In den vergangenen zwei Jahren war Künstliche Intelligenz zweifellos der heißeste Gegenwind für den globalen Kapitalmarkt – mit einem regelrechten Vermögensrausch, der die gesamte Wertschöpfungskette erfasste.

Von den zentralen Hardwarekomponenten im upstream bis zur Umsetzung von Anwendungen im downstream hat sich der KI-Sektor eine epische Rallye erarbeitet: Nvidia (NVDA.US) stieg dank seiner Monopolstellung bei der Rechenleistung kontinuierlich in der Marktkapitalisierung. Unternehmen für große Modelle wie Zhipu (02513.HK), OpenAI, Anthropic usw. erlebten einen starken Bewertungsanstieg. Halbleitergiganten wie SK Hynix (SKHY.US) und Intel (INTC.US) stiegen entsprechend auf; Optikmodule, optische Chips und Spezialkeramikwerkstoffe in Teilbereichen verdoppelten oder explodierten jeweils. Selbst eher traditionelle Infrastruktursegmente wie der Ausbau von Rechenzentren, Strom-Kits und Speicherbausteine profitierten vom Rückenwind des KI-Rechenleistungsaufbaus und zeigten eine gegen den Trend gerichtete Rallye.

Für eine Weile strömte Kapital wie verrückt hinein, Unternehmen bauten aggressiv aus, und die Stimmung in der Branche war übermütig. Alle waren davon überzeugt, dass KI eine neue Runde einer mehrjährigen Industrie- und Wachstumsrevolution einleiten würde.

Doch im heißen Sommer 2026 bleibt die Hitzewelle in Silicon Valley bestehen, während die KI-Branche gleichzeitig eine eiskalte „Kapitalflut“ erlebt. Der Philadelphia Semiconductor Index ist in den letzten 20 Handelstagen kumuliert um mehr als 18% gefallen. Dabei legte die bislang stärkste Chip-Aktie in diesem Jahr, Micron Technology (MU.US), in den letzten 20 Handelstagen kumuliert fast 24% zurück; auch der von Jensen Huang heiß umjubelte Star Mirvak (MRVL.US) fiel in den letzten 20 Tagen kumuliert um über 37%. Die einst als unumstößlich gepriesene „Rechenleistung wird nie genug sein“-Erzählung zeigt Risse.

Diese plötzlich abkühlende Bewertung, vielleicht ist es zunächst nur das Abflauen der Marktemotionen oder die Gewinnmitnahme kurzfristiger Gelder. Aber man kann nicht umhin, die Untiefen im rasanten KI-Wettlauf zu erkennen – denn sie könnten darüber entscheiden, ob diese heiße Phase nachhaltig ist.

Erste heimliche Hürde: Die Auswirkungen des „Regulierungs-Eisernen Vorhangs“

Das Entwicklungstempo der KI-Technologie übertrifft bei Weitem das Tempo der Aktualisierung von Gesetzen und Vorschriften. Zudem sind die Grenzen, die durch die Technologie ermöglicht werden, unklar, und Risiken wie Datensicherheit, ethische Probleme bei Algorithmen sowie Monopol- und Urheberrechtsverletzungen könnten dazu führen, dass das globale KI-Regelwerk von „leerer Erkundung“ hin zu einer umfassenden Verschärfung wechselt. So entsteht eine wichtige Schranke, die ungezügelte Ausweitung von KI bremsen kann.

Derzeit befindet sich das globale KI-Regelwerk in einer Phase intensiver Umsetzung. Die EU (Artificial Intelligence Act) ist offiziell in Kraft getreten: Für KI-Systeme mit hohem Risiko gelten strenge Zulassungskontrollen; für allgemeine KI-Modelle werden Transparenz- und Risikobewertungspflichten eingeführt. China verbessert derweil fortlaufend die Verwaltungsvorschriften für generative KI und legt harte Anforderungen fest, etwa für die Registrierung großer Modelle, Daten-Compliance und Inhaltsprüfungen. Die USA wiederum steuern mit Executive Orders und Branchenstandards eine gezielte Regulierung der KI-Modelltrainings, der Datenerhebung und von KI-bezogenen Monopol- und Verletzungsverhalten an. Darüber hinaus setzen die Länder fortlaufend spezielle Regeln um, die den grenzüberschreitenden Datentransfer von KI, Urheberrechte an von KI erzeugten Inhalten sowie Risiken der Ersetzung von Arbeitsplätzen durch KI betreffen.

