Wagniskapital-Partner sprechen über die Nvidia-Transformation: „Ein synthetischer Hyperscaler“ soll Microsoft, Google ersetzen
Altimeter Capital-Partner Clark Tang schrieb kürzlich, Nvidia vollende mit erstaunlicher Geschwindigkeit eine Positionsveränderung, die von außen kaum bemerkt werde. Das Unternehmen beherrsche dabei zugleich die Softwareschicht der Hyperscaler sowie die Finanzierungs- bzw. Finanzierungs-Ebene und schaffe so einen „synthetischen Hyperscaler (Synthetic Hyperscaler)“, der die Position von Amazon, Microsoft und Google in der KI-Rechenleistung-Lieferkette einnimmt. (Wie begegnet Nvidia der „Hyperscaler-Ent-Nvidiaisierung“? Analyse des Transformationswegs des Marktführers bei KI-Chips) Was ist ein Hyperscaler? Im KI-Zeitalter werden alte Geschäftsmodelle unwirksam Tang klärt zunächst die Essenz von Hyperscalern: Als großer Verbund grundlegender Infrastruktur umfasst er CPUs, Netzwerke und Speicher und darüber wird eine Entwicklungsplattform aufgebaut. Das Geschäftsmodell stützt sich auf zwei tragende Säulen: Finanziell: Es wandelt die Capex (Investitionsausgaben) der Kunden in Opex (Betriebsausgaben) um und ermöglicht Unternehmen eine Glättung ihrer finanziellen Verpflichtungen. Operativ: Durch Software werden die zugrunde liegenden Ressourcen abstrahiert, sodass Entwickler keine Hardware-Details verstehen müssen, um Rechenleistung zu nutzen. Sie erreichen das, indem sie in großem Umfang Hardware einkaufen, die Kapitalkosten drücken und dann mit Software die Hardware-Auslastung erhöhen – so halten AWS, Azure und GCP langfristig eine operative Marge von 35 % bis 40 %. Doch das Aufkommen des KI-Zeitalters erschüttert das Fundament dieses Modells. Das Training großer Modelle erfordert riesige, synchronisierte GPU-Cluster; die Inferenz-Workloads (Inference) dagegen sind extrem empfindlich gegenüber der Anzahl der Tokens pro Watt (Tokens per Watt) sowie der Verzögerung bis zum ersten Token (Time to First Token). Beide stehen in deutlichem Gegensatz zu dem Entwurfsidee des Cloud-Zeitalters „Multi-Tenant“ und „maximale Dichte virtueller Maschinen“. In Trainings-Clusters genügt bereits die Verzögerung eines einzelnen Knotens, um den gesamten Betrieb zu gefährden; die von traditionellen Hyperscalern bevorzugte Virtualisierung und zusätzliche Netzwerkschichten werden stattdessen zum Killer für die GPU-Leistung. Tang sagt offen: Angesichts dieser paradigmatischen Verschiebung stecken Hyperscaler im Innovator’s Dilemma: „Sie geben ungern eine Gewinnmarge von 35 % bis 40 % auf. Sie hoffen, die 75 % der Bruttogewinnspanne von Nvidia mit eigenen ASIC-Lösungen auf 25 % zu drücken, hinken aber in Ausführungs-geschwindigkeit und technischer Flexibilität weiterhin hinterher.“ Neoclouds entstehen, sind aber durch die Bilanz begrenzt In diesem Kontext sehen aufstrebende Cloud-Dienstanbieter (Neoclouds) die Chance und schaffen ein Ökosystem. Sie erkennen: Hyperscaler seien im Grunde nur mit einer dünnen Softwareschicht verpackte, fertige Nvidia-Hardware, die dann dennoch hohe Gewinne abwirft – Neoclouds können mit 20 % oder sogar noch niedrigeren Bruttomargen am Wettbewerb teilnehmen. Noch entscheidender ist: Neocloud und Nvidia entwickeln gemeinsam Software speziell für KI-Workloads – darunter Hot-Standby-Redundanz, vorausschauende Wartung sowie Speichersoftware, die für Trainingsszenarien optimiert ist und niedrigere Tarife ermöglicht. KI-Labore