Nvidia investiert in rasantem Tempo in KI-Unternehmen und verschiebt damit die Kräfteverhältnisse im Markt. Gleichzeitig zeigt ein Bastelprojekt mit einer alten GPU, welche Alternativen lokale KI bieten kann.
Nvidia setzt über 40 Milliarden Dollar auf das KI-Ökosystem
Nvidia hat in den ersten vier Monaten des Jahres 2026 mehr als 40 Milliarden US‑Dollar (rund 37 Milliarden Euro) in Beteiligungen an KI-Firmen gesteckt. Laut einem Bericht von CNBC, auf den sich The Next Web bezieht, flossen 30 Milliarden US‑Dollar (rund 28 Milliarden Euro) davon allein in OpenAI. Die restliche Summe verteilt sich auf CoreWeave, IREN, Corning, Nebius und etwa zwei Dutzend weitere, meist nicht öffentlich bekannte Finanzierungsrunden.
Die Struktur dieser Deals erinnert weniger an klassisches Wagniskapital, sondern eher an eine Form der vertikalen Integration. Nvidia beteiligt sich entlang der eigenen Lieferkette und an zentralen Partnern im KI-Ökosystem. So entstehen Fragen nach zirkulären Geschäftsbeziehungen, in denen Hardware, Cloud-Kapazitäten und KI-Dienste eng miteinander verflochten sind. Für Cloud-Anbieter:innen, Start-ups und Endkund:innen kann dies die Abhängigkeit von Nvidia-Hardware und -Infrastruktur verstärken.
Parallel dazu dehnt sich der Einfluss großer Modelle wie ChatGPT und Claude weiter in bestehende Software-Plattformen aus. Anthropic bringt seine Claude-Erweiterungen direkt in Excel, Word und PowerPoint und startet eine Beta für Outlook. Damit arbeiten KI-Assistent:innen unmittelbar in den Office-Dokumenten, häufig wiederum auf Nvidia-beschleunigten Cloud-Systemen.
Alte Nvidia-GPUs als lokale KI-Alternative
Wie viel Potenzial in gebrauchter Hardware steckt, zeigt ein Projekt, das Tom’s Hardware beschreibt. Ein YouTuber aus der Szene hat eine Nvidia-Tesla-V100-GPU mit Sockel-Schnittstelle aus dem Rechenzentrum in eine PCIe-Karte umgebaut. Grundlage ist ein eigenes Platinen-Design, kombiniert mit einem 3D-gedruckten Kühlsystem. Die so modifizierte V100 lässt sich in einem regulären Desktop-System nutzen.
Die Kosten für diese Server-GPU lagen bei rund 200 US‑Dollar (etwa 185 Euro) auf dem Gebrauchtmarkt. Im Test lieferten die Karten genügend Grafikspeicher und Rechenleistung, um große Sprachmodelle lokal auszuführen. Bei Inferenz-Aufgaben zeigte sich die modifizierte V100 nach Angaben des Berichts effizienter als viele aktuelle Mittelklasse-GPUs. Das Beispiel unterstreicht, dass ältere Rechenzentrums-Hardware für KI-Workloads weiterhin attraktiv sein kann.
Neben solchen Umbauten kommen auch ältere GeForce-RTX-Modelle und aktuelle Apple-Silicon-Macs als Basis für lokale KI in Frage. Apple-Silicon-Chips integrieren CPU, GPU und Neural Engine, was bestimmte KI-Aufgaben direkt auf dem Gerät beschleunigen kann. In allen Fällen entfallen laufende Kosten für Cloud-GPUs, dafür steigen Stromverbrauch, Geräuschentwicklung und Wartungsaufwand vor Ort.
Strategische Optionen für Prosumer und kleine Teams
Für Prosumer, kleine Agenturen und Entwickler:innen stellt sich die Frage, wie sie eigene KI-Workloads wirtschaftlich und möglichst unabhängig betreiben. Eine Option ist die Anmietung von Cloud-GPUs über spezialisierte Anbieter:innen wie CoreWeave oder klassische Hyperscaler. Das bietet Skalierbarkeit, bindet Euch aber an die Preisstrukturen und Verfügbarkeiten eines stark von Nvidia geprägten Marktes.
Die zweite Option ist der Aufbau eigener, lokal betriebener Infrastruktur. Gebrauchte Rechenzentrums-GPUs wie die Tesla V100, ältere RTX-Karten oder Apple-Silicon-Systeme können für viele Anwendungsfälle ausreichen, etwa für feingetunte Sprachmodelle, Bildgenerierung oder interne Automatisierung. Die Einstiegskosten sind überschaubarer als bei neuen High‑End-GPUs, und Ihr behaltet die Kontrolle über Daten und Workloads.
Zwischen beiden Extremen liegt ein hybrider Ansatz. Häufig genutzte Basisfunktionen laufen lokal, während rechenintensive Spitzenlasten oder spezialisierte Modelle aus der Cloud zugeschaltet werden. Damit könnt Ihr Kosten glätten und zugleich Abhängigkeiten reduzieren. Angesichts von Nvidias umfangreichen Beteiligungen und der engen Verzahnung mit großen KI-Anbietern wie OpenAI gewinnt diese strategische Abwägung an Bedeutung.
Sie sehen gerade einen Platzhalterinhalt von YouTube. Um auf den eigentlichen Inhalt zuzugreifen, klicken Sie auf die Schaltfläche unten. Bitte beachten Sie, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr Informationen
