Wie entwickeln sich Umsatz und Gewinn von Nvidia? (Statista + Mehrwert-Recherche: Vom Grafikchip-Anbieter zum KI-Chip-Dominator, 30 Jahre Chip-Geschichte von Nvidia)

Briefing, Analyse, AI, Nvidia, Grafikchip, Speicherchip, KI-Chip, Umsatzentwicklung, KI-Boom, Rechenzentren, Marktdominanz, Konkurrenz, NV1, Riva, GeForce, Tesla, G80, Cuda, Fermi, Kepler, Pascal, Volta, Turing, Ampere, H200, HGX, Blackwell, Gaming, Generative KI, Supercomputer, Sprachmodelle, LLM, KI-Training, AI-Factories

Wir arbeiten vermehrt mit KI, sowohl hier beim Wahlberliner als auch beruflich. Deswegen sind die Zahlen von Nvidia etwas wie eine Bestätigung des aktuellen Trends, dass der KI-Boom anhält. Ob der Erfolg des Chip-Herstellers tatsächlich auf den Erfolg der Verwender dieser Chips mit ihren großen Investitionen in Rechenzentren übertragbar ist, darüber im Kommentar noch ein paar Sätze. Eine Mehrwert-Recherche haben wir natürlich auch für Sie: Wie hat sich die Chiptechnik von Nvidia entwickelt und wo finden die Chips des Unternehmens Anwendung?

Infografik: Wie entwickeln sich Umsatz und Gewinn von Nvidia? | Statista

Begleittext von Statista

Seit Nvidia Aufstieg zum wertvollsten Unternehmen der Welt sind die Quartalsergebnisse des Chipherstellers zum Lackmustest für die gesamte KI-Branche geworden. Solange die Zahlen des US-Chipherstellers steigen, ist der KI-Boom ungebrochen – so die etwas vereinfachte Lesart. Am Mittwoch nach Börsenschluss war es wieder so weit, und wie zuletzt eigentlich immer hat Nvidia geliefert und die Erwartungen übertroffen.

In den vergangenen drei Monaten wuchs der Umsatz des Unternehmens laut eigener Pressemitteilung um 106 Prozent auf über 96 Milliarden US-Dollar. Noch besser sieht es beim Gewinn aus, der um 126 Prozent auf fast 60 Milliarden US-Dollar zugelegt hat. Auch der Ausblick auf das laufende Quartal deutet auf ungebrochene KI-Euphorie hin: Das Unternehmen rechnet mit etwa 91 Milliarden US-Dollar Umsatz, was einer erneuten Beschleunigung des Wachstums auf 95 Prozent entsprechen würde.

„KI hat einen Wendepunkt erreicht. Sie leistet nützliche Arbeit. Ihre Token sind produktiv und profitabel. Rechenleistung ist nun Umsatz“, sagte Jensen Huang, Gründer und CEO von NVIDIA. Huangs Einschätzung nach erleben wir gegenwärtig ein goldenes KI-Zeitalter. Entsprechend geht Nvidia auch von einer weiter steigenden Nachfrage aus. Konkret rechnet das Unternehmen für das laufende Quartal mit 108 Milliarden US-Dollar Umsatz.

Das Werden der heutigen Nvidia-Chipwelt und eine Einschätzung von einer KI, die vermutlich auch mit einem Nvidia-Setting arbeitet:

Die Entwicklung von Nvidia lässt sich als Weg vom 3D-Grafikchip für PCs zur nahezu vollständigen KI-Rechenplattform lesen: Entscheidend waren nicht nur immer schnellere GPUs, sondern vor allem CUDA, Tensor Cores, Hochgeschwindigkeitsspeicher und die Vernetzung vieler Beschleuniger zu ganzen KI-Fabriken. Die jüngste Umsatzexplosion ist daher primär keine Gaming-, sondern eine Rechenzentrums- und KI-Geschichte: Im Geschäftsjahr 2026 erzielte Nvidia 193,7 Mrd. US-Dollar Data-Center-Umsatz bei 215,9 Mrd. US-Dollar Gesamtumsatz.[investor.nvidia]

Technologie-Zeitleiste

Hinweis zur Spalte „Dominanz“: Bei älteren Produkten existieren keine konsistenten, direkt vergleichbaren Marktanteile je konkretem Chipmodell. Die Einschätzungen sind deshalb bewusst qualitativ und beziehen sich auf das jeweilige Teilsegment – nicht auf den gesamten Halbleitermarkt.

