SAN FRANCISCO / LONDON (IT BOLTWISE) – Nvidia gerät nach Monaten starken Wachstums an der Börse unter Druck, weil Investoren für künftige Gewinne weniger bezahlen als für die meisten großen US-Konzerne. Parallel dazu steigen die Kurse und Spot-Preise rund um DRAM und zeigen, wie sich Engpässe im Rechenzentrum verschieben. Der Artikel ordnet ein, warum der GPU-Engpass in Teilen nachlässt, während Speicher zum neuen Flaschenhals für KI-Infrastruktur wird. Am Ende steht eine klare Frage: Wie lange hält die Speicher-Rentabilität an, und welche Plattformen drücken inzwischen auf den Compute-Preis?
Nvidia war lange der Inbegriff dafür, dass Künstliche Intelligenz (KI) im Rechenzentrum vor allem nach Rechenleistung schreit. Doch die letzten Monate wirken wie eine Korrektur des Marktbilds: Seit dem Hoch im Mai ist der Kurs um etwa 15% gefallen, während die erwarteten Umsätze laut Berichten weiter wachsen. Das Muster ist für Anleger unbequem, weil der Bewertungsmaßstab kippt: Gegenüber erwarteten Ergebnissen wirkt Nvidia inzwischen günstiger als der S&P-Durchschnitt, also bezahlen Investoren für künftigen Profit weniger „Dollar“ als bei typischen großen US-Unternehmen.
Technisch lässt sich das Paradox so erklären, dass nicht jede KI-Infrastruktur-Komponente gleich stark im Preis zieht. Während Nvidia als GPU- und Plattformanbieter stark vom Bedarf an „Compute“ profitiert, ist die Speicherseite zunehmend der Engpass. Berichte verweisen darauf, dass Geld in AI-Infrastrukturwerte fließt, aber besonders in Speicher-Spezialisten wie Micron. Micron hat sich in einem vergleichbaren Zeitraum laut der Darstellung nahezu verdreifacht. Der Kern liegt in DRAM: Das Standard-Speichermedium für Server und Computer, das Daten und Arbeitslasten zwischen Prozessoren und Systemlogik schnell bewegen muss, wird knapper, während Rechenzentren mehr Kapazität nachfragen als sich kurzfristig ausbauen lässt.
Historisch erinnert das an frühere Phasen im Halbleiterzyklus: Zuerst droht eine Lieferknappheit, dann normalisieren sich Bestellungen, und plötzlich springt die Verwundbarkeit auf ein anderes Glied. Beim „GPU-Engpass“ der letzten Jahre sah es zeitweise besonders dramatisch aus; in der Zwischenzeit hat sich die Lage laut Berichten etwas entspannt. Gleichzeitig steigt der Speicherhunger im Rechenzentrum weiter, weil KI-Workloads nicht nur rechenintensiv sind, sondern Daten, Modellzustände und Zwischenergebnisse schnell verfügbar halten müssen. Genau deshalb reagieren Spot-Preise für DRAM anders als Mietpreise für GPU-Zeit: Der Markt bewertet Speicher aktuell als wiederkehrenden Engpass, nicht als kurzfristige Inflationswelle.
Vergleicht man die Spotpreise, wird die Divergenz besonders greifbar. Auf der DRAM-Seite zeigt sich demnach seit 2023 ein klarer Aufwärtstrend: Käufer zahlen immer höhere Beträge für Chips am freien Markt statt über längerfristige Kontrakte. Gleichzeitig ist der Verlauf bei „Compute pro Stunde“ über eine Nvidia H100 offenbar an einen Peak im Mai gekoppelt und danach rückläufig. Solche Preisbewegungen wirken wie eine Wette auf die Kostenkurve für KI-Training und -Inferenz: Wenn die Zeiteinheit auf der GPU fällt, sinkt der betriebswirtschaftliche Druck auf Compute-Kosten. Wenn dagegen DRAM teurer wird, verschiebt sich die Kostenbasis in Richtung Speichersubsysteme – und genau dort profitieren spezialisierte Anbieter.
Marktseitig verschärft sich der Druck auf Nvidia durch den zunehmenden Wettbewerb bei Chips. Google, Amazon und Microsoft entwickeln eigene spezialisierte Prozessoren, um die Abhängigkeit von Nvidia zu reduzieren. Selbst OpenAI wird in diesem Kontext als treibende Kraft genannt, was nahelegt, dass große Akteure die Lieferkette entlang der gesamten KI-Kette optimieren wollen – inklusive der Kosten für Rechenzugriffe. Das heißt nicht zwingend, dass „eigene Chips“ leistungsmäßig immer jedes Nvidia-Topmodell schlagen; aber sie sind oft „gut genug“, um den Wettbewerb um Compute-Kapazität zu erhöhen. In der Folge sinkt der Preis von Compute-Zeit, während der Speicherbedarf nicht im gleichen Tempo zurückgeht.
