Morgan Stanley Analyse: Warum Amazon und Google trotz KI-Preiskampf optimistisch bleiben?

TL;DR · Morgan Stanley schätzt, dass bei 1 GW GB300 Rechenleistung für Modell-APIs die ROIC auf der Modellebene etwa 20%-60% beträgt. · Wenn GPUs direkt von Cloud-Plattformen vermietet werden, beträgt die IaaS ROIC bei einer Auslastung von 75% etwa 23%-39%. · Der Bericht bleibt optimistisch gegenüber Amazon und Google; Meta bleibt die Top-Wahl, aber die KI-Renditen stammen mehr aus Werbung, eigenen Anwendungen und einem offenen Modell-Ökosystem.

Das Team von Brian Nowak bei Morgan Stanley gibt in seinem neuesten Bericht eine kontraintuitive Einschätzung ab: Offene Gewichtungsmodelle drücken die Preise für KI-Token, aber Plattformen, die über Rechenleistung, Scheduling-Fähigkeiten und Unternehmenszugänge verfügen, könnten dennoch beträchtliche Renditen aus den KI-Kapitalausgaben erzielen.

Der Bericht hat zwei Berechnungen angestellt.

Auf der Ebene der Modell-APIs geht Morgan Stanley von einem 1 GW GB300-Rechenzentrum aus, wobei angenommen wird, dass der Preis pro Million Tokens zwischen 1 und 2,5 USD liegt, die Durchsatzrate pro GPU zwischen 2000 und 3500 Tokens pro Sekunde liegt und 50% bis 80% der Rechenleistung für Inferenz verwendet werden. Unter verschiedenen Szenarien liegt die ROIC auf der Modellebene bei etwa 20% bis 60%.

Auf der Ebene der Cloud-Plattformen geht der Bericht davon aus, dass ein 1 GW-Rechenzentrum etwa 410.000 GB300-GPUs umfasst, die GPU-Auslastung 75% beträgt und die Mietpreise zwischen 7 und 10 USD pro Stunde liegen. Daraus ergibt sich eine IaaS ROIC von etwa 23% bis 39% für die Vermietung von GPU-Rechenleistung.

Diese beiden Zahlen erklären gemeinsam die Kernannahme von Morgan Stanley: Der Rückgang der Preise für KI-Modelle trifft zunächst die wirtschaftliche Einheit der Modellanbieter; jedoch benötigen Unternehmen, die KI einsetzen, weiterhin GPUs, Speicher, Datenbanken, Sicherheitslösungen und Werkzeuge zur Bereitstellung von Modellen. Modelle können günstiger werden, aber die Infrastruktur, die die Modelle trägt, verliert dadurch nicht an Wert.

Offene Gewichtungen drücken die Preise und fördern die Implementierung von mehr KI-Workloads

Die direkte Auswirkung offener Gewichtungsmodelle ist die Senkung der Hürden für Unternehmen, KI zu nutzen und bereitzustellen.

Im Gegensatz zu geschlossenen Modellen erlauben offene Gewichtungsmodelle den Nutzern, die Modellgewichte herunterzuladen, private Daten für Feinabstimmungen oder Neutrainings zu verwenden und die Bereitstellung lokal, in der Cloud oder über APIs zu wählen. Unternehmen müssen sich nicht vollständig auf einen einzigen Modellanbieter verlassen und können flexibler Daten, Kosten und Bereitstellungsarten steuern.

Unterschiede zwischen offenen und geschlossenen Gewichtungsmodellen, einschließlich der Möglichkeit, Gewichte herunterzuladen, ob private Daten für Feinabstimmungen unterstützt werden und ob sie auf eigener Hardware betrieben werden können.

Der Preis ist, dass es für Modell-APIs zunehmend schwierig wird, hohe Preise aufrechtzuerhalten. Mit der Zunahme kostengünstiger Modelle, die an der Grenze der Fähigkeiten liegen, müssen Modellstudios um Kunden konkurrieren, indem sie niedrigere Preise, schnellere Reaktionszeiten und umfassendere Toolchains anbieten. Der Bericht erwähnt, dass die neueste Einführung von Meta, Muse Spark 1.2, und andere kostengünstige, fast an der Grenze liegende Modelle den Preiskampf auf der Modellebene weiter verschärfen.

