StartseiteArtikel

Sollen wir Anthropic 1400 Milliarden US-Dollar geben?

36氪的朋友们2026-11-17 09:21
Es ist Zeit, Multiple-Choice-Fragen zu lösen.

Die KI-Industrie erlebt gerade einen symbolträchtigen Moment.

Im November 2026 startete Anthropic, das erst seit etwas mehr als fünf Jahren gegründet wurde, seinen Börsengang (IPO), um mit einer Bewertung von über einer Billion US-Dollar Zugang zum Kapitalmarkt zu erlangen.

Nach den Angaben im Prospekt beträgt die gesamte ausstehende Grundaktienzahl von Anthropic nach Abschluss des IPO etwa 13,07 Milliarden Aktien. Bei einem Ausgabepreisbereich von 70 bis 78 US-Dollar entspricht dies einer grundlegenden Marktkapitalisierung von etwa 916 Milliarden bis 1,02 Billionen US-Dollar. Wenn rund 4,92 Milliarden potenzielle Aktien wie Mitarbeiteroptionen mit einbezogen werden, ergibt sich eine vollständig verwässerte Bewertung von etwa 1,26 Billionen bis 1,4 Billionen US-Dollar.

Ein Unternehmen, das große Sprachmodelle als Kernprodukt hat, das in so kurzer Zeit eine so enorme Marktbewertung erzielt, ist an sich ein seltenes Phänomen in der Geschichte der Technologieindustrie.

Der Börsengang von Anthropic bedeutet jedoch nicht nur die Anerkennung der Aussichten der künstlichen Intelligenz durch den Kapitalmarkt, sondern auch, dass ein Problem, das lange Zeit von technologischen Durchbrüchen und Finanzierungsbooms verdeckt wurde, endlich einer öffentlichen Prüfung unterzogen werden muss: Die künstliche Intelligenz hat eine enorme Marktnachfrage geschaffen, aber kann sie tatsächlich Gewinne erzielen, die ihrer Bewertung entsprechen?

Wir möchten in diesem Artikel mehrere Themen erörtern:

1. Jahresumsätze von 70 Milliarden US-Dollar, ein bereinigtes Betriebsergebnis von 4,1 Milliarden US-Dollar und ein Nettoverlust von 104 Milliarden US-Dollar tauchen gleichzeitig im Prospekt auf – worauf basiert die Beurteilung des Geschäftsmodells?

2. Jede Inferenz des Modells verbraucht Rechenleistung, und die aktivsten Nutzer tragen nicht unbedingt den größten Teil der Einnahmen bei.

3. Modellentitäten organisieren Kapital auf die gleiche Weise wie Energie-, Telekommunikations- und Infrastrukturunternehmen, sodass sich die Bewertungslogik von der Frage „Wie leistungsstark ist das Modell“ hin zu Kapitalkosten, Investitionsrenditezyklus und Kapitalrendite verschiebt.

4. Unternehmen, die die Nutzerbeziehungen, Arbeitsabläufe und Ökosysteme beherrschen, können intelligente Funktionen möglicherweise leichter in Einnahmen umwandeln als Modellentitäten.

5. Heutzutage ist man sich einig, dass man die künstliche Intelligenz danach bepreist, ob sie „die Arbeit erledigt“, aber es besteht noch kein Konsens darüber, wer die wirtschaftlichen Verluste trägt, die durch fehlgeschlagene Aufgaben oder Fehler entstehen.

6. Der von der künstlichen Intelligenz geschaffene Wert entspricht nicht zwangsläufig den Einnahmen und Gewinnen der Modellentwickler.

7. Wie viel bleibt für diejenigen, die „Gold graben“, übrig, nachdem die Kosten für Chips, Strom, Forschung und Entwicklung sowie Finanzierung abgerechnet wurden? Das ist das, was der Börsengang von Anthropic wirklich prüfen muss.

01

70 Milliarden vs. 1,3 Milliarden: Umsatzwunder und Gewinnfrage

Im vorherigen Goldrausch der künstlichen Intelligenz schienen die sichersten Gewinner immer die Unternehmen zu sein, die „Schaufeln“ verkauften. Nvidia liefert GPUs, TSMC übernimmt die Herstellung fortschrittlicher Chips, Cloud-Computing-Unternehmen bauen Rechenzentren, und Strom- und Energieunternehmen bieten die grundlegenden Voraussetzungen für die ständig wachsenden Rechenanlagen.

Egal welches große Modellunternehmen am Ende gewinnt, diese Infrastrukturanbieter können alle von der Expansion der gesamten Branche profitieren.

