Nvidia kan verdienen aan bedrijven die minder ChatGPT gebruiken
In het kort
Nvidia praat volgens de Financial Times over een grotere investering in Reflection AI of een overname. Daarachter ligt een interessante kans: goede modellen die bedrijven zelf kunnen draaien, maken AI bereikbaar via veel meer aanbieders. Nvidia kan de rekenkracht daarvoor leveren en zo zijn klantenkring verbreden, terwijl grote AI-bedrijven hun eigen chips ontwikkelen of alternatieven inkopen. Om te begrijpen waarom dit zo belangrijk is, kijken we naar de samenwerking tussen deze bedrijven, de rekening van een eigen AI-systeem en wat die ontwikkeling voor aandeelhouders kan betekenen.
Nvidia kan geld verdienen aan een bedrijf dat besluit minder ChatGPT te gebruiken. Neem een verzekeraar die dagelijks duizenden documenten verwerkt. Vandaag betaalt die misschien een AI-aanbieder voor iedere opdracht. Morgen kan hij een geschikt model op eigen infrastructuur laten draaien. De rekening verhuist dan voor een deel naar servers, software en beheer. En precies daar kan Nvidia weer in beeld komen.
In de techwereld noemen ze zulke verhoudingen graag ‘frenemies’: vrienden en concurrenten tegelijk. OpenAI koopt rekenkracht van Nvidia en werkt ondertussen aan eigen chips. Nvidia helpt AI aanbieders groeien en maakt tegelijk modellen aantrekkelijk waarmee bedrijven meer zelf kunnen doen. Dat kan gebruik bij een dienst als OpenAI vervangen. Daar wordt vaak afgerekend in tokens, de kleine stukjes tekst die een model verwerkt. Wie dat samenspel begrijpt, ziet waarom Reflection voor Nvidia interessant kan zijn. Het gaat om een volgende groep klanten voor zijn rekenkracht.
Direct naar een onderdeel van dit artikel
Wat Nvidia in Reflection ziet
Reuters meldde op 10 oktober, op basis van de Financial Times, dat Nvidia praat over een grotere investering in Reflection of een overname. Ook een combinatie van het aantrekken van medewerkers en een technologielicentie zou op tafel liggen. Het gaat om gesprekken; een overeenkomst is nog niet bevestigd. Reuters kon het bericht niet zelfstandig verifiëren en beide bedrijven hadden op dat moment geen reactie gegeven.
Reflection is opgericht door voormalige DeepMind onderzoekers. Bij de besproken financiering werd een waardering van ongeveer $25 miljard genoemd. Zo'n bedrag geeft een indruk van de verwachtingen rond het bedrijf. De aantrekkingskracht zit in de mensen en de modellen die zij ontwikkelen: goede AI kan voor Nvidia de aanleiding zijn voor een nieuwe klant om in rekenkracht te investeren.
Op 5 oktober presenteerde Reflection Beam, voor programmeren, redeneren en het uitvoeren van taken. Op 11 oktober is het model beperkt toegankelijk. Downloadbare modelgewichten onder Apache 2.0 zijn aangekondigd voor later deze maand. Modelgewichten kun je zien als het geleerde van een model. Wie die mag downloaden en gebruiken, kan het model zelf uitvoeren. De aangekondigde licentie geldt voor die gewichten. Of ook trainingsdata worden gedeeld, is een afzonderlijke keuze.
Waarom AI-bedrijven hun chips op maat willen
Om die kans te begrijpen, helpt het om eerst naar de grootste AI bedrijven te kijken. Die verwerken dagelijks enorme hoeveelheden vragen. Een kleine besparing per antwoord kan bij zoveel gebruik flink oplopen. Een speciaal ontworpen chip wordt dan aantrekkelijk, zoals een bezorgbedrijf bij een grote vloot precies uitrekent welk voertuig het voordeligst rijdt.
OpenAI kondigde op 24 juni Jalapeño aan, ontwikkeld met Broadcom. Die chip is bedoeld om taalmodellen uit te voeren. In de industrie heet dat inference: het model heeft zijn training achter de rug en gaat aan het werk, bijvoorbeeld om een vraag te beantwoorden. Met een eigen ontwerp kan OpenAI de hardware beter laten aansluiten op dat werk. Hoeveel bestaande rekenkracht daardoor wordt vervangen, hangt af van de verdere uitrol.
