Pantera Capital: 4 große Chancen im Rechenleistungsmarkt
Tapbit WireAutor: Jay Yu, Partner bei Pantera Capital
Zusammengefasst von: Jiahua, ChainCatcher
Einleitung
Ausgaben für Rechenleistung und Rechenzentrumsinfrastruktur sind zu einem Milliardenmarkt geworden – vergleichbar mit den US-Verbraucherausgaben – und entwickeln sich zunehmend zur tragenden Säule des US-Wirtschaftswachstums.
Doch während KI-Agenten allmählich in die Realwirtschaft eindringen, wächst die Nachfrage nach Rechenleistung kontinuierlich – gleichzeitig bleiben die Beschaffungsmethoden für GPUs jedoch weitgehend traditionell. Trotz der Entstehung von Rechenleistungsmärkten wie SF Compute, Vast AI und Runpod erfolgt der Kauf und Verkauf vieler GPU-Knoten nach wie vor über Gruppenchats, außerbörsliche Makler und individuelle bilaterale Vereinbarungen.
Derzeit befindet sich GPU-basierte Rechenleistung noch in einer frühen Phase der Finanzialisierung. Wie Strom ist Rechenleistung kein vollständig homogenes Gut; sie unterliegt Einschränkungen durch Faktoren wie Chipmodelle, Lieferzeiten und geografische Standorte. In den nächsten 5 bis 10 Jahren dürfte Rechenleistung jedoch schrittweise zu einer handelbaren Ware wie Strom oder Öl werden – einer zentralen Ressource, die im KI-Zeitalter den Betrieb der Weltwirtschaft stützt.
Dieser Artikel erläutert, wie der Rechenleistungsmarkt diesen Wandel vollziehen kann – darunter Erkenntnisse aus dem Strommarkt, mögliche Strukturen des Rechenleistungsmarkts, branchenweit entwickelte Produkte sowie Chancen und Herausforderungen bei der Kommodifizierung von Rechenleistung.
1. Antworten vom Strommarkt ableiten
1.1 Struktur des Strommarkts
Um die zukünftige Entwicklung des Rechenleistungsmarkts besser zu verstehen, lohnt ein Blick auf seine Grundlage: den Strommarkt.
Wie Rechenleistung ist auch Strom ein heterogenes Gut mit zeitlichen und zentralen Eigenschaften und bildet eine wichtige Grundlage für das globale Wirtschaftswachstum.
Seit den 1990er-Jahren wurde das US-Stromsystem schrittweise privatisiert. Die zuvor stark vertikal integrierten Versorgungsunternehmen begannen, Erzeugung, Übertragung und Verteilung zu entflechten.
Unabhängige Netzbetreiber übernahmen die Verwaltung der Stromsysteme in verschiedenen Regionen der USA. Gleichzeitig entwickelten sich große verbundene Stromnetze wie PJM-West (Ostküste), ERCOT North (Texas) und CAISO SP15 (Südkalifornien) zu Handelswaren an Börsen wie CME und ICE – und bildeten wichtige Referenzpreise für die gesamte Stromanlageklasse.
Auf physischer Ebene lässt sich der Strommarkt grob als Struktur aus „Netz, Betreiber, Knoten“ beschreiben.
Auf oberster Ebene befinden sich voneinander unabhängige regionale Netze. Unter jedem regionalen Netz gibt es mehrere Systembetreiber – darunter Regional Transmission Organizations (RTOs) und Independent System Operators (ISOs). Diese Betreiber verwalten jeweils mehrere Umspannwerksknoten in ihrem lokalen Gebiet.
Beispielsweise kann eine Stadt wie San Francisco von mehreren Umspannwerksknoten – etwa Embarcadero, Larkin und Mission – versorgt werden.
Der Strompreis an jedem Knoten ist nicht identisch, sondern wird durch einen Algorithmus namens „Locational Marginal Pricing“ (LMP) bestimmt. Dieser berücksichtigt Erzeugungsplanung, Verbrauchernachfrage, Übertragungskosten sowie die Gesetze des Stromflusses, um den optimalen Preis unter gegebenen Randbedingungen zu berechnen.
Der LMP-Algorithmus wird zur zentralen Schnittstelle zwischen physischer Stromlieferung und handelbaren Stromreferenzpreisen wie PJM-West.