Im Vergleich dazu stehen Unternehmen wie OpenAI und Anthropic, die große Modelle direkt entwickeln, trotz ihres erstaunlichen Nutzer- und Umsatzwachstums stets vor einem komplexeren ökonomischen Problem: Können die Kosten für die Entwicklung intelligenter Funktionen, die Preise für den Verkauf intelligenter Funktionen und die Kapitalinvestitionen, die zur Aufrechterhaltung des technologischen Vorsprungs erforderlich sind, tatsächlich einen nachhaltigen Geschäftszyklus bilden?

Der Prospekt von Anthropic bietet eine wichtige Grundlage für das Verständnis dieses Problems.

Nach den im November 2026 aktualisierten Börsenunterlagen belief sich der Umsatz des Unternehmens im Jahr 2025 auf etwa 4,585 Milliarden US-Dollar. In den ersten neun Monaten des Jahres 2026 erreichte der Umsatz bereits 33,242 Milliarden US-Dollar, wobei allein im dritten Quartal ein Umsatz von etwa 17 Milliarden US-Dollar erzielt wurde. Das bedeutet, dass der Umsatz eines einzigen Quartals bereits die Summe des gesamten ersten Halbjahres übertroffen hat. Wenn der Quartalsumsatz des dritten Quartals einfach annualisiert wird, liegt die Umsatzlaufrate (Run-Rate) von Anthropic bereits bei etwa 68 bis 70 Milliarden US-Dollar.

Diese Wachstumsrate übertrifft bei weitem den Entwicklungsrhythmus der traditionellen Softwareindustrie, was zeigt, dass generative künstliche Intelligenz nicht mehr eine experimentelle Technologie ist, die hauptsächlich durch Kapitalsubventionen zur Aufrechterhaltung der Nutzergröße abhängt, sondern einen Geschäftsmarkt mit tatsächlicher Zahlungsfähigkeit bildet.

Besonders bemerkenswert ist, dass die Einnahmen von Anthropic hauptsächlich von Unternehmenskunden und Diensten stammen, die nach dem Nutzungsvolumen intelligenter Funktionen abgerechnet werden, und nicht nur von festen Monatsgebühren einzelner Verbraucher abhängen. Dies zeigt, dass sich der Schwerpunkt der Kommerzialisierung großer Modelle von dem Verkauf von Nutzungsrechten für Chat-Tools hin zum Verkauf intelligenter Fähigkeiten verschiebt, die an Produktionsaktivitäten teilnehmen können.

Große Modelle haben nicht nur Gold gegraben, sondern die Ausgrabungsmenge wird in Tonnen gemessen. Das explosionsartige Umsatzwachstum hat das Rentabilitätsproblem jedoch nicht automatisch beseitigt.

Die Ausgaben für Rechenleistung und Infrastruktur von Anthropic in den ersten neun Monaten des Jahres 2026 beliefen sich auf etwa 18,8 Milliarden US-Dollar, was etwa 57 % seines Gesamtumsatzes von 33,242 Milliarden US-Dollar entspricht.

Auf betrieblicher Ebene besteht weiterhin ein Verlust: Der GAAP (Betriebsverlust nach US-Grundsätzen ordnungsgemäßer Buchführung) in den ersten neun Monaten betrug etwa 12,6 bis 13 Milliarden US-Dollar. Der Nettoverlust in den ersten neun Monaten belief sich auf bis zu 104 Milliarden US-Dollar, wobei ein großer Teil davon aus der Neubewertung des beizulegenden Zeitwerts von wandelbaren Finanzierungsinstrumenten und zugehörigen Verbindlichkeiten stammt und kein Bargeldverlust aus dem laufenden Geschäftsbetrieb ist. Gleichzeitig hat das von dem Unternehmen offengelegte bereinigte Betriebsergebnis bereits auf etwa 4,1 Milliarden US-Dollar positiv umgestellt (bereinigte Betriebsmarge von etwa 12 %), und die Effizienz der Einnahmen im Verhältnis zu den Rechenkosten hat sich ebenfalls deutlich verbessert.

Daher ist es offensichtlich zu einfach, allein aufgrund des enormen Nettoverlusts zu behaupten, dass das Geschäftsmodell von Anthropic nicht funktionieren kann. Aber es fehlt ebenfalls an ausreichenden Gründen, allein aufgrund des positiven bereinigten Betriebsergebnisses zu behaupten, dass große Modelle das Rentabilitätsproblem bereits gelöst haben.

Der Schlüssel liegt darin, ob das Unternehmen nach Übernahme der laufenden Investitionen in Forschung und Entwicklung, des Einkaufs von Rechenleistung, des Baus von Infrastruktur und der Finanzierungskosten langfristig ausreichend freien Cashflow (FCF) generieren kann.

