Executive Summary
Der aktuelle KI-Boom wird an den Kapitalmärkten häufig als Fortsetzung des klassischen Software-Zyklus verstanden: hohe Anfangsinvestitionen, danach fast kostenlose Skalierung, steigende Margen und am Ende enorme freie Cashflows. Genau diese Annahme muss heute kritisch überprüft werden. Generative KI ist in vielen Bereichen keine reine Software mehr, sondern ein hybrides Geschäft aus Software, Halbleitern, Strom, Rechenzentren, Finanzierung und geopolitischer Kontrolle.
Das zugrunde liegende Script stellt die These auf, dass ein großer Teil des US-Aktienmarktes auf einer Erzählung basiert: Amerikanische Technologieunternehmen würden über Jahre oder Jahrzehnte die zentralen KI-Gewinne abschöpfen, weil der Rest der Welt keine Alternative habe. Diese These ist investierbar, aber nicht selbstverständlich. Sie hängt an mehreren Bedingungen: Vertrauen der Unternehmenskunden, sichtbare Rendite auf KI-Ausgaben, nachhaltige Preissetzungsmacht, ausreichende Energie- und Finanzierungskapazität sowie technologische Dominanz gegenüber China und Open-Source-Modellen.
Die wichtigste Investmentfrage lautet daher nicht: Wird KI verschwinden? Das ist unwahrscheinlich. Die wichtigere Frage lautet: Zu welchem Preis wird KI genutzt, welche Anbieter erhalten dafür die Gewinne und welche Unternehmen tragen nur die Kosten? Genau hier kann sich die Marktlogik drehen. Wenn KI-Modelle immer leistungsfähiger, aber gleichzeitig immer günstiger werden, profitieren Nutzer und ausgewählte Infrastrukturplayer. Die Produzenten der teuersten Modelle und die hyperskalierenden Kapitalspender können dagegen unter Druck geraten.
Für Investoren entsteht daraus eine klare Aufgabe: Nicht blind den großen Narrativen folgen, sondern systematisch prüfen, ob Gewinn, Cashflow, Bewertung und Kapitalrendite zusammenpassen. Der KI-Zyklus schafft Chancen – aber er schafft sie nicht gleichmäßig. Die Gewinner können Halbleiterhersteller, Energieinfrastruktur, ausgewählte Softwareunternehmen, Automatisierungsanbieter und hocheffiziente KI-Anwender sein. Die Verlierer können jene sein, die enorme Investitionen tätigen, aber deren Monetarisierung zu spät, zu niedrig oder zu wettbewerbsintensiv kommt.
Die fünf Kernthesen des Artikels
| These | Warum sie wichtig ist | Investmentfolge |
|---|---|---|
| 1. Vertrauen ist ein Engpass | Unternehmen wollen Kontrolle über Daten, Modelle und IP. | Souveräne, private und vertikale KI-Lösungen gewinnen an Bedeutung. |
| 2. Token-Ökonomie ist nicht SaaS | Nutzung verursacht laufende Rechenkosten; Skalierung ist nicht automatisch margenstark. | Umsatzwachstum ohne Bruttomarge ist gefährlich. |
| 3. Capex wird zum Signal | KI benötigt Rechenzentren, Chips, Strom und Schuldentragfähigkeit. | Der erste belohnte Capex-Rückzug kann den Zyklus drehen. |
| 4. China/Open Source drücken Preise | Günstigere Modelle können 80-90% der Leistung für einen Bruchteil der Kosten liefern. | Die Gewinnpools wandern zu Anwendern und Kostenführern. |
| 5. Bewertung entscheidet | Gute Technologie ist nicht automatisch eine gute Aktie. | Attraktive Einstiege brauchen Sicherheitsmarge und klare Katalysatoren. |
Übersicht 1: Die 5 Kernthesen des Artikels
1. Die große Erzählung: Warum der KI-Trade so mächtig geworden ist
An der Börse entstehen große Trends selten nur durch Zahlen. Sie entstehen durch Geschichten, die Zahlen plausibel erscheinen lassen. Die aktuelle KI-Geschichte ist besonders stark, weil sie gleich mehrere Sehnsüchte verbindet: Produktivitätssprung, Automatisierung, neue Plattformen, neue Margen, neue Märkte und geopolitische Dominanz. Für viele Investoren klingt sie wie die nächste Version von Internet, Smartphone und Cloud – nur schneller, größer und globaler.
Das Script beginnt mit einer provokanten Aussage: Ein wesentlicher Teil des US-Aktienmarktes, inklusive Indexfonds, Altersvorsorgeplänen und passiven Portfolios, beruhe auf einer Geschichte, die möglicherweise an ihr Ende komme. Gemeint ist nicht, dass jede US-Aktie nur wegen KI gestiegen ist. Gemeint ist vielmehr: Die Indexgewichte konzentrieren sich stark auf Unternehmen, deren Bewertung direkt oder indirekt von der KI-Erzählung abhängt. Wenn diese Erzählung an Glaubwürdigkeit verliert, kann auch ein breit gestreutes Depot empfindlicher reagieren, als viele Anleger vermuten.
Der Unterschied zur Dotcom-Blase liegt darin, dass die heutigen Marktführer real existierende Geschäftsmodelle, hohe Gewinne und enorme Cashflows besitzen. Microsoft, Alphabet, Meta, Amazon und Nvidia sind keine Garagenfirmen ohne Umsatz. Genau das macht die Analyse schwieriger. Der kritische Punkt ist nicht, ob diese Unternehmen stark sind. Der kritische Punkt ist, ob die zusätzlichen KI-Investitionen die heute eingepreisten zusätzlichen Gewinne rechtfertigen. Eine starke Firma kann eine zu teure Aktie sein. Eine großartige Technologie kann ein schlechter Kapitalallokationszyklus werden.
