Ein dedizierter 100-MW-Inferenz-Standort mit GB200-NVL72-Racks müsste laut einer detaillierten Analyse von Scotiabank Global Equity Research rund $2.91 pro GPU-Stunde erzielen, um eine hebelbasierte Eigenkapitalrendite von 15% zu erreichen.

Scotias Modell beziffert die gesamten Projektinvestitionen für 100 MW kritischer IT-Last auf $4.03 Milliarden, also $40.3 Millionen pro Megawatt. Davon entfallen 64% auf IT-Ausrüstung, bewertet mit $3.0 Millionen pro NVL72-Rack, wobei ein großer Teil dieser Ausgaben an NVDA fließt. Die übrigen 36% werden der Anlage selbst zugerechnet, mit $14.5 Millionen pro Megawatt.

Die Bank unterstellt, dass 70% des Projekts zu 8.0% über sechs Jahre finanziert werden, und berücksichtigt nach Jahr sechs einen Restwert von 15% auf die IT-Investitionen. Das unterstreicht, wie empfindlich die Renditerechnung sowohl auf die Finanzierungsbedingungen als auch auf den Ausrüstungswert am Ende der Haltedauer reagiert.

Scotia sagte, dass die aktuellen GB200-Mietindizien die Hürde übertreffen. Beim erforderlichen Niveau von $2.91 entspricht das Modell etwa $0.81 pro Million Ausgabetokens. Zum Vergleich: Die aktuellen Kosten für die Token-Ausgabe geschlossener Modelle reichen von $1.50 bei Gemini 3.1 Flash-Lite bis $15 bei GPT 5.4. DeepSeek V4 Flash liegt bei $0.28 bis $0.66, während Ox Alpha mit rund $0.50 bei einem Produkt zu liegen scheint, das Claude Opus 4.8 nahekommt.

Der Bericht hob zudem den Umfang der Verpflichtungen der Hyperscaler hervor. Scotia sagte, die Off-Balance-Sheet-Werte hätten $2.588 Billionen erreicht, zusätzlich zu weiteren $779 Milliarden bereits in der Bilanz. Diese Zahlen enthalten nicht $120 Milliarden an Garantien und anderen Eventualverbindlichkeiten, die nach Ansicht der Bank keine festen Zusagen sind.

Eine weitere relevante Zahl ist die Schätzung der Betriebskosten. Scotia bezifferte die Opex auf $0.52 pro GPU-Stunde und bezeichnete dies als Untergrenze, da es unter diesem Niveau besser sei, die Anlage herunterzufahren. Der Bericht merkte an, dass Rohstoffproduzenten und Fabriken zeitweise durchaus mit Verlust betrieben wurden, betonte aber, dass dieselbe Logik dennoch eine praktische Untergrenze setzt.

Das Bären-Szenario für KI-Infrastruktur ist laut Bericht, dass einer der zugesagten Mieter dieser Rechenzentren — etwa OpenAI oder Anthropic — ausfällt. In diesem Fall würde eine für $4.03 Milliarden errichtete und mit $2.82 Milliarden Schulden finanzierte Anlage ihren Mieter verlieren. Da ein eigens für KI gebauter Standort keine schnelle alternative Nutzung hat, bliebe dem Kreditgeber nur schwer verwertbares, auf einen Zweck ausgerichtetes Sicherheitenvermögen. Die Ausrüstung im Inneren wäre zugleich der am schnellsten an Wert verlierende Teil des Vermögenswerts. Scotia sagte, der Kreditgeber würde vermutlich eine Abschreibung vornehmen, einen Betreiber suchen und Rechenleistung zu dem Preis verkaufen, den der Markt hergibt.

Die Bank verwies auf die Glasfaserbranche als historischen Vergleich und nannte den Zeitraum von 2001 bis etwa 2010. Damals entfernte ein einzelner Ausfall vertraglich gebundene Nachfrage und fügte im selben Moment Spot-Angebot hinzu, was die Sekundärwerte drückte — aus demselben Grund, aus dem Mieten fallen, wenn das Angebot die Nachfrage übersteigt.

Scotias Cash-Kosten-Schätzung liegt bei $0.145, während der marktmittlere API-Listenpreis für Ausgabetokens bei $1.94 liegt, auch wenn sich diese Preise laut Bericht ändern können.

Der Bericht sagte, ein weiteres großes Risiko sei die Stromverfügbarkeit. Engpässe bei Interconnects, Rückstände bei Transformatoren und Turbinen sowie ein Mangel an qualifizierten Elektrokräften könnten begrenzen, wie schnell angekündigte Kapazitäten physisch bereitgestellt werden. Das schafft die Möglichkeit, dass Anlagen fertiggestellt werden, bevor der Strom verfügbar ist, sodass die GPUs altern, bevor die Standorte vollständig genutzt werden können.

Ein wichtiger Beobachtungswert — abgesehen vom Ausfallrisiko — ist die Vertragsbepreisung. Scotia schrieb: „In unserem Modell trennt der Unterschied zwischen $2.50 und $3.50 ein gescheitertes Basisszenario von einem Projekt, das sowohl Rendite- als auch Deckungstests besteht.“

Offen bleibt auch die Frage, mit welchem Bewertungsmultiplikator Hyperscaler gehandelt werden sollten, wenn diese großen Investitionen die Kapitalhürden gerade so übertreffen. Wenn die Capex echte zusätzliche Gewinne erzeugt, wächst das EPS in eine Neubewertung hinein, und die Aktie bewegt sich über Jahre seitwärts. Das sei das übliche Ergebnis, wenn sich ein renditestarkes Geschäft zu einem kapitalintensiven entwickelt.

Scotia hob außerdem die kreisförmige Finanzierung hervor, auf die ZeroHedge seit Langem hinweist. Zusagen von Hyperscalern und Modellentwicklern stützen Projektverschuldung und erzeugen damit korrelierte Risiken über Mieter, Infrastrukturbetreiber und Kreditgeber hinweg. Niedrigere API-Preise könnten die Bonität der Mieter schwächen, Restwerte belasten, Kreditspreads für Projekte ausweiten und Refinanzierung sowie Bau verlangsamen. Das Endergebnis hängt letztlich davon ab, ob steigende Nachfragedichte sinkende Token-Preise und die Veralterung der installierten Kapazität ausgleichen kann.

Die große Frage, die ich habe, lautet jedoch: Was, wenn KI erfolgreich ist? In einer Welt der Superintelligenz ist eines der ersten Dinge, die Modelle tun, Optimierung, und das könnte die Token-Kosten auf den Boden drücken. Außerdem sollte ein selbstlernendes Modell in der Lage sein, einen Chip zu entwerfen, der deutlich effizienter ist als die heute verwendeten.