Wiederholt sich der „DeepSeek-Moment“? Die Wall Street ist sich einig: Kimi K3 verstärkt im Gegenteil die Nachfrage nach Rechenleistung

Der Markt betrachtet Kimi K3 als „DeepSeek-Moment 2.0“ und reagiert panisch, doch dieses Mal ist die Einschätzung der Wall Street völlig anders.

In der Nacht des 16. Juli stellte Moonshadow in Shanghai Kimi K3 vor. Das Open-Source-Modell mit 2,8 Billionen Parametern erzielte bei der Artificial Analysis Intelligent Index einen Wert von 57 und rangiert weltweit auf Platz drei bis vier, gleichauf mit Claude Opus 4.8 von Anthropic und GPT-5.5 von OpenAI. Noch entscheidender ist, dass K3 im Frontend Code Arena Ranking der University of California, Berkeley mit 1679 Punkten die Spitze erreichte – damit übertrifft es Claude Fable 5 und GPT-5.6 Sol und wird zum ersten Open-Source-Modell, das alle internationalen Closed-Source-Modelle auf einem anerkannten Programmier-Ranking übertrifft.

Am 17. Juli verzeichnete der Halbleitersektor an der US-Börse deutliche Kursrückgänge. Der Reflex des Marktes ist verständlich – Anfang 2025 löste die Veröffentlichung von DeepSeek R1 einen rapiden Absturz der Rechenleistungsaktien aus. Die Logik dahinter: Chinesische Modelle werden immer stärker – warum sollten amerikanische KI-Unternehmen noch so viel Geld in Rechenleistung investieren? Wenn chinesische Modelle mit geringeren Kosten an die Grenze der Fähigkeiten stoßen, müssen Nachfrage nach Nvidia, HBM, Servern und Netzwerkausrüstung neu bewertet werden?

Laut Windtrading Desk gehen aktuelle Research-Reports von Investmentbanken wie UBS, Nomura, Merrill Lynch und Citi jedoch davon aus, dass: Kimi K3 kein Todesstoß für den Bedarf an Rechenleistung ist, sondern ein Beschleuniger.

Kimi K3 und DeepSeek R1 stellen unterschiedliche Herausforderungen dar. R1 brachte dem Markt vor allem „Effizienz“ nahe; K3 stellt „Skalierbarkeit“ heraus. 2,8 Billionen Parameter, 1M Token-Kontext, kontinuierliche Inferenz, native Multimodalität, MoE-Architektur – diese Eigenschaften erzählen keine „leichtgewichtige Asset Story“. Sie erhöhen zugleich den Druck auf Inferenz, Speicher, Netzwerk und Storage.

Wie stark ist Kimi K3?

Kimi K3 wurde von Moonshadow am 16. Juli 2026 vorgestellt, die vollständigen Modellgewichte sollen am 27. Juli zur Verfügung stehen. Es handelt sich um ein Open-Source-Großmodell mit 2,8 Billionen Parametern – laut mehreren Institutionen das bislang größte Open-Source-LLM.

Die wichtigsten Konfigurationspunkte:

Erstens: 1M Token-Kontextfenster. Das Modell kann längere Texte, größere Code-Basen sowie komplexere Firmenprofile und Forschungsaufgaben verarbeiten.

Zweitens: Kontinuierliche Inferenz. Nicht nur einfache Frage-Antworten, sondern ausgelegt für Long-Chain-Reasoning und Agenten-Aufgaben.

Drittens: Native visuelle Fähigkeiten. K3 verarbeitet nicht nur Text, sondern auch Video, Bilder, Game-Entwicklung, Frontend-Design, CAD und andere multimodale Aufgaben.

Architektonisch verwendet K3 Kimi Delta Attention, Attention Residuals und Stable LatentMoE. Beim MoE-Teil werden von 896 Experten für jeden Token 16 Experten aktiviert. Moonshadow gibt an, dass die Gesamt-Skalierungseffizienz gegenüber Kimi K2 um etwa das 2,5-fache verbessert wurde.

Das erklärt, weshalb K3 kein „günstigeres K2“ ist. Nomura fasst die Preise zusammen: K3 kostet für 1 Million Token Input 3 US-Dollar, wenn der Cache getroffen wird 0,30 Dollar Input, Output für 1 Million Token 15 Dollar. Laut Artificial Analysis liegt K3 bei etwa 0,94 Dollar pro Aufgabe – günstiger als Claude Fable 5 (ca. 2,75 Dollar) und Claude Opus 4.8 (ca. 1,80 Dollar), ähnlich wie GPT-5.6 Sol (1,04 Dollar), aber deutlich teurer als GLM-5.2 (0,32–0,47 Dollar) und weit mehr als DeepSeek V4 Pro (0,04 Dollar).

