Ende der KI-Euphorie: Warum die nächsten 12 Monate zur Prüfung werden

Es gibt mehrere Argumente, die die Frage nach einer möglichen „KI-Blase“ aufwerfen, insbesondere angesichts der aggressiven und beispiellosen Investitionen in Infrastruktur, also Rechenzentren, Chips, Prozessoren, Hochgeschwindigkeitskabel, Kühllösungen und Software zur Datenverarbeitung. Die große Frage liegt in der Unsicherheit über die tatsächliche Rendite dieses eingesetzten Kapitals.

Allerdings unterscheidet sich die aktuelle Dynamik deutlich von historischen Blasen (wie der Dotcom-Blase oder der Subprime-Krise). Die Unternehmen, die diese „Fieberstimmung“ an den Finanzmärkten antreiben (Infrastruktur- und Komponentenhersteller), weisen überwiegend beeindruckende Wachstumskennzahlen und robuste Fundamentaldaten auf. Ihre Gewinne, Umsätze und Margen steigen weiter, was ihre hohen Bewertungen weitgehend rechtfertigt.

Das eigentliche „Blasenrisiko“ liegt weniger bei den Infrastruktur-Anbietern, sondern vielmehr bei den großen Anwenderunternehmen (Big Tech, die BIG7), die Milliarden investieren. Sollte sich zeigen, dass all diese Investitionen (CapEx) nicht zu der erwarteten Monetarisierung und Effizienz führen – sprich, dass der Einsatz von KI nicht die erhofften Ergebnisse und Renditen liefert –, dann könnte es sehr wohl eine Blase geben, die sich allerdings eher in Form einer Korrektur hin zu Bewertungen zeigt, die den tatsächlichen Renditen entsprechen.

Hinzu kommt, dass das Forward-KGV (Price-to-Earnings) des S&P 500 auf historisch hohen Niveaus liegt, ein Zeichen dafür, dass die Erwartungen an zukünftige Gewinne bereits am Anschlag sind.

Diese hohen Erwartungen, kombiniert mit der Möglichkeit, dass die Weltwirtschaft ihren Wachstumshöhepunkt erreicht, schaffen ein Umfeld, in dem Enttäuschungen kurzfristig zu deutlichen Korrekturen führen könnten.

 

Wie hoch ist die Wahrscheinlichkeit, dass diese KI-Blase 2026 platzt? Und was könnte der Auslöser sein?

Die Wahrscheinlichkeit eines klassischen „Crashs“ (wie der Dotcom-Blase im Jahr 2000) ist eher gering, doch die Chance auf eine Korrektur im Jahr 2026 ist beträchtlich. Es ist zu beachten, dass die Märkte in einigen Bereichen bereits eine Phase der Konsolidierung bzw. Korrektur durchlaufen.

Das ist ein Hinweis darauf, dass der Markt effizient reagiert, neue Informationen einpreist und Bewertungen allmählich anpasst, wodurch die Entstehung einer größeren Blase ggf. verhindert wird.

Im Gegensatz zu früheren Blasen, in denen Vermögenswerte (wie Meme-Stocks oder Subprime-Hypotheken) keine Fundamentaldaten hatten, die ihre Bewertungen rechtfertigten, verfügen Unternehmen im Bereich der KI-Infrastruktur über klare Wachstumsfundamentaldaten.

Die Sorge betrifft eher Überbewertungen, die auf einem Zukunftsszenario exponentiellen Wachstums basieren.

 

Mögliche Auslöser für eine Korrektur:

1. Rückgang der Kapitalflüsse (CapEx):

Sollten Big-Tech-Unternehmen beginnen, ihre aggressiven Investitionen in KI-Infrastruktur aufgrund von Budgetkürzungen oder Renditesorgen zu reduzieren, würde das Wachstum der Anbieter (Chips, Komponenten) gebremst. Begrenztes Wachstum würde sich direkt in fallenden Aktienkursen niederschlagen.