Zeitleiste	Chipmodell und Leistung	Hauptanwendungsgebiet	Wie stark dominierte Nvidia?
1993–1995: Gründung und Anlauf	Nvidia wird 1993 gegründet. Der NV1 (1995) kombinierte 2D-/3D-Grafik, Audio- und Spielefunktionen, setzte aber auf eine proprietäre quadratische Polygontechnik statt der sich durchsetzenden Dreiecks-3D-Grafik.	PC-Multimedia und frühe 3D-Spiele, u. a. mit Sega-Bezug.	Keine Dominanz. NV1 war technologisch experimentell, am Markt aber kein Durchbruch. Nvidia war noch ein kleiner, angreifbarer Anbieter.
1997–1998: Einstieg in den 3D-Massenmarkt	RIVA 128 und später RIVA TNT/TNT2: klassische 3D-Beschleuniger für Direct3D/OpenGL; der RIVA 128 erreichte laut damaliger Positionierung rund 100 Mio. Pixel/s. TNT2 erhöhte Füllrate und Speicherbandbreite und brachte Nvidia in die Spitzengruppe.	PC-Spiele, 3D-Grafik auf Windows-PCs.	Aufstieg zur Spitzengruppe, aber keine Alleinherrschaft. Nvidia konkurrierte mit 3dfx, ATI, Matrox und anderen. Entscheidend war die schnelle Produktfolge.
1999: GeForce 256	GeForce 256 (NV10): von Nvidia als erste „GPU“ vermarktet. Sie integrierte Hardware-Transform-&-Lighting sowie Triangle Setup; dadurch verlagerte sich Geometriearbeit von der CPU auf die Grafikkarte.	PC-Gaming, professionelle 3D-Visualisierung.	Technologischer Wendepunkt und starke Marktposition. Der Begriff GPU setzte sich durch; Nvidia definierte damit die Produktkategorie neu. Der Markt blieb jedoch umkämpft. [noze]
2001: GeForce3	GeForce3 (NV20) führte programmierbare Vertex- und Pixel-Shader ein. Das war wichtiger als eine einzelne FLOPS-Zahl: Grafikabläufe wurden erstmals in Grenzen per Software programmierbar.	Moderne PC- und Konsolenspiele; Grundlage für komplexere 3D-Effekte.	Sehr einflussreich im High-End. Nvidia prägte die technische Richtung; ATI blieb aber ein ernsthafter Wettbewerber. Programmierbare Shader wurden zugleich eine Vorbedingung für späteres GPU-Computing. [noze]
2004–2005: GeForce 6/7	GeForce 6800 brachte Shader Model 3.0 und moderne Grafikfunktionen; die GeForce-7-Generation festigte Leistung und Energieeffizienz im Gaming.	PC-Gaming, Workstations, erste GPU-beschleunigte Spezialanwendungen.	Starke Stellung, aber keine Monopolposition. Nvidia und ATI lieferten sich ein enges Duell; die Dominanz war vor allem im jeweiligen High-End von Produktzyklus zu Produktzyklus wechselhaft.
2006–2007: Tesla/G80 und CUDA	GeForce 8800 GTX (G80/Tesla-Architektur) vereinheitlichte Vertex- und Pixel-Shader zu universell nutzbaren Streaming-Prozessoren. Mit CUDA 1.0 entstand 2007 ein C-ähnliches Programmiermodell für GPGPU.	Zunächst Spiele; dann wissenschaftliches Rechnen, Simulation, Bildverarbeitung und frühe Machine-Learning-Anwendungen.	Strategische Dominanz im Entstehen. Nicht der Gaming-Chip allein war entscheidend, sondern CUDA: Nvidia baute einen Softwarevorsprung auf, den Rivalen später nur schwer aufholen konnten. [noze]