Das ist auch der Grund, warum der Markt besorgt über die Renditen der KI-Kapitalausgaben ist. Technologieunternehmen investieren Hunderte von Milliarden in den Kauf von GPUs, den Bau von Rechenzentren und die Sicherung von Strom. Wenn die Preise für Inferenz weiter fallen, werden die endgültigen Renditen zunehmend von drei Variablen abhängen: GPU-Auslastung, Token-Durchsatz pro Karte und ob KI-Workloads andere Cloud-Service-Einnahmen ankurbeln können.

Morgan Stanley ist der Ansicht, dass der Preisrückgang die Gewinne auf der Modellebene drücken wird, aber das bedeutet nicht unbedingt, dass die Renditen der gesamten KI-Infrastruktur gleichzeitig verschlechtern. Günstigere und flexiblere Modelle könnten auch mehr Unternehmen dazu bewegen, KI zu übernehmen, was die Nachfrage nach zugrunde liegender Rechenleistung und Cloud-Diensten erhöhen könnte.

20%-60%: Renditeberechnung auf der Modellebene

Die Berechnung auf der Modellebene konzentriert sich auf drei zentrale Variablen: Token-Preis, GPU-Durchsatz und den Anteil der Rechenleistung, der für Inferenz verwendet wird.

Morgan Stanley setzt den Preis pro Million Tokens auf etwa 1,75 USD als Basispreis und führt Szenarioanalysen im Bereich von 1 bis 2,5 USD durch. Der Bericht bezieht sich auf öffentliche Inferenzbenchmarks offener Gewichtungsmodelle wie DeepSeek-V4-Pro 1.6T auf GB300-Hardware und nimmt an, dass der Durchsatz pro GPU zwischen 2000 und 3500 Tokens pro Sekunde liegt.

Im Basisszenario geht der Bericht davon aus, dass 65% der Rechenleistung für Inferenz verwendet werden, jede GPU pro Sekunde 2750 Tokens verarbeitet und der Preis pro Million Tokens 1,75 USD beträgt, was etwa 40 Milliarden USD Einnahmen/GW entspricht. Der vollständige Szenarienbereich entspricht Einnahmen von etwa 23 bis 52 Milliarden USD/GW.

Daraus schätzt der Bericht, dass die ROIC auf der Modellebene für 1 GW GB300-Rechenleistung etwa 20% bis 60% beträgt.

Einnahmen- und Kostenrahmen für Modell-APIs. Unterschiedliche Tokenpreise, Durchsatz und Anteile der Rechenleistung für Inferenz entsprechen Einnahmen von etwa 23 bis 52 Milliarden USD pro GW.

Hier ist zu beachten, dass 20% bis 60% nicht automatisch bei einem festen Preis von 1,75 USD erzielte Renditen sind, sondern aus verschiedenen Kombinationen von Preisen, Durchsatz und Rechenleistungsverteilung resultieren.

Ob diese Berechnungen eintreffen, hängt entscheidend davon ab, ob Effizienzsteigerungen die Preisrückgänge übertreffen können. Wenn die Tokenpreise weiterhin schnell fallen und die GPU-Auslastung und der Durchsatz nicht gleichzeitig steigen, wird die Rendite auf der Modellebene deutlich sinken.

23%-39%: Eine andere Berechnung für die Vermietung von GPUs durch Cloud-Plattformen

Für Cloud-Plattformen wie Amazon und Google ist eine direktere Einnahmequelle die Vermietung von Rechenleistung, nicht das Tragen des Preisrisikos von Modell-APIs.

Morgan Stanley geht davon aus, dass ein 1 GW GB300-Rechenzentrum etwa 410.000 GB300-GPUs konfigurieren kann. Bei einer Auslastung von 75% und einem Mietpreis von 7 bis 10 USD pro GPU pro Stunde ergibt sich ein jährliches Einkommen von etwa 18,9 bis 27 Milliarden USD/GW.

