„(Noch) keine Blase“ – Eine Diskussion über künstliche Intelligenz (KI)

Im Gespräch mit Allison Nathan argumentieren sie, dass zwar einige Merkmale der aktuellen Situation mit früheren Blasen übereinstimmen, dass wir uns heute jedoch (noch) nicht in einer KI-Blase befinden.

In unserem Gespräch im Juni 2024 haben Sie beschrieben, dass sich die Entwicklungszyklen in der Computerbranche in der Regel nach einem „IPA“-Schema vollziehen – zuerst die Infrastruktur, dann die Plattformen und zuletzt die Anwendungen. Damals befand sich die KI noch in der Infrastrukturphase. Wo steht sie heute, und wie sieht es im Vergleich zu den Erwartungen aus?

Eric Sheridan: Der Aufbau der KI-Infrastruktur ist noch in vollem Gange, wobei die Höhe des Kapitals und der Ausgaben überraschend hoch ist, da die Nachfrage nach Rechenleistung weiterhin die Fähigkeit von Nvidia übersteigt, die dafür erforderlichen Chips bereitzustellen.

Daher waren die Modellunternehmen, einschließlich der Hyperscaler, nicht in der Lage, die Inferenz – den Prozess, bei dem ein trainiertes KI-Modell sein Wissen auf neue Daten anwendet – zu skalieren und weitere Produkte auf den Markt zu bringen. Auf der Plattformebene sind einige wenige Unternehmen mit dem erforderlichen Kapital und Talent von der reinen Ausführung grundlegender Modelle zum Aufbau von API-Lösungen (Application Programming Interface) oder Anwendungen auf deren Grundlage übergegangen.

Auf der Anwendungsebene sind mehr Verbraucheranwendungen entstanden, vor allem durch die Nutzung von ChatGPT von OpenAI und Gemini von Google, obwohl eine signifikante Monetarisierung nach wie vor schwer zu erreichen ist, da die meisten Verbraucher heute die kostenlosen Versionen dieser Anwendungen nutzen.

Kash Rangan: Der Ausbau der Infrastruktur hat sicherlich viel länger gedauert als erwartet, da immer mehr grundlegende Modelle entstanden sind. Vor drei Jahren gab es nur ChatGPT. Heute konkurrieren sechs große grundlegende Modelle um die Vorherrschaft als Modell der Zukunft: ChatGPT, Gemini, Claude von Anthropic, Phi von Microsoft, die Modelle von Mistral und Grok von xAI. Die Modelle sind sehr ressourcenhungrig, da sie trainiert werden müssen, was zu einer erheblichen Nachfrage nach Rechenleistung führt.

Diese Aktivität beginnt sich jedoch auch auf die Plattformebene auszuwirken. Databricks, Snowflake und MongoDB – Plattformunternehmen, die Lösungen für die Datenverwaltung und -speicherung für Unternehmen anbieten – verzeichnen alle ein beschleunigtes Umsatzwachstum, das zum Teil auf KI zurückzuführen ist. Die Data Cloud von Salesforce, eine weitere KI-fähige Plattform, ist ein fast eine Milliarde US-Dollar schweres Unternehmen mit einer Wachstumsrate von 100 Prozent. Die Plattformschicht befindet sich also heute in einer deutlich besseren Position als bei unserem letzten Gespräch.

Die Anwendungsschicht für Unternehmen ist jedoch enttäuschend. Zwar zeigen KI-Anwendungen für Unternehmen erste Lebenszeichen – so erzielen beispielsweise die Softwareunternehmen Workday, Adobe, ServiceNow, Salesforce und das Programmierunternehmen Cursor jeweils einen KI-Umsatz von über 100 Millionen US-Dollar oder erwarten einen solchen –, doch liegen die Umsatzzahlen weit unter meinen Erwartungen von vor ein bis zwei Jahren.

Was ist der Grund für diese Enttäuschung?