Anthropic kiest ondertussen voor meerdere leveranciers. In zijn overeenkomst met Google en Broadcom van 6 april beschrijft het bedrijf hoe Claude draait op Nvidia GPU's, Google TPU's en Amazon Trainium. Dat zijn verschillende families AI chips, ieder met hun eigen mogelijkheden. Nieuwe Google-capaciteit moet vanaf 2027 beschikbaar komen. Anthropic vergroot zo zijn keuze met chips van partners.
Voor deze bedrijven gaat het om grip op hun rekening en voldoende capaciteit om te groeien. Meer keuze helpt bij onderhandelingen en maakt het makkelijker om werk te verdelen. Voor Nvidia betekent dat dat het zijn plek telkens opnieuw moet verdienen, met snelheid, bruikbare software en een aantrekkelijke prijs per afgehandelde taak.
Een eigen AI assistent voor veel meer bedrijven
Een advocatenkantoor heeft een heel andere behoefte. Het wil contracten doorzoeken, afspraken vergelijken en medewerkers sneller bij de juiste passage brengen. Een eigen AI assistent kan daarbij prettig zijn, zeker als die goed aansluit op de dossiers en werkwijze van het kantoor.
Een bruikbaar open model maakt zo'n oplossing toegankelijker. Het kantoor kan het model laten draaien op eigen servers of in een afgesproken omgeving bij een IT-beheerder. De uitgaven gaan dan naar apparatuur, stroom, software en ondersteuning. Hoeveel dat kost, hangt vooral af van het gebruik en de inrichting van het systeem.
Hier ontstaat ruimte voor een hele keten van bedrijven. Serverbouwers leveren de machines, IT dienstverleners richten de systemen in en beheerders houden ze draaiend. Nvidia kan via die partijen een veel grotere groep eindklanten bereiken. ‘Lokaal’ kan in de praktijk ook betekenen dat de AI in een afgeschermde omgeving bij een datacenter staat, onder afspraken van de klant.
Nvidia bouwt al aan het gereedschap daarvoor. Met NIM levert het softwarepakketten waarmee ontwikkelaars modellen op ondersteunde Nvidia systemen kunnen uitvoeren, van werkstations tot cloudomgevingen. Dat helpt om van een model naar een bruikbare toepassing te komen. Voor dagelijks bedrijfsgebruik komen daar ondersteuning en commerciële softwarediensten bij. Juist die combinatie kan aantrekkelijk zijn voor organisaties die hun AI betrouwbaar willen laten werken.
In onze eerdere analyse over software die Nvidia's chipmarge kan beschermen stond de relatie met klanten na de hardwareverkoop centraal. Reflection past een stap eerder in dat verhaal: goede modellen kunnen bedrijven enthousiast maken om zelf AI in te zetten. Daarmee kan ook de vraag naar de bijbehorende infrastructuur groeien.
Die gedachte sluit aan bij Nvidia's gesprek van 25 maart over open en gesloten modellen, waaraan Reflection deelnam. Onze strategische lezing is dat Nvidia baat heeft bij een brede AI-markt, waarin veel organisaties modellen kiezen en toepassen. Hoe meer bruikbare toepassingen ontstaan, hoe meer kansen er zijn om de rekenkracht eronder te leveren.
De slimste AI voor het werk dat gedaan moet worden
Hoe slim moeten die modellen dan zijn? Beam richt zich op programmeren, redeneren en taken uitvoeren. De eigen vergelijkingen van Reflection laten wisselende prestaties tegenover andere open modellen zien. Voor een bedrijf wordt het vooral interessant zodra een model het eigen werk goed aankan. Dat is ook de plek waar een praktijktest veel kan vertellen.
Stel dat een logistiek bedrijf iedere dag vrachtbrieven verwerkt. De nuttige vragen zijn dan heel concreet. Leest de AI de afleveradressen goed? Herkent hij een ontbrekend document? Komen twijfelgevallen op tijd bij een medewerker? Een systeem dat dit vlot en betrouwbaar afhandelt, kan veel waarde opleveren. De kwaliteit wordt zichtbaar in het werk dat medewerkers iedere dag doen.
