Morgan Stanley schätzt CapEx-Rendite: Wie AI-Infrastruktur von der Vermietung von GPUs bis zum Verkauf von Tokens 25%-50% Rendite erzielen kann?

TL;DR > · Morgan Stanley schätzt, dass die GenAI-Infrastruktur unter Basisszenarien etwa 25%-50% Kapitalrendite erzielen kann. > · Die Schlüsselannahmen basieren auf einer GPU-Auslastung von 75%, einer Miete von 8,5 USD pro Stunde für GB300, Token-Durchsatz und API-Preisen. > · Microsoft, Amazon, Google und Meta profitieren am meisten, aber Preiskämpfe und Open-Source-Modelle könnten die Renditen drücken.

In einem Bericht vom 27. Juli hat Morgan Stanley die Kapitalausgaben für AI analysiert: Wenn die GPU-Auslastung, Mieten, Token-Durchsatz und API-Preise die Basisannahmen erreichen, haben generative AI-Infrastrukturen und Modell-API-Geschäfte die Möglichkeit, etwa 25%-50% Kapitalrendite zu erzielen.

Dies spricht direkt die größte Sorge des Marktes über große Technologieunternehmen an. Microsoft, Amazon, Google und Meta investieren weiterhin stark in GPUs und Rechenzentren, die Kapitalausgaben wachsen, und Investoren möchten wissen, ob dieses Geld tatsächlich in Gewinne umgewandelt wird oder nur die Abschreibungen, Energiekosten und Forschungskosten erhöht.

Diese Berechnung unterteilt die Monetarisierung von GenAI in drei Wege: Vermietung von GPU-Rechenleistung als IaaS, Bereitstellung von Modell-APIs mit eigener Infrastruktur und Vermietung von Drittanbieter-Rechenleistung zur Bereitstellung von Modell-APIs. Die ersten beiden Wege sind besser geeignet für große Technologieplattformen mit Rechenzentren, Kundenakquise und Produktverteilung, während der dritte Weg eher durch die GPU-Mieten unter Druck geraten kann.

Vergleich der Renditen von drei GenAI-Geschäftsmodellen: GPU IaaS etwa 31%, eigene Infrastruktur Modell-API über 40%, Drittanbieter-Infrastruktur Modell-API etwa 25%.

1,4 Billionen USD Ausgaben, der Schlüssel ist nicht nur der Kauf von GPUs

Der Hintergrund dieser Berechnung ist, dass der Bau von AI-Rechenzentren in eine Phase mit höheren Kapitalausgaben eintritt. Öffentliche Schätzungen zeigen, dass Morgan Stanley erwartet, dass die Kapitalausgaben der Hyperscaler bis 2028 über 1,4 Billionen USD hinausgehen werden, wobei die Rechenkapazität von 2025 bis 2028 voraussichtlich um das Vierfache steigen wird, auf etwa 120 GW.

Diese Kapazitäten werden nicht sofort zu Einnahmen führen. Das Training von fortschrittlichen Modellen, die Wartung von Modellen und die Iteration von Modellen in verschiedenen Größen werden weiterhin erhebliche Rechenleistung verbrauchen. Das Training selbst wird nicht direkt berechnet, muss jedoch Abschreibungen, Energie- und Betriebskosten tragen.

Was die Rendite wirklich beeinflusst, ist, ob die verbleibende Rechenleistung durch Inferenz, APIs, Unternehmenssoftware und Cloud-Dienste vollständig genutzt werden kann. Um es direkter zu sagen: Wie viele Stunden kann eine GPU pro Jahr verkauft werden, wie viel kann pro Stunde verdient werden, wie viele Tokens können pro Sekunde verarbeitet werden und wie viel kann pro Million Tokens verdient werden, entscheidet darüber, ob die AI-Kapitalausgaben Cash-Renditen generieren können.

Das ist auch der interessanteste Teil dieses Berichts. In der Vergangenheit sah der Markt hauptsächlich, dass die Capex-Zahlen ständig nach oben korrigiert wurden, jetzt gibt Morgan Stanley eine Reihe von Berechnungen zur Einheitwirtschaftlichkeit: Unter den Basisannahmen kann die AI-Infrastruktur den hohen Abschreibungsdruck abdecken und sich den Renditen von hochwertigen Cloud- oder Softwaregeschäften annähern.