2. Ausbleibende Monetarisierung und Produktivitätsgewinne:

Dies ist der wichtigste potenzielle Auslöser. Wenn die großen Investitionen in generative KI (z.B. Large Language Models) nicht zu klaren Produktivitäts- und Profitabilitätssteigerungen führen, die die Kosten übersteigen, würden die Erwartungen der Investoren enttäuscht. Die Wahrnehmung, dass der ROI gering oder sehr langfristig ist, könnte eine Neubewertung der Aktien anstoßen.

3. Makroökonomische Faktoren:

Eine unerwartete Eintrübung der Weltwirtschaft, steigende Inflation oder ein erneuter und nachhaltiger Zinsanstieg (der Kapital verteuert und Wachstumswerte weniger attraktiv macht) könnten Investoren in sichere Anlagen treiben – zulasten von KI-Titeln.

4. Geopolitische Faktoren:

Die eskalierenden Spannungen zwischen den USA und China sowie Exportbeschränkungen für fortgeschrittene KI-Chips und Lithografie-Maschinen könnten doppelt negativ wirken: einerseits durch Marktverluste bei US-Herstellern wie Nvidia, andererseits durch Chinas beschleunigte Bestrebungen nach technologischer Autarkie.

Noch strengere Beschränkungen könnten Schocks in der Versorgung mit Halbleitern und kritischen Mineralien verursachen, die Kosten für KI-Infrastruktur erhöhen und die Margen und Wachstumsmöglichkeiten der Unternehmen belasten. Hinzu kommt Taiwan, die Unsicherheit über eine mögliche Invasion durch China stellt ein erhebliches Risiko für die globale Halbleiterproduktion dar.

5. Regulierung:

Neue strenge Regulierungen (wie der EU AI Act), die hohe Compliance-, Prüf- und Haftungskosten für „Hochrisiko“-KI-Modelle verursachen, könnten die Implementierung verlangsamen, operative Kosten erhöhen und die Skalierbarkeit einschränken. Unterschiedliche Regeln in verschiedenen Wirtschaftsblöcken könnten die Monetarisierung zusätzlich erschweren.

 

Wie profitabel werden die steigenden Investitionen der Big-Tech-Unternehmen in KI und Infrastruktur tatsächlich sein?

KI hat bereits deutlich gezeigt, dass sie Produktivität und Prozesseffizienz verbessern kann. Ihre Anwendung in Bereichen wie Coding, Softwareentwicklung, Kundenservice und Datenanalyse ist unbestreitbar. Dennoch ist das Volumen des eingesetzten Kapitals so hoch, dass ernsthafte Zweifel an der Nachhaltigkeit der Renditen bestehen.

Daher kann man derzeit noch nicht vollständig abschätzen, wie sich Produktivitätsgewinne tatsächlich auf die Realwirtschaft auswirken werden. Profitabilität hängt nicht nur davon ab, dass KI funktioniert, sondern dass die erzielte Rendite die hohen Infrastrukturkosten (CapEx) in angemessener Zeit übersteigt.

 

Es bestehen zwei zentrale Risiken:

1. Risiko der Überkapazitäten:

Es besteht die Gefahr, dass Unternehmen in einem Ausmaß in Rechenzentren und Chips investieren, das weder Nachfrage noch spätere Monetarisierung rechtfertigt. Sollte die Kapazität das tatsächliche Nutzungs- und Erlöspotenzial deutlich übersteigen, könnte es zu Wertberichtigungen (Impairments) kommen.

2. Herausforderung der Skalierung und der Betriebskosten:

Der Betrieb großer KI-Modelle (Training und Inferenz) ist extrem energie- und rechenintensiv. Die Herausforderung besteht darin, die Nutzung so weit zu skalieren und die Betriebskosten so zu senken, dass die erzielten Einnahmen diese hohen laufenden Kosten übertreffen.

Was feststeht: Profitabilität ist ein Rennen gegen die Zeit. Big Tech muss in den kommenden 12 bis 24 Monaten beweisen, dass generative KI ein echter Umsatz- und Effizienztreiber mit positivem ROI ist und nicht nur eine gigantische Vorabinvestition in die Zukunft. Andernfalls könnte der Druck auf die Aktien steigen.