NVIDIA Rubin SOCAMM-Reduzierung u. a. (0605)

1. NVIDIA Rubin SOCAMM-Kapazitätsreduzierung

• Kernaussagen

„NVDA reduziert die SOCAMM-DRAM-Kapazität pro Rack beim Rubin NVL72 von etwa 55 TB auf etwa 28 TB, wobei erwartet wird, dass die meisten Rubin-Systeme 96-GB-SOCAMM-Module anstelle von 192-GB-Modulen verwenden werden. Diese Änderung senkt die geschätzten Rack-Kosten von 7,6 Millionen Dollar auf 6,8 Millionen Dollar und reduziert die Gesamtbetriebskosten (TCO) von 4,16 Dollar auf 3,90 Dollar pro GPU-Stunde.“

„NVIDIA hat kürzlich die Zusammensetzung der SOCAMM2-Modulbestellungen geändert und dabei das Gesamtbestellvolumen tatsächlich erhöht — statt einer Halbierung der 192-GB-Module stiegen die 96-GB-Module um fast das Sechsfache und wurden zum Hauptprodukt (64-GB-Module stiegen um 50 %). Infolgedessen ist die gesamte SOCAMM2-LPDDR-Nachfrage gegenüber den bisherigen Prognosen um 10–20 % gestiegen.“ (Korea Investment Securities, Meritz Securities)

„Das Gesamtvolumen, das 2026 über SoCAMM2 geliefert werden kann, ist bei allen drei DRAM-Herstellern bereits auf etwa 30 Milliarden Gb festgelegt. Weitere Steigerungen sind aufgrund der Grenzen der 1c-nm-Kapazitätserweiterung praktisch unmöglich.“

„Die Vera-Rubin-seitige SO-CAMM-Kapazität wird von 1.536 GB (192 GB × 8) auf 768 GB (96 GB × 8) geschätzt. Die kombinierte Liefermenge koreanischer Speicherhersteller für LPDDR5x-Einzelprodukte und SO-CAMM wird voraussichtlich von 18 Milliarden Gb im Jahr 2026 auf 29 Milliarden Gb im Jahr 2027 wachsen.“

„Laut SemiAnalysis sind die SOCAMM-Vertragspreise im ersten Quartal 2026 auf etwa 8 Dollar pro GB gestiegen.“

• Erwartete Auswirkungen

Dieser Vorfall begann damit, dass Inhalte aus einem kostenpflichtigen institutionellen Brief von SemiAnalysis vom 3. Juni über soziale Medien verfälscht verbreitet wurden. „SOCAMM-Kapazität halbiert“ wurde zum Auslöser eines starken Kursrückgangs bei Speicher-Aktien wie Samsung Electronics, SK Hynix und Micron, doch lässt sich die Situation in die entgegengesetzte Richtung lesen.

Der Hintergrund der Spezifikationsänderung liegt nicht in einer schwächeren Nachfrage, sondern im LPDDR-Lieferengpass. Das NVIDIA Rubin NVL72 besteht aus 72 Rubin-GPUs und 36 Vera-CPUs. HBM4, das die KI-Leistung direkt bestimmt, bleibt unverändert bei 288 GB pro GPU in einer 8-Stack-Konfiguration. SOCAMM ist ein unterstützendes Speicher-Subsystem auf der Vera-CPU-Seite (LPDDR5X-basiert) — und genau hier, nicht bei HBM4, wurde die Kapazitätsanpassung vorgenommen.

Das eigentliche Ziel der Reduzierung ist die Senkung der TCO zur Beschleunigung der Rubin-Rack-Deployments. Da die Rack-Kosten von 7,6 auf 6,8 Mio. Dollar sinken und die TCO von 4,16 auf 3,90 Dollar pro GPU-Stunde zurückgehen, können Hyperscaler, die Rechenzentren mit Tausenden von Racks aufbauen, Einsparungen in Höhe von Hunderten von Millionen Dollar erzielen. Dies ist eine strategische Designänderung von NVIDIA zur Maximierung des System-Deployments bei begrenztem Angebot — kein Zeichen nachlassender Nachfrage.

