#GoldmanSees1.2TAICapex
About GoldmanSees1.2TAICapex
Goldman Sachs expects combined 2027 capital spending by Meta, Microsoft, Alphabet, Amazon and Oracle to reach about $1.2 trillion, up from roughly $800 billion in 2026, largely driven by AI infrastructure. The buildout may support demand for chips, memory, data centers, power and cloud services, but monetization remains the key test. Can AI applications generate enough revenue and cash flow to justify the rising investment?
Angesagt
Neueste
GoldmanSees1.2TAICapex Beliebte Beiträge
Das Diagramm nimmt die AI-Investitionsausgaben (Amazon, Google, Meta, Microsoft, Oracle + SpaceX, kumuliert über jedes Jahr) als Eingabe und wandelt sie dann in den fortlaufenden Jahresumsatz um, der für eine 10%ige Rendite unter den Annahmen jedes Modells bezüglich Abschreibungen, Betriebskosten und Renditemetrik erforderlich ist. Der erforderliche Jahresumsatz ist auf der y-Achse dargestellt; er wird im Jahr 2027 1 Billion US-Dollar pro Jahr übersteigen.
Die Erzählung „Ist AI eine Blase?“ hat sich im Jahr 2026 etwas abgekühlt – teilweise wegen des Umsatzwachstums von AI im Zeitalter der Agenten und teilweise, weil sich die Diskussion auf AI-Sicherheit verlagert hat.
Aber der aufkommende Konsens, dass neue AI-Umsätze, die von den Hyperscalern erzielt werden, bis zum Ende des Jahrzehnts jährlich etwa 3 Billionen Dollar erreichen müssen, ist immer noch unglaublich einschüchternd.
Blockspace
Goldman Sachs: Neueste Schätzungen der Hyperscaler-Capex zeigen 996 Milliarden $ im Jahr 2027
Neoclouds und ehemalige Bitcoin-Miner haben seit 2025 bedeutende Hyperscaler-Capex gesichert
$NBIS: Meta + Microsoft
$CRWV: Google, Meta, Microsoft
$CIFR: AWS + Fluidstack (Google-unterstützt)
$IREN: Microsoft
$WULF: Fluidstack (Google-unterstützt)
$HUT: Fluidstack (Google-unterstützt)
10,3 Billionen $. Das ist die Schätzung von Brookings für die Investitionen in die US-KI-Infrastruktur von 2025 bis 2032, hervorgehoben von @Axios.
Es wird viel darüber gesprochen, ob KI eine Blase ist. Dieses Brookings-Papier stellt eine andere, aber verwandte Frage: Könnte die Finanzierung des Ausbaus systemische Risiken schaffen? Eine KI-Blase und ein systemisches Risikoereignis sind nicht dasselbe. Eine Blase entsteht, wenn Investitionen oder Vermögenspreise den Ertrag übersteigen. Systemisches Risiko bedeutet, dass Verluste sich über die Projekte hinaus ausbreiten, die die schlechten Wetten eingegangen sind, und das breitere Finanzsystem stören.
Was müsste also passieren? Das Papier weist auf konzentrierte Exponierung bei Banken, Versicherern und Fonds hin, die alle auf dieselben KI-Mieter angewiesen sind. Wenn eine schwächere KI-Nachfrage die Auslastung, die Werte von Rechenzentren und GPUs sowie die Refinanzierung gleichzeitig trifft, könnten Verluste von Projekten auf Kreditgeber und Investoren übergreifen.
Der Autor sagt, es sei verfrüht, zu dem Schluss zu kommen, dass wir dort schon sind – und ich stimme zu. Aber ein Großteil dieser Finanzierung liegt in Strukturen, die es schwer machen zu erkennen, wer letztlich das Risiko trägt... Unabhängig davon sind wir noch am Anfang und es wird so bald nicht langsamer werden.
TL/DR: Goldman geht davon aus, dass 1,42 Billionen $ Umsatz über 2028-30, bzw. 11,6 Mrd. $ pro GW, realisierbar sind (erforderlich für 15 % ROIC), wobei 59 % davon bereits in Cloud-Auftragsbeständen liegen und Management-Teams Rückzahlungen von ein bis drei Jahren angeben
Und hier ist das Gegenargument: Die Hürde ist realisierbar, wenn Rechenleistung knapp bleibt, wenn GPU- und Token-Preise nicht fallen, wenn eine Nutzungsdauer von 5 Jahren realistisch ist, wenn eine Handvoll AI-Labore ihre Rechnungen weiter bezahlt und wenn der 3-Billionen-$-außerbilanziell Eisberg keine eigene Rendite benötigt.
