💰 quantitative finance

Memory Scarcity, Open Models, and the Restructuring of the AI Industry, 2026-2030 -- A quantitative scenario analysis of inference economics, training-cost divergence, and infrastructure solvency

Dit artikel betoogt dat een tekort aan geheugen in de periode 2026–2030, gecombineerd met uiteenlopende trainingskosten en beperkingen in de solvabiliteit van de infrastructuur, de kostenkloof tussen gevestigde partijen en nieuwkomers met open modellen permanent zal vergroten, wat de AI-industrie zal dwingen tot een volatiele herstructurering waarbij alleen een smal aantal scenario's met betrekking tot premium prijsstelling en vintage-eigendom financiële levensvatbaarheid garandeert.

Oorspronkelijke auteurs: Satoshi Matsuoka

Gepubliceerd 2026-07-09

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Satoshi Matsuoka

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Grote Plaatje: De Perfecte Storm

Stel je voor dat de AI-industrie een enorme bouwboom is. Iedereen haast zich om wolkenkrabbers (AI-datacenters) te bouwen om de krachtigste computers ter wereld te huisvesten. Maar in 2026 gebeuren er drie dingen tegelijkertijd die de spelregels veranderen:

De bakstenen werden duurder: De "geheugen"-chips (HBM) die computers nodig hebben om snel na te denken, werden plotseling extreem duur en moeilijk verkrijgbaar.
De blauwdrukken werden beter: "Open" AI-modellen (gratis te gebruiken) werden bijna even slim als de dure, geheime modellen, maar ze draaien op veel goedkopere hardware.
De oude eigenaren werden rijker: Bedrijven die hun computers kochten voordat de prijsstijging plaatsvond, hebben nu een enorm voordeel ten opzichte van iedereen die vandaag een nieuw bedrijf probeert te starten.

Het artikel stelt dat de AI-industrie zich op het punt staat te splitsen in twee zeer verschillende werelden, en dat veel nieuwe investeerders hun geld kunnen verliezen als ze de nieuwe wiskunde niet begrijpen.

Kernconcept 1: De "Afschrijvings-lopende band"

De Analogie: Stel je een race voor waarbij hardlopers dure hardloopschoenen moeten kopen.

De Incumbents (De Oude Garde): Dit zijn de grote bedrijven (zoals Meta of OpenAI) die hun schoenen vorig jaar kochten toen ze nog goedkoop waren. Zij zijn al aan het rennen.
De Entrants (De Nieuwkomers): Dit zijn nieuwe bedrijven die vandaag proberen te starten. Zij moeten schoenen kopen tegen de huidige, extrege hoge prijzen.

De claim van het artikel: De kloof tussen de oude lopers en de nieuwe lopers zal niet kleiner worden. Het wordt zelfs groter.
Waarom? Omdat de oude lopers hun schoenen "afschrijven" (betalen voor hun goedkope schoenen over een langere periode). Elk jaar dalen hun kosten om te rennen. Ondertussen zitten de nieuwe lopers vast aan de hoge prijs. Zelfs als de schoenprijzen over een paar jaar dalen, zullen de oude lopers tegen die tijd alweer een nieuwe partij goedkope schoenen gekocht hebben.

Het resultaat: Het is een "Roterend Landlord Oligopolie". Het voordeel roteert voortdurend tussen de bedrijven die de laatste batch goedkope hardware hebben gekocht. Nieuwkomers kunnen nooit inhalen omdat ze altijd de volle prijs betalen, terwijl de oude garde slechts centen betaalt.

Kernconcept 2: De "Luxe Auto" versus de "Bus"

De Analogie: Denk aan AI-modellen als voertuigen.

De Luxe Auto (Frontier Modellen): Dit zijn de superintelligente, op maat gemaakte AI-modellen die worden gebruikt voor complexe wetenschap, beslissingen met hoge inzet of het ontwikkelen van nieuwe medicijnen. Ze zijn extreem duur om te bouwen (miljarden kosten) en duur om te besturen. Slechts enkelen kunnen ze betalen.
De Bus (Massamarkt Modellen): Dit zijn de "goed genoeg" open modellen. Ze zijn goedkoop om te bouwen (miljoenen kosten) en goedkoop om te besturen. Ze handelen 90% van de dagelijkse taken af, zoals e-mails schrijven, programmeren of basischatten.