beginnen deutlich, lieber mit Neoclouds zusammenzuarbeiten. Ihre Kritik an Hyperscalern konzentriert sich vor allem auf drei Punkte: zu langsame Umsetzung, zu starre Cluster-Implementierung und dass die Virtualisierungsschichten die GPU-Effizienz herunterdrücken. Neocloud hat jedoch eine strukturelle Schwäche, die schwer zu überwinden ist: eine schwache Bilanz. Hyperscaler verfügen aufgrund ihrer Größe über eine hohe Bonität; dadurch können sie die Finanzierung für den Aufbau von Kapazitäten bereits bereitstellen, bevor die Nachfrage eindeutig ist, und dann bei Eintritt der Nachfrage arbitrageartig profitieren. Die Kreditnehmer bei Neocloud sind hingegen nur bereit, für Hardware zu leihen, die durch bestehende Verträge abgesichert ist – und die Bonität der KI-Labore im Frühstadium ist tendenziell eher spekulativ, was die Finanzierungskosten erhöht. Diese Hürde verhindert, dass Neoclouds jemals so kühn auf Kapazitäten setzen können wie Musks „Colossus“, noch bevor die Nachfrage realisiert wird. Das Schachspiel von Nvidia: Gleichzeitig die operative Ebene und die Finanzierungsebene in der Hand Tang ist der Ansicht, Nvidia habe in den vergangenen Jahren still und effektiv zwei entscheidende Fähigkeiten von Hyperscalern nachgebildet – und das sei nicht zufällig, sondern ein Schritt-für-Schritt geplantes Schachspiel. Auf der operativen Ebene brachte Nvidia DSX OS und Mission Control auf den Markt, um GPU-Flotten zu managen. Mit DSX-Referenzdesigns und Omniverse-Digital-Twins stellt Nvidia standardisierte Skripte für den Rechenzentrumsbau bereit; anschließend verarbeitet das Dynamo-Framework die Inferenzdienste. Diese Werkzeugkombination bildet ein vollständiges Betriebs-„Operating System“ für KI-Rechenzentren und wird für jedes Team zugänglich gemacht, das technische Fähigkeiten und geeignete Rechenzentrumsflächen hat. Auf der Finanzierungsebene standardisierte Nvidia zunächst die eigenen Hardware-Assets. Mit Referenzdesigns kann es Infrastruktur-Investoren die „Austauschbarkeit und Kunden-übergreifende Verlagerbarkeit“ der Rechenleistung als Beleg für die Investitionslogik zeigen, sodass solche Assets im Rahmen der Due Diligence des Finanzsystems mit einer unverschuldeten Rendite (Unlevered Yield) von 7 % bis 8 % durchgehen. Danach führte Nvidia Drittmittel in einer Größenordnung von 50 Mrd. US-Dollar ein; die Partner umfassen Apollo, BlackRock, Blackstone, Goldman Sachs und KKR sowie weitere. Anschließend wurden schrittweise sechs eigenständige Finanzierungsplattformen aufgebaut. Die Zeitleiste zeigt, dass Letzteres eine lange durchdachte Strategie ist: Nvidia unterzeichnete 2023 eine Rahmenvereinbarung mit CoreWeave, brachte 2024 eine Partnerschaft zur KI-Infrastruktur mit BlackRock zustande, ermöglichte 2025 den Brookfield-100-Mrd.-US-Dollar-Fonds und trieb 2026 die Kooperation mit KKR Helix voran. Huang Renxun (Jensen Huang) besuchte 2025 in dichter Folge Europa, den Nahen Osten und Südostasien – genau, um die Bodeneinrichtung dieser neuen Rechenleistung-Standorte voranzubringen. Geldkreislauf und Zweifel an der Finanzierbarkeit: Tang entkräftet die Bedenken Schritt für Schritt Tang geht auf die wichtigsten Einwände des Marktes gegen diese Erzählung ein und beantwortet sie nacheinander. Mit Blick auf die Sorge um die Zirkulation der Mittel weist er darauf hin, dass die sechs Einrichtungen – darunter Apollo und BlackRock – jeweils unabhängig syndizieren und nicht miteinander verflochten sind, ...