Eine umfassende Verschärfung der Regulierung erhöht direkt die Eintrittsschwelle für die Branche. Für kleine und mittlere KI-Unternehmen bedeutet der sprunghafte Anstieg der Compliance-Kosten mehr Überlebensdruck; für die führenden Technologieriesen führen regulatorische Auflagen dazu, dass Produktveröffentlichungszyklen länger werden und Strategien für die globale Umsetzung angepasst werden müssen. Regulierung soll die Kommerzialisierung von KI nicht verhindern, aber die Spielregeln ändern.

Zweite heimliche Hürde: Die Nachhaltigkeit der Kapitalausweitung – Prüfung von Kosten und Nutzen

Die Explosion der KI-Bewertungen in der ersten Jahreshälfte dieses Jahres konzentrierte sich deutlich auf die upstream-Wertschöpfungskette. Downstream – also große Modell- und Anwendungsangebote mit Blick auf Endnutzer – bei den Tech-Giganten, die enormen Aufwand betreiben: Rechenleistung aufbauen, Modelle trainieren, Rechenzentren errichten und technische Forschung betreiben. Genau das ist die wichtige Grundlage dafür, dass die Ergebnisse in der upstream-Wertschöpfungskette besser werden und die Bewertungen nach oben schießen. Gleiches gilt umgekehrt: Wenn diese Technologieriesen – oder souveräne Akteure – ihre KI-Investitionen reduzieren oder das Tempo verlangsamen, dann wird diese Bewertungslogik ins Wanken geraten.

Bei der Bewertung von KI-Investitionen stehen vor allem zwei Punkte im Vordergrund: die Kapitalrendite und die Fähigkeit, in die die Investition investiert wird. Die Investitionen in KI laufen bereits seit mehreren Jahren, und die erzielten Effekte sind erkennbar. Die aktuelle Bewertung der KI-Wertschöpfungskette ist daher teilweise noch von Gewinnerwartungen in Bezug auf Monetarisierung geprägt. Betrachtet man das Tempo und die Größenordnung, in der der Markt zuletzt im upstream stark hinterherrannt, ist die Stimmung des Marktes gegenüber KI-Investitionen derzeit sehr optimistisch. Sobald sich die Entwicklung von KI nicht wie erwartet materialisiert, verlangsamt sich der Fortschritt der KI-Investitionen und die investierte Summe schrumpft. Das gesamte Marktwertvolumen im upstream-Bereich wird dann entsprechend schrumpfen.

Die Ergebnisse der kommenden Quartale im Juni werden zu einem wichtigen Barometer für die Richtung der KI-Capex. Google (GOOG.US), Microsoft (MSFT.US), Amazon (AMZN.US), Meta (META.US) und andere große Technologieriesen im Ausland sowie inländische führende Internetunternehmen wie Tencent (00700.HK) und Alibaba (09988.HK) werden genau unter der Lupe betrachtet. Besonders ihre Aussichten auf KI-Investitionen, der Fortschritt der KI-Entwicklung und die Frage, wie KI-Anwendungen sich in ihre Ökosystem-Dienstleistungen einfügen, werden strenger geprüft. Wenn die KI-Geschäfte der Riesen nicht den Erwartungen entsprechen, ist die Sichtbarkeit, wie wahrscheinlich positive Cashflows eintreten, eher begrenzt. Verbessert sich die Kosteneffizienz bei Rechenleistung, F&E und Infrastruktur nicht, werden die Unternehmen sehr wahrscheinlich künftige Kapitalausgaben aktiv reduzieren, was direkt dazu führt, dass die Nachfrage nach upstream in der KI-Wertschöpfungskette austrocknet.

Unterdessen beeinflussen auch die Leistung des bestehenden Geschäfts und die Lage des Cashflows dieser Unternehmen direkt die künftigen Investitionen in KI. Die Gewinne und der Cashflow aus ihrem Kerngeschäft sind die Grundlage dafür, dass diese Technologieriesen langfristig in Technologiebereiche investieren und KI ausbauen.

Doch die schnelle Durchdringung der KI-Technologie verändert die Struktur traditioneller Branchen kontinuierlich. Googles Werbegeschäft, Amazons E-Commerce und Retail, Microsofts Office-Suite, Metas Social-Media-Werbung … das ist in Wahrheit die eigentliche Quelle der Kapitalausgaben der Technologieriesen. Gleichzeitig richtet die Umwälzung traditioneller Industrien, die KI bewirkt, die Reaktion gegen ihren „Gönner“.

