De cijfers achter de supercyclus

De schaal is moeilijk te overschatten. De wereldwijde omzet van halfgeleiders lag vorig jaar boven de $800 miljard en racet nu naar $1,3 biljoen in 2026 . Onderzoeksbureau Gartner rapporteerde een stijging van 64% op jaarbasis .

Rasgon wees erop dat de vier grootste Amerikaanse hyperscalers – Amazon, Microsoft, Google en Meta – in 2026 ongeveer $725 miljard aan kapitaaluitgaven plannen, waarvan het overgrote deel naar AI-infrastructuur gaat . De prijzen van geheugen schieten omhoog: DRAM werd begin 2026 zo'n 90% duurder per kwartaal .

Het 'whack-a-mole'-effect: overal tekorten

Een van Rasgons meest opvallende observaties is wat hij het 'whack-a-mole'-effect noemt – knelpunten die overslaan naar alle schakels in de chipketen. "Alles wordt meegetrokken door deze onverzadigbare vraag naar AI-rekenkracht. Ik heb nog nooit zoiets op deze schaal gezien in mijn carrière", aldus Rasgon .

Hij traceert de verspreiding: tekorten begonnen bij GPU-versnellers, sloegen over naar HBM-geheugen, vervolgens naar productieapparatuur, netwerken en optica, daarna naar vermogenschips, en nu zijn zelfs CPU's schaars .

Een concreet voorbeeld van hoe ver de vraag reikt: zelfs Intel, dat "eerder afgeschreven voorraad had", heeft alles verkocht . Klanten zeiden tegen Intel: "Het maakt ons niet uit, verkoop het maar" .

HBM: de stille siliciumvreter

Een kritische bottleneck is high-bandwidth-geheugen (HBM), dat meer dan 85% van het siliciumoppervlak van een AI-chip inneemt . Door de stapeling en de overhead van logica-chips kost het produceren van 1 GB HBM ongeveer vier keer zoveel silicium als standaard DRAM . Dit verklaart waarom de geheugenproductie de GPU-vraag niet kan bijbenen en waarom geheugenprijzen een dominante factor zijn geworden in de chipkosten.

Nvidia's CPU-omzet: één rack vertelt het verhaal

Rasgon haalde een opvallend cijfer aan: in een rack met 72 GPU's zitten 36 CPU's, die samen ongeveer $20 miljard aan CPU-omzet voor Nvidia genereren. Dit illustreert hoe de AI-uitrol een enorme chipvraag creëert, ver voorbij de GPU-versnellers zelf.

Van training naar inferentie: de stap naar commercialisering

Rasgon benadrukt dat de focus verschuift van modeltraining naar AI-inferentie – de kern van commercialisering . Hij wijst op Anthropic, waarvan de omzet steeg van $9 miljard naar $30 miljard, als direct bewijs van deze verschuiving . Naarmate AI-modellen van onderzoeksprojecten naar productief gebruik gaan, zal de rekenkracht voor inferentie die voor training waarschijnlijk ver overtreffen.

ASIC's versus GPU's: samenleven, geen concurrentie

Een veelgestelde vraag van beleggers is of custom ASIC's (zoals die van Broadcom) op termijn Nvidia's GPU's zullen verdringen. Rasgon denkt dat beide zullen blijven bestaan in een groeiende markt . Zijn visie: programmeerbare GPU's zijn beter voor onderzoek en verkennende inferentie, terwijl ASIC's uitblinken in voorspelbare, grootschalige inferentie. De totale markt is groot genoeg voor beide.

De ultieme bottleneck: stroom

Rasgon sluit af met een nuchtere noot. De uiteindelijke rem is niet chips, niet geheugen, niet netwerken – het is energie. AI-infrastructuur vereist een jaarlijkse uitbreiding van het Amerikaanse stroomnet met ongeveer 5% om de groei te kunnen bijbenen . Dat is een enorme opgave voor een net dat decennialang nauwelijks is gegroeid.

Hij stelt dat de volgende golf van AI-innovatie en knelpunten onvermijdelijk zal vallen op energieopwekking, koeling en kernenergie . Zonder forse investeringen in het stroomnet kan de supercyclus zelf een stroomplafond bereiken.

Wat dit betekent voor beleggers

De boodschap van Rasgon is helder: zolang de AI-vraag niet instort, is de halfgeleidersupercyclus reëel en duurzaam. Maar de aard van de kansen verandert. Het makkelijke geld in GPU-aandelen kan plaatsmaken voor een complexer landschap, waarin de 'bottleneck' zelf – of het nu HBM, vermogenschips of energie-infrastructuur is – de vermogensgenerator wordt .