2010: Fermi	GF100/Fermi, etwa in Tesla-C20xx-Karten: bis zu 512 CUDA-Kerne, Cache-Hierarchie, ECC-Speicher und verbesserte C++-/CUDA-Unterstützung. Das machte GPUs für wissenschaftliches Rechnen belastbarer.	Hochleistungsrechnen, wissenschaftliche Simulation, technische Berechnungen; zugleich Gaming.	Hohe Relevanz im GPU-Computing. Nvidia war im entstehenden HPC-GPU-Feld führend, aber der Markt war noch klein und CPU-zentriert. [noze]
2012: Kepler	GK110/Kepler, etwa Tesla K20/K40: bis zu 2.880 CUDA-Kerne, Dynamic Parallelism und Hyper-Q. Diese Funktionen verbesserten die Auslastung in Parallelrechnern.	Supercomputer, Forschung, Simulation, wachsende Deep-Learning-Experimente.	Deutliche Führungsposition im beschleunigten HPC. CUDA, Entwicklerwerkzeuge und die wachsende Tesla-Produktfamilie stärkten den Lock-in-Effekt. [noze]
2014: Maxwell	Maxwell, etwa GeForce GTX 980 und Tesla M40: umfassend überarbeitete Architektur mit deutlich besserer Leistung pro Watt.	Gaming, Visualisierung, energieeffizientere Rechencluster und erste Deep-Learning-Trainingssysteme.	Stark bei diskreten PC-GPUs. In der KI war Nvidia noch nicht in der späteren Umsatzdimension dominant, setzte aber die technische Basis.
2016: Pascal / Tesla P100	GP100/Pascal, besonders die Tesla P100: HBM2-Speicher, NVLink 1.0 mit bis zu 160 GB/s und native FP16-Berechnung. Dadurch wurden mehrere GPUs wesentlich effizienter gekoppelt; FP16 senkte Kosten des Deep Learning.	Training neuronaler Netze, HPC, Cloud-Rechenzentren.	Der Übergang zur KI-Führerschaft. Die P100 wurde breit für Deep Learning in Rechenzentren eingesetzt; Nvidia verankerte sich bei Cloudanbietern und Forschungsinstitutionen. [noze]
2017: Volta / V100	GV100/Volta und Tesla V100: Einführung der Tensor Cores für Matrixmultiplikationen in gemischter Präzision. Das war der erste Nvidia-Chip mit explizit auf KI-Training zugeschnittenen Recheneinheiten.	Deep-Learning-Training, wissenschaftliches Rechnen, Cloud-KI.	Sehr starke technologische Führungsrolle. Tensor Cores verschoben das Leistungsrennen von allgemeiner Grafik hin zu spezialisierter KI-Mathematik – ein zentraler Grund für Nvidias heutigen Vorsprung. [noze]
2018: Turing / RTX	Turing kombinierte Tensor Cores mit RT Cores für Raytracing; etwa RTX 2080. Für KI kamen Tensor-Einheiten auch in PC-Produkte, etwa für DLSS-Upscaling.	Gaming mit Echtzeit-Raytracing, professionelle Grafik, KI-gestützte Bildberechnung.	Prägend im Premium-Gaming. Im KI-Rechenzentrum blieb Volta wichtiger; Turing zeigte aber die Strategie, KI-Beschleunigung in mehrere Märkte zu tragen.
2020: Ampere / A100	GA100/A100: Tensor Cores der dritten Generation, HBM2e, TF32 und BF16, strukturierte 2:4-Sparsity sowie MIG zur Aufteilung einer GPU in bis zu sieben voneinander isolierte Instanzen.	Training und Inferenz in Cloud- und Unternehmensrechenzentren; HPC.	Klare KI- und Data-Center-Führung. A100 wurde zum prägenden Standardbeschleuniger der frühen generativen KI. Seine Stärke lag nicht nur in der Rechenleistung, sondern im Betriebsmodell: Eine GPU konnte effizient mehrere Kunden- oder Arbeitslasten bedienen. [noze]
