NVIDIAs unangreifbare Position: Eine technische Analyse, warum der Burggraben bis 2030 hält

Aktualisiert am 11. Dezember 2025

Update Dezember 2025: NVIDIA hält 80% Marktanteil bei KI-Beschleunigern und 78% Bruttomarge trotz Herausforderern (DeepSeek, TPUs, MI300X, Exportkontrollen). Aktie fällt bei Bedrohungen, erholt sich dann. Der Burggraben ist nicht CUDA selbst – es sind 19 Jahre angesammeltes Ökosystem: cuDNN, cuBLAS, NCCL, PyTorch/TensorFlow-Optimierung, Nsight-Toolchain, Dokumentation. Wechselkosten übersteigen Leistungsvorteile für praktisch jeden Kunden.

Jede Bedrohung für NVIDIA folgt demselben Drehbuch. Analysten identifizieren einen Herausforderer – DeepSeeks Effizienz, Googles TPUs, AMDs MI300X, Open-Source-Modelle, Exportkontrollen – und prognostizieren Marktanteilsverluste. Die Aktie fällt. Schlagzeilen häufen sich. Dann geht die Bedrohung vorüber. Der Marktanteil bleibt bei 80%.¹ Die Bruttomargen halten sich bei 78%.² Die Hyperscaler kündigen eine weitere Runde von Investitionsausgaben an, die größtenteils in NVIDIA-Hardware fließen.³

Das Muster wiederholt sich, weil die Analyse auf die falsche Variable fokussiert. Beobachter vergleichen Spezifikationen und schlussfolgern, dass Wettbewerber aufgeholt haben oder bald werden. Der Vergleich übersieht, was NVIDIAs Position haltbar macht: Wechselkosten, die Leistungsvorteile so deutlich übersteigen, dass rationale Akteure bleiben, selbst wenn Alternativen bessere Spezifikationen bieten.

NVIDIA wird bis 2030 einen dominanten Marktanteil behalten. Nicht weil Wettbewerber keine bessere Hardware bei bestimmten Metriken produzieren werden – das haben sie in einigen Fällen bereits. Nicht weil Effizienzgewinne den Rechenbedarf pro Modell nicht reduzieren werden – das haben sie bereits. NVIDIA gewinnt, weil die Gesamtkosten eines Plattformwechsels den Gesamtnutzen des Wechsels für praktisch jeden Kunden am Markt übersteigen. Um zu verstehen warum, muss man verstehen, woraus der Burggraben tatsächlich besteht.

Der Burggraben ist nicht CUDA. Der Burggraben ist alles, was auf CUDA aufgebaut wurde.

CUDA wurde 2006 eingeführt. Neunzehn Jahre akkumulierter Investitionen folgten. Diese Investitionen schufen nicht nur eine Programmierschnittstelle. Sie schufen ein Ökosystem so umfassend, dass CUDA weniger wie eine Softwareplattform funktioniert und mehr wie die grundlegende Infrastruktur der KI-Entwicklung selbst.

Die Basisschicht umfasst das parallele Rechenmodell und Programmierabstraktionen. CUDA bietet Entwicklern eine Möglichkeit, parallele Berechnungen auszudrücken, die effizient auf GPU-Architekturen ausgeführt werden. Diese Basisschicht funktioniert gut, könnte aber theoretisch repliziert werden. AMDs ROCm bietet ähnliche Abstraktionen. Intels oneAPI versucht dasselbe.

Die akkumulierten Schichten über der Basis schaffen den verteidigungsfähigen Vorteil.

Bibliotheken und Primitive: cuDNN für Deep-Learning-Primitive. cuBLAS für lineare Algebra. cuFFT für Fourier-Transformationen. Thrust für parallele Algorithmen. NCCL für Multi-GPU-Kommunikation. Jede Bibliothek repräsentiert Tausende von Ingenieurstunden zur Optimierung für NVIDIA-Architekturen. Jede Optimierung verstärkt die anderen. Ein Modell, das cuDNN für Faltungen, cuBLAS für Matrixoperationen und NCCL für Gradientenaggregation verwendet, erfasst Optimierungen auf jeder Schicht des Stacks.⁴

