CASPA-Panel: SemiAnalysis sieht Substrate vor Energie als echtes Nadelöhr für KI – Bernstein warnt vor Finanzierungsdruck und kundenspezifischen Chips
Halbleiter-Branchenpanel beim CASPA 2026 CEO Summit am 24. Oktober 2026
Dylan Patel, Gründer und CEO von SemiAnalysis, und Stacy Rasgon, Managing Director und Senior-Halbleiteranalyst bei Bernstein, nutzten das CASPA-Panel, um mit einigen Konsensansichten zum KI-Ausbau aufzuräumen. Patel argumentierte, dass Energie und Rechenzentrumskapazitäten ein geringeres Hindernis darstellen als vom Markt angenommen, und dass die wahren Engpässe bei Substraten, Speicher und Optik liegen. Rasgon erklärte, dass die Finanzierung mittlerweile ganz oben auf der Sorgenliste der Investoren steht und dass die Angebots- und Nachfragesignale mindestens bis 2028 auf einen angespannten Markt hindeuten. Beide waren sich einig, dass die schwierigere Frage lautet, wer angesichts explodierender Komponenten- und Teilekosten die Margen behält – insbesondere da Nvidia und Broadcom einer Welle maßgeschneiderter Halbleiter (Custom Silicon) gegenüberstehen.
Substrate statt Energie sind der engste Flaschenhals
Patels kontroverseste These betraf die Rangfolge der Engpässe. Er setzte Substrate an die erste Stelle – noch vor Land, Energie und Gebäudehülle sowie vor Halbleiterausrüstung. „Substrate, Leiterplatten- und Substratmaterialien, all diese Komponenten wurden massiv vernachlässigt“, sagte er und wies darauf hin, dass die japanischen Zulieferer, die einen großen Teil dieser Lieferkette tragen, konservativ agieren und nur zögerlich Kapazitäten aufbauen. Danach folgen Speicher und an dritter Stelle optische Komponenten. Mit Blick auf Co-Packaged Optics (CPO) und nah am Chip platzierte Optiken erklärte er, dass selbst dann, wenn ein großer Konzern im Jahr 2028 vollständig auf CPO umsteigen wollte, „er seinen Bedarf an Lasern, Faserankopplungen und anderen Komponenten mengenmäßig nicht decken könnte“.
Beim Thema Energie zeigen Untersuchungen von SemiAnalysis, dass weltweit für das kommende Jahr Rechenzentren mit einer Leistung von fast 50 Gigawatt im Bau sind. Etwa 35 Gigawatt entfallen auf die USA, 7 bis 8 Gigawatt auf China, der Rest verteilt sich auf Länder wie Australien, Indien und Malaysia. Patel sagte, dass Turbinen vor Ort, Gasmotoren und Brennstoffzellen den Entwicklern helfen, die Grenzen der Stromnetze zu umgehen. Er bezeichnete diese Lösungen als „wesentlich weniger komplex als die Halbleiter-Lieferkette“. Rasgon zeigte sich vorsichtiger und wies darauf hin, dass Nvidia und Broadcom Land, Energie und Gebäudehülle offenbar als ihre limitierenden Faktoren betrachten. Er äußerte zudem Zweifel an den Lieferzeiten für Turbinen und verwies darauf, dass Elon Musk die Eigenproduktion von Turbinenschaufeln ins Gespräch gebracht hat.
Rasgon beschrieb einen mehrschichtigen Mangel, bei dem erst ein Engpass beseitigt sein muss, bevor der nächste angegangen werden kann. Ihm zufolge beklagen sich Ausrüstungslieferanten selbst darüber, dass kurzfristige Engpässe bei Leiterplatten, Chips, Ventilen und Massendurchflussreglern ihre Fähigkeit einschränken, zusätzliche Aufträge auszuliefern. Seine Einschätzung zur Dauer war unmissverständlich: „Ich denke, dieses Jahr läuft es gut. Nächstes Jahr wird es genauso sein. 2028 dürfte es weiterhin eng bleiben. 2029 weiß ich nicht. Das wandelt sich dann in eine reine Nachfragefrage.“
Speicher und WFE-Ausgaben verdeutlichen die angespannte Lieferkette
Rasgon betonte, dass Speicheraktien mit dem Zwei- bis Vierfachen der termingleichen Gewinne (Forward Earnings) geadelt werden, obwohl die Preise „durch die Decke gegangen sind“. Er verwies darauf, dass SanDisk einen Quartalsgewinn je Aktie (EPS) in Aussicht gestellt hat, der über dem Aktienkurs von vor 24 Monaten liegt. Die niedrigen Multiples führte er auf die Angst vor einem Zyklushöhepunkt zurück, falls im Jahr 2028 ein Überangebot auf den Markt drängt und die Preise einbrechen. Sein Gegenargument ist struktureller Natur: 70 bis 80 Prozent der Siliziumfläche in einem KI-Rack entfallen auf Speicher, überwiegend DRAM. Zudem benötigt High Bandwidth Memory drei- bis viermal so viele Wafer pro Gigabyte wie herkömmliches DDR5.