Hub- und Indexpreise auf dem Strommarkt sind im Wesentlichen gewichtete Durchschnitte der Preise an mehreren terminalen LMP-Knoten. Die größten und liquidesten Preisbenchmarks erreichen letztlich stabile Handelstiefe an Börsen wie CME und ICE und werden so zu Referenzpreisen für die gesamte Stromanlageklasse.
1.2 Mögliche Struktur des Rechenleistungsmarkts
Die Entwicklung des Strommarkts der letzten 30 Jahre ermöglicht mehrere Vermutungen zum Rechenleistungsmarkt.
Erstens könnte sich auf dem Rechenleistungsmarkt eine Struktur ähnlich der des Strommarkts herausbilden.
Der physischen Lieferung nach entspricht der Strommarktstruktur „Netz, Betreiber, Knoten“ am ehesten die Struktur „Hardware, Anbieter, Cluster“.
Wie es im Strommarkt mehrere voneinander unabhängige regionale Netze gibt, könnte sich auch auf dem Rechenleistungsmarkt je nach Hardwarekategorie ein eigenes Marktsegment bilden. Chipkategorien wie H100, H200, B200 und B300 könnten jeweils eigene, jedoch miteinander verknüpfte Preisbenchmarks erhalten.
Auf Betreiber-Ebene bieten Rechenleistungsanbieter wie AWS, Nebius, CoreWeave, SF Compute und Ornn unterschiedliche Preisgestaltungen für spezifische Cluster an. Diese Cluster werden ebenso wie verschiedene Knoten im Strommarkt von Zeit, Standort und SKU beeinflusst.
Das Äquivalent zum LMP im Rechenleistungsmarkt könnte ein Scheduling- oder Routing-Algorithmus sein, der dynamisch Preise für Rechenleistungsinstanzen basierend auf der Verfügbarkeit einer bestimmten SKU generiert.
Die Benchmarks, die im Strommarkt schließlich als Branchenreferenzpreise gelten – etwa PJM-West, ERCOT-North und CAISO SP15 – sind typischerweise mit den liquidesten physischen Lieferinfrastrukturen verbunden, vergleichbar mit anderen Rohstoffmärkten wie Öl.
Je mehr Preisbenchmarks im Rechenleistungsbereich entstehen, desto wahrscheinlicher ist es, dass sich jene durchsetzen, die mit hochliquiden physischen Lieferstandorten verbunden sind.
Zudem handeln im Strommarkt Erzeuger und stromverbrauchende Unternehmen manchmal direkt an Strombörsen, doch die Mehrzahl der Transaktionen erfolgt weiterhin über außerbörsliche (OTC) Handelsabteilungen von Banken und Handelsunternehmen. Diese OTC-Institute tauschen Knotenabrechnungspreise gegen Hub-Abrechnungspreise aus, erzielen die Differenz und hedge ihre eigenen Risiken.
Eine ähnliche Marktstruktur könnte sich auch auf dem Rechenleistungsmarkt herausbilden. Die eigentlichen Angebots- und Nachfrageseiten – also neue Cloud-Dienstanbieter und KI-Unternehmen – könnten den Bezug spezifischer SKUs über Broker bevorzugen statt direkter Absicherung an Rechenleistungsbörsen.
Schließlich könnte der Rechenleistungsmarkt einem stärkeren Basisrisiko als der Strommarkt ausgesetzt sein.
Gemäß dem US-Bundesstromgesetz (Federal Power Act) müssen Großhandelsstrompreise transparent bleiben und unter Aufsicht der Federal Energy Regulatory Commission (FERC) stehen. Der Rechenleistungsmarkt unterliegt derzeit keiner vergleichbaren Transparenzanforderung.
Dies bedeutet, dass dynamische Preise und Indizes im Rechenleistungsmarkt möglicherweise nur auf dessen eigenem Orderbuch sowie auf Orderbuchdaten neuer Cloud-Dienstanbieter beruhen, mit denen Kooperationen bestehen. Solche Kooperationen können über Umsatzbeteiligung, Datenerwerb oder andere Vereinbarungen erfolgen.
2. Struktur des Rechenleistungsmarkts
2.1 Dreistufige Struktur der Inferenz-Nachfrage
Der Strommarkt existiert, weil das Industriesystem kontinuierlich Strom benötigt. Ebenso ist die Nachfrage nach Tokens – insbesondere Inferenz-Tokens – die treibende Kraft des Rechenleistungsmarkts.