K3 ist also nicht als billigste Option positioniert, sondern zielt darauf, mit geringeren Kosten an die Fähigkeiten der führenden Modelle heranzureichen.

Vier Investmentbanken betonen: Das ist keine Nachfrageschwächung

Zu den Sorgen um einen „DeepSeek-Moment“ schreibt Nomura-Analyst Duan Bing im Bericht des Asien-Pazifik-Technologies-Teams: „Wir glauben, dass der globale Markt für Großmodelle nicht aufhört zu konkurrieren und innovieren. Mit dem immer näher kommenden AGI werden Generative AI-Anwendungen bei Verbrauchern und Unternehmen weiter expandieren. Führende KI-Labors und hyperskalige Cloud-Anbieter werden weiterhin investieren, um wettbewerbsfähig zu bleiben. Mit der Fortsetzung des Skalierungs-Gesetzes sehen wir diesen Wettbewerb als vorteilhaft für die AI-Infrastruktur-Wertschöpfungskette.“

Citi-Halbleiteranalyst Peter Lee widmete seinem Report vom 19. Juli direkt den Titel „Noch ein Jevons-Paradoxon“. Was bedeutet das Jevons-Paradoxon? Kurz gesagt: Steigt die Effizienz von Dampfmaschinen, wird mehr Kohle verbraucht, weil mehr Menschen sie nutzen können und es neue Anwendungsfelder gibt. Genauso gilt: Werden hochwertige Modelle günstiger, werden Entwickler und Unternehmen mehr Anwendungen und Token deployen – das treibt den tatsächlichen Verbrauch an Rechenleistung nach oben.

Peter Lee meint, selbst bei breiter Nutzung von K3 wird die Nachfrage nach DDR5-Server-Speicher und eSSD nicht sinken, sondern steigen. Grund: Trotz ähnlicher Inferenz-Effizienz wie bei anderen Top-Modellen wächst die KV-Cache-Auslastung proportional zur Kontextlänge und stellt eine größere Belastung für Speicher dar.

BofA-Securities-Halbleiteranalyst Vivek Arya formuliert im Report vom 17. Juli noch deutlicher: Die US-KI-Labore reagieren nicht mit weniger, sondern mit mehr Rechenleistung. Wenn chinesische Open-Source-Modelle weiter aufholen, müssen OpenAI, Anthropic und Google durch größere Trainings, schwerere Inferenz und schnellere Iterationen ihren Vorsprung verteidigen. Arya erwähnt ein übersehenes Detail: Medien berichten, dass Gemini 3.5 Pro von Google Monate hinter dem Zeitplan liegt, die Programmierleistung die internen Ziele nicht erreicht und die technologische Spitzenposition „immer schwerer zu halten“ ist.

Das UBS-Analysten-Team um Timo Arcuri schreibt am 20. Juli, Parallelen zwischen K3 und DeepSeek R1 seien zwar vorhanden, aber K3 stehe mehr für die Skalierung – es ist das global größte Open-Source-Modell mit 2,8 Billionen Parametern und einem Kontextfenster von 1 Million Token. Die Analysten betonen: Open-Source-Modelle benötigen generell mehr Speicher als top Closed-Source-Modelle, da die Kontextfenster länger sind und die Menge an KV-cache selbst nach Quantisierung absolut weiter wächst – Open-Source-Modelle sind daher stärker auf HBM und Storage angewiesen.

Storage: Das direkt profitierende Segment. UBS schätzt, dass das Storage- und Memory-Segment bis 2028 einen kumulierten freien Cashflow (FCF) von etwa 30% des Marktwerts erwirtschaftet – der höchste Anteil unter allen Sub-Segmenten. Micron (MU) allein kommt auf 47%. Citi und Nomura halten ihre Kaufempfehlungen für Samsung Electronics aufrecht, da der globale Speicher-Markt aktuell extrem knapp ist. Citi-Analyst Peter Lee stellt fest, dass der Memorybedarf auf Inferenzseite von Kimi K3 mindestens ebenso hoch ist wie bei anderen Top-Modellen und das Wachstum des KV-Cache direkt den Bedarf für DDR5-Server-Speicher und Enterprise-eSSD steigert – große K3-Deployments benötigen einen „Supernode-Cluster“ mit über 64 GPUs.

