NVIDIA: Die unwahrscheinlichste Erfolgsgeschichte der Tech-Welt

Vor gut einem Jahrzehnt stand NVIDIA kurz vor dem Bankrott – heute ist das Unternehmen zeitweise mehr wert als die gesamte deutsche Wirtschaft erwirtschaftet in einem Jahr. Ben Gilbert und David Rosenthal vom renommierten Acquired Podcast haben in ihrer viel beachteteten Oktober-Episode analysiert, wie aus einem Grafikchip-Hersteller der mächtigste Infrastruktur-Konzern des KI-Zeitalters wurde – und warum diese Geschichte so unwahrscheinlich ist wie kaum eine andere in der Technologiebranche.

Von der Spielekonsole zum KI-Rückgrat der Welt

NVIDIA wurde 1993 gegründet, als Jensen Huang, Chris Malachowsky und Curtis Priem erkannten, dass dreidimensionale Grafik die Zukunft des Computings sein würde. Der Plan war simpel: Chips bauen, die Pixel schnell berechnen können. Was folgte, war alles andere als simpel. Das Unternehmen wäre Ende der 1990er-Jahre fast gescheitert, als ein fehlerhaftes Produkt – der NV1 – am Markt floppte und die Firma an den Rand der Insolvenz brachte. Jensen Huang soll damals persönlich entschieden haben, alle Ressourcen auf eine einzige Wette zu setzen: den RIVA 128, einen Chip, der in neun Monaten entwickelt werden musste. Er gelang. NVIDIA überlebte.

Diese Überlebensstrategie – alles auf eine technische Wette setzen, schnell liefern, neu erfinden – prägt das Unternehmen bis heute. Doch die eigentliche Transformation begann nicht mit Spielen, sondern mit einer internen Erkenntnis, die zunächst kaum jemand verstand: Grafikprozessoren, englisch Graphics Processing Units (GPUs), sind keine reinen Spielzeuge. Sie sind Parallelrechenmaschinen, die Tausende von Rechenoperationen gleichzeitig durchführen können – und damit für weit mehr geeignet als das Rendern von virtuellen Landschaften.

CUDA: Die stille Revolution unter der Haube

Im Jahr 2006 veröffentlichte NVIDIA eine Softwareplattform namens CUDA – kurz für Compute Unified Device Architecture. Im Kern ist CUDA eine Programmierumgebung, die es Entwicklerinnen und Entwicklern ermöglicht, die massiv parallele Rechenkraft einer GPU für allgemeine wissenschaftliche und technische Berechnungen zu nutzen – also für Aufgaben, die nichts mit Grafik zu tun haben. Physik-Simulationen, molekulare Modellierung, Finanzberechnungen.

Der Markt reagierte zunächst verhalten. Doch NVIDIA investierte konsequent in das Ökosystem: Bibliotheken, Entwickler-Tools, akademische Partnerschaften. Dieser Aufbau dauerte Jahre und kostete erhebliche Ressourcen, ohne kurzfristig Gewinne zu versprechen. Laut Angaben im Acquired Podcast soll NVIDIA über viele Jahre hinweg Milliarden in CUDA investiert haben, bevor sich diese Investition in messbarem Umsatz niederschlug. Für einen börsennotierten Konzern ist das eine ungewöhnlich hohe Risikobereitschaft.

Was dann kam, veränderte die gesamte Technologiebranche: Das maschinelle Lernen – und insbesondere das sogenannte Deep Learning, also das Training von neuronalen Netzen mit riesigen Datenmengen – erwies sich als perfekte Anwendung für GPUs. Neuronale Netze lernen, indem sie Millionen von Parametern gleichzeitig anpassen. Genau das ist ein Problem, das massiv parallele Chips wie die von NVIDIA meisterhaft lösen. Als Forscher an der Universität Toronto im Jahr 2012 mit einem GPU-trainierten Modell namens AlexNet einen Bilderkennungswettbewerb mit dramatischem Abstand gewannen, war der Startschuss gefallen – und NVIDIA stand mit der einzigen ernsthaften Infrastruktur bereit.

