Cerebras-Exit katapultiert Eclipse Ventures – warum Hardware-KI jetzt skaliert

Eclipse Ventures steht nach dem Cerebras-IPO im Zentrum dessen, was in Tech-Kreisen derzeit als „physical-world thesis“ diskutiert wird: große Teile der Wertschöpfung hängen nicht an Software allein, sondern an Messung, Produktion und Infrastruktur in der realen Welt. Lior Susan, Gründer von Eclipse, beschreibt, dass die Idee bereits 2015 im Silicon Valley wenig en vogue war, als Enterprise-Software und SaaS dominiert hätten. Heute dagegen wirken die Signale aus den Märkten wie ein Echo dieser Logik: Wenn Halbleiter- und Speicheraktien neue Allzeithochs erreichen und spezialisierte Gründer gezielt „Hardware + Software“ adressieren, wird die frühere Skepsis langsam zur Randnotiz. Der Cerebras-Erfolg ist dabei weniger Zufall als Beleg für die Tragfähigkeit des Ansatzes. Technisch betrachtet liegt der Kern der Wette in der Kombination aus KI-Workloads und speziellen Compute-Architekturen, die den Durchsatz und die Effizienz von Training und Inferenz massiv beeinflussen. Eclipse hatte bereits 2016 eine Series-A-Investition in Cerebras Systems getätigt und über die Zeit insgesamt 147 Millionen US-Dollar in das Unternehmen gebunden. Laut Eclipse resultierte daraus bei einem IPO-Preis von 185 US-Dollar pro Aktie eine Verfünfzehnfachung bis hin zu einem Gesamt-Return von 2,5 Milliarden US-Dollar.

Solche Renditen sind in der Venture-Welt selten und verdeutlichen, dass „KI-Infrastruktur“ mehr ist als ein Schlagwort: Chips und Rechenzentren sind die physische Grundlage, auf der KI-gestützte Systeme überhaupt eine wirtschaftliche Latenz, Skalierung und Kostenkurve erreichen. Genau dieser Zusammenhang wird nun auch im Portfolio von Eclipse für Robotik, Energie und Verteidigung sichtbar. Im Marktumfeld verschiebt sich parallel die Wahrnehmung von Wettbewerbsvorteilen in Software. Susan argumentiert, dass sich das „Moat“-Konzept in vielen Teilen des SaaS-Markts verwässert hat, weil sich in kurzer Zeit viel Funktionalität mit KI-gestützter Entwicklungsarbeit erzeugen lässt. Die Diskussion dreht sich dabei nicht gegen Künstliche Intelligenz, sondern gegen die Annahme, dass KI allein automatisch wettbewerbsfähige Produkte entstehen lässt. Er stellt dem das Problem der physischen Umsetzung gegenüber: Wer Wafer fertigen oder Sensorik in zuverlässige Hardware überführen will, braucht Maschinen, saubere Fertigungsumgebungen und ganze Lieferketten. Als externes Vergleichsmaß kann man hier die Rolle etablierter Player wie TSMC und Micron heranziehen: Wenn deren Aktienkurse nach oben zeigen, signalisiert das Investorenvertrauen in die zyklische, aber fundamentale Bedeutung von Halbleiterkapazitäten.

Auffällig ist zudem, wie stark sich die Kapitalströme in Eclipse’ Umfeld zuletzt beschleunigt haben. Berichten zufolge erzielten die Portfolio-Unternehmen im vergangenen Jahr nahezu 15 Milliarden US-Dollar an Finanzierungen von externen Backern, und diese Dynamik soll sich im ersten Quartal 2026 auf 4,5 Milliarden US-Dollar verdichtet haben. Noch bemerkenswerter: Eclipse war bei mehreren dieser späten Runden nicht nur Mitläufer, sondern Series-A-Investor über alle genannten Beispiele hinweg, darunter Wayve, True Anomaly, Bedrock Robotics und Oxide Computer. Dass der Track-Record von unter vier Milliarden US-Dollar in den ersten acht Jahren später von großen Follow-on-Runden überrollt wird, zeigt einen typischen, aber schwer zu wiederholenden Hebel: frühe Ausrichtung auf Plattformen, die später von makroökonomischen Tailwinds und technologischer Reife profitieren. Für Entscheider ist dabei wichtig, die Energie hinter der Bewegung nicht ausschließlich auf KI zu reduzieren. Susan nennt als entscheidende Treiber neben der Technologie – und in diesem Fall insbesondere Künstlicher Intelligenz – die Verfügbarkeit von Kapital, die Existenz realer Kundennachfrage, den Zugang zu Talenten sowie politische Rahmenbedingungen. Diese Sicht ist strategisch relevant, weil sie den „Transmissionskanal“ erklärt: Wie schnell eine Idee von einem Prototyp zur industriellen Implementierung wird, hängt eben auch von Subventionen, regulatorischer Planbarkeit und Infrastrukturinvestitionen ab.