2022–2023: Hopper / H100	GH100/H100: 80 GB HBM3, rund 3 TB/s Speicherbandbreite, Tensor Cores der vierten Generation und Transformer Engine mit FP8. Nvidia nennt bis zu 3.958 TFLOPS FP8 Tensor Core beim H100 SXM und bis zu viermal schnelleres Training eines GPT-3-Modells gegenüber der Vorgängergeneration.	Training großer Sprachmodelle, generative KI, Inferenz, Supercomputing.	Extrem dominant. H100 wurde zum Referenzprodukt des ersten großen GenAI-Infrastrukturbooms. Nvidias Kombination aus Chip, CUDA, Framework-Unterstützung, Netzwerktechnik und Systemen war schwer ersetzbar. [nvidia][developer.nvidia]
2023–2024: H200 und HGX-Systeme	H200 baut auf Hopper auf, vor allem mit deutlich mehr und schnellerem HBM3e-Speicher; relevant für große Modelle, deren Engpass oft Speicher und Bandbreite statt reiner Rechenlogik sind. In HGX- und DGX-Systemen werden mehrere GPUs per NVLink/NVSwitch gekoppelt.	LLM-Training, Retrieval-/Inferenzsysteme, Cloud-KI und Unternehmens-KI.	Weiterhin sehr hohe Dominanz. In dieser Phase wurde Nvidia de facto zum Taktgeber für KI-Rechenzentren; Lieferfähigkeit und Systemintegration wurden ebenso wichtig wie die einzelne GPU.
2024–heute: Blackwell B200 / GB200	Blackwell B200 verbindet zwei GPU-Dies über NV-HBI; Nvidia nennt bis zu 192 GB HBM3e, etwa 8 TB/s Bandbreite und FP4-Unterstützung. Im GB200 wird eine Grace-CPU mit zwei B200 kombiniert. Ein GB200 NVL72 vernetzt 72 B200 zu einem Rack-System; Nvidia beziffert dessen FP4-Leistung auf rund 1,4 ExaFLOPS. Ein DGX-B200-System wird mit bis zu 144 PFLOPS FP4 Tensor-Core-Leistung angegeben.	Training und Inferenz sehr großer Modelle, KI-Fabriken, souveräne KI-Infrastruktur, Hyperscaler-Clouds.	Derzeit strukturell dominierend, aber nicht unangreifbar. Schätzungen verorten Nvidia bei etwa 80–90 Prozent des Marktes für KI-Beschleuniger; exakte Anteile hängen von Definition, Region sowie Umsatz- oder Stückzahl ab. Konkurrenz entsteht durch AMD, eigene Chips großer Cloudanbieter und spezialisierte ASICs. [persistencemarketresearch][mordorintelligence][nvidia]
2025–2026: Blackwell als Umsatzmotor	Blackwell wird nicht mehr nur als Einzelchip, sondern als Plattform verkauft: GPU, Grace-CPU, NVLink, Switches, Netzwerktechnik, Racks, Software und Services bilden ein integriertes System. Im zweiten Quartal des Geschäftsjahres 2026/27 meldete Nvidia 89,0 Mrd. US-Dollar Data-Center-Umsatz, 117 Prozent mehr als ein Jahr zuvor.	Hyperscale-Rechenzentren, Cloud-Angebote, Modelltraining und Masseninferenz; Aufbau von „AI Factories“.	Dominanz mit Plattformcharakter. Nvidia verkauft zunehmend nicht bloß Rechenchips, sondern eine schwer ersetzbare Gesamtarchitektur. Das verstärkt die Marktstellung, erhöht zugleich aber die Abhängigkeit von wenigen Großkunden und vom anhaltenden KI-Investitionszyklus. [investor.nvidia][investor.nvidia]

