Warum DeepSeeks V4.1-Flash Speicheraktien unter Druck setzte

DeepSeeks Veröffentlichung von V4.1-Flash hat eine zentrale Annahme hinter dem KI-Hardwareboom erschüttert: Leistungsfähigere Modelle müssten zwangsläufig immer mehr Speicher und Speicherkapazität je laufender Anwendung benötigen. Die Kursreaktion war vor allem eine Neubewertung dieser Annahme – kein Beleg dafür, dass der langfristige KI-Speicherzyklus beendet wäre.

Was DeepSeek konkret verändert hat

DeepSeek erklärte, V4.1-Flash benötige für seinen Key-Value-Cache (KV-Cache) im Vergleich zur vorherigen Generation nur ein Viertel des High-Bandwidth Memory (HBM) und ein Achtel des SSD-Speichers. Das Unternehmen hob hervor, dass Kosten für Cache-Treffer bei agentischen KI-Anwendungen oft einen großen Anteil der Gesamtkosten ausmachen. 29

Der KV-Cache speichert Aufmerksamkeitszustände aus bereits verarbeiteten Tokens. So kann ein Modell ein langes Gespräch oder einen mehrstufigen Prozess fortsetzen, ohne den gesamten vorherigen Kontext stets neu berechnen zu müssen. Gerade bei langen Kontextfenstern und KI-Agenten ist dieser Cache daher ein wichtiger Engpass für den Betrieb von Modellen.

Wichtig ist die Einschränkung: DeepSeek behauptete nicht, ein komplettes KI-System benötige plötzlich 75 % weniger HBM oder 87,5 % weniger Speicher. Der Vergleich bezieht sich auf den KV-Cache und auf DeepSeeks vorherige Architektur. Modellgewichte, Trainingsinfrastruktur und weitere Komponenten brauchen weiterhin erhebliche Speicher- und Speicherkapazitäten. 25

Warum Speicher- und Storage-Aktien fielen

Für Anleger war die Schlussfolgerung zunächst einfach: Kann ein Modell ähnliche Inferenzlast mit deutlich weniger Cache-Speicher bewältigen, kann ein bestehender Hardwarebestand potenziell mehr parallele Sitzungen bedienen. Das schwächt kurzfristig Erwartungen an den Speicherbedarf je KI-Workload – und damit auch an Nachfrage und Preise für HBM sowie Enterprise-Speicher.

In Seoul fielen die Aktien von Samsung um 3,5 % und von SK Hynix um 2,2 %, wie zeitgenössische Berichte meldeten. 49 Im anschließenden US-Handel gerieten ebenfalls Speicher- und Storage-Titel unter Druck. Berichte führten DeepSeeks geringeren HBM- und SSD-Bedarf als einen Grund dafür an, dass Investoren die Nachfrageaussichten für KI-Infrastruktur neu bewerteten. 5152

Das bedeutet nicht, dass eine einzelne Modellveröffentlichung jede Kursbewegung verursacht hat. Halbleiteraktien reagieren gleichzeitig auf Gewinnschätzungen, Angebotslage, Zinsen, allgemeine Risikobereitschaft und Investitionspläne großer Rechenzentrumsbetreiber. Die Reaktion zeigte jedoch, wie empfindlich KI-nahe Bewertungen auf Hinweise reagieren, dass Software und Modellarchitektur die benötigte Hardware pro KI-Dienstleistung verringern können.

Zweiter Belastungsfaktor: Forderungen nach einem kontrollierteren KI-Tempo

Die Effizienzmeldung traf auf eine weitere Nachfrageunsicherheit. Dario Amodei, Chef von Anthropic, argumentierte in seinem Essay We Must Pace the Frontier, die Verbesserung von KI-Fähigkeiten solle langsamer und kontrollierter erfolgen, damit Unternehmen und Regierungen Zeit für Ausrichtung und Sicherheitsmaßnahmen gewinnen. Er grenzte dieses „Pacing“ ausdrücklich von einem Stopp des Trainings oder technischen Fortschritts ab. Vorgeschlagen wurden unter anderem fest eingebundene externe Prüfer, Koordination demokratischer Staaten und globale Abstimmung. 40

