Hat die KI-Branche Blasenprobleme? Risiken & Nebenwirkungen

Die Investitionen in künstliche Intelligenz erreichen astronomische Höhen. Doch 95% der Unternehmen sehen keinen Return, Nvidia finanziert seine eigenen Kunden, und selbst OpenAI-Chef Sam Altman räumt ein, dass die Märkte „überexcited“ sind. Erleben wir eine Blase historischen Ausmaßes?

Das Wichtigste in Kürze

• Eine MIT-Studie zeigt: Trotz 30 bis 40 Milliarden Euro Investitionen in generative KI sehen 95% der Unternehmen keinerlei messbaren Return.
• OpenAI plant kumulative Verluste von etwa 130 Milliarden Euro bis 2029 und erreicht erst 2030 den Break-even. Anthropic dagegen erwartet bereits 2028 Profitabilität.
• Zirkuläre Finanzierungskonstrukte zwischen Nvidia, OpenAI und Cloud-Anbietern erinnern an die Dotcom-Ära. Die Bank of England warnt explizit vor Korrekturrisiken.
• Der DeepSeek-Schock im Januar 2025 löschte an einem einzigen Tag 540 Milliarden Euro an Nvidia-Marktwert und zeigte die Fragilität der aktuellen Bewertungen.

Warum sprechen plötzlich alle von einer KI-Blase?

Die Zahlen wirken auf den ersten Blick beeindruckend. OpenAI hat Ende 2025 einen jährlichen Umsatz von rund 20 Milliarden Euro erreicht, Anthropic peilt für 2026 etwa 24 Milliarden Euro an. Nvidia verzeichnet Quartalsumsätze, die noch vor drei Jahren den gesamten Jahresumsatz überstiegen hätten.

Doch hinter den Schlagzeilen verbergen sich beunruhigende Muster. Die Bank of England warnte im Herbst 2025 vor den wachsenden Risiken einer globalen Marktkorrektur aufgrund möglicher Überbewertungen führender KI-Unternehmen. OpenAI etwa hat seinen Wert innerhalb eines Jahres von etwa 145 auf 460 Milliarden Euro mehr als verdreifacht.

Jamie Dimon, Chef von JPMorgan und damit der größten Bank der USA, formulierte es im Oktober 2025 so: Er glaube, dass KI real sei, aber einiges des jetzt investierten Geldes werde verloren gehen. Die Wahrscheinlichkeit eines bedeutenden Aktienrückgangs in den kommenden zwei Jahren sei höher, als der Markt derzeit widerspiegele.

Was sagen die Zahlen wirklich über die Rentabilität?

Die finanziellen Realitäten der führenden KI-Unternehmen unterscheiden sich dramatisch voneinander.

OpenAI prognostiziert operative Verluste von etwa 7,4 Milliarden Euro für 2025. Die Cash-Burn-Rate soll bis 2029 kumuliert rund 106 Milliarden Euro erreichen. Profitabilität erwartet das Unternehmen erst 2029 oder 2030. Diese Zahlen sind historisch beispiellos. Kein Startup hat jemals mit Verlusten in dieser Größenordnung operiert.

Anthropic verfolgt einen konservativeren Pfad. Das Unternehmen erwartet, seinen Cash-Burn von etwa 50% des Umsatzes in 2025 auf nur noch 9% in 2027 zu reduzieren. Der Break-even ist für 2028 geplant. Ein wesentlicher Unterschied: Anthropic generiert rund 80% seiner Einnahmen durch Enterprise-Kunden und vermeidet die kostspieligen Ausflüge in Bild- und Videogenerierung.

Die Zahlen offenbaren einen fundamentalen Strategieunterschied. OpenAI setzt auf aggressive Expansion in alle Richtungen, von Consumer-Produkten über Videogenerierung bis hin zu Hardware-Partnerschaften. Anthropic konzentriert sich auf das profitable Enterprise-Geschäft und verfügt über deutlich niedrigere Infrastrukturkosten.

Hier platzt keine Blase 💦:

• Large Language Models (LLMs) im Unternehmenseinsatz: Ratgeber + 10 Anbieter
• Wer sind die 15 reichsten Tech-Milliardäre?
• Welche Geschäftsmodelle tragen 2026 noch? Spoiler: Der Friseur bleibt.
• KI: Jobkiller oder Jobmotor? Beides stimmt.
• (Meistens) dumm gelaufen, Mensch! 23 x KI im Film

Wie funktioniert das Karussell der zirkulären Finanzierung?