Nehmen wir die Werbebranche als Beispiel: Generative KI macht die Erstellung von Inhalten extrem billig. Dadurch ist eine große Menge an durch KI erzeugten minderwertigen Informationen auf den Plattformen zu finden, die die tatsächliche Reichweite der Werbeplätze verringert. Marken beginnen, die Kosteneffizienz digitaler Werbung anzuzweifeln. Gleichzeitig frisst KI-Suche Marktanteile traditioneller Suchmaschinen-Werbung – wenn Nutzer die Antworten direkt vom großen Modell bekommen, wer würde dann noch auf diese „sponsored links“ klicken wollen?

Noch wichtiger ist: Die Kernservices dieser Technologieriesen erzielen nur dann Einnahmen, wenn die Zahlungsfähigkeit und die Konsumnachfrage der Nutzer vorhanden sind. Ersetzte Humanressourcen verlieren wegen geringerer Einkommen an Kaufkraft, was sich am Ende auf diese Technologieriesen zurückwirkt und dazu führt, dass die Gewinne der Riesen, die bisher stark von traditionellen Branchen profitierten, deutlich einbrechen. Unter eigenem Druck auf die Einnahmen sind Kapitalgeber dann naturgemäß auch nicht in der Lage, Investitionen im KI-Sektor, die oft jährliche Kapitalausgaben in Größenordnungen von mehreren hundert Milliarden erreichen, ohne Weiteres zu stützen.

Dritte heimliche Hürde: KI-Kommerzialisierung – „viel Applaus, wenig Zulauf“

Kann die KI-Welle dauerhaft anhalten? Am Ende kommt es auf eine schlichte Frage an: Kann sie überhaupt Geld verdienen?

Als monetarisierungsstärkste Front im KI-Wertschöpfungskettenkern ist das große Modell der wichtigste Maßstab, um die kommerzielle Leistungsfähigkeit der Branche zu prüfen. Aktuell stehen die inländischen Unternehmen Zhipu (智谱), Baidu (09888.HK) mit „Ernie Bot/ERNIE“, Alibaba mit „Tongyi Qianwen“, sowie im Ausland die GPT-Familie, Claude und andere führende große Modelle vor ähnlichen Schwierigkeiten: Die Kosten für ein einzelnes Training belaufen sich auf mehrere zig Millionen bis hin zu über hundert Millionen US-Dollar. Im Alltag steigen gleichzeitig der Rechenleistungsbedarf für Inferenz, die Dateniteration und die Betriebskosten kontinuierlich, aber die Monetarisierungsmöglichkeiten konzentrieren sich stark auf drei Wege: API-Aufrufe, maßgeschneiderte Unternehmensdienste und Mitgliedschaftsabonnements.

Noch entscheidender ist: Viele Unternehmen schaffen es nach der Einführung von KI in der kurzen Frist nicht, ihren wirtschaftlichen Ertrag zu quantifizieren. Für einzelne Nutzer ist die Zahlungsbereitschaft für monatliche Gebühren begrenzt, und die Umwandlungsrate ist in der Regel niedrig. Bei Geschäftskunden ist das Budget zwar größer, aber ein höheres Budget bedeutet auch höhere Erwartungen an den Ertrag: Häufig wollen sie, dass sich KI-Investitionen schneller von „Kostenposten“ zu „Einnahmeposten“ entwickeln – kurzfristig oft aber kaum erreichbar.

Zugleich fallen die Inferenzkosten großer Modelle mit hoher Geschwindigkeit. Das ist gleichermaßen ein Segen und ein Fluch: Niedrige Kosten machen mehr Anwendungsszenarien möglich, aber sie schwächen auch kontinuierlich die Preissetzungsmacht von Unternehmen mit großen Modellen und erhöhen die Hürden für ihre Kommerzialisierung.