Im Kern hängt der KI-Trade an einer Annahme: Amerikanische Unternehmen investieren heute enorme Summen in Rechenzentren, Chips und Modelle, weil sie morgen eine dominante Plattform kontrollieren. Wenn das stimmt, sind hohe Bewertungen und hohe Investitionen rational. Wenn aber die Gewinne schneller wegkonkurriert werden, als sie entstehen, verwandelt sich der Boom in eine klassische Überinvestition. Dann wurde nicht in eine Monopolplattform investiert, sondern in eine Infrastruktur, deren Nutzen zwar real ist, deren Rendite aber bei den Kunden landet.
2. Warum Vertrauen für Unternehmens-KI wichtiger ist als reine Modellleistung
Viele Diskussionen über künstliche Intelligenz drehen sich um Benchmarks: Welches Modell löst Mathematikaufgaben besser? Welches schreibt den besseren Code? Welches kann längere Kontexte verarbeiten? Für private Nutzer ist das relevant. Für Unternehmen ist es nur ein Teil der Wahrheit. Ein Konzern fragt nicht nur, ob ein Modell intelligent ist. Er fragt: Wo liegen meine Daten? Wer sieht meine Prompts? Werden meine Prozesse zum Training verwendet? Kann der Anbieter meinen Zugang sperren? Und kann aus meinem eigenen Wissen irgendwann ein konkurrierendes Produkt entstehen?
Das Script betont genau diesen Punkt über die Perspektive von Alex Karp und Palantir: Technisch anspruchsvolle Kunden wollen zunehmend etwas besitzen. Sie wollen eigene GPUs, eigene Daten, eigene Modelle und Kontrolle über den eigenen Alpha-Faktor. Der Begriff Alpha ist hier wichtig. In der Kapitalmarktsprache steht Alpha für die Überrendite gegenüber dem Markt. In einem Unternehmen kann Alpha die Summe aus Prozessen, Kundendaten, Workflows, Preislogik und operativer Erfahrung sein. Wer dieses Alpha aus der Hand gibt, riskiert mehr als nur Datenschutzprobleme.
Daraus entsteht ein Trend zu souveräner KI. Das kann nationale Souveränität bedeuten, etwa wenn europäische Regierungen oder Konzerne nicht von US-Anbietern abhängig sein wollen. Es kann aber auch Unternehmenssouveränität bedeuten: Ein Versicherer benötigt nicht zwingend das intelligenteste globale Modell, sondern ein kontrolliertes Modell, das Schadenfälle zuverlässig, rechtssicher und kosteneffizient verarbeitet. Eine Bank benötigt nicht den kreativsten Chatbot, sondern robuste Prozesse, Auditierbarkeit und Datenschutz. Ein Industriekonzern benötigt nicht den charmantesten Assistenten, sondern Schutz für Konstruktionsdaten und Lieferkettenwissen.
Diese Verschiebung ist für Investoren relevant, weil sie die Wertschöpfungskette verändert. Wenn Unternehmen stärker auf private, offene oder spezialisierte Modelle setzen, verlieren zentrale Plattformanbieter einen Teil ihrer Preissetzungsmacht. Gleichzeitig gewinnen Integratoren, Sicherheitsanbieter, Datenplattformen, Cloud-Infrastruktur, On-Premise-Lösungen und spezialisierte vertikale Softwareanbieter an Bedeutung. Die Frage lautet dann nicht mehr: Welches Modell gewinnt den allgemeinen Intelligenztest? Sondern: Wer kontrolliert den Kundenzugang, die Daten, den Workflow und den messbaren Nutzen?
3. Das Token-Problem: Warum generative KI nicht automatisch klassische Software-Margen erzielt
Der vielleicht wichtigste Denkfehler vieler Investoren liegt in der Übertragung alter Softwarelogik auf generative KI. Klassische Software besitzt ein außergewöhnlich attraktives Geschäftsmodell. Die Entwicklung kostet viel Geld, aber die nächste Kopie ist fast kostenlos. Genau deshalb konnten Softwareunternehmen über Jahrzehnte hohe Bruttomargen, wiederkehrende Umsätze und enorme Skaleneffekte erzielen. Ein zusätzlicher Nutzer von Excel, Photoshop oder einer SaaS-Anwendung verursacht zwar Support- und Infrastrukturkosten, aber diese Kosten sind im Verhältnis zum Umsatz häufig gering.
Generative KI funktioniert anders. Jede Anfrage verbraucht Rechenleistung. Jede Antwort kostet Strom, Chipkapazität, Kühlung und Infrastruktur. Je leistungsfähiger das Modell, desto höher können die Kosten pro Interaktion sein. Natürlich sinken Inferenzkosten durch bessere Chips, bessere Modelle und effizientere Software. Aber der Punkt bleibt: Nutzung ist nicht kostenlos. Ein Anbieter kann nicht einfach davon ausgehen, dass zusätzlicher Umsatz automatisch mit sehr hoher Marge in Gewinn umgewandelt wird.
Das Script formuliert diese Kritik sehr anschaulich: Wenn KI wirklich sofort Milliardenwerte schaffen würde, warum verkaufen Anbieter dann Tokens statt Ergebnisbeteiligungen? Warum sagen sie nicht: Wir bauen Ihnen einen Milliardenwert und erhalten einen Anteil am Mehrertrag? Die Antwort ist nicht, dass KI wertlos ist. Die Antwort ist, dass der Nutzen stark vom Anwendungsfall, von der Integration, von den Daten, von der Qualitätssicherung und vom Prozessdesign abhängt. Der Modellanbieter liefert ein Werkzeug, aber nicht automatisch das Ergebnis.
Für Investoren ist das zentral. Ein Unternehmen kann beeindruckendes Umsatzwachstum melden und trotzdem ökonomisch schwach sein, wenn jeder zusätzliche Dollar Umsatz fast genauso hohe zusätzliche Kosten verursacht. Entscheidend sind Bruttomarge, Auslastung, Preisstabilität, Kundenbindung und der Nachweis, dass Nutzung nicht nur Aktivität, sondern wirtschaftlichen Mehrwert erzeugt. In diesem Sinne ist die KI-Ökonomie näher an einer Fabrik oder einem Restaurant als an klassischer Software: Jede Leistungseinheit benötigt Input. Die Frage ist, ob der Preis dauerhaft deutlich über den variablen Kosten liegt.
