Ist das DeepSeek-Drama ein Wendepunkt für den KI-Trade?

Die vergangene Woche war von hoher Volatilität geprägt. Erst der Durchbruch von DeepSeek in der künstlichen Intelligenz (KI), dann die von Präsident Trump verhängten Zölle gegen Kanada, Mexiko und China – für die Anleger ging es Schlag auf Schlag.

Letzten Endes schlossen die US-Aktienmärkte im Minus, während internationale Aktien (vor allem in Europa) ihre Outperformance vom Jahresbeginn fortsetzten. Dieser Volatilitätsschub stand im Gegensatz zu den erneut soliden Geschäftszahlen. Nachdem mehr als ein Drittel der Unternehmen im S&P 500 ihre Ergebnisse für das vierte Quartal vorgelegt haben, zeichnet sich das höchste vierteljährliche Gewinnwachstum seit drei Jahren ab.

Den Aktienmärkten steht diese Woche allerdings ein holpriger Start bevor, da die verhängten Zölle und die Gefahr weiterer US-Abgaben auf europäische Waren die Stimmung belasten. Dies trägt auch zu einem stärkeren Dollar bei, denn die kurzfristigen US-Renditen notieren auf höherem Niveau, um die potenziell inflationären Auswirkungen dieser handelspolitischen Maßnahmen widerzuspiegeln.

In unserem heutigen Beitrag konzentrieren wir uns auf DeepSeek und seine möglichen Auswirkungen auf den Technologiesektor und die Wirtschaft insgesamt. Ist der Durchbruch von DeepSeek womöglich ein Grund, um dem Thema KI noch positiver gegenüberzustehen? Wir erläutern unsere Einschätzung.

Wie wird DeepSeek den KI-Trade beeinflussen?

Ein kurzer Überblick zum Handel mit KI-Aktien. Zwischen November 2022 und Januar 2023 verzeichnete ChatGPT von OpenAI bereits 100 Millionen Nutzer. Instagram brauchte zweieinhalb Jahre, um denselben Meilenstein zu erreichen. Seitdem begeistern sich die Anleger für die verschiedenen Phasen des KI-Trade.

Phase 1 [Hyperscaler]: Unternehmen, die Cloud-Computing-Technologie im großen Maßstab bereitstellen.

Phase 2 [Computing und Infrastruktur für Rechenzentren]: Unternehmen, die beispielsweise Hardware (Chips) und elektrische Ausrüstung für den Betrieb von Rechenzentren produzieren.

Phase 3 [Strom und Übertragung]: Unternehmen, die den von Rechenzentren benötigten Strom liefern und übertragen.

Phase 4 [Sektorübergreifende Nutznießer]: Unternehmen, die KI integrieren, um ihre Produktivität zu steigern und Umsatzvorteile zu erzielen.

Seit der Einführung von ChatGPT haben die Anleger Unternehmen der Phase 1–3 belohnt, weil die Hyperscaler vermehrt in die Infrastruktur und Stromversorgung für Rechenzentren investieren, um KI-generierte Umsätze zu erzielen.

Hier kommt DeepSeek ins Spiel, ein chinesisches KI-Startup, das vor zwei Jahren gegründet wurde. Vor zwei Wochen (am Vorabend der Amtseinführung von Präsident Trump) lancierte DeepSeek sein vollständiges R1-Modell, ein Open-Reasoning-LLM. Das R1-Modell entspricht bei Mathematik-, Codierungs- und Logikaufgaben der Leistung von o1 (das Frontier-Reasoning-LLM von OpenAI). Über die Gültigkeit der Angaben von DeepSeek wird unter Experten in der Branche und an den Finanzmärkten zwar weiterhin spekuliert. Der Markt ist jedoch davon überzeugt, dass DeepSeeks Durchbruch die bisherigen Annahmen in Frage stellt, die dem KI-Trade zugrunde liegen.

Infolgedessen verzeichneten die KI-Unternehmen am Montag ihren größten Tagesverlust seit der Einführung von ChatGPT.

