AMD will KI-Agenten das tun lassen, was Ingenieure CUDA nie antun konnten

Kolumnenüberblick

Siebzehn Jahre lang war das, was NVIDIAs GPU-Geschäft kugelsicher machte, nie wirklich das Silizium. Es waren die siebzehn Jahre angesammelter Muskelgedächtnis, die darauf saßen – Millionen Zeilen CUDA-Kernel, Tuning-Tricks und institutionelle Gewohnheiten, die einen Wechsel zu etwas anderem wie das Neulernen des Gehens erscheinen ließen. AMDs Antwort, vorgestellt auf der Konferenz „Advancing AI 2026“ in San Francisco vom 22. bis 23. Juli, besteht darin, nicht mehr zu versuchen, diesen Burggraben technisch zu übertreffen, sondern das Neulernen einer Maschine zu überlassen. Die Wette lautet, dass KI-Codierungsagenten in Wochen schaffen können, was menschliche Ingenieure in Jahren nicht versuchen würden: CUDA-Workloads für AMDs ROCm-Stack zu portieren und neu zu optimieren, ohne dass jemand im Team zuerst ROCm-Experte werden muss.

Was AMD tatsächlich angekündigt hat

Das Herzstück ist ROCm.AI, eine KI-native Schicht auf ROCm, die ab August 2026 ausgerollt wird und aus drei Komponenten besteht, die zusammenarbeiten sollen, statt eigenständige Produkte zu sein. ROCm CLI gibt Entwicklern einen einheitlichen Befehlszeilenpfad zum Installieren, Validieren, Bereitstellen, Aktualisieren und Beheben von Problemen mit KI-Workloads auf AMD-Hardware – die Art unglamouröser Infrastruktur, die darüber entscheidet, ob sich eine Plattform fertig oder ewig in der Beta anfühlt. AMD Skills ist das provokativere Element: Es bettet AMD-eigenes Fachwissen direkt in die Codierungsassistenten ein, die Entwickler bereits täglich nutzen, darunter Claude Code, Cursor und Codex, sodass ein Entwickler seine Absicht in einfacher Sprache beschreiben kann und der Agent die AMD-spezifische GPU-Programmierung übernimmt, statt Kernel von Hand zu schreiben. Abgerundet wird das Ganze durch Hyperloom, ein Open-Source-Agentensystem, das die Automatisierung der Optimierung von End-to-End-Inferenz-Workloads auf AMD-Hardware anstrebt.

Zusammengenommen lautet das Verkaufsargument nicht „unsere Chips sind schneller“ – die Rohdaten des MI300X sprechen bereits dafür, mit 192 GB HBM3-Speicher, 2,4-mal mehr als beim H100 von NVIDIA, zu einem wettbewerbsfähigen Preis. Das Argument lautet: „Unsere Chips sind endlich nutzbar, ohne dass du den harten Teil selbst machen musst.“ Das ist eine Unterscheidung, über die man nachdenken sollte, denn sie rahmt den gesamten Wettbewerbskampf neu. AMD versucht nicht mehr, einen Benchmark-Krieg zu gewinnen; es versucht, einen Arbeitskosten-Krieg zu gewinnen, und wettet darauf, dass die Grenzkosten des agentengestützten Portierens schnell genug sinken, um die ROCm-Übernahme zu einer rationalen Standardentscheidung zu machen statt zu einem Sprung ins Ungewisse.

Das Huhn-und-Ei-Problem, automatisiert wegoptimiert

Der Speichervorteil des MI300X existiert schon eine Weile, ohne sich in Marktanteile zu übersetzen, und der Grund ist eine vertraute Falle: Entwickler investieren keine ernsthafte Ingenieurszeit in ROCm, bis die Werkzeuge ausgereift sind, und die Werkzeuge reifen nicht ohne eine kritische Masse an Entwicklern, die sie unter Stress testen. NVIDIAs rund 80-Prozent-Anteil am KI-GPU-Markt gegenüber AMDs 5–7 Prozent ist zu großen Teilen ein Denkmal für diese Pattsituation und nicht für eine dauerhafte technische Lücke – ROCm 7 liegt bei den meisten Workloads inzwischen innerhalb von etwa 10–30 Prozent von CUDAs Leistung, ein weit entferntes Bild von den zweistelligen Vielfachen an Defiziten vor ein paar Jahren.