Die aktuelle Inferenz-Wertschöpfungskette lässt sich grob in drei Ebenen unterteilen, die gemeinsam Angebot und Nachfrage im Rechenleistungsmarkt strukturieren.
Neue Cloud-Service-Anbieter-Ebene
Unternehmen wie Nebius und CoreWeave betreiben physische Rechenzentren und bilden damit die Verkäufer von GPUs.
On-Demand-Ebene
Entwicklerplattformen wie Fireworks und Baseten verwandeln GPU-Rohumgebungen in vollständigere GPU-Nutzungsumgebungen, sodass Entwickler Aufgaben direkt ausführen oder jederzeit Inferenz-Tokens beziehen können. Diese Ebene stellt die Käufer von GPUs dar.
Anwendungsebene
Anwendungen wie Cursor, Perplexity und Rime nutzen Inferenzplattformen, um Endnutzern und Unternehmen finale Produkte bereitzustellen. Diese Ebene bildet die Nachfrageseite für Tokens; die Token-Nachfrage mündet in die Nachfrage nach GPU-Rechenleistung.
Obwohl jedes Unternehmen im Ökosystem unterschiedliche GPU-Verwaltungsstrategien verfolgt, stehen neue Cloud-Service-Anbieter insgesamt auf der Angebotsseite des GPU-Markts (strukturelle Short-Position), während die On-Demand- und Anwendungsebene auf der Nachfrageseite steht (strukturelle Long-Position).
Große Cloud-Service-Anbieter wie Amazon und Google hingegen betreiben eigene Produkte über alle drei Ebenen hinweg.
Beim Gewinnfluss in der Wertschöpfungskette gilt grob: Wenn Top-Anwendungen 100 US-Dollar für Tokens ausgeben, fließen etwa 45 US-Dollar an die On-Demand-Ebene, 50 US-Dollar an neue Cloud-Service-Anbieter oder die GPU-Ebene und die restlichen 5 US-Dollar an Routing-Schichten wie OpenRouter.
2.2 Struktur des Rechenleistungs-Kapitalmarkts
Die Token-ökonomische Struktur der verschiedenen Akteure in der KI-Wertschöpfungskette beeinflusst, wie sich der Rechenleistungs-Kapitalmarkt letztlich formiert.
Eine mögliche Struktur sieht vor, dass Nachfrager (Entwicklerplattformen und Anwendungen) sowie Angebotsseite (neue Cloud-Service-Anbieter) spezifische SKUs über Rechenleistungs-Broker und OTC-Handelsplattformen wie SF Compute, Runpod und Compute Exchange handeln.
Diese Broker und OTC-Plattformen verwalten anschließend den Bestand und tragen das Basisrisiko zwischen den spezifischen SKUs, die End-Token-Nutzer benötigen, und der allgemeinen H200-GPU.
Sie können sich über Rechenleistungs-Handelsplattformen wie Architect oder Pluto absichern.
Die Preise auf diesen Plattformen basieren auf einem Rechenleistungs-Benchmark, der als gewichteter Durchschnitt der Orderbuch-Preise von neuen Cloud-Service-Anbietern und mit ihnen kooperierenden OTC-Plattformen berechnet wird.
2.3 NVIDIA: Die „Zentralbank“ des Rechenleistungsmarkts
Darüber hinaus kündigte NVIDIA kürzlich an, die Rechenleistung aus seinen KI-Fabriken als „handelbare Anlageklasse“ zugänglich zu machen.
Im Finanzialisierungssystem der Rechenleistung kann NVIDIA als „Zentralbank“ des Rechenleistungsmarkts betrachtet werden, da sie nahezu den gesamten GPU-Technologiestack monopolisiert.
Zentralbanken verfolgen typischerweise mehrere Kernziele:
Bekämpfung der Inflation in der Wirtschaft;
Förderung der Vollbeschäftigung;
Funktion als Kreditgeber letzter Instanz in Extremsituationen.
NVIDIA übernimmt in gewissem Maße alle drei dieser Rollen.
Erstens: Steuerung der „Inflation“. Die „Inflation“ im GPU-Markt lässt sich mit dem Abschreibungszyklus von GPUs vergleichen – insbesondere mit der Abschreibungsrate der neuesten Chipgeneration. Durch Kontrolle des Produktlaunch-Takts (z. B. Vera Rubin) kann NVIDIA den zeitlichen Abschreibungsverlauf von GPUs zumindest teilweise beeinflussen.
