Das Billionen-Dollar-Wettrüsten
Die Investitionsprogramme der großen Technologiekonzerne im Bereich Künstliche Intelligenz markieren eine Zäsur in der Wirtschaftsgeschichte. Wenn Amazon, Microsoft, Alphabet und Meta im Jahr 2026 gemeinsam mehr als 600 Milliarden Dollar in Rechenzentren, Chips, Netzinfrastruktur und KI-Modelle investieren, dann handelt es sich nicht mehr um einen gewöhnlichen Innovationszyklus. Es ist ein Infrastrukturaufbau von historischer Dimension. Addiert man die Dynamik in China und weitere internationale Programme hinzu, nähert sich das globale Investitionsvolumen der Billionenmarke pro Jahr.
Ökonomisch betrachtet ist KI damit weniger ein Produkt- als vielmehr ein Infrastrukturthema. Ein Großteil der Mittel fließt nicht in unmittelbar monetarisierbare Anwendungen, sondern in physische Assets: spezialisierte Halbleiter, GPU-Cluster, Kühlanlagen, Stromanschlüsse, Glasfaser, Netzkapazitäten. Rund drei Viertel der Investitionen der Hyperscaler gelten als Infrastrukturkosten. Die Situation erinnert an frühere Großzyklen wie den Eisenbahnbau des 19. Jahrhunderts oder die Elektrifizierung des 20. Jahrhunderts. Auch damals standen gewaltige Vorleistungen am Anfang – mit der Unsicherheit, ob und wann sich die Kapitalkosten amortisieren würden.
Genau hier liegt die entscheidende Frage für die Kapitalmärkte. Die heutigen Bewertungen der großen Tech-Unternehmen reflektieren implizit zukünftige KI-Erträge. Die Investitionen sind Vorleistungen auf diese erwarteten Cashflows – soweit nichts Neues. Bleibt allerdings die Monetarisierung hinter den Erwartungen zurück, geraten nicht nur einzelne Geschäftsmodelle unter Druck, sondern die Bewertungsfundamente ganzer Indizes. Der US-Aktienmarkt ist stark auf wenige Technologiewerte konzentriert. Wenn diese Unternehmen synchron gewaltige Investitions-Programme fahren, wird der Markt insgesamt zum Mitfinanzierer dieses Infrastrukturzyklus.
Das verleiht dem Geschehen den Charakter einer Wette. Es handelt sich nicht um eine Wette im spekulativen Sinn, sondern um eine strategische Vorleistung unter Unsicherheit. Drei Faktoren verstärken diesen Eindruck. Erstens ist die Ertragskurve der KI noch nicht ausreichend empirisch belegt. Zwar wachsen Cloud-Umsätze und KI-Dienste zweistellig, doch im Verhältnis zu den Infrastrukturkosten sind die Erträge bislang begrenzt. Zweitens erzeugt die First-Mover-Logik einen Investitionszwang. Kein globaler Technologiekonzern kann es sich leisten, nicht zu investieren, da technologische Abhängigkeit strategisch riskanter wäre als kurzfristige Margenbelastung. Drittens hat sich ein Erwartungsrahmen etabliert, in dem KI als Produktivitätsrevolution gehandelt wird. Diese Narrative prägen Bewertungsmultiplikatoren und reduzieren kurzfristig die Sensibilität gegenüber steigenden Kapitalkosten.
Für die Kapitalmärkte entsteht daraus eine mehrdimensionale Belastungsprobe. Zunächst wird operativer Cashflow gebunden. Ein erheblicher Teil der freien Mittel fließt in KI-Infrastruktur, was die Spielräume für Dividenden und Aktienrückkäufe einschränkt. Zweitens steigt die Verschuldung. Selbst hochprofitable Unternehmen greifen zunehmend auf den Anleihemarkt zurück, um Investitionsprogramme zu finanzieren. Eine anhaltende Emissionswelle aus dem Technologiesektor könnte Risikoaufschläge verändern und andere Emittenten verdrängen. Drittens entsteht ein Konzentrationsrisiko: Fällt die Ertragserwartung eines der führenden Unternehmen deutlich zurück, wirkt sich dies über Indizes und ETF-Strukturen direkt auf globale Portfolios aus.
Systemische Turbulenzen sind kurzfristig unwahrscheinlich, da die führenden Unternehmen über robuste wirtschaftliche Grundlagen verfügen. Mittelfristig jedoch hängt die Stabilität von der Glaubwürdigkeit des Wachstumsnarrativs ab. Sollte sich zeigen, dass KI zwar technologisch beeindruckend, aber ökonomisch weniger skalierbar ist als angenommen, könnten Bewertungsanpassungen abrupt erfolgen. Steigende Marktrisiken würden die Eigenkapitalkosten erhöhen, steigende Risikoaufschläge die Fremdkapitalkosten verteuern. Investitionsprogramme müssten dann unter veränderten Renditeanforderungen fortgeführt werden – ein klassischer Rückkopplungseffekt zwischen Realwirtschaft und Finanzmarkt.