Ein besorgniserregendes Phänomen der aktuellen KI-Landschaft sind die verschachtelten Finanzierungsstrukturen zwischen den größten Akteuren.

Das Muster funktioniert so: Nvidia investiert bis zu 92 Milliarden Euro in OpenAI. OpenAI verwendet dieses Kapital, um Rechenzentren zu bauen. Diese Rechenzentren werden mit Nvidia-Chips gefüllt. Das Geld fließt also zurück zu Nvidia. OpenAIs Finanzchefin Sarah Friar hat das offen eingeräumt: Der größte Teil des Geldes werde zu Nvidia zurückfließen.

Die Verflechtungen gehen noch weiter. Nvidia hält etwa 7% an CoreWeave, einem Cloud-Anbieter. CoreWeave wiederum liefert Rechenkapazität an OpenAI und hat Verträge im Wert von über 20 Milliarden Euro mit dem ChatGPT-Hersteller. Nvidia kauft gleichzeitig Cloud-Dienste von CoreWeave im Wert von 5,8 Milliarden Euro.

Kritiker vergleichen diese Konstrukte mit den Vendor-Financing-Praktiken der Dotcom-Ära. Damals hatte der Telekommunikationsausrüster Lucent Technologies auf dem Höhepunkt über 14 Milliarden Euro an Herstellerfinanzierungen ausgegeben, bei einem operativen Cashflow von nur etwa 280 Millionen Euro. Das Unternehmen existiert heute nicht mehr.

Michael Burry, der Hedgefonds-Manager, der den Zusammenbruch des US-Immobilienmarktes 2008 vorhergesagt hatte, sieht Parallelen. Er hat Short-Positionen gegen Nvidia und Palantir aufgebaut und spricht von „verdächtiger Umsatzanerkennung“ aufgrund der Investitionen in eigene Kunden.

Nvidia selbst hat die Vorwürfe in einem siebenseitigen Memo zurückgewiesen. Das Unternehmen betont, es verlasse sich nicht auf Vendor-Financing-Arrangements, um Umsatz zu generieren. Die Positionen des Unternehmens unterschieden sich fundamental von historischen Bilanzierungsbetrugsfällen.

Was hat der DeepSeek-Schock offenbart?

Am 27. Januar 2025 erlebten die Märkte einen Weckruf. Das chinesische Startup DeepSeek hatte ein KI-Modell vorgestellt, das mit amerikanischen Spitzenmodellen konkurrieren konnte, angeblich entwickelt für unter 6 Millionen Euro.

An diesem einen Tag verlor Nvidia 540 Milliarden Euro an Marktwert, der größte Einzeltagesverlust eines Unternehmens in der Geschichte des US-Aktienmarktes. Der Nasdaq verlor insgesamt rund 920 Milliarden Euro.

Der Schock saß tief, weil DeepSeek drei Grundannahmen der KI-Investoren in Frage stellte. Erstens: Dass nur mit hunderten Millionen Investitionen konkurrenzfähige Modelle entstehen können. Zweitens: Dass amerikanische Unternehmen einen uneinholbaren Vorsprung haben. Drittens: Dass der insatiable Bedarf an High-End-Chips anhalten wird.

Marc Andreessen, einer der bekanntesten Tech-Investoren und Trump-Unterstützer, nannte DeepSeek „einen der erstaunlichsten und beeindruckendsten Durchbrüche“, die er je gesehen habe, und bezeichnete es als „Sputnik-Moment“ der KI.

Die Erholung kam schnell. Nvidia gewann am Folgetag 8,8% zurück. Analysten wiesen darauf hin, dass DeepSeeks Kostenangaben möglicherweise frühere Forschung und Experimente nicht einschlössen. Dennoch: Die Fragilität der Bewertungen war demonstriert.

Warum liefern 95% der KI-Projekte keinen Return?