Me+@econJaredB veröffentlichen ein neues Werk, das untersucht, wie viel Umsatz erforderlich ist, um Hyperscaler-AI-Capex zu rechtfertigen. Wir schätzen, dass der zusätzliche AI-Umsatz derzeit zwischen 86 und 188,1 Mrd. $ für die Hyperscaler liegt, aber sie benötigen in den nächsten zehn Jahren 13,1 bis 18,7 *Billionen*, damit sich das rechnet.
Ich habe letzte Woche Meta hervorgehoben und die These wird langsam interessanter
ihre Ausgaben für AI beginnen sich im tatsächlichen Geschäft bemerkbar zu machen, besonders bei Werbung, während die Verbraucherseite mit Produkten wie Meta AI weiter wächst
der Markt hat viel Zeit darauf verwendet, sich darauf zu konzentrieren, wer das beste Modell besitzt
Verteilung, Monetarisierung und die Fähigkeit, AI direkt an Milliarden von Nutzern zu liefern, sind genauso wichtig
Meta ist einer der Namen, die ich hier genau beobachte
Ansem 🐂🀄️
Aus meiner Sicht wird Meta im KI-Rennen immer noch ziemlich wenig diskutiert
> Open-Source-Modelle werden immer effizienter
> Die Verteilung wird zu einem großen Vorteil, wenn sich die Modelle verbessern
> Meta hat bereits Milliarden von Nutzern über seine Produkte
> Bessere KI kann Personalisierung und Werbezielgruppen verbessern
Die Open-Source-KI-Strategie verschafft Meta eine andere Position als andere große Labore, eine der größeren KI-Firmen, auf die ich derzeit mehr achte
🚨 KI WIRD MIT IRRSINNIGER GESCHWINDIGKEIT BILLIGER
Laut EPOCH AI ist das gleiche Leistungsniveau von KI seit 2023 etwa 13× günstiger pro Jahr geworden
Schneller als Strom, Rechenleistung, Batterien oder DNA-Sequenzierung in diesem Diagramm
Aber der Betrieb von KI erfordert immer noch Chips, Strom und Rechenzentren
Unternehmen geben Milliarden aus, um etwas zu verkaufen, das immer günstiger wird
Es beginnt wie eine sehr teure Wohltätigkeitsorganisation auszusehen
EXKLUSIV: Subconscious geht eine der größten Herausforderungen für lang laufende KI-Agenten an: die Inferenzkosten.
@subsysdev hat 5,1 Millionen Dollar eingesammelt, um eine Inferenzplattform zu entwickeln, die speziell für Agenten konzipiert ist und dynamische Kontextkompression sowie Caching nutzt, um lang laufende Arbeitslasten schneller und günstiger zu machen. Das Unternehmen sagt, seine Technologie könne die Inferenzkosten um bis zu 80 % senken und gleichzeitig effektive Kontextfenster auf über 5 Millionen Tokens erweitern. Für Unternehmen, die agentische KI skalieren, könnte das den Betrieb von Agenten über längere Zeiträume bei zunehmend komplexeren Aufgaben praktikabler machen.
@deantak sprach mit @thejackobrien, CEO von Subconscious, über die Technologie des Unternehmens, den Fokus auf lang laufende Agenten und die Wirtschaftlichkeit der nächsten Generation von KI-Anwendungen.
„Die meisten Inferenzunternehmen bauen Einheitslösungen für Chats, Einmalanfragen und Agenten gleichermaßen. Aber Agenten sind viel schwieriger gut zu bedienen. Wir haben unseren gesamten Stack um lang laufende Agenten herum aufgebaut, und unsere Kerntechnologie stammt aus neuartiger MIT-Forschung, die uns einen Vorsprung von über einem Jahr verschafft“, sagte O’Brien.
Lies die vollständige Geschichte auf @GamesBeat:
#AI #AgenticAI #Technology