Immer mehr Unternehmen beginnen, die quantifizierbare Produktivitätssteigerung durch künstliche Intelligenz zu betonen, einschließlich der Beschleunigung von Arbeitsabläufen, der automatisierten Bearbeitung regulärer Aufgaben, der Erweiterung der Dienstleistungsfähigkeiten und der Verbesserung der Kostenkontrolle. Offensichtlich ist die Nachfrage nach künstlicher Intelligenz stark, aber die Wall Street verliert die Geduld für die Kosten, die zur Befriedigung dieser Nachfrage erforderlich sind.

Das deutlichste Beispiel ist Meta. Der Quartalsbericht des Unternehmens für das dritte Quartal zeigt, dass obwohl künstliche Intelligenz das Wachstum der Werbeeinnahmen von Meta um 26 % angetrieben hat, der freie Cashflow des Unternehmens im Quartal negativ geworden ist – das ist das erste Mal seit mehr als zehn Jahren, dass ein Netto-Bargeldabfluss aufgetreten ist. Gleichzeitig hat Meta die Erwartungen an die Kapitalausgaben angehoben, um seinen aggressiven Expansionsplan für die KI-Infrastruktur zu unterstützen.

Die gesamte Angst der Wall Street vor der Kapitalrendite (ROI) von KI-Infrastrukturinvestitionen hat sich sofort verstärkt.

In den letzten zwei Jahren hat der Markt blind einen Aufschlag gewährt, sobald er „Verbesserung der KI-Fähigkeiten und Erhöhung der Nutzerbindung“ hörte. In der aktuellen Phase, wenn die Kapitalausgaben auf branchenweite Hunderte von Milliarden US-Dollar oder sogar auf Billionenebene zusteuern, beginnt die Wall Street wie ein Aktuar zu rechnen: Wann werden diese Recheninvestitionen tatsächlich zu einem echten, zusätzlichen freien Cashflow?

Wenn der Investitionsrenditezyklus zu lang gezogen wird oder die Umsatzzuwächse durch KI die jährlichen Abschreibungen und Stromrechnungen von Hunderten von Milliarden US-Dollar nicht ausgleichen können, wird der Markt eine Bewertungsstrafe verhängen.

Nach der Prognose des Marktforschungsinstituts Gartner stehen bis Ende 2030 mehr als 3,5 Billionen US-Dollar an Investitionen in die Infrastruktur der künstlichen Intelligenz unter Risiko der Wertminderung, wenn Unternehmen das derzeitige Ausgabentempo beibehalten. Es wird erwartet, dass Anbieter von KI-Diensten im Jahr 2026 fast 1 Billion US-Dollar in die KI-Infrastruktur investieren und zwischen 2027 und 2030 weitere 6 Billionen US-Dollar investieren werden.

Gartner weist darauf hin, dass in diesem Zeitraum die Einnahmen aus künstlicher Intelligenz, die von Unternehmenskunden und Verbrauchern generiert werden, möglicherweise nicht ausreichen, um eine rentable Rendite für diese Investitionen zu erzielen.

02

Nicht skaleneffizienz

Die enorme Fehlausgleichung von Angebot, Nachfrage und Finanzen offenbart den grundlegenden Unterschied zwischen großen Modellen und der traditionellen Softwareindustrie.

In den letzten Jahrzehnten war der Grund, warum Software-as-a-Service (SaaS) ein von dem Kapitalmarkt bevorzugtes Geschäftsmodell wurde, dass die Grenzkosten für die Bereitstellung von Diensten für mehr Nutzer relativ niedrig sind, nachdem die Softwareentwicklung abgeschlossen ist. Mit der Erweiterung des Kundenstamms können Unternehmen normalerweise die Gewinnmarge durch Skaleneffekte ständig verbessern. Große Modelle folgen dieser Logik jedoch nicht vollständig.

Jede Modellinferenz, Codegenerierung, Langtextanalyse und Ausführung von Aufgaben durch intelligente Agenten verbraucht tatsächliche Rechenressourcen. Insbesondere wenn sich die künstliche Intelligenz von der Beantwortung von Fragen zur selbstständigen Erledigung komplexer Arbeiten entwickelt, kann eine Aufgabe erfordern, das Modell wiederholt aufzurufen, externe Informationen abzurufen, Programme auszuführen und Ergebnisse zu überprüfen, was die Kosten erhöht. Für Unternehmen, die feste Monatsabonnements anbieten, sind die aktivsten Nutzer nicht unbedingt die Nutzer, die den höchsten Gewinn beitragen, sondern möglicherweise die Nutzer, die am meisten Rechenleistung verbrauchen.

