Dreißig Tage, dreiunddreißig Jahre: Jensen Huang verlässt Nvidia
Am Nachmittag des 12. November 2026 stellte Nvidias Newsroom eine Mitteilung von weniger als dreihundert Wörtern online. Jensen Huang trat als President, CEO und Vorstandsmitglied zurück, mit sofortiger Wirkung.
Keine Übergangsfrist. Kein „wird zum soundsovielten ausscheiden”. Kein Beratertitel, den Gründer sonst behalten.
Die Aktie fiel vorbörslich um mehr als 10 % und schloss 4,34 % tiefer; rund 182 Milliarden Dollar Marktkapitalisierung waren weg. Der Vorstand handelte am selben Tag: Colette Kress, Executive Vice President und CFO, übernimmt als Interim-CEO und behält die Finanzabteilung; Harvey C. Jones, früher CEO und Executive Chairman von Synopsys, wird der erste Vorsitzende des Verwaltungsrats in 33 Jahren. Dieses Amt hatte es nie gegeben.
Die Mitteilung nennt keinen Grund. Sie sagt, Betrieb, Kundenverpflichtungen und Produktfahrplan liefen weiter, und die Zahlen des dritten Quartals kämen wie geplant am 17. November.
Ein Nachruf wäre leicht zu schreiben und wenig nützlich. Die bessere Frage lautet, welche Entscheidungen dieser 33 Jahre Huangs eigenes Urteil waren und welche längst organisationales Muskelgedächtnis sind. Der Call am 17. November prüft die zweite Kategorie.
Die Box bei Denny’s
- April 1993, San José, Kalifornien, eine Sitznische in einem Denny’s. Drei Leute: Huang, gerade von LSI Logic weg, sowie Chris Malachowsky und Curtis Priem, beide von Sun Microsystems. Startkapital: 40.000 Dollar. Huang war 30.
Der Name kommt von invidia, lateinisch für Neid. Frühe Dateien nutzten das Präfix NV, für next version. Sie glaubten etwas Konkretes: Der PC würde vom Bürogerät zum Konsumgerät werden, und das erste Bedürfnis eines Konsumgeräts sind Bilder.
1993 war dieser Glaube nicht exzentrisch. Es gab zwei Dutzend Grafikchiphersteller, drei Jahre später siebzig. 2006 war noch genau einer unabhängig.
Exzentrisch war nie die Idee. Es war die Größe der Wette.
Die erste falsche Wette: NV1 und quadratische Flächen
Die NV1 von 1995 war ein Lehrbuchfehler, und der Fehler lag in der Geometrie.
Polygonrendering lief über Dreiecke, und Microsofts DirectX machte das zum De-facto-Standard. Die NV1 wählte quadratisches Texturmapping: Objekte aus gekrümmten Flächen bauen, was theoretisch Bandbreite spart, Kanten glättet und die Treppchen der Dreiecke vermeidet.
Sega portierte das Arcade-Spiel Virtual Fighter darauf, das erste 3D-Spiel auf einem Nvidia-Chip. Die Karte kam als Diamond Edge 3D in den Handel.
Das Problem war nicht die Rechenleistung, sondern die Werkzeugkette. Modellierungssoftware, Artwork, Renderer und die Muskelreflexe jedes Programmierers waren um Dreiecke herum gewachsen. Eine Karte, die nur Kurven zeichnet, verlangt von einer ganzen Branche den Umbau ihrer Arbeitsabläufe. Kein Leistungsvorteil gleicht das aus.
Sega stornierte die Folgeorder. Huang flog nach Japan, gestand Shoichiro Irimajiri die falsche Richtung ein und bat, das bereits gezahlte Geld dazulassen. Irimajiri wandelte den Auftrag in eine Beteiligung von 5 Millionen Dollar um. Das kaufte etwa sechs Monate.