Makroökonomisch betrachtet lässt sich die aktuelle KI-Investitionswelle im Sinne von Brynjolfsson, Rock und Syverson als typische Phase einer General Purpose Technology interpretieren. Wenn KI tatsächlich eine solche Basistechnologie darstellt, dann ist es ökonomisch geradezu erwartbar, dass enorme Investitionen zunächst in immaterielles Kapital fließen – in Datenbestände, Organisationswissen, Prozessanpassungen und Humankapital – ohne dass sich dies unmittelbar in der gemessenen Totalfaktorproduktivität niederschlägt. In dieser Aufbauphase steigen die Inputkosten sichtbar, während der Output statistisch nur begrenzt erfasst wird. Das Ergebnis ist eine temporäre Dämpfung der Produktivitätskennzahlen bei gleichzeitig steigenden Unternehmensbewertungen. Erst wenn der Kapitalstock ausreichend diffundiert ist und komplementäre Innovationen greifen, kommt es zu einem messbaren Produktivitätsschub – der von Brynjolfsson beschriebenen „J-Kurve“.
Für den Kapitalmarkt bedeutet das: Die heutigen Bewertungen spiegeln implizit die Erwartung wider, dass diese zweite Phase tatsächlich eintritt. Bleibt sie aus oder verzögert sie sich erheblich, kann sich die Diskrepanz zwischen Erwartung und realer Statistik abrupt in Bewertungsanpassungen entladen.
Hinzu kommt ein externer Engpass, der in der öffentlichen Debatte oft unterschätzt wird: Energie. Rechenzentren gehören zu den stromintensivsten Infrastrukturen der Gegenwart. Prognosen gehen davon aus, dass der globale Strombedarf von Rechenzentren bis 2030 eine Größenordnung erreichen könnte, die mit dem Verbrauch größerer Industrienationen vergleichbar ist. Das macht KI zu einem makroökonomischen Faktor. Energiepreise, Netzausbau, regulatorische Eingriffe und ESG-Diskussionen werden unmittelbaren Einfluss auf die Wirtschaftlichkeit der Investitionen haben. Der Engpass ist damit nicht nur Kapital, sondern physische Versorgungssicherheit.
Gleichzeitig spricht das sogenannte Jevons-Paradoxon für eine mögliche Entlastungsperspektive. Wenn KI-Modelle effizienter und günstiger werden, sinken die Grenzkosten der Nutzung, wodurch neue Anwendungen wirtschaftlich tragfähig werden. Der adressierbare Markt wächst. Effizienz erzeugt Nachfrage. Ob diese Nachfrage jedoch schnell genug skaliert, um die enormen Kapitalkosten zu decken, bleibt offen. Historisch zeigen Infrastrukturzyklen häufig eine zeitliche Diskrepanz zwischen Investitionsspitze und Renditerealisierung.
Der KI-Infrastrukturboom ist daher weder bloß Hype noch zwangsläufig Blase. Er ist ein realer, kapitalintensiver Transformationsprozess mit offenem Ausgang. Für die Kapitalmärkte bedeutet das: erhöhte Volatilitätspotenziale, stärkere Sensibilität gegenüber Renditesignalen und eine strukturelle Verschiebung der Risikoallokation. Die Dimension dieser Investitionswelle ist ohne historisches Vorbild in der digitalen Wirtschaft. Ob sie als produktiver Wachstumsschub oder als überambitionierte Kapitalallokation in Erinnerung bleiben wird, entscheidet sich nicht an der Höhe der Investitionen, sondern an ihrer produktiven Nutzung.
——————————
Quellen
1. Schmidt, Holger (2026): Das Billionen-Dollar-Wettrüsten. In: Frankfurter Allgemeine Zeitung (FAZ), 11. Februar 2026.
2. Bank for International Settlements (BIS) (laufend): BIS Quarterly Review. Basel.
Verfügbar unter: https://www.bis.org/quarterlyreviews/index.htm
3. International Monetary Fund (IMF) (2024/2025): Global Financial Stability Report. Washington, D.C.
Verfügbar unter: https://www.imf.org/en/Publications/GFSR
4. International Energy Agency (IEA) (2025): Energy and AI. Paris.
Verfügbar unter: https://www.iea.org/reports/energy-and-ai
5. Brynjolfsson, Erik; Rock, Daniel; Syverson, Chad (2017; Update 2023):
Artificial Intelligence and the Modern Productivity Paradox: A Clash of Expectations and Statistics. NBER Working Paper No. 24001.
Verfügbar unter: https://www.nber.org/papers/w24001
6. Perez, Carlota (2002): Technological Revolutions and Financial Capital: The Dynamics of Bubbles and Golden Ages. Cheltenham: Edward Elgar Publishing.
7. OECD (2024): Artificial Intelligence and Productivity Growth. Paris.
Verfügbar unter: https://www.oecd.org/digital/artificial-intelligence/