Eric Sheridan: Die meisten Computerzyklen werden zuerst auf Verbraucherebene eingeführt. Das iPhone ist ein gutes Beispiel dafür: Verbraucher besaßen iPhones schon lange, bevor sie am Arbeitsplatz eingesetzt wurden. Blackberries blieben in der Unternehmenswelt noch einige Zeit nach der Einführung des iPhones allgegenwärtig, da die Verbraucher ihr bevorzugtes Gerät unabhängig von Unternehmensbudgets, Compliance- und regulatorischen Erwägungen auswählten.

Der Anwendungszyklus der KI verläuft ähnlich: Unternehmen versuchen, innerhalb ihrer bestehenden IT-Budgets zu arbeiten, die Akzeptanz ihrer Mitarbeiter zu gewinnen und/oder Produkte zu entwickeln, die ihre Kunden gerne einsetzen würden. All das könnte jedoch ihre eigenen Arbeitsabläufe stören, was zu einer relativ langsamen Einführung in Unternehmen geführt hat. Verbraucher stoßen auf keine solchen Hindernisse, sodass die Einführung bei Verbrauchern schneller voranschreitet.

Ist angesichts dieser Enttäuschungen die nach wie vor enorme Höhe der Ausgaben für KI ein Grund zur Sorge?

Kash Rangan: Im US-Kapitalsystem herrscht eine gewisse Zuversicht, dass KI, wenn wir sie richtig einsetzen, Wunder für die Produktivität, für wissenschaftliche Entdeckungen usw. bewirken wird. Daher ist das System der Meinung, dass es sich lohnt, ein solch großes Kapitalrisiko einzugehen. Wenn sich dies als wahr erweist, werden wir alle massiv davon profitieren. Das bedeutet jedoch nicht, dass es auf diesem Weg keine Schwierigkeiten geben wird.

Die massiven Investitionen in Glasfasernetzwerke Ende der 1990er Jahre führten zu einer Blase. Aber diese Kapazität ermöglichte das Aufblühen des Internets, wodurch letztendlich alle besser dastanden. Unternehmen investieren erneut massiv in Kapazitäten, diesmal in Form von KI-Chips, Rechenzentren usw. Der Großteil dieses Kapitals stammt aus den Cashflows von Hyperscalern. Und genau das könnte letztendlich die Rettung sein.

Eric Sheridan: Der deutliche Anstieg der KI-Ausgaben hat sicherlich viele Investoren dazu veranlasst, den potenziellen Return on Investment (ROI) in Frage zu stellen. Die meisten Investoren, mit denen wir sprechen, scheinen Schwierigkeiten zu haben, das Renditeprofil der von Nvidia geschätzten kumulierten KI-Ausgaben in Höhe von 3 bis 4 Billionen US-Dollar bis zum Ende des Jahrzehnts zu rechtfertigen, es sei denn, die KI hält ihre enormen wirtschaftlichen und gesellschaftlichen Versprechen.

Zugegebenermaßen verlaufen Investitionszyklen manchmal auf unvorhersehbare Weise. In den 1990er Jahren befürchtete man einen Überhang von Desktop-Computern, als Netzwerk- und Netzwerkausrüstungsunternehmen aggressiv expandierten, um vom PC-Boom zu profitieren. Doch dann kamen Netflix und die Browser- und Portal-Kriege, die zu einem starken Anstieg der Desktop-Nutzung führten. Und als mit dem Ausbau des Frequenzspektrums und der Mobilfunkmasten begonnen wurde, hätte niemand gedacht, dass eines Tages drei Milliarden Menschen leistungsstarke Smartphones besitzen würden. KI könnte also unsere kühnsten Erwartungen übertreffen, aber der Endzustand bleibt schwer vorhersehbar.

Aber ich werde ganz offen sagen, dass wir, wenn die Ausgaben weiter steigen, Schwierigkeiten haben werden, die Frage nach der Kapitalrendite auf der Grundlage unseres heutigen Wissens zu beantworten. In jedem Investitionszyklus, den ich jemals analysiert habe, hat dies letztendlich zu einer Phase der Ernüchterung geführt. Ich wäre schockiert, wenn wir diesmal davon verschont blieben. Darüber hinaus erzielen in jedem Technologiezyklus in der Regel nur zwei bis drei Unternehmen derselben Branche eine überdurchschnittliche Rendite auf ihre Kapitalkosten. Und auch hier sehe ich keinen Grund, warum der KI-Zyklus anders verlaufen sollte.

