Anthropic reiht sich damit in eine Welle von Eigenentwicklungen ein, die durch eine globale Chip-Knappheit, steigende Inferenzkosten und die Leistungsvorteile vorangetrieben wird, die entstehen, wenn Hardware und Modelle gemeinsam entwickelt werden.

Warum Anthropic eigene Chips baut

Die Entscheidung von Anthropic, eigene Siliziumlösungen zu entwickeln, ist das Ergebnis mehrerer sich überlagernder Zwänge:

• Chip-Knappheit und Lieferengpässe. Ein globaler Mangel an KI-Chips erschwert es Anthropic, die Rechenleistung zu sichern, die für das Training und den Betrieb immer leistungsfähigerer Modelle nötig ist .
• Explodierende Betriebskosten. Bei Milliarden von Tokens pro Tag und einem geschätzten Umsatz von rund 30 Milliarden US-Dollar ist die Eigenentwicklung von Chips ein wirksamer Hebel zur Kostensenkung. Analysten schätzen, dass maßgeschneiderte Chips die Inferenzkosten von Claude um bis zur Hälfte senken könnten .
• Gemeinsame Optimierung von Modell und Hardware. Wenn Chips speziell für die Architektur von Claude entwickelt werden, lassen sich bessere Leistung und Effizienz erzielen als mit handelsüblichen GPUs .
• Multi-Chip-Strategie. Die eigenen Chips sollen bestehende Partnerschaften mit Nvidia, AMD, AWS und Google Cloud ergänzen, nicht ersetzen. Anthropic verfolgt damit eine breitere Diversifizierung weg von einer reinen Abhängigkeit von Nvidia .

Einen genauen Zeitplan für die Fertigstellung oder Produktion hat Anthropic noch nicht genannt, was für ein Programm in dieser Phase normal ist .

Wie andere große KI-Unternehmen eigene Chips bauen

OpenAI und der „Jalapeño“-Chip

OpenAI hat am 24. Juni 2026 seinen ersten eigenen KI-Chip vorgestellt, der den Codenamen Jalapeño trägt . Entwickelt wurde er in Zusammenarbeit mit Broadcom und gefertigt wird er von TSMC . OpenAI begann mit dem Design Anfang 2025 und prüfte zunächst den Bau eigener Fabriken, bevor man sich für ein reines Design-Partnermodell entschied . Das Unternehmen hat zudem eine strategische Zusammenarbeit mit Broadcom im Umfang von bis zu zehn Milliarden US-Dollar bekannt gegeben, um bis 2029 Beschleuniger- und Netzwerksysteme zu installieren .

Google DeepMind und acht Generationen von TPUs

Google hat das am längsten laufende Programm für hauseigene KI-Chips und blickt auf mehr als ein Jahrzehnt Erfahrung mit kundenspezifischen Siliziumlösungen zurück. Die Tensor Processing Units (TPUs) umfassen inzwischen acht Generationen .

Die Ironwood-TPU (7. Generation) wurde Ende 2025 vorgestellt und kann bis zu 9.216 Chips in einem einzigen Pod für Training und Inferenz verbinden . Im April 2026 kündigte Google seine TPUs der 8. Generation an, die mit zwei speziell entwickelten Architekturen aufwarten: der TPU 8t für das Training und der TPU 8i für die Inferenz . Berichten zufolge hat Google auch AMD für das Design einer seiner TPUs der 10. Generation verpflichtet .

Bemerkenswerterweise liefert Google auch TPUs an Anthropic – im Rahmen eines milliardenschweren Deals, der bis zu eine Million Chips umfasst .

Meta und die MTIA-Familie

Im März 2026 stellte Meta eine Roadmap mit vier neuen hauseigenen Chips aus der Meta Training and Inference Accelerator (MTIA)-Familie vor . Der MTIA 300 war bereits im Einsatz; die Modelle MTIA 400, MTIA 450 und MTIA 500 sollen bis 2027 etwa im Halbjahresrhythmus erscheinen .

Meta entwickelt diese Chips gemeinsam mit Broadcom und plant, einen davon ab September 2026 in Produktion zu nehmen – als Teil des Vorhabens, die gesamte Rechenkapazität zu verdoppeln . Die MTIA-Familie deckt sowohl die Inferenz als auch erstmals das Training ab. Bisher war Meta für das Training auf Nvidia-GPUs angewiesen .

Übersicht über die Programme für eigene KI-Chips

Was das für die KI-Hardware-Landschaft bedeutet

Der Trend zu maßgeschneiderten Chips zeigt einen grundlegenden Wandel in der Herangehensweise der KI-Unternehmen an ihre Infrastruktur. Statt sich nur auf die Architektur der Modelle und die Trainingsdaten zu konzentrieren, bauen die führenden Unternehmen nun auch ihre eigene Hardware als Wettbewerbsvorteil auf.

Für Anthropic steht das Chip-Programm noch ganz am Anfang – es gibt weder einen Produktionstermin noch konkrete Angaben zur Architektur oder zu Fertigungsverträgen . Doch der Schritt zeigt, dass Anthropic das Chip-Design als wesentlich für seine langfristige Strategie betrachtet – vor allem angesichts der steigenden Inferenzkosten, die mit dem größeren Maßstab der KI-Einsätze einhergehen.

Für die gesamte Branche könnte die Abkehr von Nvidias GPUs weitreichende Folgen haben. Wenn die eigenen Chips die versprochenen niedrigeren Kosten und höheren Leistungen bringen, könnten sich die wirtschaftlichen Grundlagen der KI-Inferenz grundlegend verändern – und KI-Anwendungen erschwinglicher und leichter zugänglich machen.

