Kimi K3: Panikverkauf oder fatale Fehleinschätzung? Zwei Wall-Street-Banken setzen auf das Jevons-Paradoxon

Am 16. Juli 2026 stellte Moonshot AI Kimi K3 vor – ein Modell mit 2,8 Billionen Parametern, das in offenen Gewichten veröffentlicht wurde und die Leistung führender US-Modelle zu etwa der Hälfte der Kosten erreichte oder übertraf. Die Marktreaktion war umgehend und brutal: Der PHLX Semiconductor Index fiel innerhalb einer Woche um 12,5 %, Nvidia verlor an einem Tag 2,5 %, und Anleger durchlebten erneut die Angst, die sie bereits beim DeepSeek-R1 im Januar 2025 erfasst hatte – dass billigere, effizientere KI die Nachfrage nach den Chips, die sie antreiben, einbrechen lassen würde .

Zwei Wall-Street-Banken vertraten die gegenteilige Ansicht. Citi und Bank of America Securities argumentierten beide, dass der Ausverkauf genau die falsche Wette sei, und beriefen sich auf eine 160 Jahre alte Wirtschaftstheorie: das Jevons-Paradoxon.

Das Jevons-Paradoxon-Argument auf den Punkt gebracht

Citi und Bank of America Securities argumentieren, dass Kimi K3s Effizienzdurchbruch die gesamte Nachfrage nach Speicherchips steigern wird, anstatt sie zu verringern. Denn die Senkung der Kosten pro Token für Inference macht KI dramatisch zugänglicher und verbreiteter – ein Paradebeispiel für das Jevons-Paradoxon. Der Ausverkauf vom 16. Juli war aus ihrer Sicht die falsche Richtungsentscheidung .

Citis Position: Peter Lee führt explizit das Paradoxon an

Citi-Halbleiteranalyst Peter Lee beruft sich explizit auf das Jevons-Paradoxon: Eine verbesserte technologische Effizienz senkt die Kosten pro Nutzungseinheit, was historisch gesehen zu einer Zunahme – nicht einer Abnahme – des gesamten Ressourcenverbrauchs führte . In einem Citi-Research-Podcast, der Monate vor Kimi K3s Start aufgenommen wurde, sagte Lee direkt: "Ich denke, diese Art von Software-Effizienz ist keine Bedrohung für Speicher. Ich denke, sie ist positiv für die Nachfrage, weil sie KI billiger und nützlicher macht, was einen Einkaufszyklus mit noch höherer Nachfrage nach den fortschrittlichen Chips antreibt. Also ich denke, es ist wie das Jevons-Paradoxon" .

Seine Begründung, warum Kimi K3s Architektur speziell mehr Speichernachfrage antreibt:

• 1-Million-Token-Kontextfenster – Jeder Inference-Aufruf mit langem Kontext verbraucht einen massiven KV-Cache, der im High-Bandwidth Memory (HBM) und Server-DRAM gespeichert werden muss. Günstigere Preise pro Token bedeuten, dass Nutzer diesen Millionen-Token-Kontext häufiger füllen werden, nicht seltener .
• MoE-Sparsity ist eine Illusion für den Speicher – Obwohl Kimi K3 pro Token nur 16 von 896 Experten aktiviert (~50 Milliarden aktive Parameter), müssen die gesamten 2,8 Billionen Gewichte dennoch in den Systemspeicher geladen werden, um das dynamische Experten-Routing zu unterstützen. Das Self-Hosting der Open-Weight-Veröffentlichung (27. Juli) wird Cluster mit Terabytes an Server-DDR5 und Enterprise-SSDs erfordern, um das gesamte Modell zu speichern und auszulagern .
• Agentenbasierte Workflows – Agentische, mehrstufige Reasoning-Schleifen (für die K3 speziell optimiert ist) erzeugen viele sequenzielle Inference-Aufrufe pro Aufgabe, die jeweils Speicherbandbreite verbrauchen. Günstigere Inference macht längere Agentenketten wirtschaftlich tragfähig und erhöht den Speicherverbrauch pro Aufgabe .
• Self-Hosting offener Gewichte – Wenn die vollständigen Gewichte am 27. Juli veröffentlicht werden, werden Unternehmen und Forscher ihre eigenen Instanzen betreiben, anstatt sich ausschließlich auf den API-Zugriff zu verlassen. Jede selbst gehostete Bereitstellung benötigt ihren eigenen dedizierten Speicherpool (HBM auf den GPUs, DDR5 auf dem Host und Enterprise-SSDs für Modellspeicherung/-tausch), was die gesamte installierte Speicherbasis vervielfacht .

