Wenn man sich diese von JPMorgan zusammengestellten Daten ansieht, beträgt der Auftragsstau bei den vier Cloud-Riesen Microsoft, Oracle, Google und Amazon bereits 2,1 Billionen US-Dollar. Noch spannender ist: Die Zusagen für Rechenleistungskäufe der beiden KI-Labore OpenAI und Anthropic machen ungefähr 1 Billion aus – also knapp die Hälfte.
Diese Struktur sagt viel aus: Die Geschwindigkeit und das Ausmaß, mit der die führenden KI-Labore Geld verbrennen, ist inzwischen so groß, dass sie allein schon ausreichen, um beinahe die Hälfte des Geschäfts der Cloud-Anbieter zu tragen. Aus Sicht der Kapitalallokation ist das eine typische zyklische Wette – die Frage lautet, ob sich die AGI-Story in den kommenden Jahren auch tatsächlich in kommerziellen Wert übersetzen lässt.
Historisch gibt es viele ähnliche Fälle: der Glasfaser-Ausbau Ende der 1990er Jahre, der Einkauf von Telekommunikationsausrüstung Anfang der 2000er Jahre, die Kapitalausgaben im Bereich Schieferöl in den 2010er Jahren. Jedes Mal ging es um große, vorgezogene Investitionen – mit der Wette, dass der künftige Bedarf die Kapazitäten aufnehmen würde. Manches hat sich ausgezahlt, anderes führte zu Überkapazitäten und faulen Krediten.
Diese 1 Billion an Rechenleistungsaufträgen ist im Kern nichts anderes, als künftige Cashflows für die nächsten Jahre vorab festzuzurren. Für Cloud-Anbieter bedeutet das stabile Einnahmeerwartungen; für KI-Labore ist es der Druck, das Geschäftsmodell tatsächlich durchzubringen. Wer zuerst skalierten, real nutzbaren Anwendungen zum Durchbruch verhilft, kann diese Kosten besser absorbieren. Wer es nicht schafft, landet bei typischer Kapitalfehlallokation.
Aus makroökonomischer Perspektive ist das Risiko bei dieser sehr konzentrierten Investitionsausgabe hoch (die beiden Labore machen die Hälfte aus). Sobald die Monetarisierungsrate von KI hinter den Erwartungen zurückbleibt oder bei einem der Labore Finanzierungsprobleme auftreten, wird die gesamte Kette neu bewertet – einschließlich der Cashflow-Logik und der Bewertungsannahmen. Das ist kein Technikproblem, sondern ein Problem des Kapitalzyklus und des Liquiditätsmanagements.
Wie man so schön sagt: Auftragsstau ist zunächst etwas Gutes – aber nur, wenn die Kunden auch dauerhaft zahlen können. In diesem Spiel geht es im Grunde darum, wer als Erster KI-Anwendungen in echtes, zahlungswirksames Geld verwandelt.
Diese Struktur sagt viel aus: Die Geschwindigkeit und das Ausmaß, mit der die führenden KI-Labore Geld verbrennen, ist inzwischen so groß, dass sie allein schon ausreichen, um beinahe die Hälfte des Geschäfts der Cloud-Anbieter zu tragen. Aus Sicht der Kapitalallokation ist das eine typische zyklische Wette – die Frage lautet, ob sich die AGI-Story in den kommenden Jahren auch tatsächlich in kommerziellen Wert übersetzen lässt.
Historisch gibt es viele ähnliche Fälle: der Glasfaser-Ausbau Ende der 1990er Jahre, der Einkauf von Telekommunikationsausrüstung Anfang der 2000er Jahre, die Kapitalausgaben im Bereich Schieferöl in den 2010er Jahren. Jedes Mal ging es um große, vorgezogene Investitionen – mit der Wette, dass der künftige Bedarf die Kapazitäten aufnehmen würde. Manches hat sich ausgezahlt, anderes führte zu Überkapazitäten und faulen Krediten.
Diese 1 Billion an Rechenleistungsaufträgen ist im Kern nichts anderes, als künftige Cashflows für die nächsten Jahre vorab festzuzurren. Für Cloud-Anbieter bedeutet das stabile Einnahmeerwartungen; für KI-Labore ist es der Druck, das Geschäftsmodell tatsächlich durchzubringen. Wer zuerst skalierten, real nutzbaren Anwendungen zum Durchbruch verhilft, kann diese Kosten besser absorbieren. Wer es nicht schafft, landet bei typischer Kapitalfehlallokation.
Aus makroökonomischer Perspektive ist das Risiko bei dieser sehr konzentrierten Investitionsausgabe hoch (die beiden Labore machen die Hälfte aus). Sobald die Monetarisierungsrate von KI hinter den Erwartungen zurückbleibt oder bei einem der Labore Finanzierungsprobleme auftreten, wird die gesamte Kette neu bewertet – einschließlich der Cashflow-Logik und der Bewertungsannahmen. Das ist kein Technikproblem, sondern ein Problem des Kapitalzyklus und des Liquiditätsmanagements.
Wie man so schön sagt: Auftragsstau ist zunächst etwas Gutes – aber nur, wenn die Kunden auch dauerhaft zahlen können. In diesem Spiel geht es im Grunde darum, wer als Erster KI-Anwendungen in echtes, zahlungswirksames Geld verwandelt.