Beim gesamten Bit-Bedarf gibt es keine echte Verschlechterung. Der SOCAMM2-Lieferpool für 2026 aller drei DRAM-Hersteller ist auf rund 30 Milliarden Gb festgelegt, ohne praktische Möglichkeit zur Erhöhung aufgrund der Grenzen der 1c-nm-Kapazität. NVIDIA muss diesen fixen Pool sowohl für NVL72 als auch für Vera-CPU-Rack-Konfigurationen aufteilen, wodurch eine geringere Kapazität pro Modul notwendig wird, um die maximale Anzahl an Set-Lieferungen zu ermöglichen. Infolgedessen stiegen die Bestellungen für 96-GB-Module um fast das Sechsfache, und die gesamte SOCAMM2-LPDDR-Nachfrage ist gegenüber den bisherigen Prognosen tatsächlich um 10–20 % gestiegen. (Korea Investment Securities, Meritz Securities)

Der Anstieg der SOCAMM-Vertragspreise auf etwa 8 Dollar pro GB im ersten Quartal 2026 ist ein direkter Beleg für den extremen LPDDR5X-Lieferengpass. Die kombinierte LPDDR5x-Liefermenge koreanischer Speicherhersteller wird von 18 Milliarden Gb im Jahr 2026 auf 29 Milliarden Gb im Jahr 2027 wachsen, und trotz reduzierter Einzel-Einheitskapazität deutet ein unverändertes TAM auf mehr GPU-Lieferungen hin, als der Markt bisher erwartet hatte. Darüber hinaus ist der Speicher-Upside für 2026–2027 eine Funktion von P (Preis) und nicht von Q (Volumen), und die verstärkte SOCAMM2-Nutzung wird den LPDDR5-ASP in der zweiten Jahreshälfte nach oben treiben, da serverorientierte Anwendungen einen Aufpreis gegenüber mobilem LPDDR5X erzielen. (Daeshin Securities, Korea Investment Securities)

Bemerkenswert ist, dass NVIDIA selbst das TAM für SOCAMM mit 300 Milliarden Dollar beziffert hat — dieses Ereignis ist daher besser als eine angebotsbedingte Nachfrageanpassung ganz am Anfang der Marktentwicklung zu interpretieren, nicht als Bedrohung für das Ökosystem.

2. JP Morgan beendet jahrelangen Pessimismus und stuft Tesla herauf

• Kernaussagen

„Tesla bereitet sich darauf vor, sein Physical-AI-Geschäft auszubauen und den Markt zu erweitern. Tesla besitzt sowohl Physical-AI-Hardware als auch -Software, und die vertikale Integration macht es gut positioniert, Physical-AI-Aktivitäten zu skalieren.“

„Diese Stärke in der Physical-AI-Skalierbarkeit wird vom Markt noch unterschätzt. Insbesondere können die EV- und Batterieproduktionslinien auch für den humanoiden Roboter Optimus genutzt werden.“

„Wir schätzen, dass der gesamte adressierbare Markt (TAM) für Optimus bis 2040 5 Millionen Einheiten in den USA und 30 Millionen Einheiten weltweit erreichen wird.“

„Humanoide Roboter und KI-gesteuerte Automatisierung könnten in den nächsten zehn Jahren Teslas neuer Wachstumsmotor werden, und wir haben begonnen, Tesla als Technologieplattformunternehmen statt als traditionellen Automobilhersteller zu bewerten.“

• Erwartete Auswirkungen

J.P. Morgan stufte Tesla von Underweight auf Neutral herauf und erhöhte das Kursziel drastisch von 145 Dollar auf 475 Dollar. Der zuständige Analyst Rajat Gupta übernahm die Tesla-Coverage letzten Monat. Diese Heraufstufung ist symbolisch bedeutsam als formeller Rückzug von J.P. Morgans langjähriger pessimistischer These und ein grundlegender Wandel im Bewertungsrahmen.