ROCm.AI ist ein direkter Angriff auf die Huhn-und-Ei-Dynamik selbst, nicht auf die Leistungslücke. Wenn ein Agent die Tuning-Last übernehmen kann, so das Argument, verliert die Ausrede „warte, bis es ausgereift ist“ für ein neues Projekt, das sich entscheidet, wo es überhaupt baut, ihren Sinn. Genau deshalb verdient AMDs eigene Rahmung eine hochgezogene Augenbraue: Dies ist ein Anbieter, der seine eigene Grabenbruch-Waffe beschreibt, und Grabenbruch-Waffen klingen in einer Keynote immer fertiger als in einem Produktionsvorfall um 2 Uhr nachts. Einige Analysten haben auf ein profaneres Risiko unterhalb der Agenten-Erzählung hingewiesen – AMD könnte schlicht nicht genügend eigene GPU-Cluster haben, um diese Werkzeuge in dem Maßstab zu testen und zu härten, den Unternehmenskunden letztlich verlangen werden. Ein Agent, der bei einer Kernel-Optimierung selbstbewusst falsch liegt, ist vermutlich schlimmer als gar kein Agent, und der einzige Weg herauszufinden, welchen man gebaut hat, ist, ihn zuerst gegen reale Workloads in großem Maßstab laufen zu lassen.

NVIDIA steht nicht still, und das Geld zeigt warum

Es wäre ein Fehler, ROCm.AI so zu lesen, als ob NVIDIA plötzlich in der Defensive wäre. CUDA hält immer noch rund 92 Prozent Anteil speziell unter KI-Entwicklungsframeworks – eine Zahl, die selbst NVIDIAs Hardware-Anteil in den Schatten stellt und widerspiegelt, wie viel vom KI-Stack, von Forschungscode bis zu Produktionspipelines, unter der Annahme geschrieben ist, dass CUDA darunter existiert. Und NVIDIA hat eine eigene Antwort auf dieselbe Inferenzschicht-Bedrohung, die AMD umkreist: TensorRT-LLM, proprietäre Inferenz-Optimierungssoftware, die dafür gebaut wurde, den volumenstärksten und kostensensibelsten Workload in der KI-Pipeline in NVIDIAs Stack einzuschließen, selbst während offene Standards wie ONNX Runtime, vLLM und Triton darauf drängen, Modelle hardware-agnostisch zu machen.

Dann ist da die Zahl, die den ganzen Kampf asymmetrisch aussehen lässt: Allein die Blackwell-Generation von NVIDIA soll voraussichtlich rund 320 Milliarden US-Dollar Rechenzentrumsumsatz im Jahr 2026 einbringen. Das ist nicht nur eine Anzeigetafel-Zahl – es ist Treibstoff. Umsatz in dieser Größenordnung wird direkt zurück in CUDA, cuDNN und TensorRT reinvestiert, was die nächste Hardwaregeneration schwerer zu verdrängen macht als die letzte, was mehr Umsatz generiert, was die darauffolgende Generation finanziert. Es ist ein Schwungrad, für das AMDs Agenten-Wette noch kein echtes Äquivalent hat, da Hyperloom und AMD Skills noch Investitionen in Infrastruktur ohne Einnahmen sind und keine sich selbst tragende Schleife.

Wo der Riss tatsächlich ist

Die Rahmung „KI löst NVIDIAs Imperium auf“, die seit AMDs Keynote kursiert, ist real, aber sie ist enger, als sie klingt, und es lohnt sich, präzise zu sein. Wenn man den breiteren Werkzeug-Trend einbezieht – torch.compile von PyTorch, das Hardware-Unterschiede zunehmend vom Modellcode abstrahiert, und Triton von OpenAI, das auf Write-Once-GPU-Programmierung abzielt, die mehrere Backends ansprechen kann –, dann entsteht kein Frontalangriff auf CUDAs Installationsbasis. Es ist eine Erosion, die sich auf zwei spezifische Orte konzentriert: Inferenz-Workloads, wo die Ökonomie den Stack belohnt, der pro Token am günstigsten ist, und Greenfield-Projekte, wo es keine bestehende CUDA-Investition zu schützen gibt und Wechselkosten sich noch nicht verfestigt haben.

Was nicht bricht, zumindest nicht in diesem Zeitrahmen, ist der tiefe Brunnen CUDA-basierter Trainings- und Produktionssysteme, die bereits in großem Maßstab laufen. Die Neuoptimierung und Neuvalidierung dieser Installationsbasis bleibt unerschwinglich teuer, egal wie gut ein Agent beim Schreiben von Kerneln wird, und der Analystenkonsens zu diesem Punkt ist konsistent: ROCm und Triton werden CUDA nicht über Nacht verdrängen. Die interessantere Frage für 2026 und darüber hinaus ist nicht, ob AMDs Agenten funktionieren – es ist, ob „gut genug, automatisiert“ oft genug an den Rändern gegen „am besten, etabliert“ gewinnt, um sich zu etwas Größerem zu summieren. NVIDIA wettet 320 Milliarden US-Dollar darauf, dass es nicht passiert. AMD wettet darauf, dass es nicht überall gewinnen muss, sondern nur beim nächsten Workload, der sich noch nicht für eine Seite entschieden hat.