Citi hat außerdem separat die Speicherpreisprognosen stark angehoben: DRAM-Preise könnten 2026 um bis zu 200 % steigen, und die HBM-Preise sollen im 4. Quartal 2026 um 30 % im Quartalsvergleich zulegen. Dies deutet darauf hin, dass sie bereits vor Kimi K3 mit einem KI-getriebenen Speicher-Superzyklus rechneten . Citi hatte bereits im September 2025 gewarnt, dass sowohl DRAM als auch NAND-Flash-Speicher bis 2026 in eine Angebotsverknappung geraten würden .

Position der Bank of America Securities: Vivek Arya wendet die gleiche Logik an

Die Bank of America hat den Begriff "Jevons-Paradoxon" in veröffentlichten Kommentaren zu Kimi K3 nicht explizit verwendet, aber ihre bereits bestehenden und die nach dem Ausverkauf getätigten Aussagen folgen der gleichen Logik:

• "Sommerlicher Rückzug, herbstliche Erholung" – BofA charakterisierte den Halbleiter-Rückgang (der SOX-Index fiel im 3. Quartal um 11 %) als saisonale Stimmungsschwankung und gesunden Reset, nicht als strukturelle Nachfragewende. Sie prognostizierten eine Erholung im Herbst, wenn der KI-Infrastrukturausbau wieder Fahrt aufnimmt .
• Speicher ist "unterbewertet und bereit für Expansion" – In einem Bericht vom 7. Juli stellte BofA fest, dass Speicherchips nur mit dem 10-fachen Gewinn gehandelt werden, deutlich unter dem breiteren Halbleitersektor, und empfahl sie als Kaufgelegenheit .
• Langfristige KI-Nachfragethese intakt – BofAs Halbleiterausblick für 2026 prognostizierte, dass der globale Halbleiterumsatz erstmals die 1-Billionen-Dollar-Marke überschreiten würde (+29 % im Jahresvergleich), wobei Speicher (HBM, DDR5, NAND) der primäre Wachstumstreiber sei. Sie haben stets argumentiert, dass leistungsfähigere, günstigere KI-Modelle den adressierbaren Markt erweitern, anstatt ihn zu schrumpfen . Die Bank of America hob später ihre Halbleiter-TAM-Prognose für 2026 sogar auf 1,3 Billionen Dollar an .
• Nach Kimi K3 riet BofA den Anlegern, nicht in Panik zu verfallen – Am 17. Juli führte Vivek Arya den durch K3 ausgelösten Ausverkauf auf "saisonale Stimmungsschwankungen" und Inflationsängste bei den Speicherkosten zurück, nicht auf einen Nachfragekollaps, und riet, dass die Fundamentaldaten für Speicherchip-Hersteller intakt seien .