Chart 2: Klassische Software skaliert mit fallenden Grenzkosten. Generative KI kann zwar effizienter werden, bleibt aber deutlich rechen- und energieintensiver.
4. Capex als Achillesferse: Wenn Tech zu Infrastruktur wird
Der KI-Boom ist nicht nur ein Innovationszyklus, sondern zunehmend ein Investitionszyklus. Rechenzentren, GPUs, Stromanschlüsse, Kühlung, Netzkapazitäten und Finanzierung werden zum Engpass. Damit verändert sich der Charakter der großen Technologieunternehmen. Ein Teil der Hyperscaler bewegt sich weg vom reinen kapitalleichten Software- und Plattformmodell hin zu einem kapitalintensiven Infrastrukturmodell. Das ist nicht per se schlecht. Eisenbahnen, Stromnetze, Glasfasernetze und Cloud-Rechenzentren waren ebenfalls kapitalintensiv und konnten große Werte schaffen. Aber sie verlangen eine andere Bewertung.
Kapitalintensive Geschäftsmodelle brauchen Auslastung, Finanzierungssicherheit und langfristige Renditen auf das eingesetzte Kapital. Wenn ein Unternehmen hundert Milliarden Dollar investiert, reicht es nicht, dass die Technologie spannend ist. Es muss nachweisen, dass diese Investitionen später freie Cashflows oberhalb der Kapitalkosten erzeugen. Genau hier entsteht die Unsicherheit. Viele Hyperscaler melden Cloud-Umsätze, Werbeumsätze, Subskriptionsumsätze und Gesamtwachstum. Aber reine KI-Umsätze, KI-Margen und KI-Kapitalrenditen bleiben häufig nur teilweise sichtbar.
Das Script verweist auf ein mögliches Frühwarnsignal: Nicht erst der Stopp der Investitionen lässt eine Blase platzen. In der Dotcom-Zeit erreichte der NASDAQ sein Hoch bereits im März 2000, während viele Unternehmen noch weit in das Jahr 2001 hinein Glasfaserinfrastruktur bauten. Der Aktienmarkt wartet also nicht darauf, dass Vorstände offiziell eingestehen, zu viel investiert zu haben. Er dreht, wenn die Geschichte nicht mehr geglaubt wird. Ein einziger Satz in einer Telefonkonferenz – etwa, dass man den Ausbau der Infrastruktur moderiert – kann wichtiger sein als eine große Gewinnwarnung.
Besonders interessant ist die psychologische Dynamik: Wenn der erste Hyperscaler für Capex-Disziplin vom Markt belohnt wird, erhalten andere Vorstände die Erlaubnis, dasselbe zu tun. Dann wird aus ‚mehr investieren, um nicht zurückzufallen‘ plötzlich ‚weniger investieren, um Kapitalrendite zu schützen‘. Für Chip- und Equipment-Lieferanten wäre das ein anderer Markt als der heutige. Für Energie- und Infrastrukturunternehmen könnte es zwar weiter Nachfrage geben, aber die Bewertungsmultiplikatoren würden sich verändern. Für Anleger ist Capex deshalb nicht nur eine Bilanzposition, sondern ein Narrativ-Barometer.
Chart 3: Der KI-Ausbau verlangt immer höhere Investitionen. Für Anleger wird entscheidend, ob diese Ausgaben später messbare Kapitalrenditen erzeugen.
5. China, Open Source und die Macht des günstigeren Modells
Der größte Angriff auf die KI-Erzählung kommt nicht zwingend vom besseren Modell. Er kommt vom ausreichend guten Modell. Wenn ein chinesisches oder offenes Modell 80 bis 90 Prozent der Leistung eines teuren Frontier-Modells zu 10 bis 25 Prozent der Kosten liefert, verschiebt sich die ökonomische Logik. In vielen Unternehmensanwendungen zählt nicht maximale Intelligenz, sondern Zuverlässigkeit, Kostenkontrolle und Integration. Ein Callcenter, ein Dokumentenworkflow oder ein interner Wissensassistent benötigt selten das absolut stärkste Modell der Welt.
Das Script beschreibt den Vergleich zwischen US-Modellen und chinesischen Modellen anhand von Kostenunterschieden. Ob ein einzelner Test exakt repräsentativ ist, ist weniger wichtig als die Richtung: Der Markt für KI-Leistung wird schneller billiger. Auch wissenschaftliche Analysen zur Inferenzökonomie zeigen, dass die Kosten für vergleichbare Modellleistung stark fallen können. Für Nutzer ist das positiv. Für Anbieter mit hohen Investitionsannahmen ist es gefährlich. Denn fallende Preise bedeuten, dass die erwarteten Zukunftsgewinne stärker diskontiert werden müssen.
China verfolgt dabei eine andere Strategie als viele US-Anbieter. Während die USA stark in Frontier-Modelle, proprietäre Plattformen und extrem große Rechenzentren investieren, entstehen in China viele offene oder günstigere Modelle, die über Effizienz, Distillation und aggressive Preisgestaltung konkurrieren. Distillation bedeutet vereinfacht: Ein kleineres Modell lernt von den Antworten eines größeren Modells. Dadurch kann ein Teil der Fähigkeiten günstiger repliziert werden. Für die führenden US-Labs ist das strategisch unangenehm, weil ihre teure Forschung indirekt den Wettbewerb beschleunigen kann.
Der entscheidende Punkt für Investoren lautet: In Märkten, in denen der Preis schneller fällt als die Nachfrage steigt, fließt der ökonomische Nutzen häufig zu den Kunden. Das ist kein neues Phänomen. Airlines profitieren von besseren Flugzeugen, aber nicht jeder Flugzeughersteller verdient dauerhaft Monopolrenditen. Händler profitieren von Cloud-Software, aber nicht jede Softwareaktie rechtfertigt jede Bewertung. Wenn KI-Leistung zur Commodity wird, werden Differenzierung, Datenbesitz, Vertrieb, Integration und Kostenführerschaft wichtiger als reine Modellgröße.