De claim van het artikel: De kosten om de "Luxe Auto" te bouwen stijgen razendsnel (tot $38 miljard in 2030), terwijl de kosten voor het bouwen van de "Bus" kelderen (naar $5 miljoen).
Dit creëert een splitsing:

Het Luxe Segment: Slechts enkele bedrijven zullen de superintelligente modellen bezitten. Zij zullen hoge prijzen vragen aan de weinige klanten die dat specifieke niveau van intelligentie nodig hebben.
Het Massamarkt Segment: Iedereen anders zal de goedkope, open modellen gebruiken. De kosten om deze te draaien zullen zo laag zijn dat de "Luxe"-bedrijven hierop niet kunnen concurreren qua prijs. Ze moeten een premie vragen, puur voor de "merknaam" en betrouwbaarheid.

Kernconcept 3: De "Solvabiliteitscorridor" (De Goldilocks-zone)

De Analogie: Stel je een smalle brug voor waar een gigantisch schip (de AI-industrie) overheen moet varen.

Te Langzaam (Vraaggroei): Als mensen niet meer zo snel om AI vragen als wij het bouwen, stort de brug in. De nieuwe datacenters zullen niet genoeg geld verdienen om de dure geheugenchips terug te betalen.
Te Snel (Efficiëntie): Als we té goed worden in het comprimeren van data (waardoor AI minder geheugen verbruikt), hebben we misschien niet zoveel schepen meer nodig, en stort de brug om een andere reden in.
Precies Goed: Het schip moet met een zeer specifieke snelheid groeien (ongeveer 2x per jaar) gedurende vier jaar achter elkaar om boven water te blijven.

De claim van het artikel: De industrie loopt momenteel op een koorddans.

De Gevaarlijke Zone: Als de vraag zelfs maar een beetje afremt, of als de "premie"-prijzen (wat bedrijven betalen voor de beste AI) dalen naar de lage prijzen van de goedkope modellen, zullen de nieuwe datacenters die in 2028–2029 worden gebouwd failliet gaan.
Het "Crash"-scenario: Dit is geen zeldzaam risico meer; het is een reële mogelijkheid. Als de vraaggroei stagneert, zullen de bedrijven die groot hebben ingezet op dure hardware te maken krijgen met een "geheugen-overschot" (te veel chips, te weinig werk), wat leidt tot een enorme financiële crash, vergelijkbaar met de historische DRAM-crises.

Kernconcept 4: De "Greenfield" Valstrik (Vanaf nul beginnen)

De Analogie: Stel je voor dat je een nieuw taxibedrijf wilt openen. Je besluit om je eigen aangepaste auto's (custom silicon) te bouwen om geld te besparen op de opslag van de autodealer.

De claim van het artikel: Het bouwen van je eigen aangepaste chips bespaart je een beetje geld op de motor, maar het bespaart je niet op de brandstof (geheugenchips). Omdat geheugen schaars en duur is, moet je nog steeds de hoge prijs betalen.
De Kansen: Als je vandaag een nieuw AI-bedrijf vanaf nul probeert te starten:
- 25% Kans: Je slaagt.
- 34% Kans: Je overleeft maar maakt gemiddelde winst.
- 41% Kans: Je verliest je geld.
De Oplossing: Zet niet alles in één keer in. Gebruik een "gefaseerde" aanpak. Controleer de markt elke paar maanden. Als de signalen slecht zijn (vraag neemt af, prijzen dalen), stop dan met het uitgeven van geld voordat je de hele fabriek hebt gebouwd.

Kernconcept 5: De "Sovereign" Factor (De rol van de overheid)

De Analogie: Sommige landen (zoals China) bouwen hun eigen "nationale taxi-vloten" met hun eigen wegen en brandstof, waarbij ze de wereldwijde markt negeren.

De claim van het artikel: China bouwt een volledige AI-stack (chips, software, modellen) die niet afhankelijk is van Westerse geheugenchips. Omdat ze door de staat worden gefinancierd, geven ze niet om het maken van winst op de korte termijn. Ze kunnen AI-diensten goedkoper verkopen dan wie dan ook.
Het Risico: Dit creëert een "Geopolitieke Bifurcatie". De wereld kan splitsen in twee aparte AI-markten: één Westerse (duur, gesloten) en één niet-Westerse (goedkoop, open). Dit maakt het voor Westerse bedrijven nog moeilijker om hun diensten wereldwijd te verkopen.