Recheninfrastruktur: TSMC und Nvidia profitieren am stärksten. Ob Trainings-Skalierungslaw oder steigende Token-Nachfrage auf Inferenzseite – beides führt zu mehr Bedarf an fortschrittlichen Chip-Verfahren. Nomura bekräftigt seine Kaufempfehlungen für TSMC, ASE, Mediatek. Nvidia hat offen erklärt, dass die Inferenz moderner MoE-Modelle auf GB300 NVL72 bis zu 25x besseres Leistungs-/Energieverhältnis bietet als die vorherige Hopper-Generation – Modelle wie K3 profitieren direkt von den neuesten Nvidia-Chips.

Netzwerk: Supernode-Trend eröffnet strukturelle Chancen. Kimi K3 benötigt Supernode-Cluster. Chinas lokale Rechenleistung leidet unter Beschränkungen beim Export von Highend-Chips, daher muss die Supernode-Architektur einzelne Karten ausgleichen – dies treibt die Nachfrage bei Lieferanten von optischen Modulen und optischen Chips. Nomura favorisiert Zhongji Xuchuang und Suzhou Xuchuang.

Cloud-Plattformen: Profitieren vom Ökosystem-Effekt. Cloud-Plattformen, die viele führende Open-Source-Modelle hosten, haben stärkere Verhandlungspositionen und sind nicht auf einzelne Closed-Source-Anbieter angewiesen. Nomura sieht Alibaba (BABA) als Kern des chinesischen AI-Cloud-Ökosystems sowie GDS und VNET als relevante Rechenzentrumsbetreiber.

Dies ist vielleicht der am meisten unterschätzte Datenpunkt in der gesamten Story.

Laut Statistik der offenen API-Gateway-Plattform OpenRouter beträgt der Anteil chinesischer KI-Modelle an weltweiten Token-Nutzung durch Entwickler vor einem Jahr unter 2%, inzwischen über 45%. Merrill Lynch-Daten bestätigen die beschleunigte AI-Durchdringung insgesamt: Aktuell haben etwa 55% der US-Unternehmen AI-Modelle, Plattformen oder Tools abonniert; Anthropic hat 42%, OpenAI 40% Unternehmensadoption. Die führenden AI-Konsumenten (die Top 1% der Firmenkunden) geben pro Mitarbeiter und Monat schon 4833 US-Dollar für AI aus.

Der Markt differenziert sich: Einerseits stehen chinesische Open-Source-Modelle wie DeepSeek und Kimi K3 für kostengünstige bis mittelpreisige Lösungen; andererseits fokussieren die Top-US-Modelle auf komplexere Workloads wie Scientific Computing – sie halten technologischen und preislichen Vorsprung. Nomura meint: Die führenden Modellanbieter beider Länder werden profitieren – vorausgesetzt, sie bleiben technisch auf der Höhe.

Nach der K3-Veröffentlichung verglich der Markt das Modell vor allem mit DeepSeek R1. Diese Gegenüberstellung ist nützlich, aber sollte nicht nur auf der Frage „Wird wieder mehr in AI-Hardware investiert?“ bleiben.

DeepSeek hat den Markt veranlasst, die Trainingseffizienz neu zu bewerten. K3 zeigt jetzt: Open-Source-Modelle können ebenfalls Skalierbarkeit, langen Kontext, Agenten und Multimodalität in die Spitzenklasse bringen.

Das zwingt amerikanische KI-Labore, weiter zu investieren, und lässt chinesische Modelle im weltweiten Entwickler-Ökosystem expandieren. Closed-Source-Spitzenmodelle behalten technische und preisliche Vorteile, Open-Source-Modelle decken mehr Preissegmente und Deployment-Szenarien ab, Cloud-Anbieter sorgen für Distribution und Enterprise-Verankerung, die Hardware-Kette übernimmt Trainings- und Inferenzlast.

Kurzfristig sorgt die „DeepSeek-Erinnerung“ für Volatilität. Mittelfristig gilt: Solange die Token-Nutzung weiter steigt, lange Kontextfenster und Agenten weiter verbreitet werden, bleiben Rechenleistung, HBM, Storage, Netzwerk und IDC unvermeidliche Kostenpunkte.

Deshalb kommen viele Institutionen nach K3 zu ähnlichen Schlüssen: Stärkere Open-Source-Modelle sind nicht das Ende des AI-Infrastruktur-Bedarfs, sondern vielleicht der Einstieg in eine neue Nachfragewelle.

Allerdings weist Merrill Lynch ausdrücklich auf ein Tail-Risiko hin: „Falls der Effizienzgewinn schneller steigt als das Wachstum der Workloads, könnte die Infrastruktur-Nachfrage zurückgehen.“ Mit anderen Worten: Wenn Modelle immer billiger werden, die Nutzung aber nicht signifikant zunimmt, wird die Logik des Wachstums beim Bedarf nach Rechenleistung geschwächt.