Altimeter Capital-Partner Clark Tang schrieb kürzlich, Nvidia vollende mit erstaunlicher Geschwindigkeit eine Positionsveränderung, die von außen kaum bemerkt werde. Das Unternehmen beherrsche dabei zugleich die Softwareschicht der Hyperscaler sowie die Finanzierungs- bzw. Finanzierungs-Ebene und schaffe so einen „synthetischen Hyperscaler (Synthetic Hyperscaler)“, der die Position von Amazon, Microsoft und Google in der KI-Rechenleistung-Lieferkette einnimmt. (Wie begegnet Nvidia der „Hyperscaler-Ent-Nvidiaisierung“? Analyse des Transformationswegs des Marktführers bei KI-Chips) Was ist ein Hyperscaler? Im KI-Zeitalter werden alte Geschäftsmodelle unwirksam Tang klärt zunächst die Essenz von Hyperscalern: Als großer Verbund grundlegender Infrastruktur umfasst er CPUs, Netzwerke und Speicher und darüber wird eine Entwicklungsplattform aufgebaut. Das Geschäftsmodell stützt sich auf zwei tragende Säulen: Finanziell: Es wandelt die Capex (Investitionsausgaben) der Kunden in Opex (Betriebsausgaben) um und ermöglicht Unternehmen eine Glättung ihrer finanziellen Verpflichtungen. Operativ: Durch Software werden die zugrunde liegenden Ressourcen abstrahiert, sodass Entwickler keine Hardware-Details verstehen müssen, um Rechenleistung zu nutzen. Sie erreichen das, indem sie in großem Umfang Hardware einkaufen, die Kapitalkosten drücken und dann mit Software die Hardware-Auslastung erhöhen – so halten AWS, Azure und GCP langfristig eine operative Marge von 35 % bis 40 %. Doch das Aufkommen des KI-Zeitalters erschüttert das Fundament dieses Modells. Das Training großer Modelle erfordert riesige, synchronisierte GPU-Cluster; die Inferenz-Workloads (Inference) dagegen sind extrem empfindlich gegenüber der Anzahl der Tokens pro Watt (Tokens per Watt) sowie der Verzögerung bis zum ersten Token (Time to First Token). Beide stehen in deutlichem Gegensatz zu dem Entwurfsidee des Cloud-Zeitalters „Multi-Tenant“ und „maximale Dichte virtueller Maschinen“. In Trainings-Clusters genügt bereits die Verzögerung eines einzelnen Knotens, um den gesamten Betrieb zu gefährden; die von traditionellen Hyperscalern bevorzugte Virtualisierung und zusätzliche Netzwerkschichten werden stattdessen zum Killer für die GPU-Leistung. Tang sagt offen: Angesichts dieser paradigmatischen Verschiebung stecken Hyperscaler im Innovator’s Dilemma: „Sie geben ungern eine Gewinnmarge von 35 % bis 40 % auf. Sie hoffen, die 75 % der Bruttogewinnspanne von Nvidia mit eigenen ASIC-Lösungen auf 25 % zu drücken, hinken aber in Ausführungs-geschwindigkeit und technischer Flexibilität weiterhin hinterher.“ Neoclouds entstehen, sind aber durch die Bilanz begrenzt In diesem Kontext sehen aufstrebende Cloud-Dienstanbieter (Neoclouds) die Chance und schaffen ein Ökosystem. Sie erkennen: Hyperscaler seien im Grunde nur mit einer dünnen Softwareschicht verpackte, fertige Nvidia-Hardware, die dann dennoch hohe Gewinne abwirft – Neoclouds können mit 20 % oder sogar noch niedrigeren Bruttomargen am Wettbewerb teilnehmen. Noch entscheidender ist: Neocloud und Nvidia entwickeln gemeinsam Software speziell für KI-Workloads – darunter Hot-Standby-Redundanz, vorausschauende Wartung sowie Speichersoftware, die für Trainingsszenarien optimiert ist und niedrigere Tarife ermöglicht. KI-Labore beginnen deutlich, lieber mit Neoclouds zusammenzuarbeiten. Ihre