Metas 135-Milliarden-Dollar-Wette: Warum ein Social-Media-Konzern zum Chip-Imperium wird

135 Milliarden Dollar für KI-Infrastruktur, Deals mit Google, Nvidia und AMD gleichzeitig — und dazu eigene Trainings-Chips. Metas Silizium-Strategie ist die aggressivste Wette der Tech-Geschichte.

Meta Platforms gibt 2026 voraussichtlich zwischen 115 und 135 Milliarden Dollar für KI-Infrastruktur aus — fast doppelt so viel wie die 72 Milliarden Dollar im Vorjahr. Zum Vergleich: Das übersteigt das Bruttoinlandsprodukt von über hundert Ländern. Was sich hinter dieser Zahl verbirgt, ist nicht einfach ein größeres Rechenzentrum. Es ist eine fundamentale Neuausrichtung: Meta baut eine Multi-Chip-Architektur auf, die das Unternehmen unabhängiger von einzelnen Anbietern machen soll — und langfristig die Kostenstruktur für das Training großer Sprachmodelle grundlegend verändern könnte.

Die Multi-Chip-Strategie: Vier Lieferanten, ein Ziel

Innerhalb weniger Wochen hat Meta im Februar und März 2026 drei milliardenschwere Deals abgeschlossen — und gleichzeitig die eigene Chip-Entwicklung vorangetrieben. Die Logik dahinter: Verschiedene Chips für verschiedene Aufgaben, kein einzelner Flaschenhals.

Nvidia: Meta kauft Millionen der neuen Vera-Rubin-GPUs, die Ende 2026 ausgeliefert werden sollen. Nvidia bleibt der Hauptlieferant für das Training von Frontier-Modellen wie Llama.
Google: Ein Multi-Milliarden-Dollar-Deal über mehrere Jahre, bei dem Meta Googles Tensor Processing Units (TPUs) mietet — spezialisierte Chips, die für maschinelles Lernen optimiert sind. Laut SiliconANGLE verhandelt Meta zusätzlich über den direkten Kauf von TPUs für die eigenen Rechenzentren, möglicherweise ab 2027.
AMD: Milliarden für AMDs neueste Instinct-MI450-GPUs, plus einen Warrant über 160 Millionen AMD-Aktien (bis zu 10 Prozent Beteiligung) — an Aktienkurs-Ziele geknüpft.
Eigene Chips (MTIA): Metas hauseigener KI-Beschleuniger in der dritten Generation, Codename „Iris", gefertigt mit der modernsten verfügbaren Chip-Technologie. Laut internen Angaben berechnet dieser Chip bereits über 60 Prozent aller KI-Antworten im Meta-Konzern — also die Aufgaben, bei denen fertig trainierte Modelle Nutzeranfragen beantworten (Inferenz).

Verschiedene KI-Prozessoren auf dunkler Oberfläche — Meta setzt auf vier verschiedene Chip-Lieferanten gleichzeitig — eine Strategie, die Morningstar-Analysten als „multipronged silicon strategy" bezeichnen.

Warum nicht einfach alles bei Nvidia kaufen?

Die Antwort liegt in drei Faktoren: Kosten, Abhängigkeit und Spezialisierung.

Nvidia dominiert den KI-Chip-Markt mit über 90 Prozent Marktanteil. Das gibt dem Unternehmen eine enorme Preissetzungsmacht — und genau das wird für Großkunden wie Meta zum strategischen Risiko. CFO Susan Li erklärte auf einer Konferenz von Morgan Stanley: „Einige unserer Arbeitslasten sind wirklich sehr spezifisch für uns. Wir erwarten und hoffen, unsere eigene Silizium-Produktion über die Zeit auszuweiten — einschließlich des Trainings von KI-Modellen."

Die Diversifikation ist zugleich eine Absicherung gegen Lieferengpässe. Wer nur auf einen Hersteller setzt, steht bei Produktionsverzögerungen oder Exportbeschränkungen mit leeren Händen da. Vier Quellen — Nvidia, Google-TPUs, AMD und MTIA — reduzieren dieses Klumpenrisiko erheblich.

Dazu kommt: Nicht jeder Chip eignet sich gleich gut für jede Aufgabe. Googles TPUs sind für bestimmte Trainingsszenarien kosteneffizienter als Nvidias GPUs. AMDs MI450 bietet ein anderes Preis-Leistungs-Verhältnis für Inferenz. Und Metas MTIA-Chips sind exakt auf die Empfehlungsalgorithmen der Plattform zugeschnitten.

