Nvidia ist ein 1993 gegründetes US-amerikanisches Halbleiterunternehmen mit Sitz in Santa Clara, Kalifornien.
Ursprünglich Hersteller von Grafikkarten für Bildberechnung, ist es seit der Deep-Learning-Wende der wichtigste Lieferant der Rechengrundlage für künstliche Intelligenz und hielt 2026 je nach Abgrenzung zwischen 75 und 88 Prozent des Marktes für KI-Beschleuniger – der höhere Wert bezieht sich auf die von Nvidia, AMD und Intel gemeldeten Umsätze, der niedrigere auf den gesamten verbauten Rechenbestand einschließlich der Eigenentwicklungen großer Cloud-Anbieter.
Zusammenfassung
Nvidias Stellung beruht auf einer frühen Entscheidung: 2007 stellte das Unternehmen mit CUDA eine Schnittstelle bereit, die Grafikprozessoren für allgemeine Berechnungen zugänglich machte – Jahre bevor absehbar war, wofür.
Als 2012 mit AlexNet der Durchbruch des Deep Learning erfolgte, geschah dies auf Nvidia-Hardware. Seither ist das Unternehmen weniger Chiphersteller als Infrastrukturschicht der gesamten Branche; die Bindungswirkung geht dabei mindestens ebenso von der Software CUDA aus wie von der Hardware. Nvidia zählt zu den wertvollsten Unternehmen der Welt. Der Marktanteil gerät jedoch unter Druck, weil große Kunden eigene Beschleuniger entwickeln.
Geschichte
Nvidia wurde 1993 von Jensen Huang, Chris Malachowsky und Curtis Priem gegründet; Huang führt das Unternehmen seither. 1999 brachte es mit der GeForce-Reihe einen Prozessor auf den Markt, den es als Graphics Processing Unit bezeichnete – die Prägung des Begriffs.
Die für die KI entscheidende Weichenstellung war 2007 die Veröffentlichung von CUDA, einer Schnittstelle zur allgemeinen Programmierung von Grafikprozessoren. Sie ermöglichte es Forschenden, die Hardware für Aufgaben jenseits der Bildberechnung zu nutzen.
2012 trainierten Alex Krizhevsky, Ilya Sutskever und Geoffrey Hinton das Modell AlexNet auf Nvidia-Grafikkarten und gewannen den Bilderkennungswettbewerb ImageNet mit deutlichem Abstand. Der Erfolg löste die Deep-Learning-Welle aus und machte Nvidia unbeabsichtigt zum Ausrüster eines neuen Feldes.
Mit der Verbreitung großer Sprachmodelle ab 2020 und dem Erfolg von ChatGPT stieg die Nachfrage sprunghaft. Nvidia stellte den Generationswechsel von zwei bis drei Jahren auf einen Jahresrhythmus um.
Produktgenerationen
| Generation | Etwa | Kennzeichen |
|---|---|---|
| Ampere (A100) | 2020 | Standard der frühen LLM-Ära |
| Hopper (H100) | 2022 | Transformer-Einheit, FP8-Format |
| Blackwell (B200, GB300) | 2024/2025 | 2026 über 70 Prozent der High-End-Auslieferungen |
| Vera Rubin (VR200) | ab 2026 | auf agentische Systeme und Inferenz ausgelegt |
Huang erklärte auf der Hausmesse GTC im März 2026, der Kipppunkt vom Training zur Inferenz sei erreicht – klassische Grafikprozessoren seien dafür wegen ihres Energieverbrauchs und der Speicheranbindung nicht ideal. Die Rubin-Generation ist entsprechend zugeschnitten.
Geschäftsgrundlage
Drei Faktoren tragen die Marktstellung:
CUDA. Anderthalb Jahrzehnte an Software, Bibliotheken und Werkzeugen sind auf die Schnittstelle ausgerichtet. Ein Wechsel zu anderer Hardware erfordert erheblichen Anpassungsaufwand – ein Bindungseffekt, der häufig mit der Rolle von Betriebssystemen im PC-Markt verglichen wird.
Verbindungstechnik. Für das Training großer Modelle zählt nicht der einzelne Chip, sondern die Verschaltung tausender Einheiten. Nvidias Netzwerktechnik ist Teil des Angebots.
Zugang zur Fertigung. Fortgeschrittene Fertigungs- und Verpackungskapazität ist knapp; Nvidia hat sich Anteile daran und den Zugang zu Hochbandbreitenspeicher langfristig gesichert.
Druck auf die Marktstellung
| Quelle | Wirkung |
|---|---|
| Eigenentwicklungen der Cloudanbieter | Google TPU, Amazon Trainium; Anteil 2025 rund 21 Prozent, für 2026 höher erwartet |
| AMD | Instinct-Reihe im Jahresrhythmus |
| Verschiebung zur Inferenz | begünstigt spezialisierte Beschleuniger |
| Ausfuhrkontrollen | begrenzen den Absatz in bestimmten Märkten |
Der strukturelle Punkt: Nvidias größte Kunden sind zugleich seine Wettbewerber. Verringern Google, Amazon oder Meta ihre Abhängigkeit von zugekaufter Hardware, sinkt langfristig die Preissetzungsmacht.
