Ausgabe vom 21. Mai 2026

Für das erste Quartal des Geschäftsjahres 2027 (Ende: 26. April 2026) meldet Nvidia 81,6 Milliarden Dollar Umsatz — ein Plus von 85 Prozent gegenüber dem Vorjahr und deutlich über den erwarteten 78,75 Milliarden. Das Data-Center-Geschäft trug 75,2 Milliarden bei (plus 92 Prozent), allein das Networking-Segment wuchs um 199 Prozent. Der Gewinn je Aktie übertraf die Erwartungen massiv (2,39 statt 1,75 Dollar). Bemerkenswert: Trotz der Rekorde rutschte die Aktie nach Vorlage der Zahlen, weil die Umsatzprognose von rund 91 Milliarden für das Folgequartal die überhöhten Erwartungen nicht noch übertraf.

Die aufschlussreichste Zahl steckt in der Bilanz: Nvidia hält zum Quartalsende 43 Milliarden Dollar an nicht-börsennotierten Beteiligungen — fast eine Verdopplung gegenüber Quartalsbeginn. Allein 18,5 Milliarden flossen im Quartal neu in Startups wie OpenAI, Anthropic und xAI. Das ist das sichtbare Skelett der „zirkulären Finanzierung“: Nvidia investiert in seine eigenen Kunden, die damit Nvidia-Chips kaufen. MIT-Professor Michael Cusumano nennt es „im Wesentlichen ein Nullsummenspiel“. Wir beleuchten dieses Geflecht ausführlich in unserer Reportage dieser Ausgabe.

Jensen Huang weist die Bubble-Kritik zurück: „We see something very different.“ Seine neue Wachstumserzählung heißt Vera CPU — ein Prozessor, den Nvidia explizit für KI-Agenten gebaut hat. Die Idee: Während GPUs das „Denken“ der Modelle übernehmen, laufen die daraus entstehenden Agenten bei ihrer Arbeit überwiegend auf CPUs. Huang beziffert den adressierbaren Markt auf 200 Milliarden Dollar und greift damit erstmals frontal den Server-CPU-Markt von Intel und AMD an. Erste Vera-Einheiten gingen im Mai an Anthropic, OpenAI und das xAI-Umfeld (zur Architektur siehe unsere Ausgabe vom 15. Mai).

Während das Rechenzentrum boomt, verschwindet das Geschäft, das Nvidia einst groß machte: GeForce. Mit rund 3,7 Milliarden Dollar Gaming-Umsatz macht das Consumer-Segment nur noch etwa 4,5 Prozent des Quartalsumsatzes aus — im Geschäftsjahr 2024 waren es noch 17 Prozent. Heise titelte treffend „GeForce verschwindet in der Versenkung“: Gaming-Hardware leidet unter Lieferengpässen, weil die Kapazitäten in margenstärkere KI-Chips fließen.

Das eigentliche Risiko ist die Konzentration: Vier Hyperscaler stehen für über 60 Prozent des Umsatzes. Das ist keine breite Marktnachfrage, sondern ein Klumpenrisiko. Nvidia wettet darauf, dass die Infrastruktur gebaut werden muss, bevor die wirklich großen Anwendungen entstehen. Ob diese Wette aufgeht, ist offen — zumal Studien zeigen, dass die Mehrheit der Unternehmen bislang keinen messbaren Mehrwert aus KI zieht. Der 200-Milliarden-Markt beruht auf Nvidias eigener Prognose; unabhängige Schätzungen für den gesamten Server-CPU-Markt liegen niedriger.

Nach Berichten von CNBC, Bloomberg und TechCrunch erwartet Anthropic für das zweite Quartal 2026 rund 10,9 Milliarden Dollar Umsatz — mehr als im gesamten Jahr 2025. Der operative Gewinn soll bei etwa 559 Millionen Dollar liegen, womit es das erste profitable Quartal der Firmengeschichte wäre. Die annualisierte Run-Rate ist auf 30 Milliarden Dollar geschnellt, von rund neun Milliarden Ende 2025. CEO Dario Amodei beschrieb das Wachstum als „just crazy“: Man habe für eine Verzehnfachung geplant, eingetreten sei das Achtzigfache. Rund 80 Prozent des Umsatzes stammen aus dem Unternehmensgeschäft.

Am selben Tag wurde durch das Börsenprospekt von SpaceX ein bemerkenswerter Deal öffentlich: Anthropic zahlt 1,25 Milliarden Dollar pro Monat an xAI — bis Mai 2029, in der Summe potenziell über 40 Milliarden Dollar. Im Gegenzug erhält Anthropic vollen Zugriff auf Colossus 1, xAIs Rechenzentrum in Memphis mit über 220.000 GPUs und mehr als 300 Megawatt Leistung. Den Deal hatten beide Seiten bereits am 6. Mai angekündigt; das SpaceX-Filing lieferte nun die Zahlen.

