KI-Chips: ASICs wachsen dreimal so schnell wie GPUs

Wer KI-Chips kauft, kauft bisher fast immer Nvidia. Der Konzern aus Santa Clara hielt Anfang 2026 schätzungsweise 85 Prozent des Marktes für KI-Beschleuniger und sein Umsatz legte zuletzt um 85 Prozent auf 81,6 Milliarden Dollar zu. Trotzdem hat die AMD-Aktie in diesem Jahr bisher 142 Prozent zugelegt, Nvidia dagegen nur vier Prozent. Der Markt preist etwas ein, das in den Quartalszahlen noch nicht sichtbar ist: eine strukturelle Verschiebung weg vom allgemeinen Grafikprozessor hin zu spezialisierten Chips, die für konkrete KI-Aufgaben optimiert sind.

Was ist eigentlich der Unterschied?

Ein GPU ist ein universeller Parallelprozessor. Ursprünglich für Computergrafik entwickelt, hat er sich als Arbeitstier für maschinelles Lernen etabliert, weil er Tausende von Rechenoperationen gleichzeitig ausführen kann. Nvidia verkauft hauptsächlich solche GPUs: flexible, programmierbare Chips, die für viele verschiedene Aufgaben funktionieren.

Ein ASIC ist das Gegenteil: ein Chip, der für eine einzige Aufgabe optimiert ist. Google baut ASICs für seinen eigenen KI-Dienst (Tensor Processing Units, TPUs), Amazon für seine AWS-Infrastruktur (Trainium-Chips). Sie sind schneller und energieeffizienter für genau die Aufgaben, für die sie entworfen wurden, aber unflexibel für alles andere.

Was sich 2026 verändert: Die KI-Branche teilt sich in zwei Phasen auf. Das Training eines großen Modells, also das einmalige Lernen aus riesigen Datensätzen, ist eine Aufgabe, bei der Nvidias GPUs weiterhin konkurrenzlos sind. Das Inference, also das tägliche Beantworten von Millionen von Nutzerfragen, ist eine wiederholbare, standardisierte Aufgabe, für die ein ASIC erheblich effizienter arbeiten kann. Der Training-Markt bleibt Nvidia-dominiert. Der Inference-Markt öffnet sich.

Warum kaufen Tech-Konzerne jetzt AMD?

Das Marktforschungsunternehmen TrendForce prognostizierte im Januar 2026, dass die Lieferungen kundenspezifischer ASICs im laufenden Jahr um 44,6 Prozent wachsen werden: Merchant-GPUs dagegen nur um 16,1 Prozent. Der ASIC-Anteil am KI-Server-Markt werde von rund 15 auf knapp 28 Prozent steigen.

Gleichzeitig holen die Alternativen bei Training-Chips auf. Meta schloss im Februar 2026 mit AMD ein Partnerschaftsabkommen über bis zu 100 Milliarden Dollar, das die Lieferung von AMDs Instinct-MI450 vorsieht. TechCrunch berichtete, Meta verfolge das Ziel, weniger von einem einzigen Chiphersteller abhängig zu sein, während es gleichzeitig an „Personal Superintelligence“ arbeite. OpenAI unterzeichnete im Oktober 2025 einen separaten Vertrag für sechs Gigawatt Instinct-GPUs von AMD über mehrere Generationen; das erste Gigawatt soll in der zweiten Jahreshälfte 2026 geliefert werden.

AMDs Instinct-MI400-Reihe, die bei der Consumer Electronics Show im Januar vorgestellt wurde, nutzt die CDNA-5-Architektur mit 432 Gigabyte HBM4-Speicher, 19,6 Terabyte pro Sekunde Speicherbandbreite und 40 Petaflops in FP4-Präzision. Konkret lieferfähig sind die Varianten MI455X für Training und Inference sowie MI430X für Hochleistungsrechner.

Was machen Startups anders?

Neben AMD greifen spezialisierte Startups den Inference-Markt an. SambaNova Systems stellte im Februar 2026 den SN50-Chip vor, der auf einer eigenen Architektur namens Reconfigurable Dataflow Unit basiert und laut Unternehmensangaben fünfmal schneller als Nvidias B200-GPU bei agentenbasierter KI-Inference arbeitet. Die TCO (Total Cost of Ownership) liege dreimal niedriger. SambaNova sammelte gleichzeitig 350 Millionen Dollar frisches Kapital ein; externe Benchmarks fehlen bislang, da der Chip noch nicht ausgeliefert ist.

d-Matrix aus Santa Clara, Kalifornien, ging im Juni 2026 mit seiner Corsair-Plattform in die Vollproduktion. Das Unternehmen kombiniert Corsair-Beschleuniger mit Nvidia-GPUs in einem Hybridsystem. CNBC berichtete über Tests bei Gimlet Labs: Die Antwortzeit eines Sprachmodells fiel von 24 Sekunden auf unter zwei Sekunden, Faktor zwölf. Der Gewinn liegt im Inference-Betrieb, bei dem GPU-Kapazität oft ungenutzt blieb, während auf Nutzeranfragen gewartet wurde.

Was bedeutet das für Nvidias Position?

Nvidia ist nicht passiv. Der Konzern entwickelt eigene Inference-optimierte Produkte und hat mit dem Hopper-System und der Blackwell-Architektur zwei Plattformen auf dem Markt, die sowohl Training als auch Inference abdecken. Die Stärke Nvidias liegt im Ökosystem: Der CUDA-Stack, den Entwickler seit fast 20 Jahren nutzen, ist tief in die Entwicklungspipelines eingebettet. Ein Wechsel zu AMD oder einem ASIC bedeutet für ein Unternehmen erheblichen Aufwand, Ingenieurstunden und Risiko.

Dennoch: Der Anstieg der AMD-Aktie um 142 Prozent bei nur vier Prozent Zuwachs bei Nvidia zeigt, dass Investoren glauben, der Wandel kommt. Der GPU-Anteil am KI-Server-Markt wird laut TrendForce von 83 auf 70 Prozent sinken. Das ist keine Katastrophe für Nvidia, aber das Ende des Monopolkomforts.

AMD-Aktie als Vorlaufindikator: Lieferungen ab H2 2026

Die erste große Bewährungsprobe für AMD kommt in der zweiten Jahreshälfte 2026, wenn die MI400-Lieferungen an OpenAI hochfahren. Analysten erwarten, dass AMDs Marktanteil im KI-Bereich bis 2030 auf zehn bis zwanzig Prozent steigen könnte. Ob SambaNova und d-Matrix den Sprung von Testinstallationen zur Massenlieferung schaffen, entscheidet sich in denselben zwölf Monaten. Für Cloud-Nutzer ist das eine gute Nachricht: Mehr Wettbewerb beim Training und bei der Inference drückt mittelfristig die API-Kosten.