Einführung

In den vergangenen zwei Jahren konzentrierten sich die Diskussionen über künstliche Intelligenz auf die Frage, ob sich die Modellfähigkeiten weiterhin verbessern können, ob generative KI zu einer Allzwecktechnologie werden kann, die mit dem Internet und Smartphones vergleichbar ist, und wie große Sprachmodelle Branchen wie die Suche, Software, Werbung und Unternehmensdienstleistungen verändern könnten; jedoch hat sich, während die Modellleistung fortschritt, die Nutzerakzeptanz beschleunigt und die globale Recheninfrastruktur in eine intensive Bauphase eingetreten ist, die Aufmerksamkeit der Investoren zunehmend von der technologischen Entwicklung hin zu kommerziellen Renditen verlagert. Die zentrale Frage lautet heute, ob die enormen Kapitalbeträge, die große Technologieunternehmen in KI investieren, letztlich in stabile Umsätze, Gewinne und freien Cashflow umgewandelt werden können.

In seinem Bericht „Why AI Companies May Invest More than $500 Billion in 2026“ stellte Goldman Sachs fest, dass die Konsensprognose für das Capex 2026 unter den führenden KI-Hyperscalern von 465 Milliarden US-Dollar auf 527 Milliarden US-Dollar angehoben wurde. Gleichzeitig deuten breitere Schätzungen darauf hin, dass die weltweite Investition in KI-Infrastruktur in den kommenden Jahren weiter deutlich und rasch wachsen könnte. Wenn Kapital von Chips und Servern in Rechenzentren, Stromerzeugung, Kühlsysteme und Netzwerk-Infrastruktur wandert, ist KI nicht mehr nur ein Zyklus aus Software- und Halbleiterinnovationen. Vielmehr wird daraus zunehmend eine globale Restrukturierung von Kapital über Energie, Industrie, Finanzwesen und Infrastruktur.

I. Warum die KI-Investitionsausgaben weiter steigen

Der Grund, warum große Technologiefirmen ihre KI-Investitionen trotz Druck auf den Free Cash Flow, Bewertungsrisiken und Phasen schwacher Kursentwicklung weiter erhöhen, ist, dass sie KI nicht als gewöhnliche Investition in ein Produkt betrachten. Vielmehr sehen sie KI als strategisches Commitment, das die Führungsrolle im nächsten Jahrzehnt bei Computing-Plattformen, Cloud-Services und Software-Ökosystemen bestimmen könnte. Das bedeutet: Ihre größte Sorge ist nicht, ob sie in einem bestimmten Jahr ein paar Milliarden US-Dollar zu viel ausgeben, sondern ob sie ihre Wettbewerbsposition verlieren, wenn die nächste Generation technologischer Infrastruktur Gestalt annimmt.

Microsoft, Amazon, Alphabet und Meta stehen nicht vor einer konventionellen Kosten-Nutzen-Entscheidung. Vielmehr handelt es sich um einen strategischen Wettbewerb: Wer die Investitionen zuerst verlangsamt, riskiert, dass Cloud-Kunden zu Wettbewerbern mit mehr Rechenkapazität abwandern, Entwickler zu rivalisierenden Ökosystemen wechseln und die eigenen Fähigkeiten in den Bereichen Modelltraining, Inferenz und Produktentwicklung schrittweise zurückfallen.

Ein erheblicher Teil des derzeitigen KI-Capex hat daher einen defensiven Charakter. Auch wenn Technologieunternehmen bisher nicht bewiesen haben, dass jeder in KI investierte Dollar eine attraktive Rendite erzeugen wird, sind sie in der Regel der Ansicht, dass die langfristigen Kosten des Scheiterns, nicht zu investieren, größer sein könnten. Sobald alle führenden Unternehmen zu einer ähnlichen Schlussfolgerung kommen, geht die Branche in eine wettbewerbliche Struktur über, die einem Gefangenendilemma ähnelt: Jeder Teilnehmer würde es bevorzugen, wenn seine Rivalen ihre Ausgaben senken, aber kein Marktführer ist bereit, als Erster zurückzuziehen.