Dass zwei direkte Konkurrenten — Claude gegen Grok — so kooperieren, ist nur auf den ersten Blick paradox. Dahinter steckt nüchterne Infrastruktur-Logik: Anthropics Nachfrage nach Rechenleistung wuchs schneller, als die eigenen Partnerschaften (Google-TPUs, Amazon Trainium) liefern konnten. Gleichzeitig lief Colossus 1 Berichten zufolge bei nur rund elf Prozent Auslastung, weil xAI seine eigenen Trainings längst auf das neuere Colossus 2 verlagert hatte. Es ist ein klassischer B2B-Trade: Wettbewerb auf der Modellebene schließt Kooperation auf der Infrastrukturebene nicht aus.

Wie passt Profitabilität mit 1,25 Milliarden Dollar Compute-Kosten pro Monat zusammen? Der Trick liegt im Detail: Der genannte operative Gewinn rechnet zwar Trainingskosten ein, klammert aber Aktienvergütungen aus — nach den strengen GAAP-Regeln dürfte das Bild deutlich schlechter aussehen. Entscheidend ist zudem der Unterschied zwischen heutiger Bruttomarge (rund 40 Prozent) und dem Gesamtergebnis. Anthropic hat seine Bruttomargen-Prognose für 2028 jüngst gesenkt — das 77-Prozent-Ziel gilt als eine der aggressivsten Annahmen, die je in einer privaten Tech-Bewertung steckten.

Für xAI ist der Deal zweischneidig: Er sichert vorzeigbare Milliardeneinnahmen vor dem SpaceX-Börsengang — signalisiert aber zugleich, dass die eigene GPU-Flotte mangels Grok-Nachfrage nicht ausgelastet ist. Für Anthropic ist das Quartal ein historischer Meilenstein, aber kein Beweis dauerhafter Profitabilität. Die Quartalszahlen beruhen auf anonymen Quellen und sind keine offiziell testierten Abschlusszahlen.

Nach der Fusion von SpaceX und xAI Anfang 2026 legt das gemeinsame Börsenprospekt (S-1) nun die Zahlen offen. Sie sind drastisch: xAI verbuchte 2025 einen Verlust von rund 6,4 Milliarden Dollar bei etwa 3,2 Milliarden Umsatz, dazu kam ein buchhalterischer Sonderverlust von 4,94 Milliarden aus der Fusion. Die Investitionen in KI-Infrastruktur lagen 2025 bei 12,7 Milliarden Dollar — und im ersten Quartal 2026 hat xAI bereits 7,7 Milliarden ausgegeben. PitchBook nennt die Finanzen schlicht „reckless“. Angestrebt wird trotzdem eine Bewertung von rund 1,75 Billionen Dollar.

Ein ungewöhnlicher Eintrag im Risikoteil sorgte für Aufsehen: SpaceX listet Groks „Spicy Mode“ — einen Modus für explizite Inhalte — ausdrücklich als Reputations- und Rechtsrisiko. Hintergrund sind massenhaft generierte, nicht-einvernehmliche sexualisierte Bilder, teils von Minderjährigen, die Anfang 2026 zu Klagen und Behördenuntersuchungen führten. Das Prospekt beziffert allein die potenziellen Rechtskosten aus Grok-Klagen auf 530 Millionen Dollar. Dass ein NSFW-Feature im Prospekt eines Billionen-Konzerns als eigenständiger Risikofaktor erscheint, ist außergewöhnlich.

Das zweite große Thema ist Energie. SpaceX hat sich verpflichtet, für 2,8 Milliarden Dollar Gasturbinen zu kaufen, um seine KI-Rechenzentren mit Strom zu versorgen. Der Grund: Neue Netzanschlüsse in der Größenordnung von einem Gigawatt dauern in den USA fünf bis zehn Jahre. Portable Gasturbinen sind sofort verfügbar — aber regulatorisch heikel. Am Standort in Southaven, Mississippi, betreibt xAI Turbinen Berichten zufolge ohne die nach dem Clean Air Act nötigen Genehmigungen.

Genau dagegen klagt nun die Bürgerrechtsorganisation NAACP, vertreten durch das Southern Environmental Law Center und Earthjustice. Der Vorwurf: bis zu 33 ungenehmigte Gasturbinen, die jährlich erhebliche Mengen Stickoxide, Feinstaub und Formaldehyd ausstoßen — in einer ohnehin stark belasteten Region. Die US-Umweltbehörde EPA stellte Anfang 2026 einen Rechtsverstoß fest. Paradoxerweise baut SpaceX dieselbe Technologie nun für weitere Milliarden aus.