Warum die Architektur selbst die optimistische These untermauert

Architekturmerkmal	Warum es die Speichernachfrage antreibt
2,8 Billionen Gesamtparameter (MoE)	Selbst bei spärlicher Aktivierung müssen die 2,8 Billionen Gewichte im Systemspeicher vorgehalten werden. Self-Hosting offener Gewichte erfordert Server mit großen DDR5-Pools und HBM-bestückten GPUs .
1-Million-Token-Kontextfenster	Der KV-Cache skaliert linear mit der Kontextlänge. Günstigere Inference fördert längere Prompts, was den Speicherverbrauch pro Abfrage erhöht .
Agentische / mehrstufige Workflows	Jeder Reasoning-Schritt ist ein separater Inference-Aufruf. Mehr Schritte pro Aufgabe = mehr Speicherbandbreite pro Nutzersitzung .
Open-Weight-Veröffentlichung (27. Juli)	Ermöglicht breites Self-Hosting. Jede selbst gehostete Bereitstellung fügt einen festen Speicher-Fußabdruck hinzu, den ein gemeinsamer API-Endpunkt konsolidiert hätte .
Wettbewerbsfähige Preise (~3 $/M Token Input)	Historisch gesehen hat jeder größere KI-Preisrückgang das gesamte Token-Volumen um ein Vielfaches gesteigert, weit mehr als den Effizienzgewinn .

Der historische Präzedenzfall, auf den beide Banken setzen

Der DeepSeek-R1-Ausverkauf im Januar 2025 folgte dem gleichen Muster: Ein günstigeres, effizienteres chinesisches Modell löste eine Halbleiter-Panik aus, woraufhin sich die Chip-Nachfrage tatsächlich beschleunigte, als die Verbreitung zunahm . Citi und BofA sehen in Kimi K3 "DeepSeek 2.0" – die gleiche Angst und wahrscheinlich das gleiche Endergebnis für Speicherhersteller wie Samsung, SK Hynix und Micron .

Branchendaten stützen diese These. TrendForce prognostizierte, dass die HBM-Nachfrage allein im Jahr 2026 um 70 % im Jahresvergleich steigen würde, wobei HBM 23 % des gesamten DRAM-Wafer-Outputs verschlingt . Analysten schätzen, dass KI-Rechenzentren im Jahr 2026 rund 70 % des High-End-DRAMs verbrauchen könnten . Selbst die Speicherhersteller selbst – darunter Micron-CEO Sanjay Mehrotra – haben eingeräumt, dass die Knappheit über 2026 hinaus anhalten wird .

Selbst der koreanische Markt erkannte das Argument: Am 20. Juli berichtete die Chosun Ilbo, dass ein Wertpapierbranchen-Memo, das sich auf das Jevons-Paradoxon berief, die Aktien von Samsung und SK Hynix kurzzeitig ins Plus drehen ließ, bevor der breitere Ausverkauf wieder einsetzte .

Was die Banken nicht sagen

Es ist wichtig, die Grenzen dieser These zu beachten. Keine der beiden Banken behauptet, der Ausverkauf sei irrational gewesen – nur, dass er in die falsche Richtung ging. BofA räumte explizit ein, dass legitime "Inflationsängste bei den Speicherkosten" den Rückgang teilweise vorantrieben . Citis Speicherpreisprognosen sind zwar optimistisch, implizieren aber auch einen Preisdruck, der nachgelagerte KI-Unternehmen quetschen könnte. Und die Bank of America hat den Begriff "Jevons-Paradoxon" in veröffentlichten Kommentaren zu Kimi K3 nicht explizit verwendet; die Übereinstimmung ihrer Logik wird aus ihren bereits bestehenden und nach dem Ausverkauf getätigten Aussagen abgeleitet .

Fazit

Beide Banken erkennen die kurzfristige Marktangst an, aber ihre konsistente Position ist, dass Kimi K3s niedrigere Kosten und die Veröffentlichung offener Gewichte die KI-Verbreitung verbreitern, das gesamte Inference-Volumen erhöhen und die Speichernachfrage steigern werden – nicht strangulieren. Das Jevons-Paradoxon, erstmals im Kohleverbrauch des 19. Jahrhunderts beobachtet, könnte sich als der zuverlässigste Rahmen für das Verständnis der KI-Halbleiternachfrage im Jahr 2026 erweisen.