Für eine Einordnung lohnt ein Blick auf die Plattformlogik dahinter. Nvidia hat mit CUDA eine Programmier- und Ökosystemschicht geschaffen, die lange wie eine Abkürzung für KI-Entwicklung wirkte: Teams konnten Modelle entwickeln, optimieren und ausrollen, ohne jedes Mal die komplette Hardwarewelt neu zu verhandeln. Doch Marktanteile sind nicht nur Technik, sondern auch Kostenstruktur. Wenn kundenseitige Custom-Accelerators den Preis für GPU-ähnliche Rechenzeit drücken, entsteht ein Bewertungsrisiko für den „Commodity-Preis“ von Compute – selbst bei weiterhin steigender Nachfrage. Gleichzeitig bleiben Speichertechnologien wie DRAM und hochbandbreitige Varianten (oft im Umfeld von HBM diskutiert) in ihrer Skalierung schwerer kurzfristig zu ersetzen, weil Produktionskapazität und Yield nicht einfach „nachziehen“.
In einem Interview-Kontext mit Wayne Nelms, Mitgründer und CTO von Ornn, wird die Situation als klassisches Supply-and-Demand-Problem gerahmt: Mehr Spieler drängen zwar in den Markt für GPUs und Beschleuniger, aber DRAM wird nicht im gleichen Umfang „selbst gebaut“. Entscheidend ist aus dieser Sicht, dass die Speicherlieferkette strukturell langsamer wächst als die Vielfalt an Compute-Designs. Bis es zu einem großen technologischen Sprung bei HBM kommt, sich Angebotsstrukturen verändern oder ein neuer Akteur in der Speicherproduktion relevant skaliert, dürfte die Preisdynamik ähnlich bleiben. Für den Wettbewerb bedeutet das: Nvidia kann zwar weiterhin technologisch stark liefern, aber der Preishebel verschiebt sich.
Für Unternehmen, die KI-Systeme beschaffen oder betreiben, folgt daraus eine praktische Konsequenz: Kostenmodelle sollten nicht nur „GPU-Stunden“ kalkulieren, sondern die gesamte Speicher- und Datenbewegungsarchitektur. In Cloud-nahen Setups heißt das, dass Benchmarking stärker zwischen Compute-„Throughput“ und Speicherbandbreite trennen muss. Für On-Prem- oder Hybrid-Deployments wird die Planung von RAM/DRAM und Cache-Hierarchien zu einem direkten Steuerhebel für Wirtschaftlichkeit, weil Engpässe dort die Verfügbarkeits- und Preissituation stärker dominieren können als reine Rechenleistung. Gleichzeitig entsteht ein Entwickleranreiz, Workloads so zu gestalten, dass sie weniger Speicherlast pro Trainingsschritt oder pro Inferenz schaffen – etwa durch effizientere Datenpipelines, Quantisierung oder bessere Batch-Strategien.
Auch regulatorisch und sicherheitstechnisch gewinnt diese Verschiebung an Bedeutung. Speicherknappheit und die damit verbundene Beschaffungslage können dazu führen, dass Workloads stärker in bestimmte Anbieter-Umgebungen oder „Managed“-Dienste verlagert werden. Gerade in datenschutzsensiblen Bereichen – etwa bei personenbezogenen Daten, die im Training verarbeitet werden – stellt sich dann die Frage nach Datenhaltung, Zugriffskontrolle und Nachweisbarkeit der Speicherorte. Sicherheitskonzepte wie getrennte Tenant-Speicherbereiche, verschlüsselter Datentransport und harte Zugriffskontrollen bleiben entscheidend. Wenn die Kostenbasis kippt, darf das Compliance-Design nicht „mitgeschnitten“ werden; vielmehr muss die Plattform so ausgebaut werden, dass sie Speicherengpässe abfedert, ohne Audit-Anforderungen zu verletzen.
Der Ausblick ist damit weniger „GPU tot“ und eher „Preislogik ändert sich“. Solange Compute-Konkurrenz über Custom-Accelerators wächst, bleibt die Abhängigkeit vom GPU-Listenpreis ein Risikofaktor. Gleichzeitig spricht die derzeitige Marktmechanik dafür, dass Speicheranbieter wie Micron übergangsweise überdurchschnittlich profitieren, weil die Engpasskomponente nicht leicht dupliziert werden kann. Für die nächste Phase ist wahrscheinlich, dass Rechenzentrumsbetreiber und Cloud-Anbieter die Architektur ihrer KI-Stacks stärker optimieren: mehr Augenmerk auf Speicherbandbreite, Memory-Aware Scheduling und Komponentenmix. Wenn sich das bestätigt, werden sich Investitionsentscheidungen weiter weg vom reinen „Compute-Kostenblock“ hin zu einem Modell entwickeln – und genau dort entstehen die nächsten Wettbewerbsvorteile für Integratoren und Plattformteams.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- 【MEHR LEBEN FÜR DEINEN SCHREIBTISCH】 Lerne Eilik kennen – deinen kleinen Roboter-Freund mit Persönlichkeit. Mit liebevollen Animationen, ausdrucksstarken Reaktionen und spielerischen Interaktionen bringt Eilik mehr Freude in deinen Alltag. Ob auf dem Schreibtisch, im Büro oder am Nachttisch – Eilik wird schnell zu einem vertrauten Begleiter für besondere Momente.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Nvidia unter Druck: Warum der KI-Compute-Markt kippt und Speicher gewinnt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Nvidia unter Druck: Warum der KI-Compute-Markt kippt und Speicher gewinnt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Nvidia unter Druck: Warum der KI-Compute-Markt kippt und Speicher gewinnt« bei Google Deutschland suchen, bei Bing oder Google News!