Jensen Huang verkaufte eine Weltanschauung: dass die KI das Zeitalter des Trainings hinter sich gelassen hat und in etwas viel Größeres, Nachhaltigeres und potenziell deutlich Lukrativeres eingetreten ist. Er teilte seine Vision und seine Überzeugung von einer Wirtschaft, die auf Inferenz, Agenten und einem ständig steigenden Bedarf an Rechenleistung basiert.
Das war ebenfalls das eigentliche Signal während seiner Live-Pressefragerunde am 17. März mit Reportern und Kreativen.
Ja, es gab die erwarteten Hardware-Demonstrationen. Ja, es gab riesige Zahlen. Doch die tiefere Geschichte war Huangs Versuch, den KI-Markt anhand einer neuen Grundannahme neu zu ordnen: Die Zukunft wird nicht mehr davon bestimmt, wer wie in den vergangenen Jahren einmalig das größte Modell trainiert. Sie wird davon bestimmt, wer die nützlichsten Schlussfolgerungen am schnellsten, günstigsten und in industriellem Maßstab liefern kann.
Dieser Wandel ist wichtig, weil er die KI-Infrastruktur von einem Boom-Ausbau in etwas verwandelt, das eher einem permanenten Produktionssystem gleicht. Huangs deutlichste Aussage dazu war zugleich eine seiner aufschlussreichsten:
„In Zukunft ist der Computer tatsächlich ein Hersteller, ein Token-Produktionssystem.“
Das ist die These.
In Huangs Darstellung rief der alte Computer Informationen ab. Der neue produziert Tokens. Und sobald dieses Muster die Rechenleistung dominiert, sieht der KI-Bedarf weniger nach einem vorübergehenden Investitionszyklus und mehr nach einer industriellen Basis aus, die ständig in Betrieb sein muss.
So rechtfertigt Nvidia auch die riesige Zahl, die über der gesamten Veranstaltung schwebt. Huang sagte, Nvidia rechne bis 2027 mit einem Umsatz von mehr als 1 Billion US-Dollar durch den Verkauf von Blackwell- und Rubin-Chips. In der Fragerunde betonte er, dass die Zahl bewusst eng gefasst sei: „1 Billion US-Dollar umfasst nur Blackwell plus Rubin und nur bis 2027“ und „liegt wahrscheinlich höher als das, was ich hier zeige.“
Er stellte außerdem klar, dass diese Zahlen ausschließlich auf der Blackwell- und Rubin-Technologie basieren und den Rest des Geschäfts überhaupt nicht berücksichtigen.
Das ist eine gewaltige Behauptung. Interessanter ist jedoch, was gegeben sein muss, damit sie Bestand hat.
Die Inferenz muss zum Gravitationszentrum werden. Nicht zu einer nachgelagerten Phase nach dem Training, sondern zum wirtschaftlichen Kernmotor der KI. Ich glaube weitgehend daran, denn mit der zunehmenden agentischen Nutzung steigt die Zahl der pro Nutzer benötigten Tokens um mehrere Größenordnungen.
Huang sagte, Nvidia habe diesen Wandel früh kommen sehen und bereits enorme Anstrengungen auf diese Kategorie gelenkt: „2025 haben wir beschlossen, enorme Ressourcen der Inferenz zu widmen.“
Das erklärt, warum Nvidia zunehmend mehr sein will als ein GPU-Anbieter. Das Unternehmen positioniert sich als Erbauer der KI-Fabrik: Chips, Speichersysteme, Netzwerke, Speicher, Orchestrierung, Inferenzsoftware, Unternehmenswerkzeuge und die Infrastruktur, die all das in großem Maßstab am Laufen hält.
„Die meisten Menschen vergessen, dass Nvidias Geschäft viel, viel stärker diversifiziert ist als das eines Chipunternehmens“, sagte Huang. „Wir decken den gesamten Stack ab und können Menschen dabei helfen, überall KI-Fabriken zu bauen.“
Warum Agenten Unternehmenssysteme wichtiger machen, nicht unwichtiger
An der Geschichte der Agenten wird diese Strategie noch deutlicher.
Einer der wichtigsten Abschnitte der Fragerunde war Huangs Widerspruch gegen die Vorstellung, dass KI-Agenten die ihnen zugrunde liegende Softwareschicht aushöhlen werden. Seine Argumentation war beinahe das Gegenteil. Agenten werden Aufzeichnungssysteme nicht ersetzen, sondern sie wichtiger machen.
„Wird SQL sterben, weil es jetzt Agenten gibt? Nein“, sagte er. „Dort wird unsere Wahrheit über das Geschäft liegen.“
Dieses eine Zitat bringt einen umfassenderen Punkt auf den Kern, den Nvidia macht: Der zukünftige Agenten-Stack ist keine Magie. Er basiert auf strukturierten Systemen, wird von ihnen gesteuert und ist mit ihnen verbunden – Systemen, die Unternehmen prüfen und kontrollieren können. Das ist die Lücke, die viele Unternehmen und Branchen bisher von der Einführung von KI abgehalten hat, und Huang will sie 2026 schließen.
Deshalb kam Huang immer wieder auf die Kontrollierbarkeit zurück. Er machte sich über die Fantasie lustig, KI werde einfach perfekte industrielle Ergebnisse aus dem Nichts halluzinieren.
„Was werden die agentischen Ingenieure tun? Transistoren manifestieren? Nein.“ Das war nicht nur rhetorisch gemeint, sondern strategisch. Unternehmens-KI wird erst dann wertvoll, wenn sich ihre Arbeit überprüfen, reproduzieren und in Systeme zurückschreiben lässt, denen Menschen vertrauen.