Gleichzeitig verändert sich auch das Verständnis des Marktes für Computing-Nachfrage. Denn KI-Infrastrukturinvestitionen konzentrierten sich anfangs vor allem auf das Training großer Modelle, während das Aufkommen von KI-Agents die Inferenznachfrage nun zu einer immer wichtigeren Wachstumsquelle macht. Ein herkömmlicher Chatbot benötigt möglicherweise nur einen oder wenige Modellaufrufe, um eine Nutzungsfrage zu beantworten. Ein KI-Agent, der eine wirklich komplexe Aufgabe ausführt, muss hingegen Ziele in Teilaufgaben zerlegen, Informationen suchen, Alternativen vergleichen, Tools aufrufen, seinen Plan überarbeiten und die Ergebnisse wiederholt verifizieren. Das bedeutet, dass sein Token- und Computing-Verbrauch ein Vielfaches – oder sogar Dutzende Male – höher sein kann als bei einer standardmäßigen Frage-und-Antwort-Interaktion.

Goldman Sachs schätzt, dass die weltweite Token-Nutzung – angetrieben durch die Adoption von KI-Agents sowohl durch Konsumenten als auch durch Unternehmen – zwischen 2026 und 2030 um das 24-fache steigen könnte und 120 Billiarden Tokens pro Monat erreicht. Die Logik hinter dieser Prognose lautet, dass KI möglicherweise nicht mehr nur ein Werkzeug ist, das Nutzer gelegentlich öffnen, sondern sich schrittweise zu einem dauerhaften Ausführungssystem entwickelt, das in Bürosoftware, Kundenservice, Werbung, Finanzanalyse, E-Commerce, Softwareentwicklung und industrielle Prozesse eingebettet ist.

Wenn dieser Übergang eintritt, verschiebt sich der wichtigste Treiber der zukünftigen Computing-Nachfrage von einer begrenzten Zahl von Unternehmen, die große Modelle periodisch trainieren, hin zu hunderten Millionen Nutzern und Unternehmen, die kontinuierlich intelligente Agents laufen lassen. Die Inferenz-Computing-Nutzung wird zunehmend den wiederkehrenden Konsummustern von Cloud-Computing, Strom- und Telekommunikationsverkehr ähneln. Dadurch kann die Gesamtnachfrage nach Rechenressourcen in der Wirtschaft auch dann schnell wachsen, wenn die Trainings-Effizienz steigt oder einzelne Modelle seltener trainiert werden.

Eine weitere Studie von Goldman Sachs legt nahe, dass Verbesserungen bei Chip-Performance, Modell-Kompression und Rechenzentrumsarchitektur die Stückkosten der KI-Inferenz pro Token jährlich um 60% bis 70% senken könnten. Niedrigere Stückkosten bedeuten jedoch nicht notwendigerweise geringere Gesamtausgaben der Branche, weil die technologische Historie immer wieder zeigt: Wenn eine Ressource günstiger wird, kann sich ihre Einsatzbreite und der gesamte Konsum erhöhen statt zurückzugehen. KI könnte diesem Muster ebenfalls folgen.

Da die Inferenzkosten weiter sinken, könnten Anwendungen, die zuvor unwirtschaftlich waren – darunter automatisierter Kundenservice, Echtzeit-Videoerstellung, personalisierte Bildung, Agenten für die Softwareentwicklung und Automatisierung von Unternehmensprozessen – zunehmend für den großskaligen Einsatz geeignet werden. Die entscheidende Variable für das zukünftige Ausmaß von KI-Capex ist daher nicht der Preis eines einzelnen Tokens, sondern ob das Wachstum der Nutzung weiter stärker steigen kann als der Rückgang der Stückkosten.

