Editionsgeschichte

Im Oktober verschwand die schnellste Grafikkarte, die man für einen Gaming-PC kaufen kann, still aus dem amerikanischen Onlineshop ihres eigenen Herstellers. Ein hoher NVIDIA-Manager sagte in Taipeh, die Produktion sei nicht eingestellt, man werde weiter ausliefern. Anderswo kosteten die wenigen noch angebotenen Karten mehr als das Doppelte ihres Einführungspreises.¹

Beides kann gleichzeitig stimmen. Das ist das Unbequeme daran.

Eine Grafikkarte war früher ein Spielzeug für eine bestimmte Sorte Mensch. Teuer, laut, ein wenig unvernünftig. Aber gebaut für jemanden, der spielen wollte. Heute ist dieselbe Klasse von Chips auch das, womit Firmen KI-Modelle trainieren und betreiben. Der eine Kunde kauft Bilder pro Sekunde. Der andere kauft Kapazität, die er stundenweise an die ganze Wirtschaft weiterverkaufen kann.

Diese beiden Kunden sind nicht gleich stark. Dieser Band fragt, was das bedeutet: für jemanden, der spielt, für jemanden, der KI zu Hause betreiben will, und für eine Firma, die entscheiden muss, ob sie ihre Rechenleistung überhaupt selbst besitzen soll. Er stützt sich auf öffentliche Quellen mit Stand 3. November 2026. Preise und Gerüchte bewegen sich schneller als Essays. Die Zahlen gelten mit ihrem Datum.

Wohin das Geld fliesst

Im Quartal bis zum 26. Juli 2026 meldete NVIDIA einen Umsatz von 96,2 Milliarden US-Dollar. Das Rechenzentrumsgeschäft trug 89,0 Milliarden dazu bei. Alles andere, Gaming eingeschlossen, kam auf rund 7,2 Milliarden.²

Das sind ungefähr 92 Cent von jedem Dollar. Man muss die Zahl genau lesen. Sie teilt den Umsatz auf, nicht die Chips. Ein Rechenzentrumssystem kostet ein Vielfaches einer Gaming-Karte, also sagt die Aufteilung nichts darüber, wie viele Wafer wohin gingen. Sie sagt aber, wo der Anreiz liegt. Wenn Kapazität knapp ist, kümmert sich eine Firma zuerst um den Kunden, der fast alles bezahlt.

Knapp ist es noch an einer zweiten Stelle: beim Speicher. KI-Beschleuniger brauchen grosse Mengen Speicher mit hoher Bandbreite. Das Analysehaus TrendForce erwartet, dass dieser Speicher und gewöhnliches DRAM bis 2027 um dieselbe fortgeschrittene Produktionskapazität konkurrieren und das Angebot knapp bleibt.³ Das ist eine Prognose, keine Tatsache. Gaming-Speicher ist auch nicht dasselbe Produkt. Aber alles kommt aus derselben angespannten Lieferkette.

Die eigentliche Frage ist also nicht, ob NVIDIA Gamer noch mag. Sie lautet: Ist der Mensch zu Hause noch der Kunde, für den die schnellsten Chips gebaut werden?

Was sich zum Spielen jetzt lohnt

Für Gamer ist die ehrliche Antwort weniger dramatisch. Man kauft gemessene Leistung in der Auflösung, in der man wirklich spielt.

In seinem Ratgeber vom Oktober 2026 hat Tom's Hardware für die RTX 5090 bei 1440p über 19 Spiele im Schnitt 135 Bilder pro Sekunde gemessen, ohne Upscaling und ohne Frame Generation. Die RTX 5070 Ti kam auf 92, die Radeon RX 9070 XT auf 85, die RX 9070 auf 75, die RTX 5070 auf 74 und die RX 9060 XT mit 16 GB auf 49.⁴ Das sind Ergebnisse eines einzigen Testparcours. Ein anderer liefert andere Zahlen, und man sollte sie nicht vermischen.

Derselbe Ratgeber nennt für die RTX 5090 einen mittleren Strassenpreis von 4299 US-Dollar, gegenüber 1999 bei der Einführung.⁴ AMD brachte die RX 9070 XT für 599 und die RX 9070 für 549 Dollar auf den Markt.⁵ Das sind amerikanische Preise mit Datum. Schweizer Ladenpreise wurden für diesen Band nicht geprüft. Sie bräuchten dieselbe Sorgfalt: dasselbe Modell, derselbe Tag, Steuer und Garantie inbegriffen.