GPU-Vermietung: Bei 75% Auslastung beträgt die IaaS-Rendite etwa 31%

Der erste Weg besteht darin, dass große Cloud-Anbieter die GPU-Rechenleistung als IaaS vermieten. Die Basisannahme geht davon aus, dass 1 GW Kapazität etwa 410.000 NVIDIA GB300 GPUs entspricht, mit einer Auslastung von 75% und einer Miete von 8,5 USD pro Stunde.

Unter diesen Annahmen beträgt der jährliche Umsatz des GPU-Vermietungsgeschäfts pro GW etwa 22,9 Milliarden USD, die EBIT-Marge beträgt etwa 67%, die Kapitalrendite etwa 31%. Solange das Angebot an GPUs durch ausreichend hohe Nachfrage gedeckt werden kann, ist IaaS kein Geschäft mit niedrigen Margen, sondern ähnelt eher einem Geschäft mit hoher Auslastung.

Aufschlüsselung der GPU-Vermietungsrendite und Sensitivitätsanalyse: Bei 75% Auslastung und 8,5 USD/Stunde Miete beträgt die IaaS-Basissrendite etwa 31%.

Der Vorteil hier kommt von den bestehenden Strom-, Rechenzentrum-, Kundenbeziehungen und Cloud-Verkaufskapazitäten großer Cloud-Anbieter. Wenn die neue GPU-Kapazität in die bestehenden Kundenbedürfnisse integriert wird, wird die Umsatzumwandlung direkter.

Aber dieser Weg ist sehr preissensibel und von der Auslastung abhängig. Sinkende GPU-Mieten, unzureichende Auslastung und steigende Energiekosten werden die Renditen drücken. Mit dem Anstieg neuer Anbieter, ASICs und der Einführung der nächsten GPU-Generation könnte auch der Preis pro Einheit Rechenleistung sinken, und es ist ungewiss, ob die Miete von 8,5 USD pro Stunde langfristig aufrechterhalten werden kann.

Model API ist profitabler, setzt auf Token-Verbrauch

Der zweite Weg besteht darin, mit eigener Infrastruktur Modell-APIs anzubieten. Die Basisannahme geht davon aus, dass 65% der Kapazität für Inferenz verwendet werden, wobei jede GPU etwa 2750 Tokens pro Sekunde verarbeiten kann, und die Mischpreisgestaltung beträgt 1,75 USD pro Million Tokens.

In diesem Szenario beträgt die EBIT-Marge für Modell-APIs etwa 75%, die Kapitalrendite über 40%. In verschiedenen Schätzungen liegt diese Rendite bei etwa 40%-46%, aber die Richtung ist einheitlich: Eigene Rechenleistung kombiniert mit Modellservices bietet höhere Renditen als die bloße Vermietung von GPU-Stunden.

Der Grund ist nicht kompliziert. Cloud-Anbieter und Modellanbieter verkaufen nicht nur einzelne GPU-Stunden, sondern Modellfähigkeiten, Inferenzdienste und API-Aufrufe. Die Einnahmen sind an den Token-Verbrauch gekoppelt, was größere Gewinnspannen ermöglicht.

Das erklärt auch, warum große Technologieunternehmen einerseits Chips kaufen und andererseits AI-Funktionen in Suchmaschinen, Bürosoftware, Werbung, E-Commerce-Empfehlungen und Entwicklerwerkzeuge integrieren. Sie wollen nicht nur ungenutzte Rechenleistung vermieten, sondern Inferenz in einen häufigen, abrechenbaren und in bestehende Produkte integrierbaren Einkommensstrom verwandeln.

Das Risiko konzentriert sich ebenfalls auf der Token-Ebene. Der Token-Durchsatz hängt nicht nur von den Chips ab, sondern auch von der Modellparametergröße, dem Software-Stack, dem Verhältnis von Eingaben zu Ausgaben und der Optimierungsfähigkeit der Inferenz. Wenn das Modell effizienter ist, kann jede GPU mehr Tokens verarbeiten, was die Rendite erhöht. Wenn Open-Source-Modelle und Preiskämpfe die Einnahmen pro Million Tokens drücken, wird die Gewinnspanne verwässert.

Mieten von Drittanbieter-Rechenleistung für APIs, Gewinne werden leichter aufgezehrt

Der dritte Weg besteht darin, dass Modellunternehmen Drittanbieter-Infrastruktur mieten und dann Modell-APIs an Kunden anbieten. Unter Basisszenarien beträgt die GPU-Miete etwa 7,75 USD pro Stunde, die EBIT-Marge beträgt etwa 31%, die Nachsteuer-Rendite oder Gewinnspanne etwa 25%.