II. Warum die Schätzungen von 527 Milliarden und 765 Milliarden unterschiedliche Messrahmen widerspiegeln

Um Goldmans Einschätzung zu KI-Investitionen zu verstehen, muss man zwischen dem statistischen Umfang der 527 Milliarden und der 765 Milliarden US-Dollar unterscheiden. Erstere bezieht sich vor allem auf die Konsens-Prognose für die Capex im Jahr 2026 für führende KI-Cloud-Unternehmen wie Microsoft, Amazon, Alphabet und Meta. Dazu gehören Ausgaben für Server, Rechenzentren, Netzwerkgeräte und andere Kapitalprojekte. Letztere stammt aus dem breiteren KI-Infrastrukturmodell von Goldman Sachs und umfasst nicht nur direkte Investitionen von Technologieunternehmen, sondern auch die Rechenzentrumsgebäude, die Stromversorgung, Kühlsysteme und weitere Infrastruktur, die nötig sind, um diese Computing-Systeme zu unterstützen.

Die Zahl von 527 Milliarden US-Dollar liegt daher näher an den jährlichen Capex-Budgets führender Technologieunternehmen. Die Schätzung von 765 Milliarden US-Dollar bildet dagegen eher die jährlichen Baukosten des gesamten KI-Infrastruktur-Ökosystems ab, während die prognostizierten 7,6 Billionen US-Dollar die potenziell kumulierten Investitionen zwischen 2026 und 2031 widerspiegeln.

Obwohl Chips innerhalb der KI-Infrastruktur die größte Aufmerksamkeit erhalten, sind sie nur der Ausgangspunkt des Systems. Denn ein großskaliger KI-Computing-Cluster erfordert zusätzlich Server-Racks, High-Speed-Netzwerkkomponenten, optische Bauteile, Systeme zur Flüssigkeitskühlung, unterbrechungsfreie Stromversorgungen, Transformatoren, Übertragungsleitungen, Backup-Generierung sowie die Rechenzentrumsgebäude, die all diese Assets beherbergen und betreiben. Jede neue Bereitstellung von KI-Beschleunigern führt daher tendenziell zu systemweiten Investitionen, die ein Vielfaches des Werts der Chips selbst betragen können.

Einige der Basishypothesen, die in Goldmans Modell verwendet werden, umfassen etwa 3.000 Watt Paketleistung für einen KI-Beschleuniger, ein Stromnutzungswirksamkeitsverhältnis (Power Usage Effectiveness) eines Rechenzentrums von rund 1,2, Baukosten für Rechenzentren von ungefähr 15 Millionen US-Dollar pro Megawatt sowie zusätzliche Kosten für die Strominfrastruktur von etwa 2.500 US-Dollar pro Kilowatt. Diese Parameter zeigen, dass sich der Wettbewerb in KI nicht mehr auf die Chipentwicklung und die Modellherstellung beschränkt, sondern zunehmend zu einer breiteren Auseinandersetzung wird – um Land, Elektrizität, Finanzierung, Lieferketten, Engineering-Kapazitäten und langfristige operative Expertise.

III. Warum Halbleiterunternehmen bereits profitabel sind, während die breitere KI-Branche ihre Renditen bislang noch nicht unter Beweis gestellt hat

Bisher ist der klarste und am stärksten konzentrierte wirtschaftliche Mehrwert in der KI-Branche bei Halbleiterunternehmen und verwandten Zulieferern von Ausrüstung entstanden. Denn große Technologiekonzerne müssen Chips kaufen, Rechenzentren bauen und die Netzwerk- und Strominfrastruktur fertigstellen, bevor KI-Unternehmen stabile Umsätze generieren. Chip-Zulieferer können dagegen Einnahmen und Gewinne relativ kurz nach der Lieferung verbuchen. Im Gegensatz dazu müssen Cloud-Anbieter und Modellentwickler, die diese Chips kaufen, ihre Investitionen über viele Jahre hinweg über Cloud-Dienste, Software-Abonnements, Verbesserungen der Werbeeffizienz oder Unternehmens-KI-Produkte zurückverdienen.

Das Ergebnis ist, dass die Gewinne entlang der KI-Wertschöpfungskette derzeit bei vorgelagerten Chip- und Ausrüstungszulieferern konzentriert sind, während Cloud-Plattformen, Modellunternehmen und Unternehmenskunden sich noch in der Investitions- und Validierungsphase für die Kommerzialisierung befinden. Damit hat die Branche als Ganzes bislang noch keinen breiten und stabilen Cashflow-Zyklus gebildet.