• Die erste in Frage gestellte Annahme lautet, dass Hyperscaler Milliarden in fortschrittliche KI-Chips investieren müssen. Laut DeepSeek verwendet sein Modell die H800-Chips von Nvidia, die über eine geringere Speicherbandbreite verfügen als der leistungsfähigere H100, um den US-Exportkontrollen für KI-Chips zu entsprechen. Darüber hinaus wird eine Trainingsdauer von 2.788.000 GPU-Stunden bei Kosten von 2 US-Dollar pro GPU-Stunde angegeben. Die Gesamtkosten für den letzten Trainingslauf betragen somit nur 5,576 Mio. US-Dollar. Der letzte Trainingslauf für das neueste Llama-Modell von Meta kostete das Zehnfache. Die Anleger stellten den Umsatz- und Margenausblick von Nvidia sofort in Frage. Andere Chiphersteller haben unterdessen Blogs veröffentlicht, um Entwicklern zu erklären, wie sie das DeepSeek-Modell mit ihren eigenen Chips ausführen können. Nvidia büßte am Montag 590 Mrd. US-Dollar an Marktkapitalisierung ein und gab im Wochenvergleich um -16% nach.
• Die zweite umstrittene Annahme ist, dass künstliche Intelligenz in Zukunft immer mehr Leistung und Energie erfordern wird. Der Durchbruch von DeepSeek beruht teilweise auf seinem Design, das ein „Mixture of Experts“-System (MoE) verwendet (weitere Einzelheiten zu den technischen Aspekten finden Sie in Michael Cembalests Eye on the Market). Insgesamt verfügt das Modell über eine Kapazität von 671 Milliarden Parametern, wobei jedoch nur 37 Milliarden (weniger als 6%) jeweils aktiv sind. Dies verringert den Energiebedarf und die Gesamtkosten. Wenn KI-Modelle ihre Effizienz ohne entsprechenden Ausbau der Recheninfrastruktur und einen höheren Stromverbrauch beibehalten können, wurde der Strombedarf der Rechenzentren möglicherweise überschätzt. Daher kam es bei vielen Unternehmen (z. B. Constellation, Vistra, Eaton und Digital Realty), die aufgrund optimistischer Prognosen zur Stromnachfrage kräftig zugelegt hatten, am Montag zu starken Kursrückgängen.
• Die dritte in Frage gestellte Annahme betrifft den vermeintlichen Vorsprung der USA in der KI-Technologie. DeepSeek hat gezeigt, dass eine starke Optimierung auch auf schwächerer Hardware und mit geringerer Speicherbandbreite bemerkenswerte Ergebnisse erzielen kann. Derweil haben die KI-Labore in den USA massiv in Spitzentechnologie investiert und ein Arsenal der fortschrittlichsten Chips aufgebaut, um sich einen Vorteil zu verschaffen. Die Wettbewerbsvoraussetzungen sind jedoch ausgeglichener als bisher angenommen. Allerdings verwendete DeepSeek ein US-Modell als technische Grundlage (Llama), US-Chips zum Ausführen des Modells (Nvidia) und arbeitete mit einer US-Institution zusammen, um seine Ergebnisse zu veröffentlichen (MIT).

Was bedeutet dies für den KI-Trade und seinen Übernahmezyklus? Wir halten das Modell von DeepSeek für einen technologischen Sprung in der Weiterentwicklung künstlicher Intelligenz. Dies dürfte sich positiv auf den Gesamtmarkt und die Wirtschaft auswirken, auch wenn sich das Ertragspotenzial dadurch mittelfristig leicht verlagert – von Halbleitern, Rechenzentrumsinfrastruktur und Strom hin zu Hyperscalern sowie den Umsatz- und Produktivitätsgewinnern. Der Grund: Effizientere Modelle könnten die KI noch stärker kommerzialisieren und dabei sowohl die Investitionsausgaben als auch den Energiebedarf senken.

Gleichzeitig dürften kostengünstigere Modelle die Akzeptanz und Nachfrage seitens der Privathaushalte und Unternehmen steigern. Eine zentrale Frage bleibt: Wird die höhere Akzeptanz die geringeren Investitionsausgaben infolge der Kosten- und Energieeffizienz ausgleichen?

Phase 1 [Hyperscaler]: Nehmen wir an, die Hyperscaler fahren ihre geplanten Investitionsausgaben aufgrund der Kosten- und Energieeffizienz drastisch zurück. Im schlechtesten Fall könnte die Investitionsintensität (Investitionen im Verhältnis zum Umsatz) der Hyperscaler wieder auf das Niveau der Jahre 2015 bis 2019 sinken. Dadurch könnten die Investitionsausgaben dieser Unternehmen um etwa 24% einbrechen, was bei den Anbietern von Computing-Komponenten und Infrastruktur für Rechenzentren natürlich zu Umsatzeinbußen führen würde. Für die Aktien der Hyperscaler könnte es jedoch von Vorteil sein. Denn geringere Investitionsausgaben setzen einen Cashflow frei, der an die Aktionäre ausgeschüttet werden kann, insbesondere wenn man davon ausgeht, dass die KI-Innovationen weiterhin zügig voranschreiten. Das ist jedoch nicht unser Basisszenario. 

Letzte Woche gaben Microsoft und Meta ihre Gewinne bekannt und bestätigten ihre kontinuierlichen Investitionsabsichten. Der Schwerpunkt soll dabei auf dem Aufbau von Rechenzentren für Inferenz und nicht für das Training liegen. Dies entspricht der Einschätzung, dass die meisten Investitionen in KI für Inferenzaufgaben benötigt werden. Allerdings wird erwartet, dass die traditionelle Abhängigkeit von GPUs abnehmen wird, da sich die Ausgaben auf anwendungsspezifische integrierte Schaltungen (ASICs) verlagern, die das geistige Eigentum der Hyperscaler mit einer Designplattform verbinden.