Framework-Integration: PyTorch, TensorFlow, JAX und jedes andere große Framework optimieren zuerst und am tiefsten für NVIDIA-GPUs. Die Framework-Entwickler nutzen NVIDIA-Hardware. Die Framework-Testsuiten laufen auf NVIDIA-Hardware. Fehlerberichte kommen hauptsächlich von NVIDIA-Nutzern. Die Frameworks funktionieren auf anderer Hardware; sie funktionieren am besten auf NVIDIA-Hardware.⁵

Toolchains und Debugging: Nsight für Profiling und Debugging. CUDA-GDB für Kernel-Debugging. Compute Sanitizer für Fehlererkennung. Werkzeuge, die Entwicklern helfen, korrekten, effizienten Code zu schreiben. Werkzeuge, die für konkurrierende Plattformen nicht existieren oder in unreifer Form existieren.

Dokumentation und Wissen: Neunzehn Jahre an Blogbeiträgen, Tutorials, wissenschaftlichen Arbeiten, Stack-Overflow-Antworten und institutionellem Wissen. Wenn ein Entwickler ein CUDA-Problem hat, existiert die Lösung irgendwo. Wenn ein Entwickler ein ROCm-Problem hat, könnte er der erste sein, der es sieht.

Entwickler-Muskelgedächtnis: Doktoranden lernen CUDA. Forschungsteams nutzen CUDA. Ingenieure bauen Karrieren auf CUDA-spezifischer Expertise auf. Die Menschen, die Technologieentscheidungen treffen, haben Jahre damit verbracht, CUDA-spezifische Fähigkeiten zu akkumulieren, die sich nicht auf andere Plattformen übertragen lassen.

Die Schichten verstärken sich gegenseitig. Eine Organisation, die von NVIDIA zu AMD wechselt, ändert nicht nur die Hardware. Sie schreibt CUDA-Kernel zu HIP oder ROCm um. Sie ersetzt cuDNN-Aufrufe durch MIOpen-Aufrufe. Sie schult Entwickler um. Sie gibt Nsight auf und lernt neue Werkzeuge. Sie lässt das Community-Wissen zurück, das esoterische Probleme um 2 Uhr nachts löst. Sie nimmt Debugging-Risiken in einem Ökosystem mit weniger Abdeckung auf sich.

Jede Schicht fügt Wechselkosten hinzu. Die Wechselkosten stapeln sich multiplikativ, nicht additiv. Ein 20%-Vorteil auf dem Papier wird zu einem 20%-Nachteil in der Praxis, wenn dessen Erreichung erfordert, den gesamten Stack von Grund auf neu aufzubauen.

Warum DeepSeek den Burggraben bewies statt ihn zu bedrohen

DeepSeeks Ankündigung im Januar 2025 behauptete, dass Frontier-KI-Modelle für 6 Millionen Dollar statt 600 Millionen Dollar trainiert werden könnten.⁶ Der Markt interpretierte dies als existenzielle Bedrohung: Wenn Modelle billig gebaut werden könnten, würde die Nachfrage nach teurer Hardware zusammenbrechen.

Die Interpretation scheiterte auf mehreren Ebenen, wobei jede Aspekte von NVIDIAs struktureller Stärke offenbarte.

Effizienzgewinne reduzieren die Nachfrage nicht; sie erweitern sie. Das Jevons-Paradoxon – die Beobachtung, dass Effizienzverbesserungen den Gesamtressourcenverbrauch erhöhen statt verringern – gilt direkt. Wenn Trainingskosten um 99% sinken, expandiert der adressierbare Markt um mehr als das 99-fache. Organisationen, die sich Frontier-KI bei 600 Millionen Dollar nicht leisten konnten, können sie sich bei 6 Millionen Dollar leisten. Der aggregierte Rechenverbrauch steigt, selbst wenn der Verbrauch pro Modell sinkt.

Metas Reaktion demonstrierte dies sofort. Tage nach DeepSeeks Ankündigung erhöhte Meta seine KI-Ausgabenprognose für 2025 auf 60-65 Milliarden Dollar.⁷ Das Unternehmen sah günstigeres Training als Grund, mehr Modelle für mehr Anwendungsfälle zu trainieren, nicht als Grund, Infrastrukturinvestitionen zu reduzieren.

