Aravolta: GPU-Abschreibungen variieren je nach Auslastung um 30-45 % – Branchen-Durchschnittswerte für Kreditgeber obsolet
Analyse veröffentlicht am 13. November 2025
Der Markt für GPU-Finanzierungen bewertet Risiken derzeit auf Basis fiktiver Zahlen. Eine detaillierte Analyse von Aravolta zeigt anhand von Telemetriedaten aus GPU-Einsätzen im Mid-Market-Segment, dass identische Hardware je nach Nutzungsmuster unterschiedlich schnell altert. Trotz identischer GPU-Modelle variieren die Abschreibungskurven je nach Kunden um 30 bis 45 %. Diese Diskrepanz zwischen den Annahmen bei der Kreditvergabe und der Realität führt zu erheblichen Risiken für Kreditgeber, die weiterhin mit einheitlichen Abschreibungsplänen arbeiten.
Der branchenweite Konsens zur GPU-Lebensdauer ist hinfällig
Der aktuelle Markt operiert mit widersprüchlichen Annahmen, die einen grundlegenden Mangel an Konsens offenbaren. CoreWeave kalkuliert bei der Finanzierung von GPU-Assets öffentlich mit einer Nutzungsdauer von etwa 6 Jahren, während Nebius eher von 4 Jahren ausgeht. Einige Analysten warnen, dass eine intensive Nutzung die tatsächliche Lebensdauer auf 3 Jahre oder weniger drücken könnte. Das Problem: Die Debatte dreht sich um einen Durchschnittswert, der in der Praxis gar nicht existiert. Wie die Analyse von Aravolta belegt, sollte die Frage nicht lauten, wie lange eine H100 im Allgemeinen hält, sondern wie eine spezifische GPU während ihrer Lebensdauer tatsächlich betrieben wurde.
Das derzeitige Finanzierungsmodell behandelt GPUs wie Lkw oder Bohrgerät mit vorhersehbarer linearer Abschreibung. Dieser Ansatz versagt bei Compute-Infrastruktur katastrophal, da identische GPU-Hardware je nach Arbeitslastintensität, Thermomanagement und Auslastungsmustern sehr unterschiedlich altert. Eine GPU, die bei einer konstanten Auslastung von 60-70 % unter moderaten thermischen Bedingungen läuft, kann mehr als 5 Jahre lang wirtschaftlich rentabel bleiben. Ein baugleiches Gerät hingegen, das unregelmäßigen Trainings-Workloads mit täglichen Spitzen von 95-100 % Auslastung ausgesetzt ist, kann bereits nach 3 Jahren oder früher wirtschaftlich obsolet sein.
Realdaten decken Diskrepanz von zwei Jahren bei der Asset-Lebensdauer auf
Die Zusammenarbeit von Aravolta mit einem Mid-Market-Kreditgeber, der GPU-Bereitstellungen im Bereich von 0-50 MW finanziert, verdeutlichte das Ausmaß des Problems. Die ursprüngliche Risikoprüfung ging von einer konstanten Auslastung von 80 %, einer wirtschaftlichen Nutzungsdauer von 5,5 Jahren und keiner nennenswerten Varianz zwischen Kunden oder Workload-Typen aus. Die tatsächlichen Telemetriedaten zeichneten ein völlig anderes Bild.
Spitzen bei der Arbeitslastintensität von 95-100 % traten nicht wie angenommen nur gelegentlich, sondern täglich auf, was zu einer beschleunigten Materialermüdung der Komponenten führte. Thermische Grenzwerte wurden bei Trainings-Bursts häufig überschritten – ein Szenario, das in den Modellen gar nicht vorgesehen war; viele GPUs liefen regelmäßig oberhalb der empfohlenen thermischen Limits. Die Wartungszyklen zeigten bei stark schwankenden Arbeitslasten einen erhöhten Bedarf: Lüfter, Wärmeleitpaste und andere Komponenten mussten früher als erwartet ausgetauscht werden. Am kritischsten ist, dass die wirtschaftliche Obsoleszenz bei einigen Arbeitslasten 18 bis 30 Monate früher eintrat als bei anderen – die GPUs waren also bereits wirtschaftlich wertlos, lange bevor sie technisch ausfielen.