Kritik an Hyperscalern konzentriert sich vor allem auf drei Punkte: zu langsame Umsetzung, zu starre Cluster-Implementierung und dass die Virtualisierungsschichten die GPU-Effizienz herunterdrücken. Neocloud hat jedoch eine strukturelle Schwäche, die schwer zu überwinden ist: eine schwache Bilanz. Hyperscaler verfügen aufgrund ihrer Größe über eine hohe Bonität; dadurch können sie die Finanzierung für den Aufbau von Kapazitäten bereits bereitstellen, bevor die Nachfrage eindeutig ist, und dann bei Eintritt der Nachfrage arbitrageartig profitieren. Die Kreditnehmer bei Neocloud sind hingegen nur bereit, für Hardware zu leihen, die durch bestehende Verträge abgesichert ist – und die Bonität der KI-Labore im Frühstadium ist tendenziell eher spekulativ, was die Finanzierungskosten erhöht. Diese Hürde verhindert, dass Neoclouds jemals so kühn auf Kapazitäten setzen können wie Musks „Colossus“, noch bevor die Nachfrage realisiert wird. Das Schachspiel von Nvidia: Gleichzeitig die operative Ebene und die Finanzierungsebene in der Hand Tang ist der Ansicht, Nvidia habe in den vergangenen Jahren still und effektiv zwei entscheidende Fähigkeiten von Hyperscalern nachgebildet – und das sei nicht zufällig, sondern ein Schritt-für-Schritt geplantes Schachspiel. Auf der operativen Ebene brachte Nvidia DSX OS und Mission Control auf den Markt, um GPU-Flotten zu managen. Mit DSX-Referenzdesigns und Omniverse-Digital-Twins stellt Nvidia standardisierte Skripte für den Rechenzentrumsbau bereit; anschließend verarbeitet das Dynamo-Framework die Inferenzdienste. Diese Werkzeugkombination bildet ein vollständiges Betriebs-„Operating System“ für KI-Rechenzentren und wird für jedes Team zugänglich gemacht, das technische Fähigkeiten und geeignete Rechenzentrumsflächen hat. Auf der Finanzierungsebene standardisierte Nvidia zunächst die eigenen Hardware-Assets. Mit Referenzdesigns kann es Infrastruktur-Investoren die „Austauschbarkeit und Kunden-übergreifende Verlagerbarkeit“ der Rechenleistung als Beleg für die Investitionslogik zeigen, sodass solche Assets im Rahmen der Due Diligence des Finanzsystems mit einer unverschuldeten Rendite (Unlevered Yield) von 7 % bis 8 % durchgehen. Danach führte Nvidia Drittmittel in einer Größenordnung von 50 Mrd. US-Dollar ein; die Partner umfassen Apollo, BlackRock, Blackstone, Goldman Sachs und KKR sowie weitere. Anschließend wurden schrittweise sechs eigenständige Finanzierungsplattformen aufgebaut. Die Zeitleiste zeigt, dass Letzteres eine lange durchdachte Strategie ist: Nvidia unterzeichnete 2023 eine Rahmenvereinbarung mit CoreWeave, brachte 2024 eine Partnerschaft zur KI-Infrastruktur mit BlackRock zustande, ermöglichte 2025 den Brookfield-100-Mrd.-US-Dollar-Fonds und trieb 2026 die Kooperation mit KKR Helix voran. Huang Renxun (Jensen Huang) besuchte 2025 in dichter Folge Europa, den Nahen Osten und Südostasien – genau, um die Bodeneinrichtung dieser neuen Rechenleistung-Standorte voranzubringen. Geldkreislauf und Zweifel an der Finanzierbarkeit: Tang entkräftet die Bedenken Schritt für Schritt Tang geht auf die wichtigsten Einwände des Marktes gegen diese Erzählung ein und beantwortet sie nacheinander. Mit Blick auf die Sorge um die Zirkulation der Mittel weist er darauf hin, dass die sechs Einrichtungen – darunter Apollo und BlackRock – jeweils unabhängig syndizieren und nicht miteinander verflochten sind, ...