Die Kernveränderung ist eine Neudefinition von Tesla als Physical-AI-Plattformunternehmen statt als traditionellem Automobilhersteller. J.P. Morgan hebt Teslas unübertroffene vertikale Integration über Hardware und Software als einzigartigen Ausgangsvorteil hervor, der vom Markt noch unterschätzt wird — und stellt fest, dass bestehende EV- und Batterieproduktionslinien direkt dazu beitragen können, die Fertigungskosten für Optimus zu senken und als Validierung für Unternehmenskunden zu dienen, während umfangreiche Fahrdaten sowohl die Robotaxi- als auch die Optimus-Entwicklung in einem Schwungradeffekt speisen.

Beim Gewinn erwartet J.P. Morgan, dass Teslas EPS nach 2028 möglicherweise einen Wendepunkt erreicht und von etwa 1,95 Dollar im Jahr 2026 auf rund 7,50 Dollar bis 2030 steigt — fast eine Verdreifachung. Der Umsatz soll sich von rund 95 Milliarden Dollar im Jahr 2025 auf rund 203 Milliarden Dollar bis 2030 mehr als verdoppeln, wobei fast die Hälfte dieses Wachstums aus Dienstleistungen und neuen Geschäften rund um Autonomie und Robotik stammen soll.

In Bezug auf die Marktgröße bewertet J.P. Morgan Tesla über fünf miteinander verbundene Märkte — Automobil, Energiespeicherung, Robotaxis, humanoide Roboter und Infrastrukturlizenzierung — mit einem kombinierten potenziellen adressierbaren Markt von etwa 3,9 Billionen Dollar bis 2035. Allein für Optimus wird das TAM bis 2040 auf 5 Millionen Einheiten in den USA und 30 Millionen Einheiten weltweit geschätzt. Das Unternehmen weist jedoch auf hohe Ausführungsrisiken hin, insbesondere bei regulatorischen Genehmigungen, Sicherheitsvalidierung und Skalierung neuer Technologien.

Die Tatsache, dass ein großes Wall-Street-Institut wie J.P. Morgan seine pessimistische Haltung formell umgekehrt und Tesla durch eine Physical-AI-Plattform-Linse neu gerahmt hat, signalisiert, dass sich das Marktnarrativ rund um Tesla ernsthaft verschiebt — von EV-Verkaufskennzahlen hin zum KI- und Robotik-Plattformwert.

3. Anthropic: „Die Ära, in der KI KI erschafft, kommt schneller als erwartet“

• Kernaussagen

„Mehr als 80 % des in Anthropics Codebase eingemergten Codes wurde von Claude geschrieben. Viele Forscher haben bereits seit Monaten keinen Code mehr direkt geschrieben und erledigen ihre Arbeit durch Claude.“

„Die Code-Produktivität pro Ingenieur ist im Vergleich zu 2024 um etwa das Achtfache gestiegen. Das vierteljährliche Code-Deployment-Volumen hat sich gegenüber dem Durchschnitt von 2021–2025 um das Achtfache erweitert.“

„Die Erfolgsrate bei den offensten und schwierigsten Engineering-Aufgaben stieg in nur sechs Monaten von etwa 26 % auf 76 %. Der Anteil der Fälle, in denen KI bessere Entscheidungen bei der Forschungsrichtung trifft als Menschen, ist auf 64 % gestiegen.“

„In Forschungsoptimierungsexperimenten verzeichnete Mythos Preview eine etwa 52-fache Leistungsverbesserung. In der KI-Sicherheitsforschung erzielte es 97 % der Leistung menschlicher Forscher (23 %).“

„Die Länge der Aufgaben, die KI selbstständig ausführen kann, verdoppelt sich derzeit etwa alle 4 Monate — eine Beschleunigung gegenüber zuvor alle 7 Monate.“

• Erwartete Auswirkungen

Das Anthropic Institute veröffentlichte am 4. Juni 2026 einen Bericht mit dem Titel „When AI Builds Itself“. Die Kernbotschaft ist eine Warnung: Der Zyklus der „rekursiven Selbstverbesserung (RSI)“ — bei dem KI ihre eigene Entwicklung beschleunigt — materialisiert sich schneller, als die meisten Institutionen erwartet haben.