Vierte heimliche Hürde: Der Zinserhöhungszyklus macht KI-Investitionen teuer

Das schnelle Wachstum der KI-Branche wäre ohne die niedrigen globalen Zinsen kaum denkbar. In den vergangenen Jahren ermöglichten eine großzügige Geldpolitik und damit ein niedriger Finanzierungsaufwand Technologiefirmen, zu extrem geringen Kosten Schuldtitel, Kredite und Finanzierungsmittel aufzunehmen und KI-Rechenleistung sowie Technologieentwicklung hemmungslos aufzustocken. Doch mit dem Eintritt der wichtigsten Zentralbanken in den Zinserhöhungszyklus endet das „Zins-Softening-Bonus“-Zeitalter. Dadurch steigen die Investitions- und Finanzierungskosten in der gesamten KI-Wertschöpfungskette, und die Anforderungen an die Rendite von KI-Projekten werden deutlich nach oben gehen.

Derzeit stehen die globalen Anleihemärkte weiterhin unter Druck: In entwickelten Volkswirtschaften sind die Haushaltsdefizite hoch, was dazu führt, dass die Renditen von Staatsanleihen weiter steigen und insgesamt die Finanzierungssätze am Markt nach oben gehen. Gleichzeitig beschaffen Tech-Giganten wie Google, Amazon und Meta durch große Emissionen von Schuldtiteln Kapital, um KI kontinuierlich aufzubauen, und könnten die Marktzinsen weiter anheizen. Für KI-Unternehmen bedeutet das steigende Zinsniveau: Die erwartete Rendite für jede einzelne Investition in Rechenleistung, für F&E und Infrastruktur muss höher ausfallen. Investoren werden diese Projekte daher noch strenger prüfen.

Fünfte heimliche Hürde: Die versteckte Gefahr von Überkapazitäten

In der Phase des wilden Investierens verfallen Konzerne häufig in „Größenwahn“, doch sie übersehen die Gesetze von Angebot und Nachfrage. Bei Speicherchips, KI-Rechenchips, Optikmodulen, Servern und anderen Kernbereichen fließt Investitionsvolumen in Billionenhöhe in die Kapazitäten. Diese naive Expansion erzeugt gerade eine ernsthafte Krise des Ungleichgewichts zwischen Angebot und Nachfrage. Das könnte ein wichtiger Faktor werden, der das weitere Hochlaufen der Branche behindert.

Nehmen wir Speicherchips als Beispiel: Die Investitionen der Konzerne im Umfang von über einer Billion US-Dollar könnten sich mit hoher Wahrscheinlichkeit innerhalb weniger Jahre in eine ernsthafte Überkapazitätskrise verwandeln. Wenn der Markt mit homogenen großen Modelllösungen und überzähligen Hardwarekapazitäten gefüllt ist, ist ein Preiskampf kaum zu vermeiden, und die Gewinnmargen werden extrem zusammengedrückt.

Sechste heimliche Hürde: Der „wirtschaftliche Gegenimpuls“, ausgelöst durch den Ersatz von Arbeitsplätzen

Die Verbreitung von KI-Technologie entwickelt sich gerade von der Ersetzung repetitiver Tätigkeiten hin zur Ersetzung von mittel- und höherqualifizierter geistiger Arbeit. Das löst eine umfassende Umgestaltung von Beschäftigung aus. Zuvor war in der breiten Öffentlichkeit allgemein die Annahme, KI würde nur Fließbandarbeiter und Personal für grundlegende Serviceleistungen ersetzen. Doch heute können Code-Generierungsmodelle die Programmierarbeit von Einsteiger- und Mittelstufen-Entwicklern übernehmen. KI-Office-Tools können Rollen wie Texterstellung, Operatives/Operations, Controlling und grundlegende Rechtsarbeit ersetzen. Große Technologiekonzerne entlassen massenhaft Personal, was mittlerweile zur Normalität geworden ist – und viele gut bezahlte wissensintensive Jobs werden von KI ersetzt.

Diese Ersetzung von Arbeitsplätzen ist kein Einzelfall, sondern eine strukturelle Veränderung auf Ebene ganzer Gruppen und ganzer Branchen. Die ersetzten Beschäftigten tragen in der Regel feste Ausgaben wie Hypotheken, Konsumentenkredite sowie Ausgaben für Familienpflege und -rente. Große Arbeitslosigkeit bedeutet Einkommensausfälle und löst direkt eine Kette wirtschaftlicher Effekte aus: sinkende Einkommen der Haushalte führen zu weniger Konsum, das Risiko von Zahlungsausfällen bei Hypotheken steigt, die Quote der Kreditausfälle erhöht sich weiter. Das dämpft dann Wohnimmobilienmarkt und die Dynamik des Konsummarkts und erzeugt lokalen deflationären Druck.