Das ist der Grund, warum große Modellanbieter gezwungen sind, Nutzer durch Beschränkungen der Kontextlänge, Obergrenzen für die Aufrufhäufigkeit oder gestaffelte Abrechnung zu „filtern“.

Angesichts der Tatsache, dass stark genutzte Nutzer von einem „Vermögen“ zu einer „Last“ werden können, kann die Beurteilung, ob das Geschäftsmodell eines großen Modellunternehmens ausgereift ist, nicht nur an der Anzahl der zahlenden Nutzer, dem Wachstum der Abonnementeinnahmen oder der Nutzeraktivität gemessen werden. Es muss auch die wirtschaftliche Einheitlichkeit verschiedener Nutzergruppen beobachtet werden: Wie viel Einnahmen jeder Nutzer beiträgt, wie viele Inferenzressourcen er verbraucht, wie sich die Gewinnmarge mit zunehmender Nutzungsintensität ändert und ob das Unternehmen diese Beziehung durch vernünftigere Preisgestaltung und technische Optimierung verbessern kann.

Große Modelle sind nicht dazu verdammt, keine Skaleneffekte zu erzielen. Modellkompression, Inferenzoptimierung, Chip-Upgrades, Caching-Technologien und die Aufgabenverteilung zwischen verschiedenen Modellen können die Einheitsrechenkosten ständig senken. Die von Anthropic offengelegte Verbesserung der Betriebseffizienz zeigt auch, dass technologischer Fortschritt die Kostenstruktur verändern kann.

Allerdings steht die künstliche Intelligenz vor einem besonderen Mechanismus der Nachfrageerweiterung: Wenn intelligente Dienste billiger und leistungsstärker werden, können Nutzer nicht nur ihre ursprünglichen Aufgaben zu niedrigeren Kosten erledigen, sondern beginnen, Maschinen zu bitten, mehr Arbeiten zu erledigen, die früher nicht möglich waren.

Das Jevons-Paradoxon in der Ökonomie bietet hier einen aufschlussreichen Bezugspunkt: Die Verbesserung der Ressourcennutzungseffizienz führt nicht zwangsläufig zu einer Verringerung des gesamten Ressourcenverbrauchs, sondern kann sogar das Nachfragewachstum anregen. Für große Modellunternehmen bedeutet der Rückgang der Einheitsinferenzkosten nicht zwangsläufig einen Rückgang der gesamten Rechenausgaben. Billigere intelligente Funktionen können breitere Anwendungen und einen noch größeren Rechenbedarf mit sich bringen.

Die Offenlegung der zukünftigen Verpflichtungen zum Einkauf von Rechenleistung im Prospekt von Anthropic unterstreicht diesen Widerspruch. Die Gesamtgröße der von dem Unternehmen unterzeichneten und offengelegten langfristigen Vereinbarungen für Rechenleistung und Infrastruktur liegt bei fast 900 Milliarden US-Dollar, wobei ein großer Teil davon voraussichtlich vor 2030 anfallen wird.

Diese Zahlen bedeuten nicht, dass Anthropic die entsprechenden Beträge bereits gezahlt hat, und sie können nicht einfach als aktuelle Schulden betrachtet werden. Sie spiegeln jedoch eine wichtige Veränderung wider: Spitzenunternehmen für künstliche Intelligenz wandeln sich von traditionellen leichtvermögenden Softwareunternehmen zu schwervermögenden Technologieunternehmen, die stark von Chipherstellung, Netzkapazität, Rechenzentren und langfristiger Kapitalfinanzierung abhängig sind. Obwohl große Modellunternehmen weiterhin auf algorithmische Innovationen und Forschungstalente setzen, werden sie zunehmend durch das Angebot physischer Infrastruktur eingeschränkt.

Wenn ein Unternehmen ständig Tausende von Milliarden US-Dollar investieren muss, um den technologischen Vorsprung zu halten, kann selbst sein erstaunliches Umsatzwachstum nicht garantieren, dass seine Kapitalrendite ausreicht, um die bestehende Bewertung zu stützen.

Die künstliche Intelligenz entwickelt sich zu einer besonderen Industrieförmigkeit: Sie generiert Einnahmen mit der Geschwindigkeit der Softwareindustrie, muss aber Kapital auf die gleiche Weise wie Energie-, Telekommunikations- und industrielle Infrastrukturindustrien organisieren. Früher mussten Investoren nur darauf achten, welches Unternehmen das fortschrittlich