Im Bereich der Ausrüstung (Wafer Fab Equipment, WFE) berichtete Rasgon, dass ein Unternehmen in dieser Woche eine vorläufige WFE-Prognose für 2027 von mehr als 200 Milliarden US-Dollar vorgelegt hat. Er zeigte sich überrascht, dass viele Investoren sogar noch mehr erwartet hatten, da „uns schlicht die Fabriken fehlen“. Die Reinräume sind voll ausgelastet, und die Branche hat bestehende Kapazitäten bis an die Grenzen ausgereizt. Die WFE-Schätzungen begannen zu Jahresbeginn bei rund 120 Milliarden US-Dollar und dürften bei etwa 155 Milliarden US-Dollar enden. Neue Reinraumkapazitäten kommen 2027 nur verhalten und erst 2028 sowie 2029 spürbarer hinzu – genau zu diesem Zeitpunkt wird der Markt nach Rasgons Einschätzung sehen, ob Angebot und Nachfrage auseinanderklaffen.
Finanzierung rationiert den Ausbau – und Nvidia springt als Sicherheitsnetz ein
Rasgon erklärte, der Rücksetzer des Aktienmarkts von seinen Höchstständen spiegele die Sorgen um die Nachhaltigkeit des Ausbaus wider, „und die Finanzierung gehört hierbei zweifellos zu den Hauptsorgen. Sie steht wahrscheinlich ganz oben.“ Er wies darauf hin, dass Hyperscaler – einst „die cashgenerierendsten Unternehmen in der Geschichte der Menschheit“ –, derzeit Buchtmittel verbrennen und voraussichtlich Eigenkapital aufnehmen werden. Als einen Wegbereiter nannte er Metas neue Aktienstruktur. Die unbesicherten Anleihen von CoreWeave rentieren bei etwa 15 Prozent, was laut Rasgon zwar eher dem allgemeinen Marktniveau als deren aktuellen direkten Kosten entspricht, aber ein klares Signal dafür ist, zu welchem Preis neue unbesicherte Schulden platziert würden. Dennoch kam er zu dem Schluss, dass die Branche „für die kommenden ein bis zwei Jahre“ wahrscheinlich gut aufgestellt ist. Er argumentierte zudem, dass Engpässe durchaus nützlich sein können, da sie das Angebot drosseln und einen massiven Überbau verhindern – ähnlich wie die übrig gebliebenen dunklen Glasfasern (Dark Fiber) nach der Tech-Blase.
Patel zeichnete ein detaillierteres Bild. Hyperscaler können Investitionsausgaben (Capex) von jährlich 2 bis 2,5 Billionen US-Dollar nicht allein finanzieren, weshalb ihre Ausgaben eine natürliche Obergrenze haben. Neoclouds, die fast die Hälfte des Ausbaus ausmachen, können Rechenzentrumscluster nur dann finanzieren, wenn sie verbindliche Abnahmeverträge (Offtake) von einem Hyperscaler oder einem führenden KI-Labor vorweisen können. Selbst dann ist das Fremdkapital teuer. Er verwies auf einen kürzlich für Anthropic errichteten Cluster, der über einen Kupon von 12 Prozent bei einem Kurs von 95 Cent finanziert wurde, was einer Effektivrendite von rund 15 Prozent entspricht. Außerhalb dieser Liga könne man Kapazitäten „buchstäblich nicht“ aufbauen, es sei denn, ein Hyperscaler steht dahinter. Aus diesem Grund besteht Musks Strategie darin, Kapazitäten aufzubauen und diese an Start-ups über kurzfristige Verträge zu sehr hohen Preisen zu vermieten.
Patel sagte, Nvidia habe das Problem erkannt und trete als Absicherung auf. Über Partnerschaften wie mit Sharon AI und Fermi sichert sich das Unternehmen Umsatzbeteiligungen im Austausch für Finanzierungsgarantien. In dieser Struktur vermietet Nvidia den Cluster zu einem garantierten Preis von 3,50 US-Dollar pro Stunde, wodurch dem Cloud-Betreiber kein Gewinn verbleibt. Nvidia partizipiert dann an allen Umsätzen, die über diesem Schwellenwert liegen. Lambda trat eine Umsatzbeteiligung von 10 Prozent an Nvidia ab, um Rechenkapazitäten für Anthropic zu errichten – im Vergleich zu deutlich höheren 50 Prozent bei den Abkommen mit Sharon AI und Fermi. Broadcom wiederum hat laut Patel ein Mietkaufmodell mit Anthropic vereinbart, bei dem die Chip-Zahlungen über mehrere Jahre gestreckt werden. Zudem wies er auf Metas Rechen- und Rechenzentrumsverpflichtungen in Höhe von 1,4 Billionen US-Dollar hin, die von den Kapitalmärkten genau beobachtet würden, auch wenn er betonte, dass „Meta absolut solide dasteht“.