Phase 2 [Computing und Infrastruktur für Rechenzentren]: Geringere Ausgaben der Hyperscaler könnten geringere Einnahmen für die Zulieferer von Rechenzentren bedeuten. Analysten gehen davon aus, dass die Umsätze der Chiphersteller im Bereich Rechenzentren bis 2028 um 27% steigen werden. Wir schätzen, dass etwa 37,5 Mrd. US-Dollar dieser Umsätze durch veränderte Investitionspläne gefährdet sind. Bei den Chipherstellern könnten die Umsätze mit Rechenzentren bis 2028 dadurch um etwa 7 Prozentpunkte einbrechen. Mit sinkenden Kosten könnten jedoch die Anwendungsfälle zunehmen (Elastizität), was den Strombedarf weiter erhöhen würde. So stellte unsere Investmentbank fest, dass die x86-Virtualisierung (eine Mitte der 2000er Jahre entwickelte Technologie, die es ermöglichte, mehrere Betriebssysteme auf einer einzigen physischen Maschine auszuführen) die Effizienz steigerte, aber auch die Nachfrage nach Halbleiterchips und Speichern ankurbelte. Auch der Übergang zum Cloud Computing verbesserte die Effizienz und erhöhte die Nachfrage nach Halbleitern.

Phase 3 [Strom und Übertragung]: Im Jahr 2023 betrug der Strombedarf in den USA ca. 4.200 TWh, wobei auf Rechenzentren lediglich ca. 200 TWh entfielen. Anfang des Jahres veröffentlichte das US-Energieministerium seine aktualisierten Prognosen zur Stromnachfrage von Rechenzentren. Die obere Grenze der Schätzung ging davon aus, dass die KI-Workloads in den nächsten Jahren für eine durchschnittliche jährliche Wachstumsrate (CAGR) von 26% sorgen würden. Damit würde sich der Strombedarf von Rechenzentren etwa alle 2,5 Jahre verdoppeln. Unser negatives Szenario ist sogar noch zurückhaltender als das des Energieministeriums. Wenn die Effizienzsteigerungen durch DeepSeek zu einem geringen schrittweisen Wachstum führen, gehen wir davon aus, dass der Stromverbrauch von Rechenzentren wieder zur Wachstumsrate von 13% zurückkehren wird, die von 2014 bis 2023 verzeichnet wurde.

Unsere Einschätzung ist etwas optimistischer. Wir sind der Meinung, dass der Strombedarf von Rechenzentren in diesem Zeitraum um durchschnittlich 20% pro Jahr steigen wird. Darüber hinaus ist KI nicht der einzige Faktor, der den Strombedarf antreibt. Aus unserer Sicht werden Elektrofahrzeuge und Hybride, die Industrialisierung und Automatisierung sowie Rechenzentren ohne KI ebenfalls dazu beitragen, dass die gesamte Stromnachfrage in den nächsten Jahren um durchschnittlich 2,5% pro Jahr zunimmt. In den letzten zehn Jahren lag die jährliche Wachstumsrate dagegen lediglich bei 0,7%. Diese große Bandbreite möglicher Ergebnisse dürfte zu mehr Volatilität bei diesem Thema führen, die taktische Händler zu ihrem Vorteil nutzen könnten. Auch wenn die höchsten Schätzungen des Strombedarfs weniger wahrscheinlich sein dürften, halten wir Strom dennoch für einen investierbaren Trend.

Phase 4 [Sektorübergreifende Nutznießer]: Letztendlich könnte sich der Durchbruch bei DeepSeek vor allem für die vielen potenziellen Produktivitäts- und Umsatzgewinner der KI-Technologie auszahlen, die in den meisten Sektoren des Aktienmarkts vertreten sind. Dies spiegelt sich auch in der Kursentwicklung wider: Seit letztem Montag haben die Produktivitätsgewinner die Unternehmen der Phase 1–3 um durchschnittlich 7% übertroffen. Der Softwaresektor war ein deutlicher Outperformer und wir gehen davon aus, dass sich dieser Trend fortsetzt.

Wir haben uns dem KI-Trade zugewandt, sowohl in den Portfolios als auch bei J.P. Morgan. Wir sind der Meinung, dass dieses Thema in den nächsten Jahren zu einer Outperformance führen könnte. Gleichzeitig empfehlen wir, das Thema selektiv durch ein aktives Management im öffentlichen und privaten Bereich anzugehen und Engagements beizubehalten, die zur Portfolioresilienz beitragen.

Bei Fragen zur Umsetzung wenden Sie sich bitte an Ihr Team bei J.P. Morgan.