Einordnung
Nvidia ist der Fall, an dem die Compute-Ebene als eigene Machtdimension sichtbar wird. Die Debatte über KI konzentriert sich auf Modelle und Anbieter; die Voraussetzung beider ist jedoch Rechenleistung, deren Bereitstellung sich auf wenige Unternehmen konzentriert.
Daraus folgen die politischen Anschlüsse: Ausfuhrbeschränkungen für KI-Beschleuniger, industriepolitische Programme zur Halbleiterfertigung und die Frage, ob Zugang zu Rechenleistung als Steuerungshebel für KI-Regulierung taugt.
Nvidia tritt inzwischen auch als Investor auf und beteiligte sich unter anderem an KI-Unternehmen mehrerer Wettbewerber – eine Konstellation, die Fragen nach Verflechtung aufwirft.
Kritik
Kreisgeschäfte. Der schwerwiegendste Vorbehalt betrifft die Verbindung von Beteiligung und Absatz. Beteiligt sich ein Hardwarehersteller an Unternehmen, die anschließend seine Hardware kaufen, so erscheint ein Teil des eigenen Kapitals als fremder Umsatz.
Wirtschaftlich ist der Vorgang nicht ohne Weiteres zu beanstanden – Beteiligungen an Kunden sind in kapitalintensiven Branchen üblich –, für die Beurteilung des Wachstums ist er jedoch erheblich: Nachfrage, die aus eigenen Mitteln gespeist wird, sagt weniger über den Markt aus als Nachfrage aus fremden.
Konzentration der Abnehmer. Ein erheblicher Teil des Umsatzes entfällt auf eine kleine Zahl sehr großer Kunden – dieselben Konzerne, die zugleich eigene Beschleuniger entwickeln. Die Marktstellung ruht damit auf Abnehmern, die einen Anreiz haben, sie zu untergraben, und über die Mittel dazu verfügen.
Bindung durch Software. Die Abhängigkeit von der herstellereigenen Programmierumgebung wird als Wettbewerbshindernis kritisiert. Sie ist rechtlich nicht zu beanstanden, wirkt aber wie eine Marktzutrittsschranke: Konkurrenzfähige Hardware allein genügt nicht, solange die Werkzeugkette der gesamten Branche auf eine Umgebung ausgelegt ist.
Zuteilung als Machtmittel. In Zeiten knapper Fertigungskapazität entscheidet der Hersteller, wer wann wie viel bekommt. Diese Zuteilungsmacht ist informell, nicht offengelegt und in ihren Wirkungen kaum überprüfbar – sie beeinflusst gleichwohl, welche Unternehmen im Wettbewerb um Modellgrößen mithalten können.
Umwelt- und Energiefragen. Der Ausbau der Rechenzentren, den die Beschleuniger tragen, wirft Fragen nach Strom- und Wasserverbrauch auf, die in der Berichterstattung des Unternehmens nur mittelbar auftauchen, da sie beim Betreiber und nicht beim Hersteller anfallen.
Verwandte Begriffe
- GPU – Produktkategorie des Unternehmens
- CUDA – Programmierschnittstelle und Bindungsfaktor
- Tensor Processing Unit – konkurrierender Ansatz von Google
- ImageNet – Wettbewerb, in dem der Durchbruch erfolgte
- Deep Learning – Feld, dessen Aufstieg das Unternehmen trug
- Scaling Laws – Zusammenhang, der die Nachfrage begründet
- Compute Governance – politische Steuerung des Zugangs
- Reasoning-Modelle – Modellklasse mit hohem Inferenzbedarf
Quellenangaben
- ad-hoc-news.de (2026): Nvidia vor dem Vera-Rubin-Start: Blackwell-Ausbau trifft Zoll- und Regulierungsrisiken. August 2026.
- it-daily.net (2026): KI-Chips und Architekturen: Wer holt Nvidia vom Thron?
- Krizhevsky, Alex / Sutskever, Ilya / Hinton, Geoffrey E., 2012. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (NeurIPS 2012), S. 1097–1105.
- Nvidia (2026): GTC 2026 Keynote. San Jose, März 2026.
- Sevilla, Jaime u. a., 2022. Compute Trends Across Three Eras of Machine Learning. In: Proceedings of the 2022 International Joint Conference on Neural Networks (IJCNN 2022). arXiv: 2202.05924.
← Zurück zur Lexikon-Übersicht
Zuletzt bearbeitet: 10. August 2026
Zusammengestellt, formuliert, lektoriert und korrigiert mit KI-Unterstützung. Kuratiert von Nils Brauer. Alle Angaben ohne Gewähr.