Der Aufstieg zur KI-Infrastruktur: Zahlen und Einordnung

Marktforscher von Gartner beschreiben die GPU als die zentrale Recheneinheit des KI-Zeitalters – vergleichbar damit, was der Mikroprozessor für das PC-Zeitalter war. IDC schätzt, dass der weltweite Markt für KI-Beschleuniger-Chips bis Mitte dieses Jahrzehnts auf über 150 Milliarden US-Dollar anwachsen wird. NVIDIA kontrolliert nach Branchenschätzungen derzeit zwischen 70 und 80 Prozent dieses Marktes – eine Dominanz, die in der Technologiegeschichte ihresgleichen sucht.

Statista-Daten zeigen, dass der Anteil von Rechenzentrumsausgaben, die auf KI-Infrastruktur entfallen, in den vergangenen drei Jahren massiv gestiegen ist. Unternehmen wie Microsoft, Google, Amazon und Meta geben inzwischen Hunderte von Milliarden Dollar für den Aufbau von Rechenzentren aus – und der größte Einzelposten dabei sind NVIDIA-Chips, insbesondere die H100- und die neue Blackwell-Architektur. Mehr zur aktuellen Liefersituation dieser neuesten Chipgeneration lesen Sie in unserem Bericht über Nvidia Blackwell: Warum der neue KI-Chip knapp bleibt.

Die Konsequenz dieser Abhängigkeit ist gewaltig: Wer heute ein großes Sprachmodell trainieren will – vergleichbar mit GPT-4 oder Googles Gemini – braucht Tausende von NVIDIA-GPUs, die monatelang laufen. Ein einzelner Trainingsvorgang kann Dutzende Millionen Dollar kosten. Ohne NVIDIA-Hardware ist das für die meisten Akteure derzeit kaum umsetzbar. Das schafft eine Machtposition, die weit über gewöhnlichen Marktanteil hinausgeht: Es ist strukturelle Abhängigkeit.

Warum CUDA ein strategischer Burggraben ist

Ökonomen und Technologiestrategen sprechen von einem sogenannten Moat – einem Burggraben, der ein Unternehmen vor Konkurrenz schützt. NVIDIAs Burggraben ist nicht primär der Chip selbst, sondern das Ökosystem rund um CUDA. Über fast zwei Jahrzehnte wurden Entwicklerinnen und Entwickler weltweit in CUDA ausgebildet. Universitäten unterrichten CUDA. Bibliotheken wie cuDNN – eine Sammlung optimierter Routinen für neuronale Netze – sind tief in die Forschungsinfrastruktur eingebettet. Wer heute ein KI-Modell trainiert, nutzt mit hoher Wahrscheinlichkeit CUDA-basierte Werkzeuge, oft ohne es explizit zu wissen.

Dieser Lock-in-Effekt ist für Konkurrenten das eigentliche Problem. AMD hat mit ROCm eine alternative Plattform entwickelt, Intel versucht mit seiner Gaudi-Architektur Fuß zu fassen – doch beide kämpfen nicht nur gegen NVIDIAs Chipdesign, sondern gegen jahrelange Netzwerkeffekte. Einen detaillierten Blick auf diesen Wettbewerb bietet unser Artikel über Nvidia-Konkurrenz: AMD, Intel und die nächste KI-Chip-Generation.

Bitkom, der deutsche Digitalverband, hat in aktuellen Studien darauf hingewiesen, dass auch europäische Unternehmen und Forschungseinrichtungen in hohem Maße von US-amerikanischer KI-Infrastruktur abhängig sind – mit entsprechenden Fragen zur digitalen Souveränität. Diese Debatte gewinnt politisch zunehmend an Gewicht, insbesondere im Kontext von Exportbeschränkungen, die die US-Regierung für bestimmte NVIDIA-Chips verhängt hat.

Jensen Huang: Der CEO als strategische Konstante

Ein zentrales Argument im Acquired Podcast lautet: NVIDIA ist in hohem Maße ein Produkt seines Gründers. Jensen Huang, der das Unternehmen seit seiner Gründung leitet – eine Seltenheit in der Technologiebranche –, gilt als einer der strategisch weitsichtigsten Führungskräfte der Industrie. Er traf Entscheidungen, die kurzfristig irrational wirkten: massiv in CUDA investieren, als niemand fragte; das Automotive-Geschäft aufbauen, bevor autonomes Fahren Mainstream war; die eigene Chip-Architektur regelmäßig neu erfinden, statt auf bewährten Designs zu ruhen.