1996 entließ er mehr als die Hälfte der Belegschaft und setzte das restliche Bargeld auf ein Design, das noch nicht durch die Fertigung war.
„Unsere Firma ist dreißig Tage vom Aus entfernt.” Er sagte das zehn Jahre lang auf Betriebsversammlungen. Es war keine Metapher. Es war die Cash-Runway.
Die zweite Wette: RIVA 128 und der Standard
Die RIVA 128 kam 1997 als Ergebnis dieser Wette. Der weltweit erste 128-Bit-3D-Prozessor, keine Kurven, nur Dreiecke, klar auf Direct3D ausgerichtet. Eine Million Einheiten in vier Monaten.
Beim Start deckte der Kontostand eine Gehaltsabrechnung. Die Anekdote wird als Außenseitergeschichte erzählt, doch der Punkt geht verloren: Der Preis, eine falsche technische Richtung einzugestehen, muss kleiner sein als das vorhandene Bargeld. Zwischen NV1 und RIVA 128 lag kein Genie, sondern ein öffentliches, teures Eingeständnis — auch gegenüber dem Kunden, der schon gezahlt hatte.
Dort sterben die meisten Firmen. Die Richtung ist falsch, aber die Organisation hat kein Vokabular für das Eingeständnis, also fließt weiter Geld in die versunkenen Kosten.
Ein Wort erfinden: die GPU 1999
Januar 1999: Nvidia geht an die Nasdaq, 12 Dollar je Aktie.
Oktober desselben Jahres: GeForce 256. Nvidia prägt den Begriff GPU und liefert eine prüfbare Definition: ein Ein-Chip-Prozessor mit integrierten Transformation-, Beleuchtungs-, Dreiecksaufbau- und Clipping- sowie Rendering-Einheiten, der mindestens zehn Millionen Polygone pro Sekunde verarbeitet.
Die Substanz war Hardware-T&L. Bis dahin waren Vertex-Transformation und Beleuchtung Aufgabe der CPU, die Karte füllte nur fertig berechnete Dreiecke. T&L auf die Karte zu holen gab ihr erstmals eine eigene Rechenlast. Sie war keine Leinwand mehr.
Die offizielle Chronik liefert den Vergleich: moderne GPUs verarbeiten über sieben Milliarden Polygone pro Sekunde. 27 Jahre, drei Größenordnungen.
Das Wort verließ später die Grafik und wurde eine Recheneinheit. „Wie viele GPUs brauchen wir” bedeutete 2023 etwas völlig anderes als 1999.
Firmen, die über Produkte konkurrieren, liefern Produkte. Firmen, die über Kategorien konkurrieren, erfinden Wörter. Eine Sache zu benennen heißt, die Anzeigetafel aufzustellen, und wer die Tafel aufstellt, entscheidet, worum in der nächsten Runde gespielt wird.
Die Wette, die niemand mochte: CUDA
2006 brachte die G80-Architektur Unified Shader: Pixel- und Vertex-Shader waren nicht mehr physisch getrennt, jeder Stream-Prozessor konnte allgemeinen Code ausführen. Eine G80 hatte 128 Prozessoren in acht Gruppen zu je sechzehn.
Dann kam die wichtigste Entscheidung der Firmengeschichte, und es war keine Produktentscheidung: diese programmierbaren Kerne für Nicht-Grafik-Rechenarbeit zu öffnen. CUDA erschien im November 2006.
Technisch war es bescheiden: ein paralleles Modell mit C-ähnlicher Syntax. Threads gruppieren sich in Blöcke, Blöcke in Grids; 32 Threads bilden einen Warp, der pro Takt eine Instruktion ausführt und sich nur über Datenregister unterscheidet. Der Programmierer muss nicht wissen, wie viele SMs die Karte hat. Er muss eine Frage beantworten: Wie viele unabhängige Daten hat mein Problem?