An den Märkten kann ein langsamerer Entwicklungspfad – selbst ohne Trainingsstopp – als Risiko gelesen werden, dass Ausgaben für Beschleunigerchips, Netzwerke, Speicher und Rechenzentren später erfolgen. An dem von Marktberichten erfassten Handelstag lagen Nasdaq-100-Futures 1,77 % im Minus; Marvell verlor mehr als 7 %, Intel etwa 6 % und Micron mehr als 5 %. 51

Beide Entwicklungen sind allerdings unterschiedlich:

• DeepSeek stellte eine Effizienzfrage: Wie viel Speicher und Storage braucht ein einzelner Inferenz-Workload?
• Die Pacing-Debatte stellte eine Zeitfrage: Wie schnell baut und installiert die Branche immer leistungsfähigere KI-Systeme?

Zusammen ließen sie besonders aggressive Prognosen für die Nachfrage nach KI-Infrastruktur weniger selbstverständlich erscheinen.

Michael Burrys Kritik an der Verlangsamungsforderung

Investor Michael Burry bezeichnete die Verlangsamungsrhetorik der Branche als „self-serving“, also eigennützig. Sie könne etablierten Spitzenlaboren helfen, indem sie den Wettbewerb erschwere, und biete „hype & puffery“ – Übertreibung und PR-Rückenwind – für mögliche Börsengänge. Außerdem könne sie eine tatsächlich nachlassende Wachstumsdynamik kaschieren. Burry argumentierte zudem, große Sprachmodelle seien keine künstliche allgemeine Intelligenz (AGI); deshalb gebe es seiner Auffassung nach „nichts“ in diesem Sinne zu verlangsamen. 14

Das sind Burrys Einschätzungen zu Wettbewerb, Bewertungen und KI-Fähigkeiten, keine allgemein anerkannten technischen Schlussfolgerungen. Für den Markt war entscheidend, dass die Debatte über ein langsameres KI-Tempo sowohl als Sicherheitsfrage als auch als Frage möglicher Eigeninteressen verstanden wurde.

Was sich für die optimistische Speicher-These ändert

Die vereinfachte Version der KI-Speicherthese war linear: Größere Modelle, längere Kontextfenster und mehr KI-Nutzer führen zu mehr HBM, NAND-Flash und Storage-Kapazität. DeepSeek bringt eine wichtige Gegenkraft ins Spiel: architektonische Effizienz.

Sinnvoller ist es, die Nachfrage in zwei Größen zu zerlegen:

1. Speicherbedarf je Workload: Eine effizientere KV-Cache-Architektur kann ihn senken.
2. Anzahl und Intensität aller Workloads: Mehr Nutzer, längere Kontexte und mehr autonome Agenten können sie erhöhen.

Ein sinkender Bedarf pro Anfrage entscheidet nicht automatisch über die Gesamtnachfrage. Günstigere, effizientere Inferenz kann die Nutzung ausweiten und so mehr Anfragen erzeugen. Verbreitet sich Effizienz jedoch schneller, als die Nutzung wächst, kann für eine gegebene Menge an KI-Ausgaben weniger Hardware nötig sein.

Warum das langfristige Urteil noch offen ist

V4.1-Flash betrifft unmittelbar vor allem KI-Inferenz und den KV-Cache. DeepSeeks Vergleich beseitigt weder den Speicherbedarf für Modellgewichte noch jenen für das Training. 25 Das ist relevant, weil Training und Betrieb von Modellen unterschiedliche Anforderungen an Rechenleistung, Speicher und Datenverbindungen stellen.

Die Kernfrage lautet daher nicht, ob der gemeldete Effizienzgewinn relevant ist – das ist er. Entscheidend ist, ob er die aggregierte Nachfrage verändert. Anleger werden beobachten müssen, wie schnell ähnliche Cache-sparende Verfahren übernommen werden, wie stark lange Kontexte und agentische Anwendungen wachsen, wie sich Preise für HBM und Speicher entwickeln und ob Training sowie Einsatz von Spitzenmodellen weiter an Tempo gewinnen.

Der Abverkauf ist deshalb vor allem eine Warnung davor, KI-Speicherknappheit als Einbahnstraße zu betrachten. Modellinnovationen können den Hardwarebedarf pro Anfrage ebenso schnell senken, wie neue Anwendungen die Zahl der Anfragen erhöhen.