Von der GPU zur KI-Fabrik

Vier technische Entscheidungen erklären, warum die neueren Chips eine so viel größere wirtschaftliche Wirkung haben als frühere Gaming-GPUs:

1. Programmierbarkeit durch CUDA
   Seit 2007 können Entwickler GPUs mit einem eigenen, breit unterstützten Software-Ökosystem für allgemeine Parallelaufgaben nutzen. Bibliotheken, Compiler, Framework-Anbindungen und Entwicklerwissen schaffen Wechselkosten. CUDA ist damit ein Wettbewerbsvorteil, der über die reine Chip-Spezifikation hinausgeht.[noze]
2. Spezialisierung auf Matrixrechnung
   Mit Volta führte Nvidia Tensor Cores ein. Diese Einheiten rechnen die für neuronale Netze zentralen Matrixoperationen viel effizienter als klassische universelle Rechenkerne. Hopper erweiterte dies um FP8, Blackwell um FP4 – jeweils mit dem Ziel, Rechenzeit, Speicherbedarf und Energiekosten je KI-Aufgabe zu reduzieren.[noze][developer.nvidia]
3. Speicher und Verbindungstechnik
   Bei großen Sprachmodellen begrenzt oft nicht nur die Rechenleistung, sondern vor allem die Fähigkeit, riesige Modellgewichte schnell zu bewegen. Deshalb sind HBM-Speicher, NVLink, NVSwitch und Rack-Vernetzung so wichtig. Blackwell verkauft Nvidia folgerichtig als skalierbares System und nicht als isolierte Grafikkarte.[noze]
4. Vom Chip zur Komplettplattform
   Kunden erwerben H100-, H200- oder Blackwell-Infrastruktur nicht nur als GPU, sondern als validierte Server- und Racksysteme samt Software. Für Betreiber großer Rechenzentren reduziert das Integrationsrisiko und die Zeit bis zum produktiven Einsatz – zugleich stärkt es Nvidias Preissetzungsmacht.

Verbindung zur Umsatzexplosion

Die Statista-Grafik zeigt den finanziellen Effekt dieser Entwicklung. Besonders aussagekräftig ist der Wechsel im Umsatzmix:

Geschäftsjahr	Gesamtumsatz Nvidia	Umsatz Rechenzentrum	Einordnung
FY 2023	27,0 Mrd. US-Dollar	15,0 Mrd. US-Dollar	Vor dem vollen GenAI-Schub; Data Center bereits wichtig, aber nicht allbeherrschend.
FY 2024	60,9 Mrd. US-Dollar	47,5 Mrd. US-Dollar	H100-Nachfrage und Beginn des massiven Ausbaus von KI-Cloud-Kapazitäten.
FY 2025	130,5 Mrd. US-Dollar	115,2 Mrd. US-Dollar	Der Data-Center-Bereich wird klar zum dominanten Geschäft; generative KI treibt Investitionen.
FY 2026	215,9 Mrd. US-Dollar	193,7 Mrd. US-Dollar	Blackwell-Rollout und breite KI-Infrastrukturinvestitionen; Data Center liefert rund 90 Prozent des Gesamtumsatzes.

