Eine interessante Beobachtung zum Jevons-Paradoxon, das sich gerade in der KI entfaltet. Die Tokenpreise fallen, während die GPU-Preise hoch bleiben – ein klassischer Fall, in dem Effizienzgewinne die Nachfrage nicht schrumpfen lassen, sondern explodieren.
Die Inferenzkosten sinken rapide (bessere Modelle, Wettbewerb, Skalierung auf Blackwell-Niveau). Dadurch geht die Rechennutzung nicht zurück – vielmehr wird eine enorme neue Nachfrage erschlossen. Günstigere Token bedeuten mehr agentische Workflows, mehr Automatisierung beim Programmieren und mehr Nutzer, die KI-Tools einsetzen. Das gesamte Tokenvolumen wächst viel schneller, als die Stückkosten sinken. Das Ergebnis: Knapp verfügbare Ressourcen (GPUs, HBM, Strom, Rechenzentren) bleiben knapp.
Was das für die KI-Infrastruktur bedeutet:
$NVDA und GPU-Hersteller profitieren weiterhin. Eine hohe Auslastung und anhaltende Knappheit sorgen für stabile Preise und hohe Absatzmengen.
Speicher (HBM/GDDR), Netzwerke und Strominfrastruktur verzeichnen eine nachhaltige Nachfrage, wenn die Inferenz skaliert.
Hyperscaler und Neoclouds geraten unter Margendruck, wenn die Tokenpreise schneller sinken als das Volumen wächst – bislang sprechen Kapazitätsengpässe und steigende absolute Ausgaben jedoch dafür, dass die Nachfrage die Oberhand behält.
Die Verlagerung hin zu inferenzlastigen Workloads begünstigt spezialisierte Chips und Systeme mit hohem Durchsatz gegenüber reinen Trainingsclustern.
Fazit: KI verbreitet sich schneller, als Effizienz den Hardwarebedarf senkt. Die Stückpreise brechen ein, doch die Gesamtausgaben und die Nachfrage nach Infrastruktur steigen weiter. Das ist positiv für die physische Ebene, solange das Volumenwachstum der dominierende Faktor bleibt.
Die Inferenzkosten sinken rapide (bessere Modelle, Wettbewerb, Skalierung auf Blackwell-Niveau). Dadurch geht die Rechennutzung nicht zurück – vielmehr wird eine enorme neue Nachfrage erschlossen. Günstigere Token bedeuten mehr agentische Workflows, mehr Automatisierung beim Programmieren und mehr Nutzer, die KI-Tools einsetzen. Das gesamte Tokenvolumen wächst viel schneller, als die Stückkosten sinken. Das Ergebnis: Knapp verfügbare Ressourcen (GPUs, HBM, Strom, Rechenzentren) bleiben knapp.
Was das für die KI-Infrastruktur bedeutet:
$NVDA und GPU-Hersteller profitieren weiterhin. Eine hohe Auslastung und anhaltende Knappheit sorgen für stabile Preise und hohe Absatzmengen.
Speicher (HBM/GDDR), Netzwerke und Strominfrastruktur verzeichnen eine nachhaltige Nachfrage, wenn die Inferenz skaliert.
Hyperscaler und Neoclouds geraten unter Margendruck, wenn die Tokenpreise schneller sinken als das Volumen wächst – bislang sprechen Kapazitätsengpässe und steigende absolute Ausgaben jedoch dafür, dass die Nachfrage die Oberhand behält.
Die Verlagerung hin zu inferenzlastigen Workloads begünstigt spezialisierte Chips und Systeme mit hohem Durchsatz gegenüber reinen Trainingsclustern.
Fazit: KI verbreitet sich schneller, als Effizienz den Hardwarebedarf senkt. Die Stückpreise brechen ein, doch die Gesamtausgaben und die Nachfrage nach Infrastruktur steigen weiter. Das ist positiv für die physische Ebene, solange das Volumenwachstum der dominierende Faktor bleibt.