De cijfers achter de supercyclus

De schaal is moeilijk te overschatten. De wereldwijde omzet van halfgeleiders lag vorig jaar boven de $800 miljard en racet nu naar $1,3 biljoen in 2026 . Onderzoeksbureau Gartner rapporteerde een stijging van 64% op jaarbasis .

Rasgon wees erop dat de vier grootste Amerikaanse hyperscalers – Amazon, Microsoft, Google en Meta – in 2026 ongeveer $725 miljard aan kapitaaluitgaven plannen, waarvan het overgrote deel naar AI-infrastructuur gaat . De prijzen van geheugen schieten omhoog: DRAM werd begin 2026 zo'n 90% duurder per kwartaal .

Het 'whack-a-mole'-effect: overal tekorten

Een van Rasgons meest opvallende observaties is wat hij het 'whack-a-mole'-effect noemt – knelpunten die overslaan naar alle schakels in de chipketen. "Alles wordt meegetrokken door deze onverzadigbare vraag naar AI-rekenkracht. Ik heb nog nooit zoiets op deze schaal gezien in mijn carrière", aldus Rasgon .

Hij traceert de verspreiding: tekorten begonnen bij GPU-versnellers, sloegen over naar HBM-geheugen, vervolgens naar productieapparatuur, netwerken en optica, daarna naar vermogenschips, en nu zijn zelfs CPU's schaars .

Een concreet voorbeeld van hoe ver de vraag reikt: zelfs Intel, dat "eerder afgeschreven voorraad had", heeft alles verkocht . Klanten zeiden tegen Intel: "Het maakt ons niet uit, verkoop het maar" .

HBM: de stille siliciumvreter

Een kritische bottleneck is high-bandwidth-geheugen (HBM), dat meer dan 85% van het siliciumoppervlak van een AI-chip inneemt . Door de stapeling en de overhead van logica-chips kost het produceren van 1 GB HBM ongeveer vier keer zoveel silicium als standaard DRAM . Dit verklaart waarom de geheugenproductie de GPU-vraag niet kan bijbenen en waarom geheugenprijzen een dominante factor zijn geworden in de chipkosten.

Nvidia's CPU-omzet: één rack vertelt het verhaal

Rasgon haalde een opvallend cijfer aan: in een rack met 72 GPU's zitten 36 CPU's, die samen ongeveer $20 miljard aan CPU-omzet voor Nvidia genereren. Dit illustreert hoe de AI-uitrol een enorme chipvraag creëert, ver voorbij de GPU-versnellers zelf.

Van training naar inferentie: de stap naar commercialisering

Rasgon benadrukt dat de focus verschuift van modeltraining naar AI-inferentie – de kern van commercialisering . Hij wijst op Anthropic, waarvan de omzet steeg van $9 miljard naar $30 miljard, als direct bewijs van deze verschuiving . Naarmate AI-modellen van onderzoeksprojecten naar productief gebruik gaan, zal de rekenkracht voor inferentie die voor training waarschijnlijk ver overtreffen.

ASIC's versus GPU's: samenleven, geen concurrentie

Een veelgestelde vraag van beleggers is of custom ASIC's (zoals die van Broadcom) op termijn Nvidia's GPU's zullen verdringen. Rasgon denkt dat beide zullen blijven bestaan in een groeiende markt . Zijn visie: programmeerbare GPU's zijn beter voor onderzoek en verkennende inferentie, terwijl ASIC's uitblinken in voorspelbare, grootschalige inferentie. De totale markt is groot genoeg voor beide.

De ultieme bottleneck: stroom

Rasgon sluit af met een nuchtere noot. De uiteindelijke rem is niet chips, niet geheugen, niet netwerken – het is energie. AI-infrastructuur vereist een jaarlijkse uitbreiding van het Amerikaanse stroomnet met ongeveer 5% om de groei te kunnen bijbenen . Dat is een enorme opgave voor een net dat decennialang nauwelijks is gegroeid.

Hij stelt dat de volgende golf van AI-innovatie en knelpunten onvermijdelijk zal vallen op energieopwekking, koeling en kernenergie . Zonder forse investeringen in het stroomnet kan de supercyclus zelf een stroomplafond bereiken.

Wat dit betekent voor beleggers

De boodschap van Rasgon is helder: zolang de AI-vraag niet instort, is de halfgeleidersupercyclus reëel en duurzaam. Maar de aard van de kansen verandert. Het makkelijke geld in GPU-aandelen kan plaatsmaken voor een complexer landschap, waarin de 'bottleneck' zelf – of het nu HBM, vermogenschips of energie-infrastructuur is – de vermogensgenerator wordt .