Bedrijfskennis maakt daarbij een groot verschil. Een model dat de juiste dossiers, productgegevens en werkafspraken kan raadplegen, heeft meer houvast bij zijn antwoorden. Een goed ingericht eigen systeem kan daardoor op een specifieke taak beter passen dan een algemene chatbot. Dat is een mogelijkheid om te testen. Voor een eerlijke vergelijking krijgt ook de externe AI oplossing toegang tot dezelfde relevante informatie.
Voor Nvidia is dat een aantrekkelijke ontwikkeling: bedrijven kunnen steeds meer soorten werk met AI ondersteunen. Efficiëntere modellen maken een afzonderlijke taak goedkoper en kunnen nieuwe toepassingen binnen bereik brengen. Hoeveel extra chips dat uiteindelijk vraagt, hangt af van de groei van het gebruik én van de rekenkracht die iedere taak nodig heeft.
Wat er nodig is om AI zelf te draaien
Een model zelf draaien vraagt passende apparatuur. Beam telt volgens Reflection 501 miljard parameters, de getallen waarin het geleerde is vastgelegd. Per stap zijn er ongeveer 23 miljard actief. Dat bespaart rekenwerk; voor het opslaan van het model telt de volledige verzameling gewichten mee.
Bij vier bits per parameter komt die opslag rekenkundig op ongeveer 250,5 GB, plus extra gegevens en werkgeheugen. Dat vraagt meer geheugen dan de 128 GB van één DGX Spark. Voor de uiteindelijke snelheid tellen ook verbindingen, software, documentlengte en het aantal gelijktijdige gebruikers mee.
Kleinere modellen kunnen met bescheidener apparatuur uit de voeten. Het is dus de moeite waard om de omvang van het systeem af te stemmen op de taak. Vervolgens komt de volledige rekening in beeld: aanschaf, financiering, stroom, onderhoud en de mensen die het systeem beheren. Ook de inrichting verdient aandacht. Toegangsrechten en verbindingen met andere diensten bepalen hoe bedrijfsgegevens worden gebruikt.
Laten we dat tastbaar maken met een fictief rekenvoorbeeld. We nemen €70.000 vaste jaarkosten voor eigen infrastructuur en beheer, plus één cent per goed afgeronde taak. De externe AI-dienst kost in dit voorbeeld vijf cent per goed afgeronde taak, inclusief herhaalpogingen. Deze aangenomen bedragen helpen om de afweging te begrijpen; ze zijn geen offerte voor Beam.
Elke taak op het eigen systeem bespaart dan vier cent aan variabele kosten. Om daarmee €70.000 vaste kosten terug te verdienen, zijn 1,75 miljoen goed afgeronde taken per jaar nodig: €70.000 gedeeld door €0,04. Bij 220 werkdagen is dat bijna 8.000 per dag. Vanaf dat gebruik kan de eigen route in dit voorbeeld voordeliger worden, bij gelijke kwaliteit en voldoende capaciteit.
Zo wordt ook de rol van IT dienstverleners duidelijk. Zij kunnen het gebruik van verschillende klanten samenbrengen en de apparatuur goed benutten. Een kleinere organisatie krijgt dan toegang tot een professioneel beheerd systeem. De keuze gaat bovendien over controle, privacy en beschikbaarheid. Een bedrijf kan daar bewust voor willen betalen, naast de mogelijke besparing per taak.
Hoe een grotere markt Nvidia kan laten groeien
Hier komt het grotere plaatje samen. De grootste AI bedrijven blijven zoeken naar voordelige chips. Tegelijk kan een veel bredere groep organisaties zelf AI gaan gebruiken. Voor Nvidia ontstaat daarmee een tweede groeiroute: meer vraag van bedrijven, overheden en hun IT-partners.
Een eenvoudig rekenvoorbeeld laat zien hoe dat kan uitpakken. Stel dat de markt groeit van 100 naar 150, terwijl Nvidia's aandeel daalt van 80% naar 60%. De omzet groeit dan van 80 naar 90, oftewel 12,5%. De hele taart is zoveel groter geworden dat een kleinere plak meer oplevert. Dit zijn gekozen voorbeeldcijfers om het mechanisme te laten zien.
Voor aandeelhouders helpt die rekensom om de ontwikkeling te volgen. Bij de aangenomen daling van het marktaandeel moet de markt met een derde groeien om de omzet gelijk te houden. Daarnaast telt de winstmarge: hoeveel houdt Nvidia van iedere dollar omzet over? Marktgroei en winstgevendheid bepalen samen hoeveel deze verbreding kan opleveren.