Goldman Sachs hat darauf hingewiesen, dass Halbleiterunternehmen zwar Rekordniveaus bei Umsatz und Gewinn erzielen, viele andere Akteure im KI-Ökosystem jedoch noch keine Renditen erreicht haben, die zu ihrer Investition im Verhältnis stehen. Eine Struktur, in der vorgelagerte Zulieferer zuerst Geld verdienen, während nachgelagerte Kunden weiter ausgeben, lässt sich auf Dauer nicht aufrechterhalten. Eine gesunde Wertschöpfungskette muss letztlich von Endkunden getragen werden, die KI nutzen, um Umsatz zu steigern, Kosten zu senken oder die Effizienz zu verbessern. Denn nur wenn sich Gewinne Schritt für Schritt von Chip-Herstellern auf Cloud-Plattformen, Softwareunternehmen und Endanwendungen ausweiten, können Kunden ihre Käufe weiter erhöhen und die Branche in einen stabilen, positiven Kreislauf führen.

Der Konsumentenmarkt hat eine extrem schnelle KI-Adoption geliefert, doch Nutzerwachstum lässt sich nicht direkt mit kommerziellem Wert gleichsetzen. Eine von Goldman Sachs zitierte Forschung legt nahe, dass generative KI innerhalb von drei Jahren nach dem Start des ersten breit verfügbaren Produkts eine Adoptionsrate von ungefähr 53% erreicht hat – deutlich schneller als die frühe Einführung von Personal Computern oder dem Internet. Dennoch greifen viele Nutzer auf kostenlose Produkte zurück, und selbst wenn manche Konsumenten Abo-Gebühren zahlen, reicht diese Einnahme möglicherweise nicht aus, um Modelltraining, Inferenz, Strom, Rechenzentren und Forschung und Entwicklung zu decken.

Die Kunden, die am ehesten in der Lage sind, Investitionen in KI-Infrastruktur in Billionenhöhe zu unterstützen, sind daher sehr wahrscheinlich Unternehmen. Denn Unternehmen verfügen über mehr Kaufkraft und betreiben großskalige Prozesse in Bereichen wie Kundenservice, Vertrieb, Forschung und Entwicklung, Finanzen und Lieferketten. Allerdings ist der Einsatz von KI in Unternehmen wesentlich schwieriger als die Konsumentennutzung eines Chatbots. Viele Unternehmen gingen zunächst davon aus, dass der Kauf des fortschrittlichsten Modells automatisch Produktivitätsgewinne erzeugt. In der Realität sind interne Daten jedoch oft über verschiedene Systeme hinweg fragmentiert – mit inkonsistenten Formaten, unklaren Berechtigungen und ungleichmäßiger Qualität. Wenn Bestands-, Mitgliedschafts-, Bestell- und Empfehlungdaten nicht verbunden sind, kann selbst ein sehr leistungsfähiges Modell Schwierigkeiten haben, stabile und verlässliche Geschäftsergebnisse zu liefern.

Die entscheidende Engstelle für die Adoption von KI in Unternehmen ist demnach nicht mehr allein die Modellfähigkeit, sondern ob Unternehmen Data-Governance, Modell-Orchestrierung und die Neugestaltung von Geschäftsprozessen vollständig umsetzen können. Unternehmen dürften je nach Aufgabenkomplexität, Kosten, Datensicherheit und Risiko unterschiedliche Modelle einsetzen. Gleichzeitig müssen sie Berechtigungssteuerungen, menschliche Prüfung und Mechanismen zur Nachverfolgung von Outputs etablieren. Das bedeutet: KI für Unternehmen ist nicht nur eine Frage des Kaufs einer Softwarelizenz, sondern ein langfristiges Projekt mit Systemneugestaltung, Compliance-Überprüfung und organisatorischem Wandel.