Die Reihenfolge ist wichtig: Volta und A100 schufen die KI-Hardwarebasis, H100 traf auf den ChatGPT- und LLM-Boom, Blackwell industrialisiert diesen Boom als komplette Rechenzentrumsplattform. Der jährliche Data-Center-Umsatz stieg laut Nvidia von 15,0 Mrd. US-Dollar im Geschäftsjahr 2023 auf 193,7 Mrd. US-Dollar im Geschäftsjahr 2026 – annähernd eine Verdreizehnfachung in drei Jahren.[investor.nvidia]

Einordnung: Stärke und Risiken

Pro Nvidia-These: Die Dominanz ist mehr als ein kurzfristiger Geschwindigkeitsvorsprung. CUDA, Entwicklerökosystem, Tensor-Core-Architektur, Speichertechnik, NVLink/NVSwitch, Netzwerke und komplette Rack-Angebote greifen ineinander. Wer ein großes Modell trainieren oder im großen Maßstab betreiben will, kauft häufig eine getestete Gesamtplattform – und nicht nur einen Chip. Das erklärt, weshalb die Marktanteilsangaben für KI-Beschleuniger je nach Abgrenzung weiterhin grob bei 80 bis 90 Prozent liegen.[persistencemarketresearch][mordorintelligence]

Contra beziehungsweise Begrenzungen: Diese Stellung ist nicht identisch mit einem dauerhaften Monopol. AMD verbessert seine Instinct-Beschleuniger; Hyperscaler wie Google, Amazon und Microsoft setzen teils auf eigene KI-Chips; große Kunden wollen Kosten, Energieverbrauch und Lieferabhängigkeit senken. Zudem kann der Umsatz stark schwanken, weil er von wenigen kapitalkräftigen Cloud- und Plattformunternehmen sowie von deren Investitionszyklen abhängt.

Meine Einordnung: Nvidias entscheidende Leistung besteht darin, aus der GPU ein standardisiertes Betriebssystem für KI-Rechenzentren gemacht zu haben. Gerade deshalb sollte man den Erfolg nicht verkürzt als „der schnellste KI-Chip gewinnt“ beschreiben. Die aktuelle Umsatzexplosion beruht auf einem Systemvorsprung. Er dürfte mittelfristig robust bleiben, aber mit wachsender Verbreitung generativer KI werden kundeneigene Chips und günstigere Alternativen den Preisdruck erhöhen – insbesondere bei der Inferenz, bei der spezialisierte Hardware oft eher konkurrenzfähig wird als beim Training großer Basismodelle.

Kommentar

Grafiken, wer die anderen Billionen-Unternehmen sind oder wer beinahe an diese Grenze heranreicht, gibt es ebenfalls, und wir werden sie hier auch vorstellen.

Fakt ist: Nvidia profitiert wie kein anderes Unternehmen davon, dass die anderen Tech-Giganten riesige Rechenzentren aufbauen. So weit, so gut. Für Nvidia. Angefangen hatte alles einmal mit Grafik-Chips. Aber was, wenn einige dieser Unternehmen ins Schleudern kommen? Schlecht. Für eine Hochrisiko-Spekulation und diejenigen, die sie eingegangen sind. Aber nicht direkt schlecht für Nvidia, obwohl der Umsatz dann wieder fallen könnte, wenn einige der hochfliegenden Projekte aufgegeben werden müssen. Vielleicht steigt Nvidia sogar nicht nur in die Systemarchitektur ein, wie derzeit, sondern auch in die Nutzung, baut eigene Modelle und und komplettiert so die eigene Wertschöpfungskette. Das halten wir für denkbar, denn Größe muss immer mehr Größe generieren, und wenn es mit dem Absatz neuer Chips und Systemlösungen angesichts eines KI-Overkills bei den Tech-Giganten, die sich gegenwärtig atemberaubende Investitionsrennen liefern, nicht mehr so laufen sollte, aber das Unternehmen Nvidia mit seinen abenteuerlich hohen Gewinnmargen Unmengen von Kapital angesammelt hat, wird es sich möglicherweise neue Geschäftsfelder suchen, in denen es seine marktführende Technik selbst einsetzen kann. Das ist nur eine Spekulation, aber wir wollen damit andeuten, dass das Straucheln einiger gigantomanischer KI-Projekte nicht das Ende des KI-Booms bedeuten oder einen Abschied von Nvidia aus der Reihe der am höchsten kapitalisierten Unternehmen bedeuten muss. Eine Konsolidierung wird es irgendwann auch geben, das war noch bei jedem Technologiesprung so. Zu wessen Lasten sie geht und wer dadurch noch stärker wird, werden wir sehen. Wir glauben jedenfalls, dass Nvidia hier in einer besseren Position ist als einige seiner derzeitigen Großkunden.