Chart 4: Die Bedrohung für proprietäre Frontier-Modelle liegt oft nicht in besserer Qualität, sondern in deutlich niedrigeren Kosten bei ausreichender Qualität.
6. Warum die KI-Blase nicht daran platzen muss, dass KI scheitert
Ein häufiger Fehler in der Diskussion lautet: Wer vor einer KI-Blase warnt, glaubt nicht an KI. Das ist falsch. Finanzblasen platzen selten, weil die zugrunde liegende Technologie wertlos ist. Die Eisenbahn war real. Das Internet war real. Glasfaser war real. Smartphones waren real. Die Frage war immer, zu welchem Preis Anleger zukünftige Gewinne vorweggenommen haben und ob die Kapitalallokation rational blieb.
Auch beim KI-Boom kann beides gleichzeitig wahr sein: KI kann Produktivität erhöhen, Geschäftsprozesse verändern und neue Plattformen schaffen. Und trotzdem können bestimmte Aktien, Projekte oder Finanzierungsstrukturen überteuert sein. Ein Investor muss deshalb zwischen Technologieakzeptanz und Kapitalmarkterwartung unterscheiden. Eine neue Technologie kann gesellschaftlich erfolgreich und für Aktionäre einzelner Firmen enttäuschend sein, wenn Wettbewerb, Regulierung oder Preisverfall die Renditen begrenzen.
Das Script nennt mehrere mögliche Frühindikatoren: Capex-Rückgänge bei Hyperscalern, Probleme bei der Finanzierung von KI-Labs, steigende Kreditspreads, schwächere Nachfrage nach Tokenpreisen, divergierende Aktienkurse zwischen Chip-Lieferanten und KI-Ausgebern sowie die wachsende Nutzung günstigerer Modelle. Keines dieser Signale ist allein ausreichend. Zusammen ergeben sie jedoch ein Dashboard, mit dem Investoren prüfen können, ob die Erzählung noch intakt ist.
Wichtig ist auch: Märkte drehen oft, bevor die Fundamentaldaten eindeutig sind. Wenn Anleger warten, bis jede Zahl im Geschäftsbericht bestätigt, dass die Rendite nicht ausreicht, ist ein großer Teil der Kursbewegung häufig schon passiert. Genau deshalb sind qualitative Frühindikatoren so wichtig. Sie ersetzen keine Bewertung, aber sie geben Hinweise darauf, wann eine Bewertung neu diskutiert werden muss.
Chart 5: Ein Frühwarn-Dashboard sollte nicht nur Kurse betrachten, sondern Capex, Preise, Finanzierung, Wettbewerb und Umsatztransparenz zusammenführen.
7. Die Gewinnerfrage: Wer erhält am Ende den Cashflow?
Die KI-Wertschöpfungskette besteht aus mehreren Ebenen. Ganz unten stehen Energie, Stromnetze, Kühlung, Grundstücke, Rechenzentren und Finanzierung. Darüber liegen Halbleiter, Speicher, Networking, Server und Spezialkomponenten. Darüber kommen Cloud-Plattformen, Modellanbieter, Datenplattformen, Sicherheitslösungen, Integratoren und Anwendungen. Ganz oben stehen die Unternehmen, die KI nutzen, um Kosten zu senken, Umsatz zu erhöhen oder bessere Entscheidungen zu treffen.
Der Markt hat bisher besonders stark jene Unternehmen belohnt, die die Schaufeln im Goldrausch verkaufen: Halbleiter, Networking, Speicher, Equipment und ausgewählte Infrastruktur. Das ist nachvollziehbar. Wer heute Chips liefert, erhält heute Umsatz. Wer Rechenzentren baut, erhält Verträge. Wer Strom bereitstellt, profitiert von Nachfrage. Die Hyperscaler hingegen zahlen heute und hoffen auf spätere Monetarisierung. Das kann funktionieren, aber die Beweislast liegt bei ihnen.
Langfristig kann der größte Wert allerdings bei den Anwendern entstehen. Wenn ein Industrieunternehmen durch KI Wartungskosten senkt, Lieferketten optimiert oder Entwicklung beschleunigt, muss es diese Effizienzgewinne nicht vollständig an den Modellanbieter abgeben. Wenn eine Versicherung Schadenfälle schneller bearbeitet, kann der ökonomische Nutzen im Versicherungsgeschäft bleiben. Wenn ein Softwareunternehmen KI tief in einen bestehenden Workflow integriert und dafür Preissetzungsmacht besitzt, kann es höhere ARPUs erzielen. Deshalb reicht es nicht, KI-Aktien zu kaufen. Man muss KI-Nutznießer identifizieren.
Für einen systematischen Investmentprozess bedeutet das: Jede Aktie muss entlang der Wertschöpfungskette eingeordnet werden. Ist das Unternehmen Zulieferer, Infrastrukturbetreiber, Kapitalspender, Modellanbieter, Integrator oder Anwender? Hat es Preissetzungsmacht oder ist es nur Teil eines Capex-Zyklus? Profitiert es von steigender KI-Nutzung oder leidet es unter fallenden KI-Preisen? Wird KI seine Marge erhöhen oder sein Geschäftsmodell kannibalisieren? Diese Fragen sind wichtiger als der einfache Zusatz ‚KI‘ in einer Unternehmenspräsentation.
8. Bewertung: Warum eine gute Story keine Sicherheitsmarge ersetzt
Die Börse bezahlt nicht für Wahrheit, sondern für Erwartungen. Wenn Erwartungen niedrig sind und sich verbessern, steigen Kurse. Wenn Erwartungen extrem hoch sind und nur erfüllt werden, können Kurse trotzdem fallen. Genau deshalb ist Bewertung im KI-Zyklus so entscheidend. Eine Aktie kann operativ liefern und trotzdem enttäuschen, wenn der Markt noch mehr erwartet hat. Umgekehrt kann ein Unternehmen mit moderatem Wachstum attraktiv sein, wenn die Bewertung bereits viel Skepsis enthält.
