AI-hardware: Vertraagt het? Niet zo snel.

Enkele weken geleden zorgde een consumentenapp voor een nieuwe opleving van de halfgeleideraandelen.

Muse, de nieuwe persoonlijke AI-agent van Meta, klom snel omhoog in de Amerikaanse app-ranglijsten, en halfgeleideraandelen stegen sterk toen beleggers zich begonnen voor te stellen wat een succesvolle acceptatie van agentische AI door consumenten zou kunnen betekenen voor de vraag naar rekenkracht.

De timing was bijzonder interessant omdat er slechts enkele dagen eerder een schijnbaar tegenstrijdig verhaal de ronde deed. Toonaangevende AI-onderzoekers waren openlijk gaan discussiëren over de vraag of de sector het tempo waarin steeds krachtigere baanbrekende modellen worden ontwikkeld, zou moeten vertragen.

Dit contrast illustreert perfect de ruis waar beleggers momenteel doorheen moeten navigeren. In plaats van op elke krantenkop te reageren, denken we dat het nuttiger is om terug te keren naar de onderliggende hardware-these: wat zou deze daadwerkelijk kunnen ondermijnen en wat onderschat de markt mogelijk nog steeds?

Na een spectaculaire opmars van de hardware domineren vandaag de dag twee risico’s dat debat.

Recente oproepen van vooraanstaande AI-onderzoekers om de ontwikkeling van steeds krachtigere modellen te vertragen, werden aanvankelijk geïnterpreteerd als slecht nieuws voor halfgeleiders. De logica lijkt eenvoudig: als de tijd tussen generaties van baanbrekende modellen langer wordt, zijn er minder omvangrijke trainingsrondes nodig en dus minder rekenkracht.

Maar dat is slechts één kant van de medaille. Een grotere nadruk op AI-veiligheid zou op zichzelf al opmerkelijk rekenintensief kunnen worden, aangezien modellen moeten worden getest, gemonitord, geëvalueerd en mogelijk begeleid door andere AI-systemen. AI die AI in de gaten houdt, klinkt enigszins dystopisch, maar het vereist ook veel tokens en dus veel rekenkracht. Tegelijkertijd zouden strengere veiligheidseisen de grootste grensverleggende laboratoria kunnen bevoordelen, die beter in staat zijn de vaste kosten van testen, audits en naleving op te vangen, waardoor de toetredingsdrempels mogelijk worden verhoogd.

Het belangrijkste is dat een trager tempo van vooruitgang op het absolute grensgebied zou kunnen veranderen waar rekenkracht wordt gebruikt, in plaats van de benodigde hoeveelheid wezenlijk te verminderen. Middelen zouden kunnen verschuiven van het continu trainen van de volgende generatie modellen naar het testen, implementeren en uitvoeren van de modellen die al bestaan, waardoor meer inferentie, meer agents en mogelijk een veel bredere acceptatie worden ondersteund.

Dit is waarschijnlijk de belangrijkste vraag. De omvang van de investeringscyclus is buitengewoon groot geworden: de kapitaaluitgaven van hyperscalers en cloudbedrijven zullen naar verwachting in 2027 een recordhoogte van circa 1,2 biljoen dollar bereiken, vergeleken met minder dan 200 miljard dollar in 2023². Tegelijkertijd wordt het financiële debat steeds veeleisender: de profielen met vrije cash flow staan onder druk, de financieringskosten zijn gestegen en beleggers willen steeds vaker bewijs zien dat beleggingen van honderden miljarden dollars uiteindelijk voldoende rendement kunnen opleveren.

Het huidige tempo van de groei van de kapitaaluitgaven kan duidelijk niet oneindig doorgaan. Maar er is een belangrijk verschil tussen een vertraging van de groei van de kapitaaluitgaven en een daadwerkelijke daling ervan. Zelfs bij een aanzienlijke vertraging zouden de absolute uitgaven op een historisch hoog niveau blijven en een aanzienlijke incrementele vraag blijven vertegenwoordigen voor de bedrijven die de infrastructuur leveren. Belangrijk is dat we ons nog grotendeels in de inputfase van de AI-cyclus bevinden: de infrastructuur wordt aangelegd voordat de volledige economische output van AI zich heeft gemanifesteerd. Door deze timing-mismatch lijken de huidige kapitaaluitgaven bijzonder hoog in verhouding tot de inkomsten, maar dit is wellicht juist wat nodig is om de volgende fase van de invoering mogelijk te maken.

De concurrentiedynamiek maakt een scherpe inkrimping ook moeilijker. Cloud, zoekmachines, reclame, productiviteitssoftware en consumentenecosystemen worden allemaal door AI hervormd. Te weinig investeren kan de vrije cash flow vandaag weliswaar beschermen, maar het brengt ook het risico met zich mee dat een platform morgen technologisch achterop raakt. Dit creëert een dynamiek die dicht in de buurt komt van een „AI or die” -situatie: hyperscalers zullen selectiever worden in waar ze hun geld aan uitgeven, maar de drempel om beleggingen substantieel te verminderen blijft hoog.