Zweitens: Aufrechterhaltung einer hohen GPU-Auslastung. Eine hohe Auslastung signalisiert meist starke Marktnachfrage nach Tokens, was Nutzer zum Kauf weiterer GPUs bewegt. NVIDIA hat daher ein Interesse daran, die Finanzialisierung der GPU-Rechenleistung voranzutreiben und GPU-Stunden-Transaktionen liquid zu machen – was die Auslastung weiter steigert.
Drittens: Funktion als Kreditgeber letzter Instanz. NVIDIA kündigte außerdem an, GPU-Besitzern bis zu 25 % des verbleibenden Wertes zu garantieren. Dies stellt eine Art Rettungs- oder Versicherungsmechanismus für den GPU-Wert dar: Bei Liquiditätskrisen neuer Cloud-Anbieter oder anderer GPU-Lieferanten schützt diese Garantie den Restwert der GPUs.
3. Chancen und Herausforderungen im Rechenleistungsmarkt
3.1 Produktformen im Rechenleistungsmarkt
Mit fortschreitender Finanzialisierung des Rechenleistungsmarkts könnten sich mehrere Hauptprodukttypen in der Branche herausbilden – jeweils mit eigenen Vor- und Nachteilen.
Produkt 1: Physische Lieferung
Physische Lieferung bedeutet die reale Übergabe von GPU-Geräten an Endnutzer mit Rechenleistungsbedarf. Projekte wie SF Compute, Hyperbolic, Vast, Runpod und Compute Exchange gehören zu dieser Produktstufe. Sie steht der Hardware am nächsten und verbindet direkt Angebot und Nachfrage nach Rechenleistung.
Aufgrund der hohen Heterogenität von Rechenleistungs-SKUs agierten viele Projekte zunächst lediglich als Vermittler und verdienten Provisionen durch Zuordnung von GPU-Nachfrage zu neuen Cloud-Anbietern. Langfristiges Ziel dieser Stufe könnte die Einrichtung einer Art „Rechenleistungs-Spotbörse“ sein.
Die kontinuierliche Sicherstellung der Qualität physischer GPU-Lieferungen stellt jedoch eine große Herausforderung dar – besonders bei Projekten mit dezentraler Lieferquelle. Der Rechenleistungsmarkt benötigt möglicherweise eine Ratingagentur à la Moody’s, um die Qualität lieferbarer GPUs zu zertifizieren und diese Stufe weiter zu professionalisieren.
Trotz des harten Wettbewerbs in der physischen Lieferungsstufe könnte sie langfristig die nachhaltigste Wettbewerbsposition („Moat“) besitzen. Ein Blick auf Öl- und Strommärkte zeigt: Finanzialisierungssysteme entstehen typischerweise um die liquidesten physischen Lieferorte herum – unter Bildung von Indizes, Börsen und Kreditprodukten.
Wer das Problem der physischen GPU-Lieferung zuerst löst, könnte daher erhebliche Marktrenditen erzielen.
Produkt Zwei: Indizes
Diese Schicht bezieht sich hauptsächlich auf die auf Rechenleistung basierenden „Indexkurven“, darunter Preisindizes für Rechenleistung, die von Projekten wie Ornn, Silicon Data, Compute Desk und Semianalysis eingeführt wurden.
Die Etablierung von Indizes ist ein wichtiger Schritt zur weiteren Finanzialisierung und zum Handel mit Vermögenswerten wie Rechenleistung. Man kann sagen, dass viele aktuelle Marktdebatten zum „Rechenleistungsmarkt“ erst dann an Fahrt gewannen, als Rechenleistungsindizes allmählich ausgereift sind. Große Börsen wie CME und ICE kündigten zudem Kooperationen mit entsprechenden Indizes an.
Es besteht jedoch nach wie vor eine erhebliche Preislücke zwischen vielen Rechenleistungsindizes und dem individuellen GPU-Markt.
Die Gründe für diese Preislücke dürften hauptsächlich zweifach sein.
Erstens bestehen Unterschiede bei den zugrundeliegenden Produkten selbst: Verschiedene Rechenleistungsplattformen weisen oft große Unterschiede hinsichtlich Produktstabilität, Unterbrechbarkeit und Vertragsbedingungen auf.
Zweitens unterscheiden sich die Orderbücher hinter den verschiedenen Rechenleistungsindizes; der Rechenleistungsmarkt weist nicht die Transparenzanforderungen anderer Anlageklassen auf – etwa wie FERC sie für den Strommarkt vorschreibt.