Im Artikel wird auf Bewertungsrisiken bei Chipaktien und KI-Gewinnern hingewiesen. Das ist ein wichtiger Punkt. Wer am stärksten vom KI-Capex profitiert hat, trägt oft auch das größte zyklische Risiko für Rückschläge, falls Capex-Erwartungen sinken. Das bedeutet nicht automatisch, dass diese Aktien verkauft werden müssen. Es bedeutet aber, dass Anleger zwischen strukturellem Wachstum und zyklisch überzogener Bewertung unterscheiden müssen. Hohe Qualität rechtfertigt einen Aufschlag, aber nicht jede Zukunft.
Sicherheitsmarge entsteht durch drei Elemente: konservative Annahmen, günstigen Einstieg und klare Katalysatoren die zu einer qualifizierten Kauf- oder Verkaufsentscheidung führen. Konservative Annahmen bedeuten, dass man nicht einfach ewiges Wachstum, stabile Margen und unveränderte Multiples fortschreibt. Günstiger Einstieg bedeutet, dass der aktuelle Kurs bereits einen Teil der Risiken reflektiert. Katalysatoren bedeuten, dass es plausible Gründe gibt, warum der Markt seine Einschätzung ändern könnte – etwa bessere Monetarisierung, Kostensenkungen, Capex-Disziplin, neue Produktzyklen oder eine Bewertung, die zu pessimistisch geworden ist.
Das gilt besonders für KI. Viele Modelle in Analystenberichten hängen an wenigen Variablen: langfristige Umsatzwachstumsrate, Bruttomarge, Capex-Intensität und Terminal Multiple. Kleine Änderungen in diesen Annahmen können große Kursziele verschieben. Wer deshalb ohne Bewertungsarbeit investiert, investiert nicht in eine Aktie, sondern in eine Geschichte. Gute Geschichten sind an der Börse mächtig – aber gefährlich, wenn sie nicht regelmäßig gegen Zahlen geprüft werden.
9. Das Gegenargument: Warum die KI-Skepsis auch falsch sein kann
Ein ausgewogener Artikel darf aber nicht nur die kritische Seite darstellen. Es gibt ebenso auch starke Gegenargumente. Erstens sind die heutigen KI-Marktführer (Hyperscaler) finanziell deutlich robuster als die meisten Dotcom-Unternehmen. Sie verfügen über enorme Cashflows, starke Bilanzen, globale Vertriebskanäle und bestehende Kundenbeziehungen. Selbst wenn einzelne KI-Projekte keine ausreichende Rendite liefern, können diese Konzerne viele Fehler absorbieren.
Zweitens können Kosten schneller fallen als erwartet. Wenn Inferenzkosten durch bessere Chips, spezialisierte Silicon-Designs, Modellkompression, effizientere Architekturen und höhere Auslastung stark sinken, kann sich die Token-Ökonomie verbessern. Dann würde das Restaurant-Bild zu pessimistisch wirken. Ein Teil der variablen Kosten könnte in der Praxis so stark fallen, dass wieder softwareähnliche Margen entstehen – zumindest für bestimmte Aufgaben.
Drittens kann Nachfrage explodieren. Es ist möglich, dass KI nicht nur bestehende Workflows günstiger macht, sondern völlig neue Nutzungskategorien schafft: autonome Agenten, Softwareentwicklung, Forschung, Design, Bildung, medizinische Assistenz, Robotik, industrielle Steuerung und persönliche Assistenten. Wenn die Nachfrage elastisch genug ist, können fallende Preise den Gesamtmarkt so stark vergrößern, dass führende Anbieter trotzdem wachsen.
Viertens können die größten Plattformen eine Bündelungsmacht besitzen, die reine Modellanbieter nicht haben. Microsoft kann KI in Office, Azure und Entwicklerwerkzeuge integrieren. Google kann KI in Suche, Werbung, Android, Cloud und Workspace einbetten. Amazon kann KI mit AWS und E-Commerce-Daten verbinden. Meta kann KI über soziale Netzwerke, Werbung und Geräte ausrollen. Diese Distribution ist ein echter Vorteil. Die Skepsis muss also nicht zum Crash führen. Sie kann auch nur zu einer Rotation innerhalb des KI-Ökosystems führen.
10. Praktische Investment-Checkliste für den KI-Zyklus
- KI-Umsatz sichtbar?: Kann das Unternehmen konkrete KI-Umsätze, Nutzungsdaten oder Preiserhöhungen zeigen – oder wird KI nur in allgemeinen Wachstumszahlen versteckt?
- KI-Marge nachvollziehbar?: Steigen Bruttomargen und Free Cashflow mit der Nutzung, oder frisst Infrastruktur das Wachstum auf?
- Capex diszipliniert?: Sind Investitionen proportional zu realer Nachfrage, oder wird aus Angst vor Wettbewerbsverlust investiert?
- Kundennutzen messbar?: Gibt es klare Produktivitäts-, Kosten- oder Umsatzvorteile für Kunden?
- Daten- und Workflow-Vorteil?: Besitzt das Unternehmen proprietäre Daten, Prozesse oder Distribution, die nicht leicht kopierbar sind?
- Wettbewerb durch China/Open Source?: Kann ein günstigeres Modell den Preis oder die Differenzierung zerstören?
- Bilanzrisiko?: Wer finanziert die Infrastruktur: Eigenkapital, Schulden, Leasing, SPVs oder Kundenverträge?
- Bewertung und Sicherheitsmarge?: Welche Erwartungen sind im Kurs enthalten, und was passiert bei konservativeren Annahmen?
Zwischenfazit
KI wird sehr wahrscheinlich bleiben. Aber nicht jede KI-Aktie wird gewinnen. Der Unterschied zwischen Technologieerfolg und Aktionärsrendite ist die zentrale Aufgabe jeder Analyse.
