Investor Chamath Palihapitiya hat auf X einen „AI investing guide“ veröffentlicht, der zeigt, wohin seiner Ansicht nach Kapital im Markt für künstliche Intelligenz fließen wird. Der Gründer von Social Capital argumentiert, dass die schnellsten Renditen in Strom und Rechenzentrumsimmobilien liegen, während die dauerhaften langfristigen Margen den „harnesses“ und den darauf aufbauenden Anwendungen gehören werden. Der Rahmen erscheint zu einem Zeitpunkt, an dem Hyperscaler wie Microsoft, Google, Amazon und Meta gemeinsam Hunderte Milliarden Dollar in KI-Infrastruktur investieren und damit den Wettbewerb um die begrenzten Ressourcen — Land, Strom und Chips — verschärfen, die den gesamten Stack tragen.

Land, Power und Shell: Der schnellste Weg zu Renditen

Palihapitiya hat KI-Investitionsmöglichkeiten in Ebenen unterteilt, beginnend mit dem, was er LPS nennt — kurz für land, power und shell. Der Begriff bezeichnet die physische Fläche eines Rechenzentrums, bevor Chips installiert werden.

Er beschrieb diese Ebene als „still the most obvious and fastest path to cash on cash returns“ und ergänzte: „Lots of value can be assembled and traded quickly at this layer. And as data centers get more pushback, energized land can explode in value. Very bullish here.“

Palihapitiya sagte, er und seine Partnerin Anita Verma-Lallian hätten fast 6 Gigawatt (GW) an Stromkapazität bis 2029 gesichert — ein Umfang, der mit der Leistung mehrerer großer Kernkraftwerke vergleichbar ist. Zuvor hatte er bereits erklärt, dass land mit Genehmigung für die Bebauung und Zugang zu Silizium ihren Eigentümern Verhandlungsmacht gegenüber allen nachgelagerten Akteuren in der KI-Lieferkette verschaffen. Stromzusagen dieser Größenordnung zu sichern, ist branchenweit zunehmend schwierig, da Netzengpässe und Genehmigungsfristen in wichtigen US-Märkten Rechenzentrumsprojekte um Jahre verzögern können.

Die Harness-Ebene: Wo dauerhafte Margen liegen

Über der physischen Infrastruktur liegt Palihapitiyas Kernthese rund um das, was er als den „harness“ bezeichnet. In einem Juli-Beitrag auf X schrieb er: „A modern harness + open model will crush your token consumption but keep your performance.“

Ein Harness ist laut einem am 25. Mai veröffentlichten Hugging-Face-Glossar die Software, die ein KI-Modell umgibt und festlegt, was das Modell sieht, welche Werkzeuge es aufrufen kann und wann es stoppt. Anthropic’s Claude Code, OpenAI’s Codex und Google’s Antigravity sind allesamt Beispiele für Harnesses. Claude Code wird in der offiziellen Dokumentation als „the agentic harness around Claude“ beschrieben.

Palihapitiya argumentierte, dass „the harness helps enterprises own their proprietary context (what Alex Karp calls their 'alpha')“, womit er unter anderem Daten, Arbeitsabläufe und Geschäftsregeln meinte. Karp, CEO von Palantir Technologies, hat zuvor argumentiert, dass proprietäre Daten der entscheidende Wettbewerbsvorteil in der Unternehmens-KI sind.

Anwendungen als langfristige Gewinner

Palihapitiyas Investmentthese erstreckt sich auch auf Anwendungen, die er als weiteren langfristigen Gewinner bezeichnete. Er schrieb: „Every company, with the right harness, can now imbue their alpha into the software that runs their company.“ Diese Sichtweise positioniert bestehende Unternehmen — nicht nur KI-Labore — als potenzielle Nutznießer, wenn sie proprietäre Daten und Arbeitsabläufe in modellgestützte Anwendungen integrieren können.

Branchenvertreter äußern sich

Mehrere Branchenführer reagierten auf Palihapitiyas Beitrag, viele von ihnen mit Zustimmung zu seiner Betonung von Harnesses.

Xiaoyin Qu, Gründer von Tycoon AI, äußerte Unterstützung für die Harness-These und sagte, ein Harness „will create margin regardless of if the model gets commoditized“, weil das richtige System große, langfristige Aufgaben erschließen könne, die mehr wert seien als die Ausgabe eines einzelnen Modells.

Aaron Levie, CEO von Box, reagierte auf einen separaten Beitrag, der die Leistung verschiedener KI-Agenten hervorhob, und erklärte, das Harness werde „going to become the most important variable“ im KI-Stack sein, direkt neben der rohen Modellfähigkeit.

Kontext: Palihapitiyas frühere Fragen zu KI-Ausgaben

Mitte Juli stellte Palihapitiya auf X die aktuelle Entwicklung der KI-Ausgaben infrage und fragte, ob sie sich für irgendjemanden außer den wenigen Firmen auszahle, die bereits Umsatz einnehmen. Er verwies auf Käufer, die nun $0.50 pro Million führender Tokens statt $56 für dieselbe Menge ausgeben können.

Seine Harness-These wirkt wie eine direkte Antwort auf diese Sorge: Wenn Modelle billig und austauschbar werden, wandert der Wert zu denjenigen, die die Daten, die Arbeitsabläufe und letztlich die darauf aufbauenden Anwendungen kontrollieren.