Newsletter · 28. Juni 2026
Weekly Digest 26
Qualcomm kauft Modular für 4 Milliarden Dollar, um die Softwareschicht zu besitzen, die KI-Inferenz über jeden Chip hinweg laufen lässt; Satya Nadella argumentiert, KI müsse günstig genug werden, um sich in der Wirtschaft zu verbreiten — gemessen an den Arbeitskosten, nicht an alten SaaS-Budgets; The Information stellt fest, dass Nvidias Anteil am Inferenzmarkt tatsächlich steigt, weil der Produktivbetrieb Software-Tiefe belohnt; und Goldman Sachs sieht Südkorea als die fehlende Lieferkette für humanoide Roboter.
Themen, die wir verfolgen
Qualcomm kauft Modular für 4 Milliarden Dollar
Quelle: Reuters — Qualcomm übernimmt das KI-Startup Modular für 4 Milliarden Dollar
Qualcomm will mehr sein als ein Hersteller von Smartphone-Chips. Auf seinem Investorentag teilte das Unternehmen mit, dass das Rechenzentrumsgeschäft bis 2029 ein Volumen von 15 Milliarden Dollar erreichen könnte, wobei bereits für das Geschäftsjahr 2027 ein Umsatz von 5 Milliarden Dollar erwartet wird. Außerdem nannte das Unternehmen Microsoft und Meta als erste Kunden und erklärte, zwei weitere Hyperscaler hätten Verträge über kundenspezifische Chips unterzeichnet.
Qualcomm revenue mix: FY2025 → FY2029 target
- Handsets
- IoT + Auto
- Licensing
- Data Center
Das Unternehmen erweitert sein Angebot über reine Hardware hinaus und versucht, eine effizientere Rechenarchitektur für Inferenz zu verkaufen — aufgebaut auf Leistung pro Watt, geringeren Speicherkosten und einer Softwareschicht, die heterogene Hardware nutzbar macht.
Modular baut die Softwareschicht zwischen KI-Workloads und der Hardware, auf der sie laufen. Die Plattform ist darauf ausgelegt, Modelle über CPUs, GPUs, NPUs und kundenspezifische Beschleuniger hinweg laufen zu lassen, ohne dass Entwickler ihren Code für jeden Prozessor neu schreiben müssen.
Modular verschafft Qualcomm eine entwicklerorientierte Schicht für eine Welt, in der KI-Rechenleistung zunehmend über GPUs, CPUs, NPUs, kundenspezifische ASICs, Edge-Geräte und Cloud-Cluster fragmentiert ist. In dieser Welt ist der wertvolle Kontrollpunkt die Schicht, die es Kunden erlaubt, Workloads zwischen Chips zu verschieben, ohne ihre Infrastruktur jedes Mal neu aufzubauen.
Portabilität der Leistung hat schon früher enttäuscht. Entwickler-Ökosysteme lassen sich nur schwer übernehmen. Und Qualcomm betritt einen Markt, in dem Hyperscaler bereits ihre eigenen Chips bauen, Nvidia den Standard-Software-Stack besitzt und Broadcom und Marvell die Nachfrage nach kundenspezifischem Silizium abschöpfen.
Qualcomm setzt auf einen stärker portablen Markt für KI-Rechenleistung, aber nicht alle Workloads werden sich in diese Richtung bewegen. Die größten Hyperscaler treiben das Co-Design von Hardware und Software immer weiter voran — mit eigenen Chips, eigenen Compilern, eigener Vernetzung und Modellen, die auf ihre eigene Infrastruktur abgestimmt sind. Für die leistungssensibelsten Workloads wird dies das überlegene Modell bleiben.
Die Frage ist, was unterhalb dieser Schicht passiert. Die meisten Kunden wollen ihren Stack nicht jedes Mal neu aufbauen, wenn sie die Chips wechseln. Sie wollen niedrigere Kosten, weniger Lock-in und genug Leistung, um Inferenz zuverlässig auszuführen. Genau diesen Markt eröffnet Modular für Qualcomm: fragmentierte KI-Workloads, die über CPUs, GPUs, NPUs, kundenspezifische Beschleuniger, Edge-Geräte und Cloud-Cluster hinweg laufen müssen.