Diese Abstraktionsschicht ist der eigentliche technische Inhalt der Wette. Sie macht Parallelität von einem Hardwaredetail zu einem Programmiermodell, und der Preis ist Siliziumfläche, ein Treiber-Stack, ein Compiler, ein Debugger und zwanzig Jahre Abwärtskompatibilität.
Kommerziell war es alles andere als bescheiden: CUDA kam auf jede GeForce, auch auf die, die nur zum Spielen gekauft wurde.
Die Wall Street sah Kosten. Warum sollte eine Spielegrafikkarte Transistoren und Validierung für einen Compiler zahlen, den niemand nutzt? In der Krise 2008 fiel die Aktie um 70 %.
„Wir haben Supercomputing demokratisiert”, sagte Huang später.
2008 klang das nach Trost. Es brauchte sechs Jahre, um zu einer Tatsachenbehauptung zu werden.
Sechs Jahre später: zwei GTX 580
2012 trainierten drei Leute der University of Toronto — Alex Krizhevsky, Ilya Sutskever, Geoffrey Hinton — ein Faltungsnetz auf zwei Consumer-GTX-580 für ImageNet. Fehlerrate: 15,3 %. Zweiter Platz: 26,2 %.
Die wichtige technische Tatsache war nicht, dass der Algorithmus gewann. Sie war, dass die Hardware schon da war. Ein Jahrzehnt CUDA im Regal bedeutete, dass jedes Labor der Welt bereits eine Maschine besaß, die Deep Learning laufen lassen konnte; niemand hatte es ihnen gesagt.
So verzinst sich ein Ökosystem. Man muss 2012 niemanden überzeugen, eine Karte zu kaufen. Man muss 2006 dafür sorgen, dass sie auf dem Schreibtisch liegt.
Das ist auch der Graben. Die 92 % im Enterprise-GPU-Markt halten nicht durch den Leistungsvorsprung einer Generation. Sie halten, weil fremder Code von GitHub klonbar und lauffähig ist. Die Wechselkosten liegen in Millionen Zeilen CUDA, nicht im Chip.
Den Karton tragen: DGX-1 und die Grenze der „einen Maschine”
Im August 2016 fuhr Huang nach San Francisco und trug den ersten DGX-1 selbst in OpenAIs Büro. Die Maschine kostete 129.000 Dollar, hatte acht P100 über NVLink. Elon Musk war im Raum.
Ein CEO eines zweistelligen Milliardenunternehmens liefert einem Nonprofit-Labor, das seit ein paar Monaten existiert, einen Rechner und trägt ihn selbst. Die Geschichte wird als Anekdote erzählt. Sie ist das genaueste Selbstporträt der Firma: verkauft wird kein Chip, sondern eine Vorlage dafür, wie Rechenleistung aussehen soll.
Volta kam 2017 mit Tensor Cores, einer 4×4-Matrix-Multiply-Einheit. Die Kernoperatoren eines Transformers sind fast alle gebatchte Matrixmultiplikation, und der Einbruch der Trainingskosten zwischen 2020 und 2025 kam zur Hälfte aus Fertigung und Packaging, zur Hälfte daraus, für diese Operation dedizierte Hardware zu bauen.
Danach sank die Präzision Generation für Generation: FP16 auf V100, BF16 und TF32 auf A100, FP8 auf H100, FP4 auf Blackwell. Jeder Schritt tat dasselbe: Präzision, die das Modell nicht braucht, aus Siliziumfläche und Bandbreite herausnehmen.
Allgemeine Schnittstelle, spezialisierter Kern. Diese Kombination erklärt, warum „dedizierte Chips ersetzen die GPU” jedes Jahr vorhergesagt wird und nie eintritt.
## Matrixmultiplikation in Silizium löten
Volta kam 2017, und die V100 brachte Tensor Cores: eine 4×4-Recheneinheit für Matrixmultiplikation und -addition, die pro Takt einen Satz Operationen erledigt. Damals riefen die meisten Frameworks cuBLAS noch in FP32 auf, und der FP16-Pfad verlangte Codeänderungen, um zu greifen.