Momenteel lijken fysieke beperkingen, in plaats van de bereidheid om te beleggen, de belangrijkste rem op de cyclus te zijn.

De risico’s zijn reëel, maar ze vormen slechts de helft van het verhaal. Tegelijkertijd wijzen verschillende ontwikkelingen erop dat de mogelijkheden op het gebied van rekenkracht zich ver buiten de oorspronkelijke AI-uitbouw uitbreiden.

De eerste fase van generatieve AI was vanuit hardware-oogpunt relatief eenvoudig: train steeds krachtigere modellen op enorme GPU-clusters en gebruik die modellen vervolgens om vragen te beantwoorden. Agentische AI verandert die vergelijking, en Muse is hiervan een goed voorbeeld.

In plaats van simpelweg een antwoord te genereren, kan een agent browsers bedienen, communiceren met applicaties en een reeks taken uitvoeren namens een gebruiker, waarbij hij mogelijk minuten of zelfs urenlang op de achtergrond blijft werken. GPU’s en AI-versnellers voeren nog steeds het zware inferentiewerk uit, maar CPU’s coördineren de besturingssystemen, browsers en mogelijk honderden kleinere acties daaromheen. Geheugen, netwerken, opslag, stroomvoorziening en koeling profiteren allemaal naarmate die werklasten complexer worden.

Met andere woorden: agenten breiden de stuklijst van AI-hardware uit. Muse is slechts een vroeg voorbeeld. Maar het biedt de markt iets waar deze al lang op heeft gewacht: een tastbare use case voor consumenten voor meer inferentie, voor langere tijd, op een breder scala aan hardware.

Op dit moment doen zich leveringsproblemen voor bij substraten, speciale materialen, optische connectiviteit, energiebeheer, koeling en diverse onderdelen van de keten van halfgeleiderapparatuur.

De meest recente kwartaalcijfers van Nvidia illustreerden dit op treffende wijze. Het bedrijf verwacht dat de omzet het komende boekjaar met ongeveer 70% zal groeien, wat ver boven de eerdere marktverwachtingen ligt³. Maar omzetprognoses kunnen met een paar aanpassingen in een spreadsheet omhoog worden bijgesteld; de fysieke toeleveringsketen kan zich lang niet zo snel aanpassen. Het bouwen van fabrieken kost tijd, gespecialiseerde componenten blijven moeilijk te produceren en kwalificatiecycli kunnen maanden of jaren duren.

Zodra de ene beperking is opgelost, duikt er vaak een andere op: meer GPU’s vereisen meer geheugen; meer geheugen vereist extra verpakkingscapaciteit; grotere clusters hebben snellere netwerken nodig; een hogere dichtheid leidt tot nieuwe eisen op het gebied van koeling en stroomvoorziening. De bottleneck verschuift steeds verder in de waardeketen. Een bedrijf hoeft niet de meest glamoureuze AI-chip te produceren om aantrekkelijke economische voordelen te behalen.

Eén laatste onderscheid wordt nog steeds onderschat. De markt blijft zich afvragen of hyperscalers uiteindelijk genoeg AI-inkomsten zullen genereren om de honderden miljarden dollars die ze beleggen te rechtvaardigen. Hun uitgaven vinden vandaag plaats, terwijl een groot deel van de inkomsten pas later wordt gegenereerd.

Voor veel hardwarebedrijven is de vergelijking eenvoudiger: hun klanten geven vandaag geld uit. Bestellingen vertalen zich in omzet, omzet in winst en, voor de bedrijven die wij prefereren, winst in vrije cash flow. In combinatie met knelpunten en lange doorlooptijden kan dit geselecteerde hardwarebedrijven een grotere winstzekerheid opleveren dan de bedrijven die de uitbouw van AI financieren.

De waardering is net zo belangrijk. Ondanks de sterke opleving in de halfgeleidermarkt blijven we kansen zien waarbij de verwachte groei van de cash flow aantrekkelijk blijft ten opzichte van de betaalde waardering. Dit staat in contrast met delen van het hyperscaler-universum, waar de kapitaalintensiteit toeneemt, net nu beleggers steeds veeleisender worden wat betreft de timing en winstgevendheid van toekomstige AI-inkomsten.

Dit betekent echter niet dat er lukraak hardware moet worden aangeschaft. De verwachtingen zijn hooggespannen, technologische disruptie blijft een constant risico en de capaciteit zal uiteindelijk de vraag inhalen. Aandelenselectie en waarderingsdiscipline zijn daarom belangrijker, niet minder belangrijk.

Maar de bredere conclusie blijft ongewijzigd. De twee belangrijkste risico’s waarmee AI-hardware momenteel te maken heeft, zijn reëel: het tempo van de ontwikkeling van baanbrekende modellen zou kunnen vertragen en de groei van de kapitaaluitgaven van hyperscalers zal uiteindelijk afvlakken. Toch impliceert geen van beide noodzakelijkerwijs een ineenstorting van de vraag naar rekenkracht, terwijl de volgende fase van AI die vraag zou kunnen verbreden naar meer workloads, meer componenten en meer delen van de toeleveringsketen.
Wat hardware betreft, denken wij dat we daar nog niet zijn.