Nach Abzug von Kosten wie IT-Ausrüstungsabschreibungen, Abschreibungen auf nicht-IT-Vermögenswerte, Strom, Arbeitskräfte und Wartung schätzt der Bericht, dass der Nachsteuerbetriebsergebnis pro GW der Cloud-Plattformen etwa 8,9 bis 15,3 Milliarden USD beträgt, was einer ROIC von etwa 23% bis 39% entspricht.

Vermietungsmodell für GB300-GPUs von Cloud-Plattformen. Mietpreise von 7 bis 10 USD pro Stunde entsprechen einer ROIC von etwa 23% bis 39%.

Diese Berechnungen unterstützen direkt die optimistische Einschätzung von Morgan Stanley zu den KI-Kapitalausgaben der Cloud-Plattformen.

Selbst wenn die Preise für Modell-APIs fallen, müssen Unternehmen weiterhin GPUs mieten, um offene Gewichtungsmodelle auszuführen. Für Cloud-Plattformen ist entscheidend, nicht wie teuer ein einzelner Token verkauft werden kann, sondern ob die knappe Rechenleistung eine hohe Auslastung und Mietpreise aufrechterhalten kann.

Morgan Stanley betont auch, dass kostengünstige Modelle möglicherweise zu einer höheren Nutzung führen. Selbst wenn die Einheitspreise und Gewinnmargen sinken, solange das Gesamtvolumen der KI-Workloads zunimmt, könnte das absolute EBIT der Cloud-Plattformen steigen.

Cloud-Plattformen verkaufen nicht nur GPUs und Tokens

Morgan Stanley ist der Ansicht, dass Cloud-Plattformen den Preiskampf bewältigen können, aus vier Hauptgründen.

Erstens bleibt Rechenleistung knapp. Selbst wenn Unternehmen sich für offene Gewichtungsmodelle entscheiden, benötigen sie GPUs, Inferenzcluster, Speicher, Netzwerke und Sicherheitsumgebungen. Große Unternehmen können ihre eigene Infrastruktur aufbauen, aber viele Kunden werden weiterhin über AWS, Google Cloud oder Azure Rechenleistung und Modellhosting mieten.

Zweitens können Cloud-Plattformen durch Skaleneffekte die Systemeffizienz erhöhen. Größere Speicherkapazitäten, schnellere Verbindungen, MoE-Architekturen und Batch-Verarbeitung von Anfragen können den Durchsatz pro GPU erhöhen. Große Cloud-Plattformen haben einen größeren Kundenstrom und können Anfragen leichter zusammenfassen und planen, was die GPU-Auslastung erhöht.

Drittens können selbstentwickelte Chips die Betriebskosten senken. Amazon hat Trainium, Google hat TPU. Selbstentwickelte Chips und Softwareoptimierungen geben Cloud-Plattformen mehr Spielraum im Preiswettbewerb und verringern die Abhängigkeit von einem einzelnen GPU-Anbieter.

Viertens können KI-Workloads auch andere Cloud-Service-Einnahmen ankurbeln. Wenn Unternehmen KI implementieren, müssen sie in der Regel auch Objektspeicher, Datenbanken, Vektorsuche, RAG, Sicherheitsverwaltung, Authentifizierung und Überwachungsdienste kaufen. Diese zusätzlichen Dienste können die Cloud-Einnahmen pro KI-Workload erhöhen und den Gesamtbeitrag zur Rentabilität steigern.

Daher könnten offene Gewichtungsmodelle, obwohl sie die Einnahmen aus API-Tokens in „Lockangebote“ verwandeln, auch zu einer höheren Nachfrage nach GPU-Vermietungen, Datenspeicherung und Datenbankdiensten führen.

Die Renditelogik von Amazon, Google und Meta ist unterschiedlich

Basierend auf den oben genannten Annahmen hält Morgan Stanley die „Übergewichtung“-Bewertung für Amazon und Alphabet aufrecht, mit Kurszielen von 335 USD bzw. 400 USD.