Fünf Jahre später wurde das entscheidend. Die Kernoperatoren eines Transformers sind fast alle gebatchte Matrixmultiplikationen; die QK-Transponierte in der Attention und die gewichtete Summe nach dem Softmax landen auf der Hardware als große GEMMs. Der Einbruch der Trainingskosten zwischen 2020 und 2025 kam zur Hälfte aus Fertigung und Packaging, zur Hälfte aus der Entscheidung, für diese Operation dedizierte Hardware zu bauen.
Danach sank die Präzision Generation für Generation: FP16 auf der V100, BF16 und TF32 auf der A100, FP8 auf der H100, FP4 auf Blackwell. Jeder Schritt tat dasselbe: numerische Präzision, die das Modell nicht braucht, aus Siliziumfläche und Speicherbandbreite herausnehmen.
Rückblickend war das eine kluge Absicherung der CUDA-Strategie: nach außen ein allgemeines Programmiermodell, nach innen dedizierte Hardware für den häufigsten Kernel.
Allgemeine Schnittstelle, spezialisierter Kern. Diese Kombination erklärt, warum „dedizierte Chips ersetzen die GPU” jedes Jahr vorhergesagt wird und nie eintritt: Die Herausforderer verlieren an der fehlenden Allgemeinheit oder an den Millionen bereits geschriebener Zeilen.
Ein Misserfolg: Tegra
Die Geschichte von 1993 bis 2026 enthält mehr Misserfolge als Erfolge. Sie sind nur leiser.
2008 startete Nvidia Tegra und griff das Telefon an. Tegra landete im Zune HD, in ein paar Tablets und Head-Units, dann verdrängten Qualcomm und Apples eigene SoCs es aus dem Massenmarkt. Um 2015 hatte das Geschäft den Mobilkampf verlassen und war bei Cockpits und autonomem Fahren.
Dieselbe Lektion wie bei der NV1, zu niedrigerem Preis: ein schnellerer Chip in fremden Ökosystemen schlägt nicht den, der das Ökosystem definiert.
Der Zweig, der überlebte — Automotive und Robotik — wurde zehn Jahre später zum Einstiegspunkt für embodied AI.
Von einer auf fünf Billionen
Der H100 kam 2022. ChatGPT erschien Monate später. Das Timing war zu gut.
Die Marktkapitalisierung überschritt 2023 eine Billion, 2024 drei Billionen, und im Oktober 2025 war Nvidia das erste Unternehmen über fünf Billionen. Der Enterprise-Anteil liegt bei rund 92 %.
Glück war real. AlexNet lief auf ihren Karten; der Kernoperator von Transformern ist Matrixmultiplikation; große Modelle brauchen tausende Karten als eine Maschine. Aber Glück erklärt die Gipfel, nicht die Anwesenheit auf jedem.
Seine Formulierung war Huangs Gesetz: Leistung verdoppelt sich alle zwei Jahre, während der Stückkosten sinkt. Das ist keine Neufassung des Mooreschen Gesetzes, sondern Architektur, Packaging, Interconnect und Software in einen Takt zu pressen. Die Voraussetzung: alle vier Schichten liegen in einem Unternehmen, und es unterschreibt jemand, der langfristige Ausgaben nicht vor einem Quartalscall rechtfertigen muss.
Am 2. September 2026 sagte er im Gespräch mit Handelsminister Howard Lutnick: „Ich könnte aufhören zu arbeiten, aber ich will es nicht verpassen. Ich werde die nächsten 10, 15 Jahre nicht verpassen.” Außerdem: vor 2030 seien noch 100 Gigawatt Recheninfrastruktur zu bauen.
Zehn Wochen später war er weg.
Zwei Landkarten
Das China-Geschäft ist der Hintergrund der Anfragen nach dem 12. November.