Eine MIT-Studie aus dem August 2025 mit dem Titel „The GenAI Divide: State of AI in Business 2025″ hat ernüchternde Ergebnisse geliefert. Trotz globaler Enterprise-Investitionen von 30 bis 40 Milliarden Euro in generative KI sehen 95% der Organisationen keinerlei messbaren Return auf ihre Initiativen.

Die Studie basiert auf 52 Führungskräfte-Interviews, Umfragen unter 153 Senior Leadern und der Analyse von 300 öffentlichen KI-Implementierungen. Das Ergebnis: Nur 5% der integrierten KI-Piloten extrahieren messbaren Profit-and-Loss-Impact.

Die Gründe für das Scheitern sind vielschichtig:

Fehlende Lernfähigkeit

Die meisten GenAI-Systeme können kein Feedback behalten, sich nicht an Kontexte anpassen und sich nicht kontinuierlich verbessern. Genau diese Fähigkeiten unterscheiden transformative KI von „teurerem Produktivitätstheater“.

Falscher Budgetfokus

Mehr als 50% der GenAI-Budgets fließen in Sales und Marketing, obwohl Back-Office-Automatisierung oft höhere Returns liefert. Erfolgreiche Implementierungen berichten von 1,8 bis 9,2 Millionen Euro jährlicher Einsparungen durch die Eliminierung von Business Process Outsourcing.

Build vs. Buy

Externe Partnerschaften erreichen eine Erfolgsquote von 66%, intern entwickelte Tools nur 33%. Dennoch verfolgen die meisten Organisationen teure interne Entwicklung.

Enterprise-Paradoxon

Große Unternehmen führen die meisten Piloten durch, konvertieren aber am wenigsten. Die durchschnittliche Zeit vom Pilot zur Produktion beträgt neun Monate bei Enterprises, aber nur 90 Tage bei mittelständischen Firmen.

Welche Rolle spielt der Energiehunger der KI?

Die Infrastrukturkosten der KI-Revolution werden oft unterschätzt. Rechenzentren für KI verbrauchen astronomische Mengen an Strom.

Nach Schätzungen der Internationalen Energieagentur wird der globale Stromverbrauch von Rechenzentren von etwa 415 Terawattstunden in 2024 auf rund 945 Terawattstunden bis 2030 steigen. Das entspricht fast 3% des weltweiten Stromverbrauchs.

In Virginia, dem weltweit größten Rechenzentrums-Markt, verbrauchten Rechenzentren bereits 2023 etwa 26% der gesamten Stromversorgung. Im PJM-Strommarkt, dem größten Netzbetreiber der USA, haben Rechenzentren zu einem geschätzten Preisanstieg von 8,6 Milliarden Euro für den Kapazitätsmarkt 2025/26 beigetragen.

Eine Studie der Carnegie Mellon University schätzt, dass Rechenzentren und Krypto-Mining zu einem 8%igen Anstieg der durchschnittlichen US-Stromrechnung bis 2030 führen könnten. In den am stärksten betroffenen Märkten wie Virginia könnte der Anstieg 25% übersteigen.

Die Trump-Administration und ein Konsortium von Gouverneuren nordöstlicher US-Bundesstaaten fordern bereits den größten Netzbetreiber PJM auf, die landesweiten Stromkostensteigerungen abzufedern. Tech-Giganten sollen für die steigenden Kosten durch ihre Rechenzentren aufkommen.

Wie unterscheidet sich die KI-Situation von der Dotcom-Blase?

Der Vergleich mit der Dotcom-Blase von 1999/2000 ist unvermeidlich, aber nicht ganz treffend.

Ähnlichkeiten

Beide Epochen kennzeichnet eine transformative Technologie, die die Fantasie von Investoren beflügelt. In beiden Fällen gibt es massive Kapitalzuflüsse, extreme Bewertungen und die Angst, etwas zu verpassen. Das Vendor-Financing und die zirkulären Finanzierungsstrukturen erinnern an die Praktiken von Lucent und Global Crossing.

Unterschiede

Die führenden KI-Unternehmen von heute sind profitabel oder haben bewährte Geschäftsmodelle. Nvidia, Microsoft, Google und Meta generieren echte Umsätze und Gewinne. Zur Dotcom-Zeit waren nur etwa 14% der Internet-Startups profitabel.