DeepSeek lief auf NVIDIA-Hardware. Das Unternehmen verwendete exportbeschränkte NVIDIA-Chips, ergänzt durch Huaweis Ascend 910B, der 91% der vergleichbaren NVIDIA-Leistung erreicht.⁸ Selbst das Unternehmen, das angeblich NVIDIAs Dominanz bedrohte, konnte NVIDIAs Ökosystem nicht vollständig entkommen. Die Effizienzinnovationen, die DeepSeek entwickelte – Mixture of Experts, Attention-Optimierung, Verbesserungen des Trainingscurriculums – übertragen sich auf NVIDIA-Hardware. Organisationen, die DeepSeeks Effizienz wollen, können sie erreichen, während sie auf NVIDIAs Plattform bleiben.

Der Markt verarbeitete das Signal innerhalb von 48 Stunden korrekt. NVIDIAs 593-Milliarden-Dollar-Tagesverlust kehrte sich um, als institutionelle Investoren die Überreaktion erkannten.⁹ Die Aktie erholte sich am nächsten Tag um 8,9%. Privatanleger verkauften; Institutionen kauften den Einbruch. Die anspruchsvollen Marktteilnehmer verstanden, was die Schlagzeilen übersahen.

Das industrielle Engagement wankte nicht. Chevron und GE Vernova kündigten Pläne zum Bau dedizierter Kraftwerke für Rechenzentren nach DeepSeeks Ankündigung an, nicht davor.¹⁰ Industrieunternehmen binden keine Milliarden in Infrastrukturprojekte auf Basis von Blasen oder bald veralteter Technologien. Sie bauen für Jahrzehnte anhaltender Nachfrage.

Die DeepSeek-Episode testete NVIDIAs Burggraben unter den günstigsten Bedingungen für das Bären-Szenario: dramatische Effizienzverbesserungen, von einem Wettbewerber ohne US-Exportbeschränkungen, angekündigt auf dem Höhepunkt der Markteuphorie. Der Burggraben hielt. Jede zukünftige Herausforderung operiert unter weniger günstigen Bedingungen.

TPUs: Echter Wettbewerb in einem definierten Segment, keine Plattformbedrohung

Googles Tensor Processing Units stellen echten Wettbewerb dar. TPUv7 (Ironwood) liefert 4.614 TFLOPS in BF16, eine 10-fache Verbesserung gegenüber TPUv5p.¹¹ Google hat bedeutende Kunden gewonnen: Anthropics Ausbau übersteigt 1 GW an TPU-Kapazität.¹² Meta plant Berichten zufolge, TPUs bis 2027 in Rechenzentren einzusetzen.¹³ OpenAI, SSI und xAI haben TPU-Zugang mit Google diskutiert.¹⁴

Die Erfolge sind real. Sie bedrohen NVIDIAs dominante Position nicht, weil sie in einem spezifischen Marktsegment mit Charakteristiken auftreten, die sich nicht verallgemeinern lassen.

TPUs optimieren für Inferenzkosten im Hyperscale-Bereich. Inferenzkosten für Produktions-KI-Systeme übersteigen Trainingskosten um das 15- bis 118-fache.¹⁵ Im Hyperscale-Bereich treibt Inferenzkostenoptimierung signifikanten wirtschaftlichen Wert. Googles TPUs liefern 4,7-fach bessere Leistung pro Dollar und 67% niedrigeren Stromverbrauch für diese Workloads.¹⁶ Für Organisationen, die Inferenz in massivem Maßstab mit Kosten als primärer Einschränkung betreiben, bieten TPUs überzeugende Wirtschaftlichkeit.

TPUs bleiben an Googles Ökosystem gebunden. Organisationen greifen auf TPUs über Google Cloud oder durch direkte Beziehungen mit Google zu. Die Hardware wird nicht in Kunden-Rechenzentren geliefert. Das Software-Ökosystem existiert nicht unabhängig von Googles Infrastruktur. TPUs zu wählen bedeutet, Google auf fundamentaler Ebene als strategischen Partner zu wählen.