Derzeit kaufen viele Rechenleistungsindizes einfach Daten aus den Orderbüchern neuer Cloud-Anbieter in großer Menge ein oder erstellen erste Datensätze mittels Kooperations- und Umsatzbeteiligungsvereinbarungen. Zudem ist die Monetarisierungsfähigkeit einer eigenständig betriebenen Indexschicht schwächer als die von Börsen und physischen Lieferungsschichten.
Daher erzeugt die Indexschicht zwar Aufmerksamkeit und spielt im System des Rechenleistungsmarkts eine wichtige Rolle, wird aber gleichzeitig sowohl von oben als auch von unten unter Druck gesetzt:
Die obere physische Lieferungsschicht kontrolliert die Preisquelle;
Die untere Börsenschicht möchte einen Anteil am Indexumsatz erzielen.
Produkt Drei: Derivatehandelsplattformen
Die dritte Schicht umfasst Derivatehandelsplattformen, die typischerweise barabgewickelte Futures-Produkte anbieten. Diese Plattformen stellen Absicherungsinstrumente für Marktteilnehmer auf Basis von Rechenleistungsindizes bereit. Liquid Compute und Architect entwickeln hierzu verwandte Produkte.
Langfristig könnten Derivatehandelsplattformen die am meisten erwarteten und am leichtesten skalierbaren Monetarisierungsprodukte im Finanzalisierungssystem der Rechenleistung sein. Dieser Bereich befindet sich jedoch noch in einem frühen Stadium, und das Handelsvolumen ist bislang nicht signifikant.
Zudem sind die handelbaren Produkte auf barabgewickelten Plattformen meist generische H200-Instanzen statt spezifischer SKUs, die direkt für Inferenz genutzt werden können. Daher dürften die eigentlichen Teilnehmer dieser Plattformen primär OTC-Handelsplattformen und Rechenleistungsbroker sein – nicht Endunternehmen der KI-Wertschöpfungskette. Erstere wollen ihre bilanziell gehaltene Rechenleistungsbestände absichern, letztere ihre eigene Rechenleistungs-Exposition managen.
Produkt Vier: Finanzierungsinstrumente
Im Rechenleistungsbereich könnten zudem breitere Kategorien finanzialisierter Produkte entstehen, die die Finanzierung von Rechenzentren und neuen Cloud-Anbietern unterstützen. Beispiele hierfür sind Darlehensvereinbarungen, Vault sowie synthetische Stablecoins wie USD.AI, die Rechenzentren und neue Cloud-Anbieter beim Infrastrukturaufbau unterstützen können.
Gleichzeitig könnte der Markt auch Risikoübertragungs- und Versicherungsschichten sehen, um Basisrisiken in der GPU-Ökonomie abzufedern. Ein Blick auf die genannten Ebenen macht deutlich, welche endgültige Form der Rechenleistungsmarkt möglicherweise annimmt.
Gewinner werden Full-Stack-Teilnehmer sein, die zuverlässige physische GPU-Lieferung sicherstellen können. Sie können aus ihren eigenen physischen Orderbüchern Preisindizes ableiten und anschließend Rechenleistungs-Futures-Börsen etablieren – wodurch Rechenleistung zu einer absicherbaren Anlageklasse wird.
Der eigentliche Unterschied in der Branche liegt jedoch in der Reihenfolge, in der verschiedene Produkte erscheinen. Wird der letztlich erfolgreiche Anbieter mit physischer Lieferung beginnen, zuerst Indizes einführen oder zunächst Handelsplattformen starten?
3.2 Die Grenze der Rechenleistungs-Token-Ökonomie
Bisher haben wir vor allem den Rechenleistungsmarkt auf GPU-Ebene behandelt. Doch wir können unseren Blick auch erweitern und die allgemeinere Rechenleistungs-Token-Ökonomie betrachten – inklusive ihrer historischen Entwicklung, ihrer Wertabschöpfungsmethoden sowie ihrer strategischen Interaktion mit führenden Modell-Laboren.
Historisch gesehen ist der Rechenleistungsmarkt kein völlig neues Konzept. Von 2023 bis 2024 diskutierten Projekte wie SF Compute und Hyperbolic bereits dieses Modell; dezentrale Projekte wie Akash und IONet erkundeten ebenfalls ähnliche Ansätze.