11. Drei Szenarien für die nächsten 12 bis 24 Monate
Für Anleger ist es wenig hilfreich, nur ein einziges Zukunftsbild zu besitzen. Der Markt bewegt sich selten linear. Deshalb sollte der KI-Zyklus in Szenarien gedacht werden. Das erste Szenario ist das Bull-Case-Szenario: Die großen Plattformen beweisen in den kommenden Quartalen, dass KI nicht nur Kosten verursacht, sondern messbar Umsatz, Produktivität und Kundenbindung steigert. In diesem Fall würden Hyperscaler wieder stärker profitieren, weil Anleger erkennen, dass ihre heutigen Investitionen tatsächlich eine Plattformrendite erzeugen. Chipwerte könnten weiter profitieren, aber die Marktführerschaft würde breiter werden.
Das zweite Szenario ist das Normalisierungsszenario. KI bleibt wichtig, aber die Euphorie kühlt ab. Die Capex-Pläne werden nicht abrupt gestoppt, sondern disziplinierter priorisiert. Die besten Projekte werden weiter finanziert, schwächere Projekte verschoben. Tokenpreise fallen, offene Modelle gewinnen Marktanteile und Unternehmen wählen pragmatisch zwischen Premium-Modellen und günstigen Speziallösungen. In diesem Szenario entsteht kein dramatischer Crash, aber eine starke Rotation: weg von überdehnten Gewinnern, hin zu Unternehmen mit echter Cashflow-Qualität, niedrigerer Bewertung und klaren KI-Anwendungen.
Das dritte Szenario ist das Blasen-Szenario. Ein großer Marktteilnehmer signalisiert Capex-Disziplin, Finanzierungen werden teurer, KI-Labs müssen Bewertungen senken oder neue Finanzierungsrunden verschieben, und die Börse beginnt, den KI-Ausbau nicht mehr als Wachstumsinvestition, sondern als Margenrisiko zu betrachten. In diesem Fall können zuerst die Aktien fallen, die am stärksten von immer weiter steigenden Infrastrukturinvestitionen abhängig sind. Danach würde der Markt differenzieren: robuste Cashflow-Unternehmen überleben, spekulative KI-Narrative verlieren deutlich.
Wichtig ist: Keines dieser Szenarien muss vollständig eintreten. Märkte kombinieren oft Elemente aus allen drei. Eine gute Investmentstrategie versucht deshalb nicht, die Zukunft perfekt vorherzusagen. Sie baut ein Portfolio, das Chancen nutzt, aber nicht von nur einer einzigen Erzählung abhängig ist. Genau hier liegt der Wert eines systematischen Prozesses: Er zwingt dazu, Annahmen laufend zu überprüfen und Positionen anzupassen, wenn Daten, Bewertung oder Sentiment sich verändern.
12. Portfolio-Implikationen: Wie Anleger den KI-Zyklus strukturieren können
Ein professionell strukturiertes Aktienportfolio mit KI Exposure sollte meiner Ansicht nach nicht nur aus den offensichtlichsten Gewinnern bestehen. Es braucht Kategorien. Kategorie eins sind direkte Infrastrukturgewinner: Halbleiter, Speicher, Networking, Strom, Kühlung, Rechenzentren und spezialisierte Ausrüstung. Diese Unternehmen profitieren unmittelbar von Investitionen, tragen aber häufig zyklische Bewertungsrisiken.
Kategorie zwei sind Plattformunternehmen: Hyperscaler, Cloud-Anbieter und Software-Ökosysteme. Sie besitzen Distribution und Kundenzugang, müssen aber beweisen, dass Capex später hohe Renditen bringt.
Kategorie drei sind KI-Anwender mit Preissetzungsmacht. Das können Finanzdatenanbieter, Industrieunternehmen, Gesundheitsplattformen, Versicherer, Zahlungsdienstleister, Sicherheitssoftware oder vertikale Softwareanbieter sein. Diese Firmen müssen nicht zwingend die Modelle besitzen. Sie müssen KI nur so einsetzen, dass Kosten sinken, Produkte besser werden oder Kunden mehr bezahlen. Für Aktionäre kann das attraktiver sein als das direkte Modellgeschäft, weil der Nutzen intern bleibt, während Modellkosten durch Wettbewerb sinken.
Kategorie vier sind gefährdete Unternehmen. Dazu gehören Geschäftsmodelle, deren Kernleistung durch KI günstiger oder austauschbarer wird. Beispiele können bestimmte Softwaresegmente, klassische Outsourcing-Dienstleister, Content-Produzenten, einfache Datenanbieter oder standardisierte Beratungsleistungen sein. Hier reicht es nicht, wenn das Management KI in Präsentationen erwähnt. Entscheidend ist, ob KI das Unternehmen stärkt oder die eigene Preissetzungsmacht untergräbt.
Kategorie fünf sind Bewertungs- und Sentiment-Chancen. In jeder großen Marktbewegung werden auch gute Unternehmen zu Unrecht abgestraft oder komplett ignoriert. Wenn Anleger pauschal aus KI-nahen Bereichen fliehen, können defensive Qualitätsaktien mit stabilen Cashflows und realem Nutzen deutlich attraktiv werden. Umgekehrt können überhitzte Gewinner trotz guter operativer Entwicklung zu teuer sein. Portfoliomanagement bedeutet daher, nicht nur Themen zu kaufen, sondern Preis, Qualität, Wachstum, Momentum, Sentiment und Risiko systematisch zusammenzuführen.
13. Was ich in den kommenden Quartalen besonders beobachten würde
Erstens: die Sprache der Management-Teams. Begriffe wie ‚moderating capex‘, ‚prioritizing returns‘, ‚disciplined infrastructure spending‘ oder ‚phasing investments‘ können wichtiger sein als absolute Zahlen. Sie zeigen, ob die Branche von Wachstumsmaximierung zu Kapitalrendite wechselt.
Zweitens: KI-Umsatztransparenz. Wenn Unternehmen beginnen, KI-Umsätze klarer auszuweisen, kann das Vertrauen schaffen. Wenn sie weiterhin nur allgemeine Run-Rates oder Produktbeispiele nennen, bleibt die Qualität der Monetarisierung unklar.
Drittens: Bruttomargen und Free Cashflow. KI-Wachstum ist nur dann wertvoll, wenn es nicht dauerhaft durch Infrastrukturkosten aufgezehrt wird.