Ook andere chipmakers kunnen profiteren van open modellen, als de licentie en software uitvoering op hun hardware mogelijk maken. Nvidia's kans ligt daarom in een compleet en prettig werkend aanbod. Voor een bedrijf tellen naast de chip ook installatie, snelheid, ondersteuning en de totale kosten. Een leverancier die dat goed organiseert, heeft een sterke uitgangspositie.
De verhouding met bestaande klanten blijft daarbij belangrijk. Door meer zelf met modellen te doen, wordt Nvidia op onderdelen ook hun concurrent. Het is hetzelfde samenspel van ‘frenemies’ uit de opening. Nvidia zal ruimte moeten houden voor partners en tegelijk investeren in onderzoek en nieuwe toepassingen. De opbrengst daarvan wordt zichtbaar wanneer klanten die systemen dagelijks gaan gebruiken.
Lees ook hoe groei, winstmarge en beurswaardering samenkomen in Kan Nvidia naar 400 dollar nu de chipreus de groei heeft maar de beurs de prijs bepaalt?. De nieuwe berekeningen hieronder gebruiken een bijgewerkte koersbasis.
Wat deze kans waard kan zijn voor aandeelhouders
Vier kwartalen met $2,22 aangepaste winst zouden samen $8,88 per aandeel opleveren. De koers is ongeveer 25,8 keer dat bedrag. Dat is een eenvoudige omzetting van één kwartaal naar jaarbasis. Voor de toekomstige waarde gaat het vervolgens om de winst die Nvidia de komende jaren kan blijven verdienen.
De eigen scenario's hieronder maken dat concreet voor de kalenderjaren 2027, 2028 en 2029. We nemen per jaar een omzet, nettowinstmarge en waardering aan, met 24 miljard aandelen. Zo is te zien hoe groei en winstgevendheid samen doorwerken in de berekende aandelenwaarde. Het gaat om rekenpaden met expliciete aannames, afzonderlijk van Nvidia's boekjaren en officiële verwachtingen.
In het middenpad groeit de omzet naar $850 miljard in 2029, met een nettomarge van 46%. Bij een waardering van 25 keer de berekende jaarwinst komt daar ongeveer $407 per aandeel uit. Het lage pad laat zien wat concurrentie en lagere marges kunnen betekenen: daarin volgt ongeveer $120. Het hoge pad veronderstelt een bijzonder sterke groei en blijvend hoge winstgevendheid.
We kunnen ook beginnen bij het gewenste rendement. Om vanaf $229,28 in drie jaar 10% koerswinst per jaar te behalen, moet de koers ongeveer $305 worden. Bij 25 keer de jaarwinst vraagt dat $12,21 winst per aandeel. Met 24 miljard aandelen en een nettomarge van 46% hoort daar circa $637 miljard jaaromzet bij. De rekensom is $229,28 × 1,10³ ÷ 25 × 24 miljard ÷ 46%. Deze berekening betreft de koers, exclusief dividend, valuta, kosten en belasting.
Een volgende groeimarkt voor Nvidia
De belangstelling voor Reflection raakt daarmee aan een aantrekkelijke mogelijkheid voor Nvidia. Goede modellen kunnen meer organisaties helpen om AI op hun eigen manier te gebruiken. Een verzekeraar, fabriek of advocatenkantoor krijgt meer keuze in de inrichting. Nvidia kan via servers, software en partners een rol spelen in de infrastructuur die dat mogelijk maakt.
Om die ontwikkeling te volgen, zijn de volgende stappen vrij concreet. Welke afspraken komen er met Reflection? Wanneer zijn de aangekondigde modelgewichten beschikbaar? En welke bedrijven gaan er vervolgens dagelijks mee werken? Juist bij die toepassingen ontstaat zicht op het gebruik, de kosten en de opbrengst voor leveranciers.
Voor aandeelhouders zit de grote kans in die verbreding. Nvidia heeft meegebouwd aan de eerste grote AI-aanbieders. Nu kan het helpen om AI verder de gewone bedrijfswereld in te brengen. Als die klantenkring groeit en Nvidia daar winstgevend de rekenkracht voor levert, krijgt het bedrijf een bredere basis voor de volgende fase. Hoeveel nieuwe bedrijven kan het op die manier aan zich verbinden?
Opmerkingen