grafikwelt, breite Softwareunterstützung und Hardware-Pfade für viele verschiedene Workloads. Diese Flexibilität ist Nvidias Burggraben. Etched wettet darauf, dass für die Inferenz ein Teil dieser Flexibilität zum Overhead geworden ist. Wenn die meisten hochwertigen Inferenz-Workloads weiterhin wie Transformer aussehen, dann kann ein Chip, der den Transformer-Datenfluss fest verdrahtet, mehr seiner Fläche, Leistung und Speicherbandbreite auf die Operationen verwenden, die wirklich zählen. TechCrunch berichtete, dass Sohu im 4-nm-Prozess von TSMC gefertigt wird und ausschließlich darauf ausgelegt ist, Transformer-Modelle auszuführen.
In transformer-basierten Modellen sind die dominierenden Workloads: Matrixmultiplikationen, Attention, Feed-Forward-Schichten, KV-Cache-Lese- und Schreibvorgänge, Arithmetik geringer Präzision, Batching und Datenbewegung mit hoher Speicherbandbreite. In der Inferenz reichen rohe FLOPs nicht aus. Das System muss außerdem Gewichte, Aktivierungen und KV-Cache schnell genug durch den Speicher bewegen, um die Recheneinheiten ausgelastet zu halten. Etcheds Behauptung ist, dass Sohu durch den Wegfall der Unterstützung für Nicht-Transformer-Workloads eine deutlich bessere Kosten- und Energieeffizienz für den dominierenden Serving-Workload liefern kann. Das Unternehmen sagt, es habe die Architektur so gestaltet, dass Mathematik-Blöcke bei weniger als der halben Spannung der meisten KI-Chips laufen, was die FLOPs-Dichte erhöht.
Spezialisierung funktioniert nur, wenn der Workload stabil bleibt. Sohu kann nicht für jede künftige Modellarchitektur ein großartiger Chip sein. Es ist eine Wette darauf, dass Transformer, oder transformer-ähnliche Architekturen, lange genug der Schwerpunkt für Sprach-, Bild-, Video-, Agenten- und Reasoning-Inferenz bleiben, um den Chip, den Software-Stack und den Systemaufbau zu amortisieren. Wenn sich der Markt zu sehr unterschiedlichen Architekturen verschiebt oder wenn Nvidias Blackwell- und Rubin-Roadmap den Abstand bei den Kosten pro Token verringert, schrumpft Etcheds Vorteil.
Die berichtete Investorenbasis ist ebenfalls bemerkenswert. Jane Street, Hudson River Trading, Two Sigma, Stripes, Ribbit, VentureTech Alliance sowie mehrere prominente KI-Forscher und Gründer sind allesamt beteiligt. Jane Street und HRT stechen hervor, weil sie Hardware-Vorteile anders verstehen als gewöhnliche Wagniskapitalgeber. Beide haben Teams um Systeme mit niedriger Latenz auf FPGA- und ASIC-Basis für den Handel aufgebaut, wo Latenz, Durchsatz und Infrastruktureffizienz keine abstrakten Engineering-Kennzahlen, sondern unmittelbare wirtschaftliche Größen sind. Ihre Beteiligung legt nahe, dass Etched als Wette darauf gezeichnet wird, dass Transformer-Inferenz zu einem Markt wird, in dem spezialisierte Hardware einen echten Kosten- und Leistungsvorteil schaffen kann.
Gesehen auf X
Weitere interessante Geschichten
- Cosmos Institute: Can AI Make Scientific Breakthroughs?
- ChinaTalk: Rare Earths
- The Information: OpenAI discovers a new way to cut inference costs in half
- Reuters: Microsoft launches firm to help companies adopt AI with $2.5 billion
- Meta AI: From Brain Waves to Words — Brain2Qwerty offers a new path to communication without surgery