Was aus den Zahlen folgt, ist ziemlich schlicht. Für natives 1440p bieten die Radeon RX 9070 und 9070 XT viel für das Geld. Die RTX 5070 Ti kostet mehr, bringt aber NVIDIAs Upscaling, besseres Raytracing und die CUDA-Software, die viele KI-Werkzeuge voraussetzen. Die RTX 5090 ist eine bemerkenswerte Maschine, die zu heutigen Preisen nur fürs Spielen wenig Sinn ergibt. Und wer schon eine Karte der 4090-Klasse besitzt, behält sie. Erst messen, was wirklich klemmt, dann über ein neues Logo nachdenken.

Ist die RTX-50-Serie am Ende?

2026 hiess es in Berichten, die RTX 5090 werde gestoppt und ihre Chips gingen stattdessen in Profikarten. Im Oktober bestritt NVIDIAs GeForce-Chef Jeff Fisher, dass die Produktion eingestellt sei. Die Lieferkette sei eingeschränkt, NVIDIA werde aber weiter ausliefern.¹ Schon früher im Jahr hatte NVIDIA erklärt, man liefere trotz Speicherknappheit alle GeForce-Modelle aus.⁶

Die Berichte über Engpässe sind trotzdem ernst zu nehmen. Ein Kartenhersteller liess über den Overclocker der8auer ausrichten, er könne das Paket aus Chip und Speicher für RTX-5090-Karten nicht bestellen und habe kein verlässliches Datum, wann sich das ändere.⁷ Das belegt eine gestörte Lieferkette. Es beweist kein eingestelltes Produkt.

Oft werden vier verschiedene Aussagen vermischt. Ein Laden hat keine Karten. Ein Partner bekommt keine Teile. Ein Hersteller verlagert die Produktion vorübergehend. Eine Produktlinie ist beendet. Nur die letzte ist ein Ende. Die öffentlichen Belege stützen heute stellenweise die ersten drei. Die vierte stützen sie nicht.

Die Karte, die es noch nicht gibt

Eine RTX 6090 gibt es nicht. Jedenfalls nicht offiziell. Bis zum 3. November 2026 hat NVIDIA weder Daten noch Preis noch Termin angekündigt.

Im September sagte ein bekannter Leaker voraus, die nächste GeForce-Generation komme vielleicht erst 2028. NVIDIA äussert sich nicht zu unangekündigten Produkten.⁸ Die Plattform Vera Rubin ist real und nach NVIDIAs Angaben in voller Produktion. Aber Rubin ist für Rechenzentren gebaut. Es ist kein Versprechen für eine Gaming-Karte.²

Mehrere Zukünfte sind denkbar. Eine neue Gaming-Generation kommt 2028, und die Preise entspannen sich. Oder der Speicher bleibt knapp, und das nächste Spitzenmodell wird seltener und teurer. Oder AMD und Intel machen in der Mittelklasse mehr Druck, und Gamer profitieren ohne spektakuläre neue NVIDIA-Karte. Das sind Szenarien, keine Prognosen.

Vorauszahlen sollte man für keines davon. Nicht mit Geld und nicht mit zwei Jahren Warten auf eine Karte, die niemand angekündigt hat.

Ein anderer Engpass

Wer KI-Modelle betreiben will, stellt andere Fragen. Passt das Modell überhaupt? Wie schnell kommt das erste Wort? Wie viele Wörter pro Sekunde danach? Wie viele Leute können es gleichzeitig nutzen? Läuft die Software auf dieser Karte wirklich?

Die erste Frage betrifft den Speicher, und dafür gibt es einen einfachen Ausgangspunkt. Die Gewichte eines dichten Modells brauchen ungefähr die Zahl der Parameter in Milliarden mal die Genauigkeit in Bit, geteilt durch acht, in Gigabyte.

Ein Modell mit 70 Milliarden Parametern braucht bei 4 Bit also rund 35 GB allein für die Gewichte. Dazu kommen der Zwischenspeicher für das Gespräch, die Laufzeitumgebung und alles andere. Im echten Betrieb braucht es immer mehr, als die Formel sagt.

Das Zweite, was oft übersehen wird, ist der Unterschied zwischen Kapazität und Tempo. Ein Rechner mit einem grossen gemeinsamen Speicher kann ein Modell halten, das auf eine 32-GB-Karte nicht passt. Trotzdem schreibt er vielleicht langsamer. Und die Spitzenwerte in den Datenblättern, gemessen bei unterschiedlicher Genauigkeit, sind keine Messungen echter Arbeit.

Was man für KI kaufen sollte, zu Hause und im Betrieb

Für technisch versierte Einzelpersonen beginnt man meist mit einer gut unterstützten Karte mit 16 bis 32 GB Speicher, nicht mit einem Server. Sechzehn Gigabyte sind ein brauchbarer Einstieg für kleinere Modelle und viele Bildwerkzeuge. Zweiunddreissig geben Raum für grössere Modelle in komprimierter Form.