Die Zahlen sind eindrücklich. Vor der Einführung von Claude Code im Februar 2025 machte von Claude verfasster Code nur einen niedrigen einstelligen Prozentsatz der Anthropic-Codebase aus. Bis Mai 2026 überstieg dieser Anteil 80 %. Die Code-Qualität, die Ende 2025 noch etwas unter menschlichem Niveau lag, hat heute Parität erreicht, und Anthropic erwartet, dass sie innerhalb eines Jahres menschliche Leistung übertreffen wird. Auch beim Forschungsurteilsvermögen geht es schnell voran: Mythos Preview wählt nun in 64 % der Fälle den besseren nächsten Schritt, kurz bevor ein Forscher eine falsche Abzweigung nimmt — gegenüber 51 % für Opus 4.5 im November 2025.

Die Bedeutung dieses Berichts geht über eine Leistungsankündigung hinaus — es ist eine Erklärung, dass sich die Wettbewerbseinheit in der KI-Branche selbst verändert. Anthropic stellt explizit fest, dass die nächste Wettbewerbsgrenze nicht „bessere Modelle“, sondern „wie schnell KI die KI-Entwicklung beschleunigen kann“ ist. Der Engpass hat sich bereits vom Code-Schreiben zur menschlichen Code-Überprüfung und Forschungsrichtungsfindung verschoben, und die Rückkopplungsschleife, in der KI die KI-Entwicklung beschleunigt, wurde damit faktisch formalisiert.

Anthropic skizziert drei Zukunftsszenarien: ① Verlangsamung (S-Kurve, am unwahrscheinlichsten), ② vom Menschen gesteuert mit KI, die den Großteil der F&E ausführt (am wahrscheinlichsten), und ③ rekursive Selbstverbesserung (RSI), bei der KI ihre eigenen Nachfolgemodelle entwirft, verbessert und entwickelt. Im RSI-Szenario wird das Entwicklungstempo nicht durch menschliche Forschungskapazität, sondern durch Rechenleistung und algorithmische Verbesserungen bestimmt — wobei die Ausrichtung (Alignment) die größte Unsicherheit bleibt.

Aus Anlegerperspektive ist die Implikation klar. Je mehr sich der RSI-Zyklus beschleunigt, desto direkter wird die Entwicklungsgeschwindigkeit von KI-Modellen an Compute-Investitionen geknüpft, was strukturell die Nachfrage nach GPUs, HBM und breiterer KI-Infrastruktur ausweitet. Während Anthropic argumentiert, dass ein globaler Verifizierungsrahmen die Option ermöglichen sollte, die Frontier-KI-Entwicklung zu verlangsamen oder zu pausieren, erkennt es gleichzeitig an, dass eine einseitige Pause eines einzelnen Unternehmens lediglich ändern würde, wer die Führung übernimmt — was bedeutet, dass der branchenweite KI-Infrastruktur-Investitionswettlauf sich wahrscheinlich weiter intensivieren wird.

4. KI-Agenten-Tokenkosten werden zum „Huge Issue“

• Kernaussagen

„OpenAI-CEO Sam Altman erklärte, dass KI-Kostenprobleme Anfang 2026 kaum diskutiert wurden, aber plötzlich zu einem ‚huge issue‘ geworden sind.“

„Uber: 5.000 Ingenieure nutzten Claude Code, und das Unternehmen hat sein gesamtes KI-Jahresbudget in nur 4 Monaten aufgebraucht (500–2.000 Dollar pro Person und Monat).“

„Kontextwiedersendungs-Verschwendung: 62 % der berechneten Kosten entstehen nicht durch tatsächliche Arbeit, sondern durch die wiederholte Übertragung des bestehenden Code-Kontexts bei jedem Agenten-Aufruf.“