Das ist auch der Grund, warum Nvidia in eine unternehmenstaugliche Agenteninfrastruktur vordringt. Das Unternehmen versucht, neue offene Agenten-Frameworks mit umfassenderer Governance, Datenschutz und operativen Kontrollen zu bündeln. Huang beschrieb diese Bemühungen in ungewöhnlich großen Worten: „Die Open Cloud ist der Wendepunkt der KI nach dem Reasoning.“
Das könnte sich als eine der wichtigsten Aussagen der gesamten Sitzung erweisen.
Der Markt verbrachte einen großen Teil des vergangenen Zyklus mit der Frage, ob Agenten im Wesentlichen nur Demos seien. Nvidias Position auf der GTC 2026 war deutlich offensiver: Agenten entwickeln sich zu einer echten Softwareinfrastruktur, und die nächste Herausforderung besteht darin, sie in realen Unternehmen einsetzbar zu machen.
Vom Modell-Spektakel zur Systemökonomie
Dieser Wandel hat Auswirkungen auf den gesamten Stack.
Wenn Inferenz kontinuierlich erfolgt und agentische Workloads normal werden, geht es bei der Leistung nicht mehr nur um die Qualität des Modells. Sie wird zu einem Systemproblem: Speicherhierarchie, Netzwerke, Speicher, Orchestrierung, Latenz und Kosteneffizienz über sehr unterschiedliche Workload-Klassen hinweg. Einige Anwendungsfälle benötigen riesige Modelle. Andere große Kontextfenster. Wieder andere sehr geringe Latenz. Manche brauchen alles drei.
Huangs Antwort lautet, dass die siegreiche Plattform jene sein wird, die die breiteste Palette an Inferenz-Workloads mit der besten Kombination aus Hard- und Software bedienen kann. Das ist ein Teil dessen, was Nvidias Botschaften rund um Groq bemerkenswert machte. Huangs Argument war im Wesentlichen, dass sich die Inferenz in Segmente aufspaltet und Nvidia diese Segmente besser als jeder andere abdecken will.
Das ist eine nachhaltigere Behauptung, als einfach darauf zu bestehen, dass ein Chip alles gewinnt.
Die Fragerunde brachte außerdem ein weiteres nützliches Thema zum Vorschein: KI könnte das Arbeitstempo stärker erhöhen, als sie die Arbeitsmenge reduziert.
„Viele Menschen sagen: KI kommt, uns wird die Arbeit ausgehen, unsere Jobs werden verschwinden. Es ist genau umgekehrt“, sagte er. „Agenten kommen nach 30 Minuten zurück. Früher schrieb man die Produktspezifikation. Die Teams zogen los und arbeiteten einen Monat daran … Jetzt sind aus diesem Monat 30 Minuten geworden.“
Die Folge ist, dass KI Zeitpläne stillschweigend komprimiert, die Zahl der Iterationen erhöht und den Menschen schneller mehr teilweise fertige Ergebnisse vorlegt, als Organisationen es gewohnt sind zu verarbeiten. Damit verschiebt sich der Engpass. Es geht weniger darum, den ersten Entwurf zu erstellen, als darum, dieses Tempo zu bewältigen.
Aber können Menschen dieses Tempo bewältigen? Wir werden sehen. Irgendwann werden Menschen zum Engpass im KI-Stack.
Dann wäre da noch die Robotik, bei der Huang so zuversichtlich wie eh und je klang.
Er bezeichnete autonomes Fahren als „gelöstes Problem“ und argumentierte, beim Rest gehe es weitgehend um Engineering und Bereitstellung. Für die Robotik im Allgemeinen brachte er ein ähnliches Argument vor:
„In den nächsten paar Jahren werdet ihr sehen, wie die physische KI dank Reasoning-Systemen unglaublich schnell vorankommt.“ Später präzisierte er das noch weiter: „In drei Jahren werdet ihr Roboter sehen, die außerordentlich, außerordentlich gut sind.“
Das passt zur übergreifenden Ausrichtung der GTC, auf der Robotik, Simulation und industrielle KI keine Nebenbei-Demos mehr sind. Nvidia bekräftigte diese Sicht mit Ankündigungen wie seinem Einsatz des Thinking Machines Lab rund um Vera Rubin, der dazu beiträgt, physische KI als Teil desselben langfristigen Ausbaus der Recheninfrastruktur zu verstehen und nicht als separate Nebenwette.
Zusammengenommen deutete die Fragerunde auf ein deutlich größeres Nvidia-Vorhaben hin als die übliche Geschichte vom Chipzyklus.
Huang argumentiert, dass drei Märkte nun zu einem verschmelzen: Inferenz als permanente Rechenökonomie, Agenten als nächste Softwareschicht für Unternehmen und physische KI als nächste große Workload-Klasse nach dem Reasoning. Oder einfacher gesagt: KI bewegt sich vom Modell-Spektakel zur Systemökonomie.
Wenn ihr nur eine Sache mitnehmt, dann sollte es diese sein.
Nvidia versucht neu zu definieren, was KI-Nachfrage überhaupt ist. Wenn die Zukunft auf kontinuierlicher Inferenz, Unternehmensagenten und industrieller Bereitstellung im großen Maßstab basiert, dann sind die größten Gewinner möglicherweise nicht länger die Unternehmen mit der cleversten Demo. Es könnten die Unternehmen sein, die das gesamte System kontrollieren, auf dem diese Demos laufen.
Nvidia wäre sehr daran gelegen, dass dieses Unternehmen Nvidia ist.
Und auf der GTC 2026 brachte Jensen Huang dieses Argument so klar wie nie zuvor vor.Für einen tieferen Einblick, wie Nvidia in physische KI, Robotik und Simulationstools vordringt, seht euch diese Analyse von eWeek an.