Im Unterschied zu einem SaaS-Produkt, das oft mit vergleichsweise geringen physischen Abhängigkeiten startet, verlangt die Skalierung von Robotik, Semikern und Raumfahrt- oder Bergbau-Technologien nach langfristiger Finanzierung, strikten Qualitäts- und Sicherheitsstandards und belastbaren Genehmigungsprozessen. Genau hier entstehen neue Eintrittsbarrieren – und damit auch neue Chancen für spezialisierte Teams. Die Debatte um „vibe code“ illustriert das Spannungsfeld zwischen schneller Softwaregenerierung und realer Wertschöpfung. Susan verweist auf die Grenze: Selbst wenn man Softwaretools sehr rasch erstellen kann, lassen sich damit nicht direkt Fertigungsanlagen, Materialfluss und Prozessstabilität ersetzen. Besonders in Industriebereichen wie Robotik ist KI zwar die „Enabler-Technologie“, aber das System bleibt eine End-to-End-Kette aus Mechanik, Sensorik, Datenmanagement und validierten Betriebsbedingungen. Dadurch verschiebt sich die Wettbewerbslogik: Statt nur Code zu optimieren, wird die Differenzierung zunehmend über Datensätze aus der echten Welt, Sim-to-Real-Strategien, zuverlässige Deployment-Pipelines und robustes Engineering erzielt. In diesem Kontext erhält auch die Diskussion um KI-gestützte Werkzeuge für Softwareentwickler eine neue Bedeutung: Sie kann die Geschwindigkeit erhöhen, aber sie garantiert nicht automatisch Markt- und Qualitätsdominanz im physischen Segment.

Parallel dazu liefert die Industriepolitik einen „Beschleuniger“, der für viele Hardware-lastige Segmente neu oder zumindest stärker geworden ist. Susan betont, dass die US-Regierung diese Märkte über Subventionen und günstigere regulatorische Bedingungen unterstützt. Damit wird ein Muster sichtbar, das bereits aus früheren Technologiezyklen bekannt ist: Sobald Regulatorik und Finanzierungslinien besser werden, entstehen am Markt größere Teams, schnellere Prototypen-Runden und mehr Pilotprojekte mit zahlenden Kunden. Gerade für europäische Unternehmen oder Startups mit Blick auf die globale Skalierung ist das wichtig, weil sich Lieferketten- und Abnahmeentscheidungen zunehmend an politischen Zielbildern ausrichten. Wer diese Rahmenbedingungen ignoriert, unterschätzt häufig die Zeit, bis „Hardware-KI“ tatsächlich in Produktion, Betrieb und damit in wiederkehrende Umsätze übergeht. Für die Zukunft erwartet Susan eine besonders günstige Konstellation der Kräfte – eine Art Alignment zwischen Technologie, Kapitalmarkt, Nachfrage und staatlicher Unterstützung. Seine Formulierung knüpft an historische Industriestandorte an und deutet an, dass sich in den USA gerade mehrere Ebenen überlagern: von der grundlegenden Industriekompetenz über den Kapitalzugang bis zur politischen Flankierung.

Für den Ausbau solcher Unternehmen bedeutet das: Der Engpass wandert vom reinen Programmieren hin zu Engineering-Disziplinen, sicheren Betriebsmodellen und belastbaren Go-to-Market-Strategien in regulierten Umgebungen. Wenn Entwickler und Investoren ihre Ressourcen verstärkt in Robotik, Chips, Raumfahrt oder Mining lenken, entstehen neue Ökosysteme rund um KI-Infrastruktur, MLOps- und Monitoring-Prozesse, Hardware-Compliance sowie Cybersicherheit im Feldbetrieb. Damit wächst auch die Relevanz von Datenschutz und Security: Je stärker Systeme „physisch“ handeln, desto kritischer werden Auditierbarkeit, Schutz gegen Manipulation, sichere Datenflüsse und nachvollziehbare Entscheidungsgrundlagen im Betrieb. Auf dieser Basis könnte der nächste Schritt nicht nur ein weiterer KI-Use-Case sein, sondern eine nachhaltige Industrialisierung von KI-gestützten Plattformen über Branchen hinweg.