In einem viel beachteten Gespräch mit dem Podcaster Lex Fridman sprach Huang offen über seine Sicht auf den KI-Markt und die Verantwortung von Infrastruktur-Unternehmen. Mehr dazu finden Sie in unserem Bericht Der Nvidia-CEO über den KI-Goldrausch. Huang vertritt die These, dass KI nicht ein Produkt ist, das man kauft, sondern eine Infrastruktur, die man baut – ähnlich wie Strom oder das Internet. Diese Philosophie erklärt, warum NVIDIA sich nicht als Chip-Verkäufer versteht, sondern als Plattform-Unternehmen.

Vergleich: Wer bietet was im KI-Chip-Markt?

Risiken und strukturelle Fragen

So beeindruckend NVIDIAs Aufstieg ist, so real sind die Risiken. Erstens: Bewertung. Eine Marktkapitalisierung im Billionen-Dollar-Bereich setzt voraus, dass das Wachstum noch jahrelang anhält. Sollten Hyperscaler – also Unternehmen wie Google, Microsoft und Amazon – ihre eigenen Chips in größerem Umfang einsetzen, könnte die Nachfrage nach NVIDIA-Hardware sinken. Zweitens: Geopolitik. US-Exportbeschränkungen für Hochleistungschips nach China haben NVIDIA bereits Milliarden an entgangenem Umsatz gekostet. Diese Einschränkungen könnten sich verschärfen. Drittens: Der nächste technologische Paradigmenwechsel. NVIDIA war erfolgreich, weil das Deep-Learning-Paradigma perfekt zu GPUs passt. Sollte eine neue Rechenarchitektur – etwa neuromorphes Computing oder Quantencomputing – das Deep Learning ablösen, könnte NVIDIAs Vorsprung kleiner werden.

Diese strategischen Fragen berühren auch breitere Infrastrukturdebatten. Wie Telekommunikationsunternehmen mit technologischen Umbrüchen umgehen, zeigen aktuelle Beispiele: der Bericht über A1 Telekom Austria beendet 2G-Mobilfunkstandard illustriert, wie selbst grundlegende Infrastrukturentscheidungen politische und wirtschaftliche Dimensionen haben. Ähnlich verhält es sich mit Konsolidierungen im Telekommunikationsmarkt, wie der Zusammenschluss, über den unser Artikel Vodafone übernimmt Three für 5 Milliarden Euro berichtet – auch dort geht es um strategische Infrastrukturkontrolle in einer sich schnell verändernden Landschaft.

Was die NVIDIA-Geschichte über das Technologie-Zeitalter sagt

Gilbert und Rosenthal kommen in ihrer Analyse zu einem bemerkenswerten Schluss: NVIDIA ist kein Zufall, aber auch kein unausweichliches Schicksal. Es ist das Ergebnis von Entscheidungen, die in Momenten extremer Unsicherheit getroffen wurden – und die sich, im Rückblick, als richtig erwiesen. Die Lektion ist nicht, dass man immer auf die richtige Technologie wetten kann. Die Lektion ist, dass Unternehmen, die konsequent in Plattformen und Ökosysteme investieren – auch wenn der Markt dafür noch nicht existiert –, strukturelle Vorteile aufbauen, die sich später als nahezu unüberwindlich erweisen können.

Für die Technologiebranche insgesamt wirft NVIDIAs Aufstieg wichtige Fragen auf: Ist eine derart hohe Marktkonzentration in einer so kritischen Infrastruktur gesund? Kartellrechtliche Diskussionen haben begonnen. In der EU und den USA prüfen Regulierungsbehörden, ob NVIDIAs Stellung im KI-Chip-Markt wettbewerbsrechtliche Eingriffe erfordert. Laut Gartner wird die Frage der KI-Infrastruktur-Governance zu einem der zentralen regulatorischen Themen der zweiten Hälfte dieses Jahrzehnts werden.

Was bleibt, ist eine Geschichte, die zeigt, wie technologische Voraussicht, strategische Disziplin und ein gutes Maß an Glück zusammenkommen müssen, um einen Konzern dieser Größenordnung zu schaffen. NVIDIA hat nicht die KI erfunden. Es hat die Schaufel gebaut, mit der alle anderen nach Gold schürfen – und dafür gesorgt, dass diese Schaufel nur bei NVIDIA erhältlich ist.