Die Stärke von Amazon liegt in der Kundenbasis von AWS, den selbstentwickelten Trainium-Chips und dem vollständigen Cloud-Service-Ökosystem. Google hingegen verfügt über TPU, Gemini-Modelle, Such- und YouTube-Anwendungsszenarien sowie die Unternehmensverteilungskapazität von Google Cloud. Für beide Unternehmen stammen die Renditen der KI-Kapitalausgaben hauptsächlich aus der Vermietung von Rechenleistung, dem Hosting von Modellen und der Bindung an Cloud-Dienste.

Die Logik von Meta ist jedoch anders.

Morgan Stanley führt Meta weiterhin als Top-Wahl und gibt eine „Übergewichtung“-Bewertung mit einem Kursziel von 775 USD, aber Meta ist nicht im Sinne von AWS oder Google Cloud eine Unternehmens-Cloud-Plattform. Ihre KI-Investitionen werden hauptsächlich durch ein offenes Modell-Ökosystem, die Effizienz von Werbeempfehlungen, eigene Anwendungen und die Kapazität von Rechenzentren realisiert.

Meta's Kursziel und Risiko-Rendite-Annahmen.

Der Bericht ist der Ansicht, dass die KI-Investitionen von Meta die Benutzerbindung, die Monetarisierung von Reels und die Werbemessfähigkeiten verbessern und Raum für das Wachstum neuer Produkte schaffen könnten. Wenn jedoch der Bau von Rechenzentren schlecht umgesetzt wird, die Kapitalintensität weiter steigt und die neu hinzugefügte Rechenleistung nicht genügend Renditen erzielt, könnte dies den freien Cashflow und die Bewertung belasten.

Das größte Risiko besteht darin, dass die Preise schneller fallen als die Effizienzsteigerungen

Dieser Bericht leugnet nicht den KI-Preiskampf.

Mit der Zunahme kostengünstiger offener Gewichtungsmodelle, die an der Grenze der Fähigkeiten liegen, werden Unternehmen zunehmend auf Kosten, Latenz, Bereitstellungsflexibilität und Datenkontrolle achten. Es wird zunehmend schwierig für Modellstudios, hohe Gewinne allein durch teure APIs zu erzielen; die Bedeutung von Toolchains, Unternehmensverteilung, Anwendungsszenarien und Ökosystemen wird weiter zunehmen.

Cloud-Plattformen stehen ebenfalls unter Druck durch schwere Vermögenswerte. Ein 1 GW GB300-Rechenzentrum umfasst Chips, Rechenzentren, Strom, Netzwerke und Abschreibungen; jede Kostensteigerung in einem dieser Bereiche wirkt sich auf die endgültigen Renditen aus. Wenn die Verbreitung von KI-Anwendungen langsamer als erwartet erfolgt und die GPU-Auslastung unzureichend ist, wird es schwieriger, Kapitalausgaben in Gewinne umzuwandeln.

Die Steigerung des Durchsatzes wird auch nicht automatisch realisiert. Hardware-Upgrades, MoE-Architekturen und Batch-Verarbeitung von Anfragen können die Effizienz steigern, erfordern jedoch die Zusammenarbeit von Modellen, Chips, Netzwerken, Software-Stacks und echten Kundenanfragen.

Daher lautet die Schlussfolgerung von Morgan Stanley nicht, dass „der KI-Preiskampf keine Auswirkungen hat“, sondern dass: Wenn die Tokenpreise fallen, wird die Modellebene zuerst unter Druck geraten; Plattformen, die über knappe Rechenleistung, Systemoptimierungsfähigkeiten und den Zugang zu Unternehmens-Clouds verfügen, haben eine bessere Fähigkeit, den Preiskampf durch GPU-Vermietungen, Skaleneffekte und zusätzliche Cloud-Dienste zu bewältigen.

Was wir als Nächstes wirklich beobachten müssen, ist, ob die Cloud-Plattformen in der Lage sind, den Durchsatz und die Auslastung zu steigern, um die Geschwindigkeit des Preisrückgangs bei KI zu übertreffen.