„GitHub Copilot (1. Juni): Wechsel vom Pauschaltarifmodell zu einem nutzungsbasierten Preismodell (UBB) mit einem organisationsweiten Kreditpool. Kostenverfolgung für Vielnutzer wird sichtbar gemacht.“

„Ein neuer Markt entsteht: Eine ‚Cost Discipline / FinOps-Solution‘-Schicht, die KI-Agenten-Kosten misst, prognostiziert und optimiert, entwickelt sich zum dringendsten und wertvollsten neuen KI-Infrastrukturgeschäft.“

• Erwartete Auswirkungen

Die Wirtschaftlichkeit von KI-Agenten verändert sich seit Mitte 2026 grundlegend. Sam Altmans öffentliches Eingeständnis, dass KI-Tokenkosten ein „huge issue“ sind, ist ein symbolisches Signal dafür, dass die Branche von einer Phase der „Deployment-Ausweitung“ in eine Phase der „Kostendisziplin“ übergeht. Die Preisgestaltung für KI-Agenten wechselt rapide von unbegrenzten Pauschalmodellen (subventioniert) zu tatsächlicher nutzungsbasierter (per-Token-)Abrechnung, und die Auswirkungen sind bereits in konkreten Zahlen sichtbar.

Der Unternehmensschock ist weitreichend. Microsoft kündigte seine internen Claude-Code-Lizenzen zum Ende des Geschäftsjahres (30. Juni) und erzwang eine Migration zu GitHub Copilot, was mutmaßlich auf die enorme Kostenbelastung zurückzuführen ist. Uber verbrauchte sein gesamtes KI-Budget 2026 in nur vier Monaten, nachdem Claude Code für 5.000 Ingenieure eingeführt worden war (500–2.000 Dollar pro Person und Monat). Ein anonymes Gesundheitsunternehmen verbrauchte unbewusst eine Billion Token über sechs Monate und entstanden dabei 6 Millionen Dollar ungeplanter Ausgaben.

Strukturelle Ursachen wurden ebenfalls identifiziert. Laut einem LynOps-Audit variiert der Token-Verbrauch pro Person je nach Nutzungsgewohnheiten um bis zu das 20-fache, selbst beim Einsatz desselben Tools. Entscheidend ist, dass 62 % der berechneten Kosten nicht aus tatsächlicher Arbeit stammen, sondern aus der wiederholten Übermittlung des Code-Kontexts bei jedem Agenten-Aufruf — ein strukturelles Ineffizienzproblem, kein Nutzerfehler.

Preismodell-Übergänge beschleunigen sich branchenweit. GitHub Copilot wechselte am 1. Juni zu nutzungsbasierter Preisgestaltung (UBB); Anthropic führt am 15. Juni Kreditobergrenzen für programmatische Nutzung ein. Diese Übergänge machen die tatsächlichen Kosten der KI-Tool-Einführung erstmals in Unternehmensabschlüssen sichtbar, was bedeutet, dass KI nicht länger als vage IT-Budgetposition behandelt werden kann. Die Veröffentlichung eines „Token-Ökonomie-Leitfadens für CFOs“ durch Deloitte signalisiert, dass KI-Kostenmanagement über die Technologieabteilung hinaus zu einer zentralen Führungsaufgabe geworden ist.

Der neue Markt, den diese Dynamik schafft, verdient Aufmerksamkeit. Eine ‚FinOps-Solution‘-Schicht für KI — die Agenten-Kosten misst, prognostiziert und optimiert — entwickelt sich rasant zum dringendsten und wertvollsten neuen Geschäft innerhalb der KI-Infrastruktur, wobei Reuters anmerkt, dass das Token-Verbrauchsvolumen, nicht die Nutzerzahl, zum primären Indikator für tatsächliches KI-Adoptionsausmaß und Umsatz in der Branche wird.