Viertens: Kreditmärkte. Wenn Datenzentrumsschulden, Leasingstrukturen oder Corporate Bonds teurer werden, kann sich der gesamte Zyklus verlangsamen. Fünftens: Preisentwicklung bei Modellen. Fallende Tokenpreise sind gut für Nutzer, aber ein Warnsignal für Anbieter, deren Bewertung auf hohen zukünftigen Margen basiert.
Sechstens: China und offene Modelle. Jeder neue Qualitätssprung günstiger Modelle erhöht den Druck auf proprietäre Anbieter.
Siebtens: Regulierung und Souveränität. Wenn Staaten oder große Konzerne eigene KI-Infrastrukturen verlangen, verändert das die Nachfrage.
Achtens: reale Produktivität. Die wichtigste langfristige Frage bleibt, ob Unternehmen messbar produktiver werden. Wenn KI in Unternehmenszahlen sichtbar wird, kann die Story tragfähig bleiben. Wenn nicht, wird der Markt irgendwann weniger Geduld haben.
Diese Beobachtungspunkte sind keine kurzfristigen Trading-Signale. Sie sind ein Rahmenwerk. Sie helfen, laute Schlagzeilen von relevanten Strukturveränderungen zu trennen. Wer diese Daten und Entwicklungen konsequent verfolgt, muss nicht jede Bewegung vorhersehen. Er muss nur früher erkennen, wenn sich Chance-Risiko-Verhältnisse signifikant verändern.
14. Die Psychologie des KI-Trades: Warum Anleger zu spät reagieren
Jede große Marktstory besitzt eine soziale Komponente. Solange Kurse steigen, wirken kritische Fragen wie Pessimismus. Wer auf Bewertungsrisiken hinweist, scheint den technologischen Fortschritt nicht zu verstehen. Genau dadurch entsteht Gruppendenken. Fondsmanager wollen nicht unterinvestiert sein, Privatanleger wollen den nächsten großen Trend nicht verpassen, und Unternehmen wollen gegenüber Wettbewerbern nicht als rückständig gelten. So verstärken sich Kapitalmarkt, Medien und Unternehmensentscheidungen gegenseitig.
Im KI-Zyklus ist dieser Mechanismus besonders stark. Ein CEO, der hohe KI-Investitionen ankündigt, sendet ein Signal: Wir sind relevant. Ein Investor, der KI-Gewinner kauft, sendet ein Signal: Ich verstehe den Zukunftstrend. Ein Analyst, der hohe Kursziele vergibt, kann auf ein riesiges adressierbares Marktpotenzial verweisen. Solange Liquidität vorhanden ist und die Aktienkurse steigen, funktioniert diese Logik. Das Problem entsteht erst, wenn der Markt beginnt, nach konkreten Renditen zu fragen.
Dann kippt die Psychologie. Was vorher als mutige Investition galt, wird plötzlich als Kapitalverschwendung interpretiert. Was vorher als strategischer Vorsprung galt, wird als teure Pflichtübung gesehen. Was vorher als Plattformdominanz galt, wird als Preisdruck durch Wettbewerb gelesen. Diese Umdeutung kann schneller passieren als die operativen Zahlen selbst. Deshalb ist es für Anleger so wichtig, nicht nur Unternehmensberichte zu lesen, sondern auch die Sprache des Marktes zu beobachten.
Ein systematischer Prozess schützt vor zwei Fehlern: zu früh alles zu verkaufen, nur weil eine Story heiß gelaufen ist, und zu spät Risiken zu reduzieren, weil man emotional an der Story hängt. Disziplin bedeutet nicht, immer defensiv zu sein. Disziplin bedeutet, Wahrscheinlichkeiten, Bewertung und Risiko laufend zu analysieren und neu zu gewichten. Gerade im KI-Zyklus ist das entscheidend, weil die besten Chancen oft dort entstehen, wo die Schlagzeilen weniger laut sind und die fundamentalen Daten besser werden.
Fazit: Der Markt braucht weniger Euphorie und mehr System
Die KI-Story steht nicht vor einem einfachen Entweder-oder. Sie ist weder reine Blase noch sichere Gelddruckmaschine. Sie ist ein komplexer Investitionszyklus, in dem Technologie, Kapitalmärkte, Energie, Geopolitik, Kontrolle, Macht und Wettbewerb ineinandergreifen. Genau deshalb sind pauschale Aussagen gefährlich. Wer nur auf Begeisterung hört, übersieht Bewertung und Kapitalrendite. Wer nur auf Skepsis hört, verpasst mögliche Gewinner einer echten Produktivitätsrevolution.
Der professionelle Weg liegt aus meiner Sicht und Erfahrung genau dazwischen: systematisch analysieren, Erwartungen prüfen, Daten beobachten, Bewertungen vergleichen und nicht jeder Schlagzeile folgen. Entscheidungen werden nur dann getroffen wenn Sie fundiert und belastbar begründet sind. Die entscheidenden Fragen lauten: Wer besitzt den Kundenzugang? Wer kontrolliert Daten und Workflows? Wer hat Preissetzungsmacht? Wer profitiert von fallenden Modellkosten? Wer trägt Capex- und Finanzierungsrisiken? Und bei welcher Aktie ist das Chance-Risiko-Verhältnis heute attraktiv?
Für Anleger wird die nächste Phase des KI-Zyklus anspruchsvoller als die erste. Die erste Phase belohnte fast alles, was glaubwürdig mit KI verbunden war. Die zweite Phase wird selektiver. Sie wird zwischen echten Gewinnern, überbewerteten Profiteuren, gefährdeten Geschäftsmodellen und unterschätzten Nutznießern unterscheiden. Genau in dieser Phase entsteht Alpha – nicht durch blinde Euphorie, sondern durch Disziplin.