Die Bewertungen sind hoch, aber nicht so extrem. Der Technologiesektor handelt derzeit bei etwa dem 1,34-fachen des breiteren Aktienmarktes. Im Jahr 2000 lag dieses Verhältnis bei über dem Doppelten.

KI ist bereits breit im Einsatz. Laut McKinsey nutzen zwischen 70% und 78% der Unternehmen weltweit irgendeine Form von KI. Zum Vergleich: Um 2000 herum hatte das Internet nur etwa 361 Millionen Nutzer global, etwa 6% der Weltbevölkerung.

Strukturelle Risiken

Die Konzentrationsrisiken sind heute höher. Die zehn größten Aktien im S&P 500 machen etwa 40% des Index aus, ein Niveau, das seit den 1960er Jahren nicht mehr erreicht wurde. Ein KI-Ausverkauf würde den Index hart treffen.

Was bedeutet der Schwenk zu Werbung für die KI-Branche?

OpenAI hat im Januar 2026 angekündigt, Werbung in ChatGPT zu testen. Für Nutzer der kostenlosen und der günstigeren Go-Stufe werden in den USA Anzeigen am Ende von Antworten erscheinen.

Dieser Schritt offenbart die wirtschaftliche Realität. Das reine Abo-Modell kann die immensen Kosten der KI-Entwicklung nicht tragen. Nur etwa 5% der wöchentlich aktiven ChatGPT-Nutzer zahlen für Premium-Stufen.

Interne OpenAI-Dokumente projizieren, dass die „Monetarisierung kostenloser Nutzer“ im Jahr 2026 etwa 920 Millionen Euro generieren soll, wachsend auf rund 23 Milliarden Euro bis 2029. Diese Prognose setzt voraus, dass das Unternehmen erfolgreich etwa 8,5% seiner Nutzerbasis zu bezahlten Abonnements konvertiert, während es die übrigen 90% durch Werbung monetarisiert.

eMarketer prognostiziert, dass die KI-gestützten Werbeausgaben in den USA von etwa 1 Milliarde Euro in 2025 auf 24 Milliarden Euro bis 2029 steigen könnten. Google hat ebenfalls angekündigt, 2026 Werbung in Gemini einzuführen.

Die zentrale Frage: Kann OpenAI seine Nutzerbasis monetarisieren, ohne das Vertrauen zu zerstören, das ChatGPT populär gemacht hat? Wenn Nutzer beginnen zu vermuten, dass Antworten Werbeinteressen priorisieren, erodiert der Wettbewerbsvorteil der Plattform.

Wie positionieren sich Entscheider für beide Szenarien?

Die Datenlage legt nahe, dass weder vollständige Euphorie noch totaler Pessimismus angebracht sind. Entscheider sollten beide Szenarien einkalkulieren.

Bei fortgesetztem Wachstum

Unternehmen, die jetzt die richtigen KI-Anwendungsfälle identifizieren, können signifikante Wettbewerbsvorteile aufbauen. Die MIT-Studie zeigt: Die erfolgreichen 5% fokussieren sich auf einen konkreten Schmerzpunkt, setzen gut um und arbeiten strategisch mit Partnern zusammen.

Startups mit diesem Ansatz haben laut der Studie ihren Umsatz innerhalb eines Jahres von null auf 18 Millionen Euro gesteigert.

Bei einer Korrektur

Goldman Sachs schätzt, dass eine scharfe Korrektur 28 bis 37 Billionen Euro an Marktwert vom Nasdaq vernichten könnte. Diversifikation ist daher essentiell.

Howard Marks von Oaktree Capital formuliert es so: Er wisse nicht genug über KI, um eine Meinung zu äußern. Aber er wisse etwas über Schulden. Es sei in Ordnung, Fremdfinanzierung für Projekte mit unsicherem Ausgang zu liefern. Es sei nicht in Ordnung, wenn der Ausgang reine Spekulation ist.

Glossar: 15 wichtige Fachbegriffe zur KI-Blase

Circular Financing

Circular Financing (deutsch: Zirkuläre Finanzierung) bezeichnet Finanzierungsstrukturen, bei denen Gelder zwischen verbundenen Unternehmen im Kreis fließen. Im KI-Kontext investiert etwa Nvidia in OpenAI, das die Mittel für Nvidia-Chips verwendet. Kritiker sehen darin eine künstliche Aufblähung von Umsätzen.