Goldman Sachs schätzt, dass bis 2030 nur etwa 12% der Wissensarbeiter KI-Agents nutzen könnten; die Zahl könnte bis 2040 auf 37% steigen. Das deutet darauf hin, dass Investitionen in die Infrastruktur deutlich schneller vorankommen könnten als die Realisierung der Erträge aus der kommerziellen Einführung in Unternehmen.

IV. Wird KI-Investment zu einer neuen Blase?

Den aktuellen KI-Boom mit der Internet-Blase Ende der 1990er Jahre zu vergleichen, ist zu einem der häufigsten Marktmuster geworden. Denn in beiden Phasen gab es rasante Anstiege bei Investitionsausgaben, stark optimistische Annahmen über die künftige Nachfrage, Unternehmen, die Infrastruktur im Voraus aus Angst bauten, eine technologische Revolution zu verpassen, und Bewertungen, die stark von Umsatz- und Gewinnprognosen abhingen, die viele Jahre in die Zukunft gerichtet waren. Dennoch wäre es auch zu simpel, allein aus diesen Ähnlichkeiten abzuleiten, dass KI zwangsläufig die Dotcom-Kollaps-Reihe wiederholen muss.

Heute sind die wichtigsten KI-Investoren globale Technologieunternehmen mit erheblichem operativem Cashflow, ausgereiften Geschäftsmodellen und starken Bilanzen. Viele Telekommunikations- und Internetunternehmen verließen sich in der Dotcom-Ära dagegen stark auf Leverage und hatten noch keine stabilen Umsätze oder Gewinne etabliert. Der aktuelle KI-Investitionszyklus ist daher möglicherweise weniger wahrscheinlich, in einem breiten systemischen Zusammenbruch zu enden – auch wenn das die Möglichkeit von Kapitalfehlallokationen und struktureller Überkapazität nicht ausschließt.

Das erste Risiko besteht darin, dass die Investitionen schneller laufen könnten als die Kommerzialisierung. Rechenzentren, Chips und Stromanlagen lassen sich innerhalb weniger Jahre bauen, während KI-Umsätze für Unternehmen, Prozessneugestaltung und organisatorische Transformation oft deutlich länger brauchen, um marktreif zu werden. Wenn das Angebot lange vor einer wirksamen, zahlungsfähigen Nachfrage entsteht, könnten die Renditen auf das eingesetzte Kapital über längere Zeit unter Druck bleiben.

Das zweite Risiko betrifft die unsichere wirtschaftliche Lebensdauer von KI-Chips. Goldman Sachs hat die Lebensdauer von Beschleunigern als eine der wichtigsten Variablen für das kumulierte KI-Investment identifiziert. Hintergrund: KI-Beschleuniger sollen im Allgemeinen vier bis sechs Jahre im Einsatz bleiben, während neuere Generationen sie häufig rasch ersetzen – mit höherer Leistung und niedrigeren Stückkosten. Im Vergleich dazu können Rechenzentrumsgebäude etwa über zwanzig Jahre abgeschrieben werden, während Strominfrastruktur auch 25 Jahre oder länger in Nutzung bleiben kann. Wenn Chips häufiger ersetzt werden müssen, stehen Technologieunternehmen nicht nur vor wiederkehrenden Investitionsanforderungen, sondern auch vor mehr Abschreibungsdruck und einem höheren Risiko technologischer Veralterung von Ausrüstung.

Das dritte Risiko liegt in Strom- und Engineering-Beschränkungen, denn selbst nachdem Unternehmen große Mengen Chips gekauft haben, können diese Assets nicht effizient betrieben werden, wenn Rechenzentren die Stromanschlüsse nicht termingerecht erhalten oder wenn Transformatoren, Übertragungsleitungen, Erzeugungsanlagen und Kühlsysteme nicht im gleichen Tempo gebaut werden. Der wichtigste Engpass in der KI-Entwicklung könnte sich daher schrittweise von Chipknappheit hin zu Elektrizität, Land, regulatorischen Genehmigungen und Baukapazitäten verlagern.