De Kernboodschap

Het artikel concludeert dat de "AI-boom" niet langer gegarandeerd winst oplevert, alleen maar omdat meer mensen AI gebruiken.

De Oude Regel: "Bouw het, en ze zullen komen."
De Nieuwe Regel: "Bouw het alleen als je al de goedkope hardware bezit, of als je bouwt voor een specifieke, hoogbetalende klant die niet overstapt naar het goedkope spul."

Het Belangrijkste om in de gaten te houden:
Het belangrijkste getal om in de gaten te houden is hoe snel mensen daadwerkelijk betalen voor AI (in dollars), niet alleen hoeveel AI "tokens" er worden gegenereerd. Als het aantal AI-verzoeken omhoog gaat, maar het geld dat bedrijven bereid zijn te betalen gelijk blijft of daalt, kan de hele industrie rond 2028 een crash ervaren.

Samenvatting voor Investeerders:

Begin NIET aan een nieuw datacenterbedrijf vanaf nul, tenzij je een gegarandeerde klant hebt en een plan om goedkoop geheugen te bemachtigen.
Houd de "premie"-prijzen in de gaten. Als deze beginnen te dalen naar het niveau van de "goedkope" prijzen, ren dan weg.
Onthoud dat de bedrijven die vorig jaar hardware kochten, degenen zullen zijn die winnen, niet degenen die het vandaag bouwen.

Technische Samenvatting: Geheugentekort, Open Modellen en de Herstructurering van de AI-industrie (2026–2030)

Probleemstelling

Het paper behandelt een kritieke structurele spanning in de AI-industrie die wordt geprojecteerd voor de horizon 2026–2030: de divergentie tussen de economie van de AI-infrastructuurvoorraad en de evoluerende economie van de AI-vraag. Het kernprobleem wordt gedreven door vier gelijktijdige krachten:

Historisch Geheugentekort: Een ernstige herwaardering van DRAM en High-Bandwidth Memory (HBM), waarbij contractprijzen in het eerste kwartaal van 2026 met ~90% stijgen en tekorten potentieel tot 2030 kunnen aanhouden.
Open-Model Pariteit: De opkomst van frontier-waardige open-weight modellen (bijv. GLM-5.2) die de capaciteiten van propriëtaire modellen evenaren tegen een fractie van de serveringskosten.
Inference-efficiëntiewinsten: Snelle verbeteringen in de efficiëntie van inference via KV-cache compressie (naderend aan de Shannon-limieten) en lichtgewicht lokale runtimes, wat het aantal bytes-per-token vermindert.
Marktherstructurering: De intrede van voormalige AI-labs (Meta, xAI) in de compute-resale markt met vloten die zijn verworven vóór de herwaardering van het geheugen, wat een nieuwe klasse "gevestigde partijen" creëert met voordelen door gevestigde kosten (sunk-cost advantages).

De centrale vraag is of de aangekondigde wereldwijde capaciteitsopbouw solvabel kan blijven gezien deze krachten, waarbij specifiek wordt gekeken naar de solvabiliteit van nieuwe spelers versus gevestigde partijen, de bifurcatie van trainingseconomie en de levensvatbaarheid van de "commoditisatie"-thesis.

Methodologie

De analyse maakt gebruik van een kwantitatief scenarioframework gebaseerd op hardware-economie en marktdynamiek:

Eenheid van Analyse: Het paper herformuleert de economie van inference aan de hand van dollars per petabyte aan geleverde geheugenbandbreedte ($/PB) in plaats van kosten per token. Deze eenheid is gekozen omdat de decode-fase van inference bandbreedtegebonden is; de doorvoer is evenredig met de geleverde HBM-bandbreedte, ongeacht de identiteit van het model.
Kostenmodellering:
- Volledige Kosten: Omvat de lineaire afschrijving over 4 jaar van acceleratorprijzen (met een 1,5× systeemmultiplier), stroom ($0,08/kWh, PUE 1,3) en toegewezen operaties.
- Marginale Kosten: Excludeert afschrijving, wat de bodem vertegenwoordigt voor vloten met gevestigde kapitaalkosten (sunk capital).
- Vintage-analyse: Volgt cohorten van hardware die in specifieke jaren is gekocht ("vintages") om hun economische levenscyclus te bepalen.
Scenario-constructie: Vijf scenario's worden gedefinieerd op basis van het snijpunt van token-vraaggroei, efficiëntietrends (bytes-per-token reductie) en prijsregimes (sticky vs. gekoppeld).
Databronnen: De analyse maakt gebruik van gediscloseerde token-groei statistieken van grote aanbieders (Google, Microsoft, OpenRouter), HBM-contractprijsmetingen (TrendForce, Counterpoint) en financiële verslagen met betrekking tot circulaire financieringsarrangementen (bijv. OpenAI-Oracle-NVIDIA).
Stresstesten: Het model test de gevoeligheid voor de vertraging van efficiëntie (vertraging van 30%/jaar naar 15%/jaar) en herallocatie van de vraag (migratie naar on-premises/open-weight inference).