Vendor Financing

Vendor Financing (deutsch: Lieferantenfinanzierung) beschreibt die Praxis, dass Hersteller ihren Kunden Kredite gewähren, um den Kauf eigener Produkte zu ermöglichen. Während dies in vielen Branchen üblich ist, kann exzessive Vendor-Finanzierung echte Nachfrage verschleiern.

Hyperscaler

Hyperscaler sind Unternehmen, die Recheninfrastruktur in extrem großem Maßstab betreiben oder betreiben müssen. Dazu gehören Microsoft, Google, Amazon und Meta. Sie investieren 2025 zusammen über 400 Milliarden Euro in KI-Infrastruktur.

Cash Burn Rate

Die Cash Burn Rate bezeichnet die Geschwindigkeit, mit der ein Unternehmen seine Barreserven verbraucht. OpenAIs Burn Rate von etwa 7 Milliarden Euro jährlich ist historisch beispiellos für ein Startup.

Annual Recurring Revenue (ARR)

ARR ist der annualisierte wiederkehrende Umsatz aus Abonnements und Verträgen. Diese Kennzahl ist für SaaS- und KI-Unternehmen besonders relevant, da sie die Stabilität des Geschäftsmodells anzeigt.

P/E Ratio

Das Price-to-Earnings-Ratio (Kurs-Gewinn-Verhältnis) setzt den Aktienkurs ins Verhältnis zum Gewinn pro Aktie. Die Magnificent Seven handeln derzeit bei einem Forward-P/E von etwa 38x, höher als die Dotcom-Spitzenwerte von 30x.

Inference

Inference bezeichnet die Anwendung trainierter KI-Modelle auf neue Daten, also das eigentliche „Arbeiten“ der KI. Die Kosten für Inference sind ein wesentlicher Faktor für die Profitabilität von KI-Unternehmen.

GenAI Divide

Der GenAI Divide beschreibt die Kluft zwischen hoher KI-Adoption und niedriger Transformation. Obwohl 80% der Organisationen KI-Tools pilotieren, extrahieren nur 5% messbaren Geschäftswert.

Terawattstunde (TWh)

Eine Terawattstunde entspricht einer Billion Wattstunden. Der globale Rechenzentrumsverbrauch von etwa 415 TWh entspricht grob dem Stromverbrauch eines mittelgroßen Landes.

Power Usage Effectiveness (PUE)

PUE misst die Energieeffizienz von Rechenzentren. Ein Wert von 1,0 wäre perfekt effizient. Moderne Rechenzentren erreichen durchschnittlich 1,55, wobei Kühlung einen Großteil des Mehrverbrauchs ausmacht.

Special Purpose Vehicle (SPV)

Ein SPV ist eine Zweckgesellschaft, die für spezifische Investitionen gegründet wird. Im KI-Kontext nutzen Unternehmen wie Meta SPVs, um Rechenzentrumsschulden von ihren Bilanzen fernzuhalten.

Round-Tripping

Round-Tripping bezeichnet die Praxis, Geld zwischen Unternehmen hin und her zu transferieren, um Umsätze künstlich aufzublähen. Im Gegensatz zu legitimer Vendor-Finanzierung fehlt beim Round-Tripping oft eine klare wirtschaftliche Substanz.

Shadow AI

Shadow AI beschreibt die Nutzung nicht genehmigter KI-Tools durch Mitarbeiter. Die MIT-Studie fand, dass über 90% der Beschäftigten täglich persönliche KI-Tools für Arbeitsaufgaben nutzen, oft mit besseren Ergebnissen als offizielle Unternehmenstools.

Constitutional AI

Constitutional AI ist Anthropics Ansatz zur KI-Sicherheit, bei dem Modelle nach ethischen Prinzipien trainiert werden. Dieser Fokus auf Zuverlässigkeit und Kontrollierbarkeit macht Anthropic besonders für Enterprise-Kunden attraktiv.

GPU-Backed Debt

GPU-Backed Debt bezeichnet Kredite, die durch Grafikprozessoren besichert sind. CoreWeave allein trägt über 9,6 Milliarden Euro an solchen Schulden. Das Risiko: Bei sinkender GPU-Nachfrage verliert das Collateral an Wert.

FAQ