Preismacht hat Preisdeflation abgelöst – Die Kosten für ein Gigawatt sind sprunghaft gestiegen
Rasgon argumentierte, dass sich die historische Rolle der Branche als Wertvernichter ins Gegenteil verkehrt hat. Er verwies auf frühere Arbeiten aus seiner Zeit bei McKinsey, die zeigten, dass die Industrie in den 1990er und frühen 2000er Jahren über einen vollständigen Zyklus hinweg wirtschaftlichen Gewinn vernichtet hatte, während der Mehrwert zu den Kunden abfloss. COVID habe dies verändert, so Rasgon. „Ich habe nicht ein einziges Unternehmen erlebt, das wegen steigender Inputkosten Margenverluste hinnehmen musste. Alle haben ihre Preise angehoben, um dies auszugleichen.“ Er rechnet damit, dass die Branche in diesem Jahr einen Umsatz von rund 1,5 Billionen US-Dollar erreichen wird, was einem Zuwachs von etwa 100 Prozent entspricht. Etwa 70 bis 80 Prozent dieses Wachstums führt er auf gestiegene durchschnittliche Verkaufspreise (ASPs) bei Speichern zurück, während die verkauften Stückzahlen nur um rund 10 Prozent gestiegen seien. Die Kunden, so Rasgon, „haben schlicht keine Wahl“.
Patel bezifferte den Anstieg der Kosten für den Bau eines Gigawatts an KI-Rechenleistung von etwa 40 Milliarden US-Dollar im Jahr 2024 auf mittlerweile über 60 Milliarden US-Dollar. Er differenzierte beim Preisverhalten im Markt: TSMC hat seine Bruttomarge im Laufe eines Jahrzehnts von 45 auf 60 Prozent gesteigert, „die Preise jedoch nicht massiv nach oben getrieben, obwohl sie es angesichts ihrer beinahe monopolartigen Stellung und ihrer langfristigen Partnerschaften hätten tun können“. Speicherhersteller hingegen, die vor rund 24 Monaten noch negative Bruttomargen verzeichneten, greifen den Kunden nun hart an die Kasse. Patel formulierte es so: „Wenn Apple sie im Abschwung auspresst, werden sie Apple in der Hochphase des Zyklus eben auch auspressen.“ Nvidia hat seine Marge weitgehend stabil gehalten und dabei höhere Kosten für Speicher, Substrate und Optik absorbiert, weshalb die Preise für die Kunden schneller gestiegen sind, als es die Margenentwicklung vermuten ließe. Wer letztlich die Kosten zwischen Chipherstellern, Cloud-Betreibern und Laboren trägt, sei unklar.
Nvidias Margenverteidigung basiert auf Leistung je Dollar – und der Siegessträhne
Rasgon bewertete die Preisgestaltung von Nvidia im Kontext des Kundennutzens. Der durchschnittliche Verkaufspreis (ASP) hat sich von Ampere zu Hopper in etwa verdoppelt, während sich die Leistung verzehnfachte. Der Übergang von Hopper zu Blackwell brachte einen ASP-Anstieg von rund 50 Prozent bei gleichzeitigen Leistungssteigerungen um das Drei- bis Dreißigfache. Blackwell zu Rubin bringt eine erneute Verdoppelung der Rack-Kosten bei etwa zehnfacher Leistung. Er verwies auf Nvidias eigene Referenzwerte von rund 25 Milliarden US-Dollar pro Gigawatt für Blackwell und 40 Milliarden US-Dollar für Rubin. „Sollten sie Feynman auf den Markt bringen und der Chip ist nur 20 Prozent besser, dann – ja, dann würde ich mir große Sorgen um die Preisgestaltung und die Margen machen.“ Er erinnerte an die Bemerkung von Bill Dally auf der Konferenz Hot Chips, wonach sich die GPU-Leistung im vergangenen Jahrzehnt vertausendfacht habe und für das kommende Jahrzehnt eine erneute Steigerung um das Millionenfache angestrebt werde.