Mein systematischer Investmentprozess mit Alpha-Signal
Wenn du nicht nur der großen KI-Erzählung der Massenmedien folgen möchtest, sondern konkrete Unternehmen systematisch verstehen und bewerten willst, dann ist Alpha-Signal genau dafür entwickelt worden. In meinen tiefgreifenden Analysen kombiniere ich fundamentale Bewertung, Qualitätsanalyse, Sentiment, Kauf- und Verkaufszonen sowie die konsequente Prüfung von Sicherheitsmargen. Das Ergebnis dieses transparenten Investmentprozesses sind quantitative Handlungssignale auf deren Basis Entscheidungen rational (frei von Emotionen) getroffen werden. Ziel ist nicht, jede Schlagzeile zu handeln, sondern attraktive Chancen über die Zeit (kontinuierlich) zu identifizieren, bevor sie offensichtlich werden – und gleichzeitig Risiken zu erkennen, bevor sie im Kurs sichtbar sind.
In meiner Investment-Plattform zum Alpha-Signal habe ich bereits mehr als 100 sehr attraktive Unternehmen identifiziert – sowohl mögliche Kaufkandidaten als auch Positionen, bei denen ein Verkauf oder eine Reduzierung aus Bewertungs- oder Risikogründen sinnvoll sein kann. Dazu gehören nicht nur offensichtliche KI-Aktien, sondern insbesondere auch Unternehmen aus anderen Sektoren, die von Kapitalströmen, Infrastruktur, Produktivität, Energie, Software, Industrie oder veränderten Bewertungsrelationen überdurchschnittlich profitieren können.
Du erhältst für nur 1 EUR für 30 Tage vollen Zugriff auf meine Datenbank mit Alpha-Signalen, meine wöchentlichen Markt- und Unternehmensberichte sowie Einblick in meine Transaktionen im eigenen Portfolio. Ebenso teile ich im Rahmen meiner privaten Discord-Gruppe besondere Highlights unter der Woche, wo sich lukrative Opportunitäten am Markt ergeben. So kannst du im direkten Austausch mit ambitionierten Privatanlegern, meinen systematischen Investmentprozess unmittelbar nachvollziehen, aktuelle Kauf- und Verkaufszonen erkennen und somit Rückschlüsse ziehen wie ich frei von Emotionen, Chancen und Risiken im Markt strukturiert für mein eigenes Aktienportfolio bewerte.
Wenn du deine Investmententscheidungen nicht dem Bauchgefühl, YouTube-Schlagzeilen oder kurzfristiger Markteuphorie überlassen möchtest, teste Alpha-Signal 30 Tage für 1 EUR. Nutze die Datenbank, lies die Wochenberichte, verfolge meine Portfolio-Transaktionen mit Kommentaren und entscheide danach selbst, ob dir dieser systematische Prozess hilft, souveräner und profitabler in Qualitätsaktien zu investieren.
Patrick
Quellen- und Datenhinweise
- Grundlage: vom Nutzer bereitgestelltes Video-Script/Transkript, insbesondere Passagen zu KI-Narrativ, Vertrauen, Token-Ökonomie, Capex, China/Open Source und Frühindikatoren.
- Reuters, 6. Juli 2026: Morgan Stanley zu möglicher Rotation von Chipwerten zu Hyperscalern und steigender Capex-Disziplin.
- Business Insider, 8./9. Juli 2026: Berichte zu Big-Tech-KI-Schulden, KI-Capex und Divergenz zwischen Chipwerten und Hyperscalern.
- Stanford/KI Index Report 2026: Überblick über KI-Entwicklung, Governance, Messprobleme und wirtschaftliche Relevanz.
- Gundlach/Lynch/Mertens/Thompson, 2025: Analyse zur fallenden Inferenzkostenkurve für KI-Modelle.
- Pilz/Sanders/Rahman/Heim, 2025: Trends in KI Supercomputers; Daten zu Leistungs-, Kosten- und Energieanforderungen.
- Chen et al., 2026: KI-Datenzentren und regionale Belastungen für Stromsysteme.
- McKinsey/Citigroup/S&P Global Datenpunkte wurden als marktübliche Schätzungen in den erläuternden Chart-Kontext aufgenommen; gerundete Werte dienen der Illustration, nicht der exakten Modellierung.
HAFTUNGSAUSSCHLUSS
Dieser Artikel beinhaltet keine Anlageberatung, Handlungsempfehlung und/oder sonstige Prognose. Es werden öffentlich zugängliche Daten und Informationen bereitgestellt, die so objektiv wie möglich aus dem persönlichen Blickwinkel des Autors interpretiert und verarbeitet werden. Jegliche Bewertungen und Berechnungen hat der Autor nach bestem Wissen und Gewissen selbst erstellt, kann jedoch für die Richtigkeit, Aktualität oder Vollständigkeit der Ergebnisse sowie Berechnungen und angegebenen Links keine Verantwortung oder Haftung übernehmen. Alle Entscheidungen, die der Leser aus den bereitgestellten Schlussfolgerungen, Interpretationen, Informationen und Hinweisen für seine eigenen Entscheidungen ableitet, sollten vorab mit einem fachkundigen Anlageberater abgestimmt werden. Die hier angebotenen Inhalte dienen ausschließlich zu Anschauungszwecken und sind keinesfalls als Handlungsaufforderung zum Kauf, Halten oder Verkauf von Wertpapieren zu verstehen. Alle eventuell vorkommenden Schlussfolgerungen dienen lediglich als Entscheidungshilfe. Die Wertentwicklung in der Vergangenheit stellt keinen zuverlässigen Indikator für die zukünftige Entwicklung dar. Aktien können im Wert fallen, selbst ein Totalverlust ist nicht ausgeschlossen. Sollte der Leser sich die Inhalte und Handlungen des innerhalb des Musterportfolios zu eigen machen, nutzen oder etwaigen Meinung des Autors folgen, so handelt er eigenverantwortlich, in voller Kenntnis aller verbundenen Gefahren und Risiken. Unter Beachtung potentieller Interessenkonflikte wird vorsorglich darauf hingewiesen, dass jederzeit Aktien, Optionen oder Derivate am vorgestellten Unternehmen vom Autor selbst gehalten, gekauft oder verkauft werden können.