Jenseits des Risikos bei Industrieinvestitionen stehen Kapitalmärkte zudem vor der Gefahr einer übermäßigen Bewertungs-Ausweitung. Goldmans Forschung zeigte, dass sein Korb aus KI-Infrastruktur-Aktien zeitweise eine durchschnittliche Rendite YTD von etwa 44% erzielte. Gleichzeitig stiegen die Konsens-Schätzungen für den Gewinn je Aktie dieser Unternehmen über die folgenden zwei Jahre nur um rund 9%. Das deutet darauf hin, dass ein beträchtlicher Teil der Kurssteigerungen eher auf eine Ausweitung der Multiples (Multiple Expansion) zurückging als auf entsprechende Upgrades der Gewinnprognosen.

Damit die Bewertungen weiter steigen, müssten Unternehmen Gewinne deutlich über den Erwartungen liefern, noch höhere Bewertungsmultiples erhalten oder stärkere Marktmacht und Preissetzungsfähigkeit demonstrieren. Wenn das Wachstum der Investitionsausgaben langsamer wird oder nachgelagerte Kunden Bestellungen reduzieren, könnten Unternehmen mit Kursen, die deutlich schneller gestiegen sind als ihre Gewinnerwartungen, vor einer stärkeren Bewertungs-Korrektur stehen.

V. KI-Investitionen bewegen sich vom thematischen Trading hin zur grundlegenden Differenzierung

Goldman Sachs stellte fest, dass die durchschnittliche Kurskurs-Korrelation unter den wichtigsten börsennotierten KI-Hyperscalern von etwa 80% auf 20% gefallen ist. Das zeigt, dass der Markt nicht mehr alle KI-Unternehmen als Teil eines einzigen Trading-Themas betrachtet, sondern sie zunehmend anhand von Investitionsausgaben (Capex), Finanzierungsstruktur, Umsatzrealisierung und Qualität der Cashflows voneinander unterscheidet.

In der frühen Phase des KI-Booms beschäftigten sich Investoren vor allem damit, ob ein Unternehmen zur KI-Wertschöpfungskette gehört. Als Bewertungen und Investitionsniveaus jedoch stiegen, stellte der Markt anspruchsvollere Fragen – darunter, ob Capex bereits zu Umsatz geführt hat, ob ein Unternehmen von Schuldenfinanzierung abhängig ist, ob die Kundennachfrage stabil ist und ob der Geschäftsansatz einen klaren Weg zur Profitabilität bietet. KI-Investitionen wechseln daher von einem breiten thematischen Handel hin zu einer strengeren Fundamentalauswahl.

Die zukünftige Marktanalyse dürfte sich stark auf den Zusammenhang zwischen Investitionsausgaben und KI-Umsatz konzentrieren, weil steigende Investitionen nicht zwangsläufig ein Problem sind, wenn Umsatz und Gewinn im gleichen oder einem schnelleren Tempo wachsen. Investoren werden zudem den Free Cash Flow im Blick behalten: Ein Unternehmen kann weiterhin Gewinnwachstum melden, während der Free Cash Flow sinkt, wenn das Capex schneller steigt. Auch die Finanzierungsstruktur wird zunehmend wichtig, weil die Finanzierung von Investitionen über den operativen Cashflow ein ganz anderes Risikoprofil erzeugt als die Finanzierung über Schulden zum Aufbau von Rechenzentren.

Die Auslastung des Computing-Systems entscheidet ebenfalls darüber, ob Investitionen in Rechenzentren angemessene Renditen erzielen können. Denn die Zahl installierter Server bildet für sich genommen keine effektive Nachfrage ab. Nur wenn Computing-Assets dauerhaft eine hohe Auslastung aufrechterhalten, können Unternehmen Abschreibungen, Strom- und Wartungskosten decken. Unternehmen mit Cloud-Plattformen, Entwickler-Ökosystemen, proprietären Daten und stabilen Unternehmenskontakten dürften eher in der Lage sein, Infrastrukturvorteile in wiederkehrende Umsätze und Kundenbindung zu übersetzen.