Custom Silicon und die Veralltäglichung des Chipdesigns
Patel warf die aus seiner Sicht zentrale Frage für die Branche auf: ob KI-Modelle das Chipdesign ähnlich stark zu einer Standardware (Commodity) machen wie Software. Er berichtete, dass der Chip der ersten Generation von OpenAI den Blackwell-Chip beim Open-Source-Inferenz-Benchmark InferenceX von SemiAnalysis übertroffen habe – und das unter Einsatz chinesischer Open-Source-Modelle, wobei KI in Design und Programmierung intensiv genutzt wurde. Anthropic startet ein eigenes Chip-Programm und will dieses in der halben Zeit abschließen. Google vertreibt TPUs extern, und Amazons Trainium ist mittlerweile „vollständig in PyTorch nutzbar“.
Die Software-Implementierungszeiten untermauern diesen Trend. Patel berichtete, dass SemiAnalysis sechs Monate benötigte, um Nvidia auf InferenceX lauffähig zu machen, sechs bis neun Monate für AMD, jeweils einige Monate für Google und Amazon sowie etwa eineinhalb Monate für OpenAI. Wenn Design einfacher wird, so argumentierte er, „dann müssen die Margen sinken“. Würden die Margen der Designhäuser aus der Wertschöpfungskette herausgerechnet, sinken die Kosten für ein Gigawatt auf etwa 20 Milliarden US-Dollar. Gleichzeitig hätten Komponentenlieferanten wie Speicher-, Foundry-, Substrat- und Optikhersteller „noch viel Spielraum bei der Preisgestaltung“.
Nvidia verliert nach Patels Darstellung bereits Anteile in der Lieferkette. Das Unternehmen hat sich 2026 einen geringeren Prozentsatz der CoWoS-Gesamtwäfer und HBM gesichert und wird im kommenden Jahr weitere Anteile abgeben müssen. Dennoch wird erwartet, dass sich die Gewinne in etwa verdoppeln, da die Basis so rasant wächst. Beide Referenten brachten dies in Verbindung mit der Bewertung. Patel erklärte, dass Nvidia und Broadcom auf ihren „im Grunde tiefsten Multiples aller Zeiten“ stehen. Rasgon ergänzte, dass Nvidia bei seiner letzten Überprüfung vor rund neun bis zehn Monaten an nur 13 Tagen des vergangenen Jahrzehnts günstiger bewertet war als der breitere Halbleiterindex – und heute sogar noch günstiger ist. Rasgon zählte Nvidias Burggräben auf: CUDA (wobei dies diskutierbar sei), die installierte Basis, der jährliche Produktzyklus, die Bilanzstärke sowie die eigene Nutzung von KI im Designprozess. Er beschrieb Jensen Huang als „paranoid“, der sich „die alten Lektionen von Intel zu Herzen genommen hat“.
Unternehmensnachfrage ist real, wird aber überwiegend als Tokens eingekauft
Rasgon schätzte, dass sich Nvidias Umsatz grob hälftig auf Hyperscaler und Nicht-Hyperscaler aufteilt, wobei die KI-Labore direkt und indirekt rund 20 Prozent ausmachen – eine Basis, die er als „vielleicht sogar noch etwas diversifizierter als anfangs gedacht“ bezeichnete. Die Akzeptanz in Unternehmen sei von entscheidender Bedeutung: „Wenn wir keine Unternehmensakzeptanz haben, gibt es keine Industrie.“ Er sieht Agentic Coding (KI-Agenten für die Softwareentwicklung) als die erste Killer-Anwendung, deren Umsätze „durch die Decke gegangen sind“. Als Anekdote erzählte er, dass ein Teammitglied Claude genutzt habe, um innerhalb von einer Stunde und 20 Minuten ein vollständiges Finanzmodell von Grund auf für ein bereits abgedecktes Unternehmen zu erstellen – eine Aufgabe, die einen Analysten eine Woche kosten würde. Er fügte hinzu, dass sich diese Effizienzgewinne eher als Produktivität denn als direkter Umsatz niederschlagen könnten und die arbeitsmarktpolitischen Implikationen eine separate Frage seien. Anekdotische Belege sprächen für einen positiven Return on Investment bei KI, allerdings verharren viele Unternehmen noch in der Experimentierphase.
Patel warnte jedoch davor, dass dies nicht in nennenswerte Hardware-Nachfrage seitens der Unternehmen münden wird. Skaleneffekte sorgen dafür, dass die meisten Firmen – darunter Pharmaunternehmen und Hedgefonds – „Tokens einkaufen“ und diese mit ihren eigenen Daten kombinieren, anstatt Open-Source-Modelle auf eigener Rechenleistung zu betreiben. Dies führt dazu, dass die KI-Ausgaben weiterhin auf eine kleine Gruppe von Anbietern konzentriert bleiben, was die von beiden Analysten beschriebenen Finanzierungs- und Preisdynamiken weiter verstärkt.