Der Fall zeigt die Logik des Infrastruktur-Wettlaufs in Reinform: Wer jetzt die größte GPU-Flotte betreibt, kann Rechenzeit vermieten (erster externer Kunde: Anthropic) und Modelle zuerst ausliefern. Das Risiko liegt darin, dass dieser Vorsprung sich in Marktanteilen niederschlagen muss, bevor die Kapitalreserven erschöpft sind — bei einem Unternehmen, das pro Quartal Milliarden verbrennt, eine offene Wette. Die genaue Abgrenzung zwischen Betriebsverlust und Fusions-Sonderverlust sollte im finalen Prospekt geprüft werden.

Am 19. Mai veröffentlichte die EU-Kommission den Entwurf ihrer Leitlinien zur Klassifizierung von Hochrisiko-KI-Systemen nach Artikel 6 des AI Act — ein 148-seitiges Dokument, zu dem bis zum 23. Juni eine öffentliche Konsultation läuft. Eigentlich hätte die Kommission diese Leitlinien bis zum 2. Februar liefern müssen; sie verpasste die gesetzliche Frist um über 100 Tage. Die Leitlinien sind rechtlich nicht bindend — die letztgültige Auslegung bleibt dem Europäischen Gerichtshof vorbehalten —, aber sie sind das praktische Fundament, auf dem Unternehmen ihre Compliance aufbauen.

Inhaltlich bestätigen sie zwei Wege zur Hochrisiko-Einstufung: erstens KI als Sicherheitskomponente regulierter Produkte (etwa Medizinprodukte oder Maschinen), zweitens eigenständige Systeme in acht definierten Feldern — Biometrie, kritische Infrastruktur, Bildung, Beschäftigung, grundlegende Dienstleistungen wie Kredit und Versicherung, Strafverfolgung, Migration sowie Justiz und Demokratie. Zentrale Neuerung ist ein Filtermechanismus: Systeme können trotz Zugehörigkeit zu einem dieser Felder als nicht hochriskant gelten, wenn sie keine wesentliche Entscheidungswirkung haben. Die Kommission legt diesen Filter aber eng aus — für Profiling gilt er nicht, und menschliche Aufsicht allein genügt nicht als Ausschlussgrund.

Parallel hat der „Digital Omnibus“ die Zeitpläne entschärft. Nach der politischen Einigung vom 7. Mai (über die wir in unserer Ausgabe vom 18. Mai berichteten) verschieben sich die Pflichten für eigenständige Hochrisiko-Systeme auf 2. Dezember 2027, für in Produkte eingebettete KI auf August 2028. Transparenzpflichten — etwa die Kennzeichnung von Deepfakes — werden hingegen auf Dezember 2026 vorgezogen. Kleine und mittlere Unternehmen erhalten vereinfachte Dokumentationsanforderungen.

Hinter der Verzögerung steht massive Lobbyarbeit: Über 110 europäische Unternehmen hatten eine zweijährige Pause bei der Durchsetzung gefordert, auch weil die nötigen technischen Normen noch fehlen. Der Omnibus reagiert zudem auf das Narrativ, Europa bremse seine eigene KI-Industrie aus — politisch wirkmächtig im Wettlauf mit den USA und China.

Für die Praxis ist die Botschaft klar: Wer ein KI-System in einem der acht Hochrisiko-Felder betreibt, trägt die Beweislast, warum es gegebenenfalls nicht hochriskant ist — inklusive Dokumentation. Das trifft auch SaaS-Anbieter, deren Modelle Kreditbewertung, Personalauswahl oder Bildungsbewertung unterstützen. Juristen raten, die Konsultationsfrist bis zum 23. Juni aktiv zu nutzen. Der finale Omnibus-Text muss noch formal von Rat und Parlament verabschiedet werden; die Fristen gelten politisch als gesichert, sind aber technisch noch nicht rechtskräftig.

Alibabas Halbleitertochter T-Head stellte am 19./20. Mai in Hangzhou den Zhenwu M890 vor — einen KI-Beschleuniger, der dreimal schneller als sein Vorgänger sein soll. Die Eckdaten: 144 Gigabyte HBM3-Speicher, 800 GB/s Interchip-Bandbreite, Unterstützung für FP4 bis FP32. Das zugehörige Serversystem Panjiu AL128 bündelt 128 dieser Chips in einem einzigen Rack. Nach Konzernangaben wurden bereits 560.000 Zhenwu-Einheiten an über 400 Kunden ausgeliefert — es ist also kein Konzeptpapier, sondern ein laufender Rollout.

Der strategische Kern liegt in der Architektur. Klassische Trainingschips wie Nvidias H100 sind auf rohe Rechendichte optimiert. Agentische KI-Systeme aber erzeugen andere Lasten: lange Kontextfenster (Speicher ist kritisch), viel Kommunikation zwischen Modell-Instanzen (Bandbreite ist kritisch) und Latenzspitzen durch Tool-Aufrufe. Der M890 priorisiert genau diese Eigenschaften statt maximaler FLOPS. Alibaba wettet damit darauf, dass die Branche schneller zu „vielen kleinen, koordinierten Modellen“ als zu „einem riesigen Modell“ konvergiert — ein anderer Wettbewerb als der, den Nvidia führt.