Portabilität hat immer ihren Preis. Ein Workload, der über viele Architekturen hinweg läuft, ist selten so effizient wie einer, der für einen einzigen Stack gebaut wurde. Qualcomms Wette ist, dass für einen großen Teil der Inferenz der Wert der Flexibilität den Verlust der perfekten Optimierung überwiegt.
Nadella will billigere Intelligenz
Quelle: WSJ — Microsofts Satya Nadella: Wir dürfen die KI-Giganten nicht die Wirtschaft auffressen lassen
Satya Nadella warnte diese Woche, man dürfe nicht zulassen, dass einige wenige KI-Giganten „die Wirtschaft auffressen". Sein Argument: KI muss günstig genug werden, um sich in der Wirtschaft zu verbreiten, statt als neue Steuer obendrauf zu sitzen. Wenn jeder nützliche Workflow teure Aufrufe von Frontier-Modellen erfordert, fließt der durch KI geschaffene Wert zurück an die Modellanbieter, Chiplieferanten und Cloud-Plattformen. Der Kunde erhält ein besseres Werkzeug, aber auch eine neue Kostenposition.
Intelligence per dollar, 2023–2026
Das Argument stimmt, aber die aktuelle Debatte über KI-Kosten verwendet oft den falschen Nenner. Die meisten Unternehmen vergleichen ihre KI-Ausgaben noch immer mit historischen SaaS-Budgets. An diesem Maßstab gemessen wirkt KI teuer. Ein KI-Produkt für 100 oder 200 Dollar pro Platz wirkt absurd, wenn man es an Slack, Notion oder einem normalen Software-Add-on misst.
KI sollte nicht als weitere SaaS-Kategorie behandelt werden. In vielen Workflows ersetzt, verdichtet oder ergänzt sie menschliche Arbeit. Der bessere Vergleich ist nicht KI-Ausgaben gegen SaaS-Ausgaben. Es ist KI-Ausgaben gegen Software, Gehälter, externe Dienstleistungen, Managementzeit und betriebliche Verzögerung. Der relevante Maßstab sind die Arbeitskosten, nicht die Softwarekosten.
Genau hier wird Nadellas Argument zur Fungibilität wichtig. Unternehmen müssen Aufgaben an das günstigste ausreichende System leiten: Frontier-Modelle für anspruchsvolles Reasoning, kleinere Modelle für Routinearbeit, quelloffene Modelle für interne Deployments und kundenspezifische Modelle für proprietäre Workflows. Die Kostenkurve verbessert sich, wenn Intelligenz besser substituierbar wird. Aber Frontier-Intelligenz sollte weiterhin an menschlicher Arbeit gemessen werden, nicht an Legacy-SaaS. Ein leistungsfähiges Modell kann als Software teuer und als Arbeitskraft günstig erscheinen.
Nvidias Anteil an der Inferenz steigt
Quelle: The Information — Nvidias Anteil am Markt für KI-Inferenz-Chips scheint zu steigen
Das stärkste Bear-Argument gegen Nvidia war immer, dass Inferenz nicht so aussehen würde wie Training.
Beim Training großer Modelle ist Nvidias Dominanz am leichtesten zu verstehen. Die Workloads sind riesig, zentralisiert und leistungssensibel. Kunden achten auf Time-to-Train, Cluster-Zuverlässigkeit, Vernetzung und Zugang zu den besten Beschleunigern. Inferenz sollte anders sein. Sobald Modelle in den Produktivbetrieb gehen, wird der Workload kostensensibler und fragmentierter. Das sollte Raum schaffen für kundenspezifische ASICs, Hyperscaler-Chips, CPUs, NPUs und günstigere Beschleuniger. So lautet das Narrativ der Wall Street: Nvidia besitzt das Training, aber bei der Inferenz öffnet sich der Markt.
Die jüngste Schätzung von The Information widerspricht dieser Sicht. Nvidias Anteil am Markt für Inferenz-Chips ist Berichten zufolge im vergangenen Jahr gestiegen. Inferenz-Engineering ist zu einer der gefragtesten Disziplinen im Silicon Valley geworden. Modelle im Produktivbetrieb auszuführen erfordert Batching, Speicherverwaltung, Quantisierung, latenzarmes Serving, optimierte Kernel, Modellkompatibilität, Vernetzung, Monitoring und vorhersagbare Zuverlässigkeit. Vieles davon wird durch Inferenz-Frameworks wie vLLM, SGLang und TensorRT abstrahiert. TensorRT wurde von Nvidia entwickelt und gilt weithin als eines der stärksten Inferenz-Frameworks für große Produktivumgebungen auf Nvidia-Hardware.