Mit Blick auf die Übertragung in der Wertschöpfungskette gilt: Eine anhaltend schwache Endnachfrage im Konsumsektor wird sich schrittweise nach oben auf die Realwirtschaft und Technologiebereiche übertragen. Wenn die Unternehmensgewinne in allen Branchen unter Druck geraten, werden sie die Kosteneffizienz von KI-Investitionen vorsichtiger abwägen und nicht mehr blind hinterherlaufen, um KI-Ausbaupläne zu forcieren. Zusätzlich wird der gesamtwirtschaftliche Abwärtsdruck durch eine deflationäre Tendenz dazu führen, dass die Geldpolitik weltweit gezwungen ist, sich passiv anzupassen – was wiederum die Liquidität an den Kapitalmärkten beeinträchtigt und die nachhaltige Expansion der KI-Branche aus der Tiefe heraus einschränkt.

Physische Grenzen und abstrakte Schranken

Neben den wirtschaftlichen und gesellschaftlichen Zwängen stößt KI auch selbst an physische und kognitive Decken, die sich kaum überschreiten lassen.

Zuerst gibt es eine starre Engstelle in der physischen Infrastruktur: Das Training und die Inferenz großer Modelle sind tatsächlich echte „Stromfresser“. Für 2030 wird erwartet, dass der weltweite Stromverbrauch von Rechenzentren sich verdoppelt. Zukünftige Engpässe könnten nicht mehr in der Chipversorgung liegen, sondern in der verfügbaren Energie in Gigawatt-Größe, die sie versorgt.

Außerdem besteht zwischen der virtuellen Simulation von KI und der realen materiellen Welt eine nicht zu beseitigende Kluft. Digitale Modelle können nur Korrelationen abbilden, aber sie können physikalische Kausalitäten wie thermoelastische Verformungen oder Materialspannungen nicht vollständig nachbilden. In Fertigungs- und Luftfahrtbereichen mit extrem niedriger Fehlertoleranz kann die „Halluzination“ der KI tödliche Risiken verursachen.

Auf der Erkenntnisebene arbeiten KI-Systeme aktuell im Kern weiterhin nur innerhalb des kognitiven Rahmens des Menschen: Sie wiederholen Muster von Text, verstehen jedoch nicht die kausalen Logiken der realen Welt. Außerdem können sie nicht – wie Menschen – durch die Interaktion mit der physischen Welt neue Konzepte erfinden und Neues schaffen. Wenn es nicht fortwährend neue, echte Daten gibt, können selbst stark vergrößerte Modellparameter in eine Sackgasse des wiederholten Overfittings geraten.

Erkenntnis: Von der Begeisterung zurück zur Ehrfurcht

Was die KI-Welle aufhält, ist nie nur eine einzige technische Engstelle – sondern ein Netz aus Regulierung, Kapital, Wirtschaft, Gesellschaft, Physik und Erkenntnis, das sich miteinander verflechtet. Das bringt uns eine tiefgreifende Erkenntnis: Der entscheidende Wendepunkt einer technischen Revolution liegt oft nicht in dem Moment, in dem die Technik selbst stärker wird, sondern wenn Gesellschaft und Unternehmen endlich eine neue Organisationsform finden, die zur neuen Technologie passt.

Ein halbes Jahrhundert nach der Erfindung der Dampfmaschine wurde das Fabrikwesen erst wirklich zu einer Produktivitätsmaschine; Jahrzehnte nach dem Aufkommen der Elektrizität veränderte die Fließbandfertigung die Industrie schließlich grundlegend. KI ist ähnlich: Die eigentliche Zäsur liegt vielleicht nicht an dem Tag, an dem die Rechenleistung einen Durchbruch erlebt, sondern an dem Moment, in dem wir endlich lernen, Talente zu organisieren, Prozesse neu zu strukturieren und Anreizmechanismen zu entwerfen – sodass KI und Menschen jeweils ihre Aufgaben erfüllen und sich gemeinsam weiterentwickeln.

Regulierung muss nachziehen, Kapital muss rechnen, Geschäftsmodelle müssen verifiziert werden, Arbeit muss transformieren, physische Engpässe müssen durchbrochen werden – das ist nichts, was sich über Nacht erledigt. Aber gerade diese „Widerstände“ bringen die Entwicklung von KI von unruhiger Geschäftigkeit zurück zur Gelassenheit und von Spekulation zur Substanz, zum Wert.

Text: Wu Yan