Zurückdrehen hingegen lässt sich das Rad nicht, auch wenn wir gerade eine interessante Hypothese vernommen haben: Nämlich, dass neue KI-Modelle gar nicht mehr besser werden, weil sie immer mehr nicht mit von Menschen generierten Daten trainiert werden, sondern mit solchen, die bereits von Kien erstellt wurden und dadurch auch die Verengung und die Fehler übernehmen, die schon implementiert sind. Nach unserer Ansicht sind das aber Schwächen, die sich überwinden lassen, indem das Trainingsmaterial anders kuratiert wird als bisher, falls diese Hypothese überhaupt stimmt. Wir sind in letzter Zeit auch mit einigen Ergebnissen nicht mehr so zufrieden, das betrifft aber vor allem ein bestimmtes KI-Modell, das wir nun beruflich verordnet bekommen haben und das in einer früheren Version für ein privates Schreibprojekt besser gearbeitet hat als alle, mit denen wir seinerzeit verglichen haben. Seinerzeit meint: vor etwa einem Jahr, nicht vor Jahrzehnten. Und es ging eher um die Gedächtnisleistung innerhalb von Chats, die mittlerweile ja durch Dateiablagen gestärkt werden kann. Die KI-Entwicklung ist nun einmal rasant.

An den Chips liegt es sicher nicht, wenn es bei der Weiterentwicklung der KI hier und da klemmen sollte. Und heute hat die KI wieder mehr geliefert, als wir bestellt haben, wir hatten nur um die Tabelle gebeten, und auch in dieser geriet die Aufstellung überraschend ausführlich. Und das mit einer Anforderung, die wir auch ohne Pro-Account hätten erhalten können. Vielleicht spricht das sogar für die These, dass gerade die neuen Modelle, die an Bezahlversionen von KIen gebunden sind, nicht mehr so viel mehr beitragen. Jedenfalls haben wir mittlerweile bei auf Modi wie „Thinking“ (und ähnlich geschaltete, anders benamte Plus-Anfragen) eher Mühe, vorgegebene Zeichen- und Wörterzahlen zu erhalten als heute. Wo wir allerdings auch ohne Vorgabe gearbeitet haben.

Eine gute Nachricht dürfte sich in der kurzen Analyse der KI zum Chipmarkt wiederfinden: Alle, die sich derzeit darüber beschweren, dass Speichermedien rasant teurer werden, weil die Hersteller sich auf KI-Chips konzentrieren – sofern dieser Zusammenhang so besteht – dürfen sich also freuen, dass mehr Konkurrenz die Preise auf Sicht wieder drücken dürfte. Wir hoffen, das stimmt so, und es bilden sich nicht Kartelle, wie wir sie aus anderen Wirtschaftsbereichen kennen. Sie nennen sich natürlich nicht so, aber Preisabsprachen sind bei vielen Produkten zum Wohle der Gewinne aller Hersteller am Markt und zulasten der Verbraucher nicht unüblich. Die aktuelle Dominanz macht es Nvidia natürlich leicht, exorbitante Gewinne zu erzielen, und im Sinne eines funktionierenden Markes ist zu hoffen, dass es tatsächlich wieder zu mehr echter Konkurrenz kommen wird.

Transparenz

Die Einleitung und der Kommentar stammen von uns (TH), die Grafik und der Begleittext von Statista, die Nvidia-Geschichte wurde mit einer KI erstellt, die lieferte auch eine eigene Einschätzung von Chancen und Risiken in der näheren Zukunft.