Das zweite Element ist Qwen3.7-Max, ein Reasoning-Modell mit einem Kontextfenster von einer Million Token. In der LM-Arena-Rangliste rangiert es global auf Platz 13; im Artificial-Analysis-Intelligenzindex erreicht es 57 Punkte — gleichauf mit Claude Opus 4.7 und Gemini 3.1 Pro. Besonders stark schneidet es in Mathematik und Coding ab, bei deutlich niedrigeren Preisen als die GPT-5-Reihe. Damit demonstriert Alibaba — ähnlich wie Google mit TPU und Gemini — die Fähigkeit, Hardware und Modell als integrierten Stack zu liefern.

Der Kontext ist die US-Exportkontrolle: Seit 2022 ist Chinas KI-Industrie vom Zugang zu Nvidias Spitzenchips weitgehend abgeschnitten. Im chinesischen Binnenmarkt, wo der H200 schlicht nicht erhältlich ist, muss der M890 kein Nvidia-Killer sein — er muss nur ein glaubwürdiger Ersatz sein. Genau das scheint Alibaba zu liefern.

Für westliche Beobachter ist die wichtigste Erkenntnis, dass China beginnt, den Wettbewerb auf einem eigenen Feld zu führen: der agentischen Infrastruktur für einen abgeschotteten Heimatmarkt. Die offene Achillesferse bleibt die Fertigung — solange TSMC für chinesische Kunden gesperrt ist, hängt alles an der Kapazität und Qualität des heimischen Auftragsfertigers. Fertigungspartner und Prozessknoten des M890 hat Alibaba nicht bestätigt; Branchenberichte vermuten SMIC. Auch der Open-Weight-Status von Qwen3.7-Max ist noch offen.

Es geht um das planare Einheitsdistanz-Problem, das der legendäre Mathematiker Paul Erdős 1946 formulierte: Wie viele Punktepaare können bei optimaler Anordnung von n Punkten in der Ebene exakt eine Längeneinheit voneinander entfernt liegen? Fast 80 Jahre galten Gitterstrukturen als beste bekannte Lösung. Ein internes OpenAI-Reasoning-Modell fand nun eine unendliche Familie von Anordnungen, die diese Zahl messbar verbessert — und widerlegt damit die bisherige Vermutung.

Bemerkenswert ist der Lösungsweg: Statt der üblichen geometrischen Techniken verband das Modell das Problem mit der algebraischen Zahlentheorie — ein unerwarteter Brückenschlag, der Fachleute überraschte. OpenAI veröffentlichte den Beweis samt Kommentaren externer Größen wie Tim Gowers (Fields-Medaille), Noga Alon und Thomas Bloom. Gowers bezeichnete das Ergebnis als „milestone in AI mathematics“.

Der Zusatz „for real this time“ hat eine Vorgeschichte. Im Oktober 2025 hatte ein OpenAI-Manager behauptet, GPT-5 habe zehn offene Erdős-Probleme gelöst — tatsächlich hatte das Modell nur bereits existierende Lösungen aus der Literatur wiedergefunden, die dem Betreiber einer Problem-Website nicht bekannt waren. DeepMind-Chef Demis Hassabis nannte den Vorfall damals „embarrassing“, der Manager löschte seinen Post. Der diesmalige Unterschied: Externe Mathematiker wurden vor der Veröffentlichung einbezogen.

Dennoch bleiben Fragen. Das verwendete Modell ist intern und nicht öffentlich — eine unabhängige Reproduktion durch die Community ist also zunächst nicht möglich. Und das begleitende Paper ist laut OpenAI selbst eine „human-digested, somewhat simplified“ Version des KI-Beweises, kein vollständig formal verifizierter Beweis im Lean- oder Coq-Stil. Eine Peer-Review-Publikation steht noch aus.

Terence Tao, der wohl bekannteste lebende Mathematiker, ordnete den breiteren Trend zuletzt nüchtern ein: KI-Werkzeuge eigneten sich vor allem für den „langen Schwanz“ der einfacheren offenen Probleme. Die eigentliche Frage für die Wissenschaft ist deshalb nicht, ob dieser eine Beweis gelang, sondern ob Modelle solche Leistungen reproduzierbar für neue, unbekannte Probleme erbringen — oder ob es ein Ausreißer bleibt. So oder so: Dass ein KI-System eine zentrale offene Vermutung widerlegt, ist ein Wendepunkt. Der exakte Modellname ist nicht öffentlich; eine formale Journal-Publikation lag zum Meldezeitpunkt nicht vor.