5. Samsung, SK Hynix, Micron — alle drei bestehen NVIDIAs HBM4-Qualifikation

• Kernaussagen

„Alle drei Lieferanten haben die Zertifizierung abgeschlossen und sind alle in die Produktion eingestiegen.“

„Sie alle konkurrieren um die Belieferung der Vera-Rubin-Plattform.“

„Wir werden sehr große Mengen an Hochgeschwindigkeitsspeicher benötigen. Die Speicherversorgung ist derzeit eingeschränkt, und wir arbeiten mit koreanischen Partnern zusammen, um so viel Versorgung wie möglich zu sichern und gleichzeitig effizient zu nutzen.“

„Die zweite Jahreshälfte dieses Jahres wird deutlich größer sein als die erste Hälfte, und nächstes Jahr wird es noch größer sein.“

• Erwartete Auswirkungen

Jensen Huang, CEO von NVIDIA, bestätigte unmittelbar bei seiner Ankunft in Korea am 5. Juni, dass alle drei Speicherhersteller — Samsung Electronics, SK Hynix und Micron — die HBM4-Qualifikationstests abgeschlossen haben und in die Produktion eingestiegen sind. Anders als in der HBM3E-Generation, in der SK Hynix eine nahezu dominante Lieferposition innehatte, markiert die HBM4-Generation den Eintritt aller drei Akteure in die Vera-Rubin-Lieferkette und damit die Etablierung eines vollständigen Wettbewerbsumfelds.

HBM4 ist der sechsten Generation Hochbandbreitenspeicher, der in NVIDIAs nächster KI-Beschleuniger-Generation Vera Rubin eingesetzt werden soll, die für H2 2026 geplant ist. Samsung wurde weltweit als Erster mit der HBM4-Massenproduktion im Februar gestartet und begann im Juni mit der Lieferung für Vera-Rubin-Einheiten. SK Hynix hält laut UBS-Schätzungen etwa 70 % des anfänglichen Rubin-Volumens. Micron kam im zweiten Quartal hinzu.

Die wichtigste Implikation der gleichzeitigen Qualifikation aller drei ist eine Neugestaltung der HBM-Wettbewerbslandschaft. In der HBM3E-Generation war die Marktanteile wie folgt verteilt: SK Hynix (64 %), Micron (21 %) und Samsung (15 %). Mit Samsungs starkem Comeback bei HBM4 und Microns Beitritt ist eine Verschiebung dieser Verteilung wahrscheinlich. Jensen Huangs explizite Anerkennung des Wettbewerbs unter den Lieferanten signalisiert, dass NVIDIA aktiv eine Lieferkettendiversifizierung anstrebt, anstatt von einem einzigen Anbieter abhängig zu sein.

In Bezug auf das Angebot-Nachfrage-Gleichgewicht bleibt die Knappheit die zentrale Variable. Huang wies direkt darauf hin, dass „die Speicherversorgung derzeit eingeschränkt ist“, und SK Hynix teilte Investoren mit, dass die HBM-Preisgestaltungsstärke voraussichtlich bis nächstes Jahr anhalten wird — mit einem HBM-Lieferengpass, der wahrscheinlich bis 2027 andauern wird. Die Tatsache, dass Lieferengpässe selbst bei vollständiger Produktion aller drei Hersteller anhalten, ist selbst ein Beleg dafür, dass die Nachfrage nach KI-Beschleunigern explosionsartig wächst, und bietet eine strukturelle Grundlage für eine nachhaltige HBM-ASP-Wertsteigerung.

6. DeepSeek belegt Platz 1 im US-Unternehmensausgabenindex im Juni

• Kernaussagen

„Das chinesische KI-Startup DeepSeek belegte im Juni den ersten Platz in einem wichtigen US-Unternehmensausgabenindex, da Unternehmen nach Alternativen zu OpenAI und Anthropic suchen.“

„US-Unternehmen zahlten direkt an DeepSeek, was darauf hindeutet, dass sie Daten direkt über DeepSeek senden und empfangen, anstatt seine Open-Source-Modelle auf ihren eigenen internen Servern zu hosten.“

„DeepSeeks Aufstieg ist Teil einer breiteren Bewegung hin zu Open-Source-Modellen. Fireworks AI und Fal AI wurden ebenfalls in die Trending-Vendor-Liste im Juni aufgenommen, da Open-Source-Modelle zu einem Bruchteil der Kosten von Premium-Eigentumsmodellen wettbewerbsfähig sind.“