VI. Die nächsten Gewinner könnten über Halbleiterunternehmen hinausreichen

Goldman Sachs ist der Ansicht, dass nach dem ersten großen Anteil an KI-Gewinnen durch Halbleiterunternehmen die nächste Phase der Wertschöpfung sich schrittweise hin zu Hyperscale-Cloud-Anbietern, KI-Plattformen und Unternehmen verlagern könnte, die von Produktivitätsgewinnen profitieren. Der Markt versteht zwar bereits die Capex-Belastung, mit der Technologieriesen konfrontiert sind, könnte aber das Gewinnpotenzial unterschätzen, das mit steigenden KI-Cloud-Umsätzen und sinkenden Stückkosten einhergeht.

Mit steigender Inferenz-Effizienz und zunehmender Nutzung könnten Cloud-Plattformen sowohl Umsatzwachstum als auch niedrigere Stückkosten erreichen und sich nach und nach Skaleneffekte entwickeln, die denen traditioneller Cloud-Computing-Dienste ähneln. Das deutet darauf hin, dass Plattformunternehmen mit beträchtlichen Rechenressourcen, etablierten Kundenbasen und breiten Software-Ökosystemen stabilere Renditen erzielen könnten, sobald die KI-Kommerzialisierung reifer wird.

Gleichzeitig könnte die Orchestrierungsschicht, die Unternehmensdaten, Geschäftsprozesse und unterschiedliche Modelle verbindet, ein neuer Schwerpunkt der Wertschöpfung werden. Plattformen, die Datenintegration, Modell-Routing, Kostenkontrolle, Berechtigungsverwaltung und Compliance-Audits anbieten, könnten eine Infrastrukturrolle übernehmen, die vergleichbar ist mit Datenbanken und Middleware in der Ära des Cloud-Computings. Gleichzeitig könnten sie durch hohe Wechselkosten stabile Umsätze erzielen.

Der wirtschaftliche Wert, den KI erzeugt, kann sich außerdem nicht nur bei KI-Zulieferern ansammeln, sondern auch bei Unternehmen, die KI nutzen, um ihre Kernprozesse zu verbessern. Wenn ein Werbeunternehmen KI nutzt, um die Conversion-Rates zu steigern, ein Logistikunternehmen KI einsetzt, um Transportkosten zu senken, oder ein Softwareunternehmen Entwicklungsläufe durch KI-gestütztes Programmieren verkürzt: Der daraus resultierende Wert kann sich direkt in den Gewinn- und Verlustrechnungen dieser Nutzer zeigen. Die nächste Phase der KI-Investments sollte sich daher nicht nur auf Unternehmen konzentrieren, die KI verkaufen, sondern auch auf Unternehmen, die in der Lage sind, Industriegewinne umzuverteilen, Marktanteile auszubauen oder die Kostenstrukturen zu verbessern.

KI-Infrastrukturinvestitionen schaffen auch Chancen für viele Branchen außerhalb der traditionellen Technologie. Goldman Sachs schätzt, dass große Technologieunternehmen zwischen 2025 und 2030 kumuliert bis zu 5,3 Billionen US-Dollar für zugehörige Investitionsausgaben aufwenden könnten – gegenüber einer früheren Prognose von 4,5 Billionen US-Dollar. Ein Bauprogramm in dieser Größenordnung lässt sich nicht vollständig aus dem internen Cashflow der Technologieunternehmen finanzieren.

Data-Center-Entwickler, Stromversorger, Ausrüstungszulieferer, Infrastruktur-Fonds, Immobilienkapital und Kreditmärkte werden allesamt zu wichtigen Teilnehmern. Stand September 2025 verwalteten globale Infrastruktur-Fonds mehr als 1,7 Billionen US-Dollar an Vermögenswerten und hielten rund 400 Milliarden US-Dollar an nicht zugewiesenem Kapital. Die zugehörigen Assets under Management könnten bis 2030 zudem 3 Billionen US-Dollar übersteigen – was darauf hindeutet, dass KI in den kommenden Jahren ein bedeutender Wachstumstreiber für private Märkte, Infrastrukturfinanzierungen und die Emission von Unternehmensanleihen werden könnte.

