Zusammenfassung der Kerninhalte
In letzter Zeit hat sich KI nicht mehr nur zu einem „gesprächsfähigen“ Assistenten entwickelt, sondern zu intelligenten Agenten, die wie „digitale Mitarbeiter“ arbeiten können. Dies hat eine globale Welle des Aufbaus von AI-Infrastruktur ausgelöst. Chiphersteller wie TSMC berichten, dass die Nachfrage nach Chips völlig unzureichend ist, während Unternehmen, die Server verkaufen, wie Dell und Lenovo, einen explosionsartigen Anstieg der AI-Aufträge erleben. Um AI-Agenten jedoch tatsächlich in allen Branchen verbreiten zu können, müssen noch einige Herausforderungen überwunden werden – insbesondere hohe Rechenkosten, schwierige Bewertung des kommerziellen Wertes sowie mangelnde Anpassung an die jeweiligen Branchenbedürfnisse.
I. AI-Agenten sind im Aufwind – Dell und Lenovo erhalten eine Flut von AI-Server-Aufträgen
Die direkten Vorteile der zunehmenden Nachfrage nach AI-Agenten gehen an die Hersteller von Servern:
- Dell: Die Einnahmen aus AI-Servern sind in der letzten Quartalsperiode um 757 % gestiegen (was mehr als eine Siebenfachsteigerung entspricht); die erhaltenen AI-Aufträge beliefen sich auf 24,4 Milliarden US-Dollar, während die noch auszuliefernden Aufträge auf 51,3 Milliarden US-Dollar belaufen sind. Dadurch wurde die Jahreserwartungsertragssumme von 50 Milliarden auf 60 Milliarden US-Dollar erhöht.
- Lenovo: Die AI-bezogenen Einnahmen stiegen um 84 % und machen nun fast 40 % des Gesamtumsatzes aus; die noch auszuliefernden AI-Server-Aufträge belaufen sich auf 21 Milliarden US-Dollar.
Warum verdienen sie so viel? Weil KI heute nicht nur „Wissen lernen“ (Training) muss, sondern auch dieses Wissen anwenden (Rückschlussfolgerungen ziehen) und individuell in Unternehmen implementiert werden kann. Hersteller von Servern können hochleistungsfähige Chips, Flüssigkühlsysteme sowie Hochspannungsspeicher integrieren – Kunden sind bereit, dafür hohe Preise zu zahlen.
II. Die Anforderungen haben sich geändert: AI-Infrastruktur basiert nicht mehr nur auf Rechenleistung
Früher konzentrierte sich die Aufmerksamkeit ausschließlich auf die Rechenleistung zum Trainieren von AI-Modellen, doch heute umfasst die Nachfrage einen ganzen Prozess:
- Nicht nur das Training der Modelle ist wichtig, sondern auch deren Anwendung in der Praxis (Rückschlussfolgerungen), neue Cloud-Dienste sowie die interne Einrichtung in Unternehmen und der Bau von Rechenzentren.
Experten sagen, dass der Vorteil einzelner Chips abnimmt – Serverräume sind zu neuen „Superchips“ geworden. Da die Energieverbrauchsaufnahme von Servern steigt, reichen herkömmliche Lüftungssysteme nicht aus; Flüssigkühlung, Hochspannungsspeicher und schnelle Datenübertragungstechnologien sind entscheidend. Wer diese Technologien erfolgreich integriert, kann höhere Gewinne erzielen.
III. Welche Branchen können vom Zeitalter der AI-Agenten profitieren?
Brian Krzanich (CEO von Nvidia) und Qualcomm haben beide das Kommen des „Zeitalters der AI-Agenten“ ausgerufen; dies hat mehrere Nischenbereiche beflügelt:
1. Stromversorgung: AI-Server benötigen leistungsstarke, zuverlässige Stromquellen – insbesondere Hochspannungsdirect-Current-Lösungen für Serverräume; Unternehmen in diesem Bereich profitieren davon.
2. Flüssigkühlung: Hersteller von Kühlsystemen, die Flüssigkeiten (z. B. Wasser) zur Kühlung verwenden, haben Chancen.
3. Schnelle Datenübertragung: Unternehmen, die Lösungen für schnelle Datenverbindungen in Rechenzentren entwickeln, profitieren ebenfalls.
4. Spezialisierte Chips: Neben GPUs können auch Hersteller von Rechenchips und integrierten Speicher-/Rechen-Chips im neuen Hardware-Ökosystem Fuß fassen.
5. Hochwertige PCBs: AI-Geräte benötigen hochentwickelte Leiterplatten; entsprechende Hersteller und Anbieter profitieren davon.
IV. Hindernisse auf dem Weg zur praktischen Anwendung von AI-Agenten
Obwohl alle nach AI-Agenten streben, gibt es noch viele Herausforderungen:
1. Hohe Rechenkosten: Unternehmen müssen monatlich Millionen ausgeben (z. B. der CEO von UCloud gab an, mehr als 600.000 US-Dollar pro Woche zu verbrauchen – mit unklaren Ergebnissen).
2. Schwierige Bewertung des Wertes: Bei vielen AI-Anwendungen ist der tatsächliche Nutzen nicht genau messbar; Kunden zögern daher, Geld auszugeben.
3. Unzureichende Technologiezuverlässigkeit: Branchen wie die Medizin benötigen eine 100-prozentige Genauigkeit von AI-Systemen – doch große Modelle liefern oft ungenaue Ergebnisse und eignen sich daher nicht für den massiven Einsatz.
4. Mangel an Fachkräften und organisatorischen Fähigkeiten: Unternehmen benötigen Mitarbeiter, die sowohl über Kenntnisse in KI als auch in der jeweiligen Branche verfügen sowie die Fähigkeit, Geschäftsprozesse anzupassen und Daten zu verwalten.
Laut IDC haben die meisten AI-Anwendungen bisher noch keine nennenswerte Skalierung erreicht; Gartner prognostiziert sogar, dass bis 2027 40 % der AI-Agenten-Projekte aufgrund hoher Kosten und unklarer Wertvorstellungen abgebrochen werden. Es handelt sich daher nicht um eine Möglichkeit, schnell Geld zu verdienen, sondern um einen langfristigen Prozess, der Geduld erfordert.
Insgesamt ist das Zeitalter der AI-Agenten eine klare Trendentwicklung – doch um sie tatsächlich effektiv einsetzen zu können, müssen noch viele praktische Probleme gelöst werden: Die Kosten für die Infrastruktur müssen gesenkt, Geschäftsmodelle etabliert und die Anpassung an die jeweiligen Branchenbedürfnisse verbessert werden. Erst dann können AI-Agenten von einem Konzept zu einem praktischen Werkzeug werden.