Diese Einschränkung eliminiert den größten Teil des Marktes. Unternehmen, die KI in ihren eigenen Rechenzentren einsetzen, können TPUs nicht nutzen. Organisationen, die nicht bereit sind, Infrastruktur bei einem einzelnen Hyperscaler zu konzentrieren, können TPUs nicht nutzen. Unternehmen in regulierten Branchen, die spezifische Cloud-Abhängigkeiten verbieten, können TPUs nicht nutzen. Die Einschränkung gilt nicht für Anthropic oder Meta, die in ausreichendem Maßstab operieren, um direkte Beziehungen zu verhandeln. Sie gilt für den Long Tail des Marktes.

Training findet weiterhin überwiegend auf NVIDIA statt. Google trainiert Gemini auf TPUs. Alle anderen trainieren auf NVIDIA. Der Trainingsmarkt unterscheidet sich vom Inferenzmarkt in mehreren Aspekten: Trainings-Workloads sind vielfältiger und weniger standardisiert als Inferenz; Training erfordert mehr Flexibilität zum Experimentieren mit Architekturen; Training profitiert mehr von Ökosystemtiefe. NVIDIAs Position im Training bleibt stärker als seine Position in der Inferenz.

Marktsegmentierung ist nicht gleich Marktverlust. Wenn TPUs 20% der Hyperscale-Inferenz erobern, während NVIDIA 95% des Trainings, 90% der Unternehmens-Inferenz und 80% der sonstigen Hyperscale-Inferenz behält, wachsen NVIDIAs absolutes Volumen und Umsatz weiter. Der KI-Rechenmarkt expandiert schneller als jedes Segment, das TPUs erobern könnten. NVIDIAs Anteil könnte leicht sinken, während sein Umsatz sich verdoppelt.

Die Prognose: TPUs werden ein bedeutender Teil der KI-Rechenlandschaft, speziell für kostensensitive Inferenz im Hyperscale-Bereich. NVIDIA behält die Trainingsdominanz, Unternehmensdominanz und eine Mehrheit der Hyperscale-Rechenleistung. Beide Unternehmen wachsen. Die Einordnung von TPUs als NVIDIA-„Bedrohung" verwechselt Segmentwettbewerb mit Plattformverdrängung.

AMD MI300X: Spezifikationen gewinnen Benchmarks, Ökosysteme gewinnen Märkte

AMDs MI300X bietet überzeugende Spezifikationen: 192 GB HBM3-Speicher gegenüber 80 GB beim H100.¹⁷ Für speichergebundene Inferenz-Workloads ist mehr Speicher wichtig. Large Language Models während der Inferenz stoßen oft an Speicherbandbreite statt an Rechenleistung. Das MI300X-Datenblatt präsentiert echte wettbewerbsfähige Hardware.

Marktanteile erzählen eine andere Geschichte. Omdia schätzt, dass NVIDIA etwa 80% des KI-Beschleuniger-Marktes hält.¹⁸ AMD erobert einstellige Prozentpunkte. Die Lücke hat sich trotz mehrerer Generationen wettbewerbsfähiger Hardware-Releases nicht wesentlich geschlossen.

Das Muster erstreckt sich über AMDs gesamte Wettbewerbsgeschichte mit NVIDIA. Jede Generation kündigt AMD Hardware an, die NVIDIA bei Spezifikationen entspricht oder übertrifft. Jede Generation behält NVIDIA den Marktanteil. Jede Generation sagen Beobachter voraus, dass sich die Lücke schließen wird. Jede Generation tut sie es nicht.

Die Konsistenz dieses Musters über fünfzehn Jahre Wettbewerb liefert starke Evidenz, dass etwas anderes als Spezifikationen die Marktergebnisse bestimmt. Dieses Etwas ist das Ökosystem.

ROCm, AMDs Antwort auf CUDA, existiert und funktioniert. Framework-Unterstützung existiert. Bibliotheken existieren. Dokumentation existiert. Aber jedes Element existiert in geringerer Dichte als das NVIDIA-Äquivalent. PyTorch funktioniert auf ROCm; mehr PyTorch-Nutzer laufen auf CUDA. MIOpen bietet Deep

[Inhalt für Übersetzung gekürzt]