Anthropic reiht sich damit in eine Welle von Eigenentwicklungen ein, die durch eine globale Chip-Knappheit, steigende Inferenzkosten und die Leistungsvorteile vorangetrieben wird, die entstehen, wenn Hardware und Modelle gemeinsam entwickelt werden.

Warum Anthropic eigene Chips baut

Die Entscheidung von Anthropic, eigene Siliziumlösungen zu entwickeln, ist das Ergebnis mehrerer sich überlagernder Zwänge:

• Chip-Knappheit und Lieferengpässe. Ein globaler Mangel an KI-Chips erschwert es Anthropic, die Rechenleistung zu sichern, die für das Training und den Betrieb immer leistungsfähigerer Modelle nötig ist .
• Explodierende Betriebskosten. Bei Milliarden von Tokens pro Tag und einem geschätzten Umsatz von rund 30 Milliarden US-Dollar ist die Eigenentwicklung von Chips ein wirksamer Hebel zur Kostensenkung. Analysten schätzen, dass maßgeschneiderte Chips die Inferenzkosten von Claude um bis zur Hälfte senken könnten .
• Gemeinsame Optimierung von Modell und Hardware. Wenn Chips speziell für die Architektur von Claude entwickelt werden, lassen sich bessere Leistung und Effizienz erzielen als mit handelsüblichen GPUs .
• Multi-Chip-Strategie. Die eigenen Chips sollen bestehende Partnerschaften mit Nvidia, AMD, AWS und Google Cloud ergänzen, nicht ersetzen. Anthropic verfolgt damit eine breitere Diversifizierung weg von einer reinen Abhängigkeit von Nvidia .

Einen genauen Zeitplan für die Fertigstellung oder Produktion hat Anthropic noch nicht genannt, was für ein Programm in dieser Phase normal ist .

Wie andere große KI-Unternehmen eigene Chips bauen

OpenAI und der „Jalapeño“-Chip

OpenAI hat am 24. Juni 2026 seinen ersten eigenen KI-Chip vorgestellt, der den Codenamen Jalapeño trägt . Entwickelt wurde er in Zusammenarbeit mit Broadcom und gefertigt wird er von TSMC . OpenAI begann mit dem Design Anfang 2025 und prüfte zunächst den Bau eigener Fabriken, bevor man sich für ein reines Design-Partnermodell entschied . Das Unternehmen hat zudem eine strategische Zusammenarbeit mit Broadcom im Umfang von bis zu zehn Milliarden US-Dollar bekannt gegeben, um bis 2029 Beschleuniger- und Netzwerksysteme zu installieren .

Google DeepMind und acht Generationen von TPUs

Google hat das am längsten laufende Programm für hauseigene KI-Chips und blickt auf mehr als ein Jahrzehnt Erfahrung mit kundenspezifischen Siliziumlösungen zurück. Die Tensor Processing Units (TPUs) umfassen inzwischen acht Generationen .

Die Ironwood-TPU (7. Generation) wurde Ende 2025 vorgestellt und kann bis zu 9.216 Chips in einem einzigen Pod für Training und Inferenz verbinden . Im April 2026 kündigte Google seine TPUs der 8. Generation an, die mit zwei speziell entwickelten Architekturen aufwarten: der TPU 8t für das Training und der TPU 8i für die Inferenz . Berichten zufolge hat Google auch AMD für das Design einer seiner TPUs der 10. Generation verpflichtet .

Bemerkenswerterweise liefert Google auch TPUs an Anthropic – im Rahmen eines milliardenschweren Deals, der bis zu eine Million Chips umfasst .

Meta und die MTIA-Familie

Im März 2026 stellte Meta eine Roadmap mit vier neuen hauseigenen Chips aus der Meta Training and Inference Accelerator (MTIA)-Familie vor . Der MTIA 300 war bereits im Einsatz; die Modelle MTIA 400, MTIA 450 und MTIA 500 sollen bis 2027 etwa im Halbjahresrhythmus erscheinen .

Meta entwickelt diese Chips gemeinsam mit Broadcom und plant, einen davon ab September 2026 in Produktion zu nehmen – als Teil des Vorhabens, die gesamte Rechenkapazität zu verdoppeln . Die MTIA-Familie deckt sowohl die Inferenz als auch erstmals das Training ab. Bisher war Meta für das Training auf Nvidia-GPUs angewiesen .

Übersicht über die Programme für eigene KI-Chips

Was das für die KI-Hardware-Landschaft bedeutet

Der Trend zu maßgeschneiderten Chips zeigt einen grundlegenden Wandel in der Herangehensweise der KI-Unternehmen an ihre Infrastruktur. Statt sich nur auf die Architektur der Modelle und die Trainingsdaten zu konzentrieren, bauen die führenden Unternehmen nun auch ihre eigene Hardware als Wettbewerbsvorteil auf.

Für Anthropic steht das Chip-Programm noch ganz am Anfang – es gibt weder einen Produktionstermin noch konkrete Angaben zur Architektur oder zu Fertigungsverträgen . Doch der Schritt zeigt, dass Anthropic das Chip-Design als wesentlich für seine langfristige Strategie betrachtet – vor allem angesichts der steigenden Inferenzkosten, die mit dem größeren Maßstab der KI-Einsätze einhergehen.

Für die gesamte Branche könnte die Abkehr von Nvidias GPUs weitreichende Folgen haben. Wenn die eigenen Chips die versprochenen niedrigeren Kosten und höheren Leistungen bringen, könnten sich die wirtschaftlichen Grundlagen der KI-Inferenz grundlegend verändern – und KI-Anwendungen erschwinglicher und leichter zugänglich machen.