Kundenspezifische ASICs werden eine Rolle bei der Inferenz spielen, besonders dort, wo der Kunde das Modell, den Serving-Stack und das Auslastungsprofil kontrolliert. Googles TPUs haben die Stärke des Co-Designs von Hardware und Software bereits gezeigt. Aber dieser Weg braucht Zeit. Google arbeitet inzwischen seit vielen TPU-Generationen daran. Die meisten Käufer können diese Tiefe des Co-Designs nicht schnell nachbilden, und die meisten Workloads brauchen weiterhin Flexibilität über Modelle, Tooling und Einsatzumgebungen hinweg.
In den nächsten zwei bis drei Jahren — solange das Angebot an Beschleunigern knapp bleibt und die Inferenznachfrage weiter wächst — dürfte Nvidia der Standardweg für den Produktivbetrieb bleiben. Selbst wenn sich das Angebot verbessert, sollte die Software-Expertise des Unternehmens seine Position weiter verteidigen.
Südkoreas Robotik-Lieferkette
Quelle: Goldman Sachs — Südkoreas wachsende Rolle bei der Entwicklung humanoider Roboter
Goldman Sachs hat diese Woche eine interessante Notiz zur Rolle Südkoreas bei der Entwicklung humanoider Roboter veröffentlicht.
Südkorea verfügt bereits über eine tiefe Lieferkette in Automobil und Elektronik. Viele der Fähigkeiten, die für Humanoide erforderlich sind, liegen nahe an Fähigkeiten, die koreanische Zulieferer über Jahrzehnte für Autos, Fabriken, Displays, Batterien und industrielle Automatisierung aufgebaut haben. Wenn Humanoide vom Prototyp in die Produktion übergehen, wird der Engpass sein, ob sich das physische System zu vertretbaren Kosten fertigen lässt — mit genug Zuverlässigkeit, Drehmomentdichte, Batterielaufzeit und Manipulationsfähigkeit, um nützlich zu sein.
China ist der Grund, warum das strategisch wichtig ist. Goldman schätzt, dass 2025 in China 10.000 bis 15.000 Humanoide im Einsatz waren, verglichen mit nur Hunderten in den USA und in Korea. Physische KI lernt nicht auf dieselbe Weise aus dem Internet wie Sprachmodelle. Sie lernt aus der Interaktion mit der Welt. Jeder Fabrikeinsatz, jeder fehlgeschlagene Griff, jeder Logistiklauf und jede Korrekturbewegung wird Teil der Datenschleife. China hat damit zwei Vorteile zugleich: die Fertigungsbasis, um Roboter günstiger zu machen, und die Einsatzbasis, um schneller verkörperte Daten zu erzeugen.
Die USA haben führende KI-Labore und Robotik-Startups, aber nicht dieselbe dichte elektromechanische Fertigungsbasis wie Ostasien. Korea könnte das fehlende Bindeglied sein: mit den USA verbündet, zutiefst industriell, stark bei Autos, Batterien, Elektronik, Displays und Fabrikautomation — und über Hyundai mit Boston Dynamics verbunden.
Die Modellseite der Robotik beginnt sich zu verstärken. Vision-Language-Action-Modelle, World Models, Simulation, synthetische Daten, Reinforcement Learning und Teleoperation verbessern sich gleichzeitig. Bessere Modelle machen Roboter nützlicher; eingesetzte Roboter erzeugen Trajektorien, Fehler und Randfälle; diese Daten verbessern die nächste Modellgeneration.
Es zeichnen sich jedoch physische Engpässe ab. Ein Roboter braucht weiterhin Aktuatoren, Motoren, Hände, Batterien, Sensoren, Steuerungen und Sicherheitssysteme, die in großem Maßstab zuverlässig funktionieren. Wenn der Körper teuer, fragil oder lieferbeschränkt bleibt, verlangsamt sich das Modell-Schwungrad.
Korea verfügt bereits über einen Großteil der industriellen Basis, die erforderlich ist, um die physische Seite der Robotik zu skalieren: Autos, Batterien, Elektronik, Displays, Fabrikautomation und Präzisionskomponenten.