„Preissenkung von 75 % gefolgt von der besten Bewertung nach Intelligenz pro Dollar… Tencent, CATL und andere investieren 7,4 Milliarden Dollar.“

• Erwartete Auswirkungen

Ramp, eine in New York ansässige Unternehmensausgabenplattform, die Zahlungen von mehr als 50.000 US-Unternehmen verfolgt, veröffentlicht einen „Trending Software Vendors“-Index, der misst, wann Unternehmen zum ersten Mal bei einem Software-Anbieter bezahlen. DeepSeeks Aufstieg an die Spitze dieses Index im Juni ist das stärkste Marktsignal bisher, dass Unternehmen aktiv nach erschwinglichen Alternativen zu OpenAI und Anthropic suchen.

Der unmittelbare Treiber ist Preiswettbewerbsfähigkeit. DeepSeek hat seine 75%ige Preissenkung für das V4-Pro-Modell-API dauerhaft gemacht. Der neue Preis liegt bei 0,87 Dollar pro Million Output-Token — dies ist bis zu 34-mal günstiger als Claude Opus 4.7 mit 25 Dollar pro Million Token und GPT-5.5 mit 30 Dollar. Das Benchmark-Unternehmen Artificial Analysis bewertete DeepSeek V4 Pro nach der Preissenkung als eines der weltbesten Modelle nach Intelligenz pro Dollar, und es rangierte in juristischen KI-Benchmarks knapp unterhalb von GPT-5.5, was seine Eignung für professionelle Arbeitslasten bestätigt.

Besonders bemerkenswert ist, dass US-Unternehmen DeepSeeks Open-Source-Modelle nicht selbst hosten — sie senden echte Geschäftsdaten direkt an DeepSeeks Server in China. Ara Kharazian, leitender Ökonom des Ramp Economics Lab, bezeichnete dies als „wahrscheinlich das stärkste Zeichen dafür, dass Unternehmen nach günstigeren Alternativen zu OpenAI und Anthropic suchen, wobei einige bereit sind, günstigere chinesische Modelle zu nutzen und US-Daten von chinesischen Servern hin und her zu schicken.“ Dies spiegelt die Tiefe des Unternehmenskostendrucks wider — Unternehmen akzeptieren Datensouveränitäts- und geopolitische Risiken im Austausch für Kostenerleichterung.

Die Wettbewerbsdynamik ist strukturell bedeutsam. Anthropic reichte am 1. Juni vertraulich für einen IPO bei einer Bewertung von rund 965 Milliarden Dollar ein, während OpenAI im März eine Finanzierungsrunde über 122 Milliarden Dollar bei einer Bewertung von 852 Milliarden Dollar abschloss. Bei diesen Bewertungsniveaus kann keines der beiden Unternehmen realistischerweise im Preiswettbewerb mit einem Startup mithalten, das seine Preise gerade dauerhaft um 75 % gesenkt hat. Genau in dem Moment, in dem KI-Einhörner, die sich auf einen IPO vorbereiten, unter Bewertungsdruck gezwungen sind, Premium-Preisstrategien beizubehalten, hat DeepSeek dauerhaft den Marktpreisboden neu gesetzt.

DeepSeek schließt gleichzeitig eine erste externe Finanzierungsrunde von rund 50 Milliarden Yuan (rund 7,4 Milliarden Dollar) ab, angeführt von Tencent und CATL, wobei auch Chinas staatlich unterstützter Nationaler KI-Industrie-Investitionsfonds teilnimmt — was eine Struktur effektiver staatlicher Unterstützung schafft. DeepSeeks Aufstieg ist nicht nur das Entstehen eines kostengünstigen Konkurrenten. Er repräsentiert eine Kombination aus Open-Source-Modell + Staatskapital + strukturellem Preisvorteil, die begonnen hat, die Wettbewerbsgräben des globalen KI-Modellmarkts herauszufordern.