NVIDIA bleibt die pragmatische Wahl, weil so viel Software zuerst für CUDA geschrieben wird. Die RTX 5090 hat 32 GB, aber zu heutigen Preisen spricht wenig für sie. Eine gebrauchte RTX 3090 mit 24 GB kann sich lohnen, wenn sie geprüft und fair bezahlt ist.

Inzwischen gibt es echte Alternativen. AMDs Radeon AI PRO R9700 hat 32 GB Speicher, 640 GB/s Bandbreite und eine Leistungsangabe von 300 Watt.⁹ Intels Arc Pro B70 hat 32 GB und 608 GB/s.¹⁰ Beide verdienen einen Blick, sofern vorher feststeht, dass die eigene Software darauf läuft.

Wer sehr grosse Modelle halten will, findet zwei kleine Maschinen. NVIDIAs DGX Spark hat bis zu 128 GB gemeinsamen Speicher mit 273 GB/s.¹¹ Apples Mac Studio mit M5 Ultra lässt sich mit bis zu 512 GB gemeinsamem Speicher und 1,2 TB/s konfigurieren, die grösste Ausführung kam Ende Oktober.¹² So viel Kapazität verändert, was auf einen Schreibtisch passt. Schnellen Betrieb für ein ganzes Team bedeutet sie nicht.

Für eine kleine Firma beginnt man bei der Arbeit, nicht beim Rack. Eigene Hardware hat echte Vorteile: Die Daten bleiben im Haus, niemand tauscht einem das Modell unter den Füssen aus, und eine Preiserhöhung eines API-Anbieters bestimmt nicht mehr das Budget. Man wird aber auch zuständig für Sicherheit, Updates, Überwachung, Backups und den Tag, an dem etwas ausfällt.

Ein sorgfältiger Weg hat drei Schritte. Auf gemieteter Hardware messen. Eine gut instrumentierte Referenzmaschine betreiben. Erst wachsen, wenn echte Nutzung den Bedarf belegt hat. Eine Stunde gemietete Tests kann einen fünfstelligen Fehlkauf verhindern. Als Referenzmaschine bietet NVIDIAs RTX PRO 6000 Blackwell 96 GB fehlerkorrigierenden Speicher, eine ernsthafte Ausgabe, die nur dauerhafter Bedarf rechtfertigt.¹³

Grössere Firmen kaufen eine Architektur, keine Karte. In dieser Grössenordnung gehören Beschleuniger wie AMDs Instinct MI355X mit 288 GB Speicher hoher Bandbreite, 8 TB/s und einer typischen Leistungsaufnahme von 1400 Watt in Rechenzentrumssysteme, nicht in ein Desktopgehäuse.¹⁴ Ein fairer Vergleich mit der Cloud rechnet Abschreibung, Strom, Kühlung, Support, Personal, Leerlauf und die Kosten eines späteren Wechsels mit ein. Das brauchbare Mass sind erledigte Aufgaben pro Franken. Nicht Parameter pro Franken und nicht Spitzenwerte aus dem Datenblatt.

Wem die Rechenleistung gehört

Eine Grafikkarte ist ein seltsames Symbol für Unabhängigkeit. Sie steht bei einem zu Hause. Aber sie hängt weiter an Treibern, Compilern, Modellgewichten, Strom und der Software anderer. Das Silizium zu besitzen, ist für manche Arten von Unabhängigkeit nötig. Für alle reicht es nicht.

Ich habe dieses Jahr geschrieben, dass der Computer heimkehrt.¹⁵ Das hier ist das Preisschild zu diesem Gedanken. Leistungsfähige KI selbst zu betreiben, wird für einen Haushalt, eine kleine Firma, eine Schule oder ein Labor wirtschaftlich bedeutsam. Es schafft eine Möglichkeit, die nicht verschwindet, wenn ein Anbieter seine Bedingungen ändert.

Romantisieren sollte man das nicht. Eine geteilte Cloud ist oft effizienter, wenn wenig genutzt wird. Nicht jeder braucht zu Hause ein grosses Modell. Unabhängigkeit hat ihren Preis. Abhängigkeit auch. Beides verdient, gemessen zu werden.

Die neue Kluft verläuft nicht nur zwischen denen, die sich eine Karte für fünftausend Dollar leisten können, und denen, die es nicht können. Sie verläuft zwischen denen, die noch wählen können, wo ihre Rechenarbeit läuft, und denen, für die diese Wahl leise enger wird.

Quellen