Das Ergebnis war frappierend: Eine GPU-Kohorte, für die eine Nutzungsdauer von 5,5 Jahren prognostiziert war, steuerte unter realen Einsatzbedingungen auf lediglich 3,7 Jahre zu. Diese Lücke von fast zwei Jahren zwischen Erwartung und Realität hat kaskadierende Auswirkungen auf Annahmen zum Restwert, auf Kreditklauseln (Covenants) und auf das gesamte Kalkül zwischen Fremd- und Eigenkapital. Für Kreditgeber bedeutet dies den Unterschied zwischen einem performanten Kredit und einem unterbesicherten Risiko, das ohne Vorwarnung schlagend wird.
Die Physik der GPU-Degradation
Die Analyse identifiziert thermischen Stress als Haupttreiber der beschleunigten Alterung. Pro 10 Grad Celsius Anstieg der Betriebstemperatur halbiert sich die Lebensdauer elektronischer Komponenten in etwa. Eine dauerhaft hohe Auslastung von 98 % beschleunigt den Verschleiß; Branchendaten zeigen, dass Top-Rechenzentrums-GPUs selbst bei einer durchschnittlichen Auslastung von 60-70 % unter Umständen nur 1 bis 3 Jahre halten. Leistungsspitzen belasten Spannungsregler und Kondensatoren; High-End-GPUs erreichen dabei kurzzeitig über 500 Watt, was langfristig zu Schäden durch Elektromigration führt.
Thermische Zyklen durch stoßartige Arbeitslasten erzeugen zusätzlichen Stress, den ein konstanter 24/7-Betrieb nicht verursacht. Das wiederholte Erhitzen und Abkühlen lässt Materialien ausdehnen und zusammenziehen, was Lötstellen auf eine Weise belastet, die bei konstanter Betriebstemperatur vermieden wird. Unzureichende Wartung verschärft diese Probleme; GPU-Lüfter, die für etwa 5 Jahre ausgelegt sind, fallen bei konstant hoher Drehzahl früher aus. Die Analyse empfiehlt eine Reinigung, den Austausch der Lüfter sowie die Erneuerung der Wärmeleitpaste zweimal jährlich als essenzielle Wartungsmaßnahme.
Was dies für die GPU-Finanzierung bedeutet
Kreditgeber, die GPUs ohne telemetriebasiertes Monitoring auf Asset-Ebene finanzieren, sind zahlreichen Risiken ausgesetzt, die eine klassische Risikoprüfung nicht erfassen kann. Sie riskieren den Verlust ihres Kapitals ohne Vorwarnung, wenn Kreditnehmer ihre GPUs mit konstanter maximaler Auslastung und hohen Temperaturen betreiben und so eine Flotte, die für 5-6 Jahre kalkuliert wurde, in eine mit nur 2-3 Jahren wirtschaftlicher Laufzeit verwandeln. Sie verteuern Deals für konservativ agierende Betreiber und treiben so qualitativ hochwertige Kreditnehmer zu günstigeren Kapitalgebern ab. Gleichzeitig unterbepreisen sie Deals, bei denen GPUs bis zum Ausfall betrieben werden, und nehmen versteckte Risiken in Kauf, die erst dann sichtbar werden, wenn Abschreibungen unumgänglich sind.
Der Mangel an granularen Daten zwingt Kreditgeber zudem in konservative, unflexible Bedingungen, obwohl kreative Strukturen wie Sale-Leasebacks mit Performance-Triggern oder nutzungsbasierte Finanzierungen Risiko und Rendite besser in Einklang bringen könnten. Ohne tatsächliche Auslastungsdaten bleiben solche Strukturen rein theoretisch.
Aravolta argumentiert, dass die nächste Generation der Compute-Finanzierung eine Echtzeitüberwachung von GPU-Flotten auf Hardware-Signalebene erfordert, um Abschreibungskurven zu erstellen, die auf den jeweiligen Workload und die Umgebung zugeschnitten sind. Das Unternehmen arbeitet mit Mid-Market-Betreibern im 1-100-MW-Segment zusammen, um Strukturen wie Sale-Leasebacks, nutzungsbasierte Leasingverträge und revolvierende GPU-Kreditlinien zu unterstützen, die auf tatsächlichen Leistungsdaten statt auf Branchenfolklore basieren.
Die alte Welt der GPU-Finanzierung basiert auf Durchschnittswerten. Die neue Welt, so Aravolta, basiert auf Telemetrie. Bei einer Asset-Klasse, in der identische Hardware je nach tatsächlicher Betriebsweise um 30 bis 45 % unterschiedlich schnell an Wert verliert, ist dieser Unterschied nicht akademischer Natur. Es ist der Unterschied zwischen einer korrekten Risikobewertung und dem Blindflug.