VII. So lässt sich ermitteln, ob sich KI-Capex langfristig durchsetzen wird

Ob der aktuelle KI-Capex-Zyklus nachhaltig ist, lässt sich nicht allein anhand von Chipverkäufen, Serverbestellungen oder dem Bau von Rechenzentren beurteilen. Die Analyse muss vielmehr auch Nachfrage, Umsatz, Unit Economics, Kapitalrenditen und die Verteilung der Gewinne entlang der Wertschöpfungskette berücksichtigen.

Investoren müssen zuerst bestimmen, ob das Wachstum der KI-Nutzer, die Einführung in Unternehmen und die Token-Nutzung weiter zunehmen. Gleichzeitig ist zu prüfen, ob Cloud-Plattformen, Modellunternehmen und Softwareanbieter die Nutzung in bezahlten Umsatz umwandeln können – und ob die durch jede Inferenzaufgabe oder jede KI-Anwendung generierten Einnahmen ausreichen, um Chip-Abschreibungen, Strom, Netzwerkkosten, Wartung sowie Forschung und Entwicklung zu decken. Nur wenn gleichzeitig echte Nachfrage, kommerzieller Umsatz und tragfähige Unit Economics vorhanden sind, kann Infrastrukturinvestition dauerhaft unterstützt werden.

Investoren müssen außerdem bewerten, ob der durch KI erzeugte zusätzliche operative Gewinn die Kosten des Kapitals übersteigt, das erforderlich ist, um die unterstützende Infrastruktur aufzubauen. Denn ein Umsatzwachstum schafft nicht zwangsläufig Wert, wenn jeder Dollar KI-Umsatz mehr als einen Dollar an zusätzlicher Investition erfordert.

Letztlich hängt die Reife der KI-Branche davon ab, ob die gesamte Wertschöpfungskette einen stabilen kommerziellen Zyklus bildet – und nicht nur davon, ob Chip-Lieferanten allein weiterhin hohe Gewinne erzielen. Wenn Modellunternehmen, Cloud-Plattformen und Unternehmenskunden KI nutzen können, um nachhaltigen Umsatz zu generieren und Cashflow zu verbessern, könnte das heutige Capex in langfristigen wirtschaftlichen Wert umgewandelt werden. Wenn nachgelagerte Unternehmen dagegen von kontinuierlichen Investitionen abhängig bleiben, ohne angemessene Renditen zu erzielen, wird die Nachhaltigkeit des gesamten Zyklus infrage gestellt.

Fazit

Goldman Sachs’ Prognose von mehr als 500 Milliarden US-Dollar KI-Capex zeigt nicht nur, wie viel Technologieunternehmen weiter ausgeben könnten. Sie macht auch deutlich, dass die globale Wirtschaft in einen neuen Investitionszyklus eintritt, der gemeinsam von Rechenkapazitäten, Rechenzentren und Strominfrastruktur angetrieben wird. Historische Erfahrungen deuten darauf hin, dass große technologische Revolutionen häufig gleichzeitig echte Produktivitätsgewinne und temporäre Fehlallokationen von Kapital hervorbringen – wie es bei der Bahn, dem Internet und Glasfasernetzen der Fall war: Diese Technologien veränderten die Welt, brachten aber auch schwere Verluste für Investoren, deren Projekte keine tragfähigen kommerziellen Renditen erzielen konnten. Die zentrale Unsicherheit rund um KI besteht daher nicht mehr darin, ob die Technologie weiter voranschreitet, sondern welche Unternehmen in der Lage sind, technologische Vorteile in dauerhaften Umsatz, Gewinne und Cashflow umzuwandeln.

Aus dieser Perspektive könnten 500 Milliarden US-Dollar sowohl den Beginn eines neuen Zyklus als auch die erste Trennlinie in der Einschätzung des Marktes zur kommerziellen Tragfähigkeit von KI darstellen. Ob diese Investitionswelle letztlich Erfolg hat oder scheitert, hängt jedoch nicht von der absoluten Höhe des Capex ab, sondern davon, ob diese Investitionen langfristigen wirtschaftlichen Wert erzeugen können, der ausreicht, um die Kapitalkosten zu decken.