Belangrijkste Bijdragen

Het paper levert acht specifieke technische en analytische bijdragen:

Bandbreedte-gedenomineerde Economie: Formuleert de kosten van inference in $/PB, waardoor de hardware-economie duidelijk wordt gescheiden van de modelkeuze voor bandbreedtegebonden workloads.
De Afschrijvingsconveyor: Demonstreert dat het kostenvoordeel van gevestigde partijen ten opzichte van nieuwkomers structureel en permanent is. Naarmate hardware afschrijft, roteert het voordeel van de "goedkope vloot" onder gevestigde partijen die in eerdere cycli hebben gekocht, en bereikt het nooit nieuwkomers die tegen de huidige piekprijzen moeten kopen.
U-vormige Vintage Breakeven: Afgeleide een breakeven-curve die laat zien dat de identiteit van de benadeelde partij afhangt van het prijsregime. Gekoppelde prijzen (waarbij premium prijzen de massaprijzen volgen) breken de 2028–2029 vintages, terwijl sticky prijzen de 2026 vintage breken (kopers van de piekprijs). De 2027 vintage wordt geïdentificeerd als robuust over de verschillende regimes.
Solvabiliteitscorridor: Definieert een smalle corridor voor de solvabiliteit van infrastructuur die ongeveer 2× jaarlijkse token-vraaggroei vereist gedurende vier jaar, afhankelijk van efficiëntiewinsten van ~30%/jaar.
Meetkritiek: Identificeert vijf systematische opwaartse biases in publieke token-vraagtrackers (geïnjecteerd volume, substitutie, subsidie, kwaliteitscompositie, base effecten) en stelt dat "bruto" groei de "kwaliteit-gecorrigeerde" vraag overschat.
Projectie Vintage Probleem: Benadrukt dat optimistische vraagprognoses de Q2 2026 regimeverschuiving van "token maximalisatie" naar "token minimalisatie" voorafgingen, waardoor ze bovengrenzen zijn in plaats van baselines.
Gekoppeld Transmissiemechanisme: Analyseert de Chinese full-stack ontkoppeling (binnenlandse HBM, open modellen) en de Westerse circulaire financieringsweb als een mechanisme voor een potentiële crash, waarbij tekorten in de vraag doorwerken in schulden en equity-verplichtingen.
Greenfield Entrant Waarschijnlijkheden: Kwantificeert de risicoverdeling voor een nieuwe speler die custom silicon naar een nieuw datacenter verscheept, waarbij een succeswaarschijnlijkheid van 25%, een middelmatigheid van 34% en een verlieswaarschijnlijkheid van 41% wordt geschat zonder specifieke mitigatiestrategieën.

Belangrijkste Resultaten

1. De Bodem van Gevestigde Partijen vs. Nieuwkomerseconomie

Het kostenverschil tussen gevestigde partijen (met gevestigde vloten) en nieuwkomers is structureel.

2026: Nieuwkomers kampen met een 3,2× nadeel in $/PB vergeleken met de bodem van de gevestigde partijen.
2027: Het gat verkleint naar 1,9× (het beste instapmoment).
2029–2030: Het gat wordt opnieuw groter naar 3–4× naarmate legacy-vloten volledig zijn afgeschreven terwijl nieuwe builds te maken krijgen met genormaliseerde of verhoogde geheugenprijzen.
Conclusie: Het voordeel roteert tussen gevestigde partijen; het wordt nooit overgedragen aan nieuwkomers. Een nieuwkomer kan alleen lid worden van de "klasse van gevestigde partijen" door een volledige afschrijvingscyclus te overleven met een negatieve spread, wat door limit pricing van gevestigde partijen kan worden voorkomen.