Dieser Weg kann immer noch profitabel sein, ist aber nicht so vorteilhaft wie Plattformen mit eigener Infrastruktur. Der Mieter von GPUs muss zunächst die Rechenleistung mieten und dann die Kosten für Modelltraining, Inferenz, Service und Vertrieb tragen, was den eigenen Gewinnspielraum verringert.

Szenarioanalyse für Modell-APIs mit Drittanbieter-Infrastruktur: GPU-Miete 7,75 USD pro Stunde, Token-Preise, Durchsatz und Mietkosten bestimmen gemeinsam etwa 25% Nachsteuer-Rendite.

Das ist auch der Grund, warum Microsoft, Amazon, Google und Meta relativ im Vorteil sind. Sie verfügen über Kapitalstärke, Rechenzentren, Kundenakquise und Produktverteilung, um zwischen IaaS und API die geeignetere Monetarisierungsstrategie zu wählen. Reine Modellunternehmen oder Zwischenanwendungen haben es schwerer, wenn sie nicht über ausreichende Preismacht verfügen, da sie leichter von den Kosten der Rechenleistung unter Druck gesetzt werden.

Das bedeutet nicht, dass Drittanbieter-Modellunternehmen keine Chancen haben. Hochwertige Modelle, vertikale Szenarien, Unternehmensanpassungen und Verteilung auf Anwendungsebene können weiterhin Differenzierung schaffen. Aber aus der Perspektive der Kapitalrendite ist es für die Seite mit kostengünstiger Rechenleistung und hoch ausgelasteter Infrastruktur einfacher, Gewinne zu erzielen.

Der Fokus liegt auf den vier großen Technologieplattformen, aber hohe Renditen sind noch nicht realisiert

Morgan Stanley bleibt in dieser Berechnung optimistisch gegenüber Microsoft, Amazon, Meta und Google. Ihre gemeinsame Stärke ist, dass sie sowohl die AI-Infrastruktur ausbauen als auch bestehende Produkte und Kundenakquise zur Deckung der Inferenznachfrage nutzen können.

Microsoft erhält eine Übergewichtung-Bewertung mit einem Kursziel von 600 USD. Die Muttergesellschaft von Google, Alphabet, hat ein Kursziel von 400 USD, Meta wird als Top-Pick gelistet mit einem Kursziel von 775 USD. Amazon wird ebenfalls als großer AI-Plattform-Nutzer betrachtet, aber die spezifischen Kursziele variieren in den öffentlichen Quellen, sodass eine einzelne Zahl nicht als Schlussfolgerung verwendet werden sollte.

Diese Aktien sollten nicht so verstanden werden, dass die AI-Kapitalausgaben bereits realisiert wurden. Die Quartalsberichte der vier Unternehmen könnten kurzfristig weiterhin unter Druck von Abschreibungen, Energiekosten, Chipwechsel und Forschungsausgaben stehen. Ob AI-Investitionen in Aktionäre-Renditen umgewandelt werden können, hängt letztendlich davon ab, ob das Wachstum der Inferenz-Einnahmen die Kostenexpansion übertrifft.

Eine Rendite von 25%-50% ist auch nur eine Szenario-Berechnung und kein bereits eingetretener finanzieller Erfolg. Eine Auslastung von 75% ist eine hohe Hürde, und wenn Unternehmens-AI-Anwendungen langsamer als erwartet umgesetzt werden, werden ungenutzte GPUs die Rendite direkt drücken. Auch die Token-Preise sind nicht stabil; Open-Source-Modelle, effizientere kleinere Modelle und Preiskämpfe unter Cloud-Anbietern könnten die Einnahmen pro Million Tokens drücken.

Dieser Bericht gibt eher einen Maßstab an: Solange große Technologieunternehmen die AI-Infrastruktur bei hoher Auslastung halten und durch Modell-APIs, Cloud-Dienste und bestehende Produkte den Token-Verbrauch in Einnahmen umwandeln können, sind AI-Kapitalausgaben nicht nur ein Kostenloch. Umgekehrt, wenn Mieten, Auslastung und Inferenznutzungsraten nicht den Standards entsprechen, werden die 25%-50% Renditen schnell nur in den Modellen bleiben.