Interessanterweise verblieben viele Projekte nicht auf der GPU-Markt-Ebene. So entwickelte sich Hyperbolic später zu einem Anbieter von Inferenzdiensten und verkaufte direkt Token; SF Compute begann mit direkten Verträgen und betrieb eigene Rechenleistungscluster.
Aus Sicht der Wertschöpfungskette fließt der Wert von KI-Anwendungen wie Cursor, Harvey und Granola über Routing-Schichten wie OpenRouter zu Inferenzdienstleistern wie Fireworks und Baseten und schließlich zu neuen Cloud-Anbietern und Rechenleistungsmärkten wie Nebius, CoreWeave und SF Compute – bis hin zu Rechenzentrumsbetreibern.
Ein Unternehmen, das in der Mitte der Wertschöpfungskette bleibt, könnte sowohl von oben als auch von unten unter Druck geraten. Um eine stabilere Gewinnmarge zu bewahren, muss es möglicherweise nach oben (Rückwärtsintegration) oder nach unten (Vorwärtsintegration) expandieren.
Auch der Token-Markt bietet eine äußerst interessante spieltheoretische Perspektive mit drei unausweichlichen Kräften.
Die erste Kraft ist NVIDIA, die Angebot und Abschreibungsrate von GPUs kontrolliert.
Die zweite Kraft sind führende Modell-Labore wie Anthropic und OpenAI, die ständig neue Modelle veröffentlichen – was die Token-Nachfrage potenziell stark steigern könnte.
Die dritte Kraft sind Open-Source-Modelle wie Kimi, GLM, DeepSeek und Qwen, die Druck auf die Gewinnmargen bei Inferenzdiensten ausüben.
Diese drei Kräfte erzeugen gemeinsam kontinuierlichen Impuls und Druck auf Angebots- und Nachfrageseite des GPU- und Token-Marktes. Jede dieser Parteien könnte durch den Launch bedeutender Produkte die gesamte Marktpreiskurve neu definieren.
So könnte etwa die Veröffentlichung von GPT 5.6 ein unternehmensgetriebenes Ereignis sein, das der Markt kaum vorhersehen kann, und eine Kettenreaktion entlang der KI-Token-Wertschöpfungskette auslösen – mit Schwankungen bei Token- und GPU-Hardware-Preisen.
Ein Unternehmen, das daher Inferenzdienste und den GPU-Hardware-Markt innerhalb einheitlicher Systeme betreibt, könnte kommerziell nachhaltiger sein. Dieses Modell ermöglicht ein Risikohedging gegen Strukturveränderungen in den Gewinnmargen der Wertschöpfungskette.
Fazit
Blickt man zurück, so beruhten Rohstoffmärkte wie Öl und Strom anfangs auf bilateralem Handel über Vermittler, mit intransparenten Prozessen und fehlenden einheitlichen Standards. Im Laufe der Zeit entstanden jedoch für die physische Lieferung zunehmend Vereinbarungen und finanzielle Infrastrukturen – etwa Indizes, standardisierte Handelsprozesse und Qualitätsaudits –, wodurch sie sich schließlich zu hochgradig finanzialisierten Anlageklassen entwickelten.
Heute durchläuft der Rechenleistungsmarkt eine ähnliche Transformation. Zahlreiche Projekte versuchen, grundlegende Werkzeuge zu finanzialisieren – darunter Rechenleistungsindizes, barabgewickelte Börsen, Kreditprodukte und Versicherungslösungen.
Gleichzeitig dehnen der physische GPU-Markt und Cloud-Anbieter ihre Aktivitäten kontinuierlich nach oben und unten entlang der Wertschöpfungskette aus, um den gesamten Wert in der Token-Ökonomie abzuschöpfen. Als Grundlage der gesamten KI-Wirtschaft wandelt sich Rechenleistung allmählich von reiner Infrastruktur zu einem eigenständigen Finanzinstrument.
In Zukunft könnten sich hier mehrere Einhorn-Unternehmen etablieren, die unterschiedliche Marktsegmente abdecken – etwa physische Rechenleistungsversorgung, Brokerage-Dienstleistungen, Kreditvergabe, Risikomanagement sowie Kombinationen mit DeFi- und TradFi-Kapitalmärkten.
Rechenleistung könnte die erste neue Art physischer Rohware seit Jahrzehnten sein – und wir erleben möglicherweise gerade ihren Weg von privaten Frühphasen-Transaktionen hin zu einer vollständigen Anlageklasse.