2. Divergentie in Trainingkosten

Een "luxe segmentatie" ontstaat in de trainingseconomie:

Frontier Training: Kosten stijgen van ~$1,5 miljard (2026) naar $18B–$ 38B (2030) door de dominantie van geheugen en het gebrek aan Moore's Law-schaalbaarheid in geheugen.
"Goed Genoeg" Training: Kosten voor het repliceren van voorheen frontier-capaciteiten via reinforcement learning en distillatie op open bases dalen richting de $5 miljoen.
Divergentie: De ratio verbreedt van ~40× vandaag naar 3–4 ordes van grootte tegen 2030.

3. De Solvabiliteitscorridor

Om de totale opbouw solvabel te houden:

Vereiste: De token-vraag moet een groei van ~2× per jaar volhouden gedurende vier opeenvolgende jaren (netto van efficiëntiewinsten).
Drempelwaarden: Als de efficiëntiewinsten vertragen naar 15%/jaar, daalt de vereiste groei naar 1,6×. Als ze versnellen naar 45%/jaar, stijgt de vereiste naar 2,4×.
Risico: Het verlaten van deze corridor concentreert de verliezen op de "piek-vintage" capaciteit (leveringsvenster 2028–2029).

4. Scenario-waarschijnlijkheden (Herzien)

Het paper wijst de volgende waarschijnlijkheden toe aan vijf scenario's:

Roterend Landlord Oligopolie (25%): Vraag nabij de drempel; gevestigde partijen bepalen de massaprijzen vanuit de bodem van de gevestigde vloot; nieuwkomers worstelen.
Jevons Absorptie (20%): Token-groei ≥2,5×/jaar; alle vintages blijven solvabel; AI voor Wetenschap en Industriële Innovaties (AI4SIS) fungeert als een onelastische bodem.
Systeemlaag Re-differentiatie (18%): Sticky premium pricing; waarde migreert naar orchestratie en routing; infrastructuur verdient utility-marges.
Commoditisatie Crash (25%): Token-groei <1,7×/jaar en/of gekoppelde prijzen; verliezen concentreren zich bij houders van de piek-vintage; een geheugenoverschot volgt.
Geopolitieke Bifurcatie (12%): Exportcontroles breiden zich uit naar modelgewichten; Westerse enclaves herstellen hun prijszettingsmacht terwijl de rest van de wereld standaardiseert op Chinese open weights.

5. Greenfield Entrant Risico

Voor een nieuwe speler die custom silicon en een datacenter bouwt:

Centrale Uitkomst: 25% Succes, 34% Middelmatigheid, 41% Verlies.
Mitigatie: Een gefaseerde "go/no-go" procedure gesynchroniseerd met observeerbare marktkritieke metrieken (token-groei, prijskoppeling, HBM-prijzen) kan de kans op verlies van ingezet kapitaal reduceren tot ~24%.

Betekenis en Claims

Het paper beweert dat de AI-infrastructuurboom niet langer uitsluitend wordt gedekt door bruto token-groei alleen. Solvabiliteit hangt nu af van:

Gemonetiseerde Bandbreedtevraag: Omzet moet meebewegen met de verplaatste petabytes, niet alleen met het aantal tokens.
Premium-Prijs Stickiness: Premium prijzen moeten losgekoppeld blijven van de instortende massamarkt.
Eigendom van Vintages: Het bezit en exploiteren van afgeschreven, geheugenzware capaciteit is de primaire bron van concurrentievoordeel.

Het paper stelt dat het "Crash"-scenario niet langer een tail risk is, maar een co-modale uitkomst met de "Landlord Oligopoly", gedreven door meetfouten in de tracking van de vraag, de regimeverschuiving naar token-minimalisatie en de fragiliteit van circulaire financiering. Het concludeert dat de meest beslissingsrelevante observeerbare factor werkelijke token-vraaggroei netto van efficiëntie is, gevolgd in dollars én in tokens, om te bepalen of het systeem binnen de solvabiliteitscorridor blijft.

De analyse suggereert dat voor gesloten labs de rationele strategie "asset-light" serving (leasing) en sticky pricing is; voor infrastructuurbeleggers is de timing van de vintage (specifiek 2027) kritischer dan operationele vaardigheid; en voor beleidsmakers kan soevereine capaciteit worden bereikt via efficiënte inference van open weights in plaats van frontier-schaal training, mits de infrastructuur inheems eigendom is om jurisdictionele reikwijdte te vermijden (bijv. CLOUD Act).