Die MTIA-Roadmap: Vom Empfehlungs-Chip zum Trainings-Prozessor

Metas eigene Chip-Entwicklung ist ambitionierter als die meisten vermuten. Die MTIA-Linie begann als spezialisierter Beschleuniger für Content-Empfehlungen — das Herzstück von Instagram- und Facebook-Feeds. Doch die Roadmap zeigt deutlich nach oben:

MTIA v3 „Iris" (aktuell): 3-nm-Fertigung bei TSMC, über 60 % der Inferenz-Workloads
MTIA v4 „Santa Barbara" (Testphase, geplant für Ende 2026): Mit integriertem Hochleistungsspeicher, erstmals auch fürs Trainieren von KI-Modellen optimiert
MTIA v5 „Olympus" und v6 „Universal Core": Geplant für 2027–2028

Der Sprung von Inferenz zu Training ist entscheidend. Bisher musste das Training auf eingekauften Nvidia-GPUs stattfinden. Wenn „Santa Barbara" hält, was es verspricht, könnte Meta erstmals Teile des Trainings auf eigener Hardware durchführen — weniger Abhängigkeit, niedrigere Kosten pro Modell.

Allerdings berichten Branchenquellen von technischen Schwierigkeiten. Der Übergang vom Inferenz-Spezialisten zum Training-Chip gehört zu den anspruchsvollsten Bereichen der Halbleitertechnik. Google hat Jahre gebraucht, um seine TPUs auf Trainings-Niveau zu bringen. Ob Meta schneller sein kann, ist offen.

Was der Google-TPU-Deal wirklich bedeutet

Der Multi-Milliarden-Deal mit Google ist bemerkenswert: Meta und Google sind direkte Konkurrenten im Werbemarkt — dass sie bei KI-Infrastruktur kooperieren, zeigt, wie sehr der Chip-Bedarf übliche Rivalitäten überlagert.

Bisher waren TPUs nur über die Google Cloud verfügbar. Jetzt will Google sie auch direkt verkaufen und peilt bis zu 10 Prozent von Nvidias Rechenzentrumserlösen an. Der Meta-Deal ist der bislang größte Schritt in diese Richtung.

Für Nvidia ist das ein Signal — nicht weil Meta weniger kauft (der Vera-Rubin-Deal zeigt das Gegenteil), sondern weil Großkunden aktiv nach Alternativen suchen. Nvidias Margen von über 70 Prozent laden dazu ein.

Das Prometheus-Projekt: 1 Gigawatt KI-Leistung

Die Chips brauchen ein Zuhause — und Meta baut dafür eine eigene Klasse von Rechenzentren. „Prometheus" heißt der erste Supercluster mit einem Gigawatt Leistungsaufnahme — genug Strom für eine mittelgroße Stadt. Meta setzt auf modulare Zelt-Konstruktionen statt klassischer Beton-Gebäude, um die Bauzeit zu verkürzen.

Prometheus beherbergt Hunderttausende Chips — Nvidia Blackwell B200, MTIA v3 und demnächst Google-TPUs. Darüber hinaus plant Meta „Hyperion" mit fünf Gigawatt und verhandelt mit Kernkraftwerksbetreibern über die Stromversorgung.

Was das für B2B-Entscheider bedeutet

Metas Infrastruktur-Offensive hat Konsequenzen weit über den eigenen Konzern hinaus:

Die Chip-Lieferkette wird vielfältiger. Wenn der größte Einzelkunde aktiv diversifiziert, erhöht das den Druck auf Nvidia, preislich entgegenzukommen — wovon alle Abnehmer profitieren.
Open-Source-Modelle bekommen Rückenwind. Metas Strategie, Llama offen zu lizenzieren und die Infrastruktur proprietär zu halten, bindet Entwickler ans eigene Ökosystem.
Die Einstiegshürde für Spitzenmodelle steigt. 135 Milliarden Dollar Investitionsausgaben pro Jahr verengt den Kreis der Anbieter auf eine Handvoll Großkonzerne.
Eigene KI-Chips werden Standard. Meta folgt Google und Amazon, die ebenfalls eigene Chips entwickeln. Für Unternehmen wird die Chip-Frage komplexer — aber auch die Auswahl größer.

Metas Wette: Wer die Infrastruktur kontrolliert, kontrolliert die KI-Zukunft. Ob 135 Milliarden Dollar pro Jahr der richtige Preis sind, wird sich zeigen. Sicher ist: KI-Strategie ist keine reine Software-Frage mehr.