Im Oktober 2022 beschränkte das Handelsministerium den Export von A100 und H100, Nvidia lieferte beschnittene A800 und H800. Im Oktober 2023 schrieben neue Regeln Schwellen für Leistungsdichte in den Text, diese Teile kamen auf die Liste, danach das Hin und Her um H20: beschränkt, 2025 dann unter Auflagen genehmigt.
Das Ergebnis war eine veränderte Umsatzmischung: China-Rechenzentrumsumsatz fiel von über einem Fünftel auf fast nichts und erholte sich teilweise. Keine Ingenieursleistung löst das, weil gemessen wird keine Leistung. Sondern eine Lizenz.
Deshalb ging der Brief nach dem 12. November nicht um Rechenleistung, sondern darum, wer was genehmigt hat und wo die Unterlagen liegen. Richard Neal und Ron Wyden baten das Ministerium, die Akten zu sichern. Sie sind Minderheit: fragen ja, erzwingen nein.
Die Rechnung der KI-Fabrik
Im September 2026 nannte Huang Rechenzentren „KI-Fabriken” und gab einen Fahrplan: 100 Gigawatt vor 2030.
Ein großer Kernkraftwerksblock liegt bei etwa 1 Gigawatt. Diese Zahl verschiebt die Debatte von Chip-Lieferungen zu Strom und Fläche. Im selben Monat kündigte Nebius 40 Milliarden Dollar Capex für 2027 an, die Aktie fiel um 17 %; Microsofts Standort in New Jersey lag Monate zurück. Der Engpass wanderte vom Beschleuniger zum Umspannwerk.
Das ist auch der schwierigste Teil der Nachfolge. Huang verkaufte nicht nur Chips. Er verkaufte die Erwartung, dass Rechenleistung knapp bleibt, und diese Erwartung braucht jemanden, der sie jede Woche wiederholt.
Nachdem die Inferenz übernimmt
Zwischen 2024 und 2026 änderte sich die Form der Nachfrage. Trainings-Capex blieb riesig, flachte aber ab; Inferenz übernahm — langer Kontext, Agenten, die Werkzeuge in Schleifen aufrufen, mehrfache Selbstprüfung.
Die Ökonomie ist eine andere. Training belohnt Spitzen-FLOPS und Interconnect-Bandbreite. Inferenz belohnt Grenzkosten pro Token: Speicherkapazität entscheidet, wie viel KV-Cache passt, Bandbreite entscheidet die Dekodiergeschwindigkeit, Quantisierung entscheidet, wie groß das Modell im selben VRAM sein darf. Fünfmal komprimierter KV-Cache heißt fünfmal mehr Parallelität pro Karte.
Daher der Schritt zu FP4 nach Blackwell, und daher dominieren KV-Cache-Kompression, spekulatives Dekodieren und Batch-Scheduling die Forschungsagenda 2026.
Für den Graben wirkt die Verschiebung negativ. Die Trainingsära belohnte die schnellste Karte. Die Inferenzära belohnt die niedrigsten Kosten pro Token, und das ist Gelände für eigene ASICs: Google TPU, AWS Trainium, Meta MTIA. Huang hielt die Lücke mit einem jährlichen Architekturtakt offen. Ob eine zweite Person diesen Takt halten kann, ist nach dem 17. November die Frage.
Sechzig direkte Berichte
Sein Führungsstil war selbst für das Silicon Valley ungewöhnlich. Rund 60 direkte Berichte. Keine Einzelgespräche. Keine Folien.
Jeder schickte wöchentlich eine Top-5-Things-Mail: die fünf wichtigsten Punkte und worüber man nachdachte. Information floss horizontal statt die Hierarchie hinauf und wieder hinunter. Die Praxis überlebte zehntausend Mitarbeiter, auf Kosten eines zerlegten CEO-Kalenders.
„Unsere Firma ist dreißig Tage vom Aus entfernt” war die emotionale Grundlinie des Systems. Sie hielt ein 4-Billionen-Unternehmen unter Spannung. Sie sorgte auch dafür, dass in 33 Jahren niemand in die Nachfolge hineinwuchs.
Das ist keine Verschwörung, sondern Struktur: Ein CEO, der sich in jede kritische Entscheidungsschleife einschaltet, unterdrückt systematisch die Bildung eines zweiten Entscheiders.
Nach dem 12. November
Kress ist 59. Sie kam im September 2013 als CFO, nach fast 25 Jahren Finanzarbeit bei Texas Instruments, Microsoft und Cisco. Bei Reuters Befragte beschreiben sie als ruhigen Gegenpol zu Huangs konfrontativem Stil.
Der Markt ist nicht überzeugt. Anshel Sag von Moor Insights and Strategy sagt es direkt: die CFO interimsweise zu installieren beruhige die Märkte, aber sie sei nicht die langfristige Visionärin, die Nvidia braucht.
Drei Namen kursieren: Ian Buck, seit 2004 bei Nvidia, verantwortlich für KI-Hardware und -Software, früh an CUDA beteiligt; Rene Haas, CEO von Arm, sieben Jahre Vice President bei Nvidia; und Lisa Su, CEO von AMD, die direkteste Konkurrentin.
Am 17. November nach Handelsschluss kommen die Q3-Zahlen wie geplant. Es wird die erste offene Fragerunde der neuen Führung.
Am selben Tag schrieben Richard Neal und Ron Wyden, die ranghöchsten Demokraten im Ways-and-Means-Ausschuss des Repräsentantenhauses und im Finanzausschuss des Senats, an Handelsminister Lutnick, wie Nvidias Chipverkäufe nach China abgewickelt wurden, und baten das Ministerium, die Unterlagen zu sichern. Minderheit: fragen ja, erzwingen nein.
Die weiße Lederjacke
In 33 Jahren wechselte das Unternehmen einmal den CEO. Jetzt hat es gewechselt.
Geprüft wird nicht die Kompetenz des Nachfolgers, sondern eine leisere Frage: Wie viele dieser Wetten — Dreiecke, Hardware-T&L, Unified Shader, CUDA, Tensor Cores, NVLink — waren persönliches Urteil, und wie viele sind schon Standardwerte der Organisation.
CUDA ist die erste Hälfte der Antwort. Über viertausend beschleunigte Bibliotheken, Millionen Entwickler, zwanzig Jahre Kompatibilität. Kein Nachfolger kann das umwerfen, so wie niemand x86 umwirft. Das ist ein Unternehmenswert, kein Personenwert.
Die zweite Hälfte ist die Dreißig-Tage-Spannung. Sie lässt sich nicht in ein Prozessdokument schreiben. Sie existiert nur, solange jemand sie wiederholt und mit dem Kalender vorlebt. Das ist ein Personenwert.
Die Mitteilung vom 12. November hat beides getrennt. Der Markt hat die Trennung mit 182 Milliarden Dollar bepreist.
Silizium taktet in drei Jahren. Architekturen in zehn. Ökosysteme in zwanzig. Die Amtszeit eines Menschen dauerte dreiunddreißig, gerade genug, um in allen drei Schichten einmal richtig zu liegen.
Die weiße Lederjacke hängt noch im Schrank. Der Mann, der sie trug, ist nicht mehr im Besprechungsraum.
Quellen
- Nvidia Newsroom (2026-11-12)
- Nvidia Unternehmenschronik
- The Guardian: Wer ist Colette Kress
- China Youth Net: Rücktritt und 182 Milliarden
- China Youth Daily: Ende der Huang-Ära
- China News Service: Nvidia kündigt Rücktritt an
- The New Yorker: Nvidias Erfolg als amerikanische Risikobereitschaft
- AlexNet-Paper (NIPS 2012)