Befinden wir uns also heute, insbesondere angesichts der hohen Bewertungen von KI-exponierten Unternehmen, in einer KI-Blase?

Eric Sheridan: Ich möchte nicht leichtfertig klingen, aber in den letzten drei Jahren wurde mehr über eine KI-Blase gesprochen als über die Dot.com- und Immobilienblasen zu ihrer Zeit.

Es stimmt, dass einige Merkmale der aktuellen Situation mit früheren Blasen übereinstimmen. Die Bewertungen auf dem privaten Markt liegen deutlich über denen auf dem öffentlichen Markt. Private Unternehmen werden überwiegend anhand ihres Umsatzes und ihres Umsatzwachstums bewertet, wobei Gewinne und Margen offenbar weniger im Fokus stehen. Öffentliche Unternehmen hingegen werden nach wie vor anhand des freien Cashflows, der Kapitalrendite, der Margen und ihrer Entwicklung im Vergleich zum Markt bewertet. Der private und der öffentliche Markt verwenden also zwei diametral unterschiedliche Bewertungsrahmen, und die Geschichte zeigt, dass eine zunehmende Diskrepanz zwischen beiden auf Risiken im System hindeuten kann.

Natürlich liegen auch die Bewertungen an den öffentlichen Märkten über den historischen Normwerten. Aber sie liegen immer noch unter ihrem Höchststand von 2000. Auch die Kapitalmarktaktivität liegt deutlich unter dem Niveau von 1998/99 und 2007/08, wobei die durchschnittlichen Transaktionen heute viel größer sind, was auf einen selektiveren IPO-Markt hindeutet.

Das ist aber wohl ein Argument der Dauer – KI ist vielleicht einfach noch keine Blase. Aber 1999 waren es gerade die Unternehmen ohne Umsatz, die die höchsten Bewertungen erzielten. Heute generieren die meisten der „Magnificent 7“ – die mit einem Gesamt-KGV von 31 gegenüber 23 für den Markt gehandelt werden, wobei Alphabet und Meta nur geringfügig über dem Marktmultiplikator liegen – überdurchschnittlich hohe freie Cashflows und betreiben Aktienrückkäufe und zahlen Dividenden, was 1999 nur sehr wenige Unternehmen taten.

Kash Rangan: Ich sehe in meinem Coverage-Universum keine Blase. Viele Softwareaktien werden aufgrund von Befürchtungen, dass KI ihre Endmärkte stören könnte, sei es durch den Verlust von Arbeitsplätzen oder durch die Möglichkeit, Software wesentlich kostengünstiger zu schreiben, mit niedrigeren Bewertungen gehandelt, was den Wettbewerb im Bereich der Anwendungssoftware verstärken würde. Auf der Plattformebene werden Unternehmen wie Datadog, Snowflake und MongoDB zu akzeptableren – insofern nicht überhöhten – Bewertungen gehandelt, die im Allgemeinen mit ihren starken Finanzergebnissen übereinstimmen. Oracle ist die einzige Ausnahme von dieser These – seine Aktie erlebte kürzlich einen deutlichen Anstieg, obwohl es keine wirklichen Gewinne oder freie Kapitalunterstützung gab.

Allerdings ist Oracle Teil einer größeren Entwicklung im Bereich der KI, die es zu beobachten gilt: das Entstehen eines durch Schulden angetriebenen Kapitalzyklus. Wie bereits erwähnt, stammt der Großteil des Kapitals, das zur Finanzierung von KI-Projekten eingesetzt wird, bislang von Hyperscalern, die Cashflows aus ihrem Kerngeschäft nutzen. Mittlerweile werden Unternehmen jedoch zu 80 Prozent mit Fremdkapital und zu 20 Prozent mit Eigenkapital finanziert, wobei der Eigenkapitalanteil häufig durch Sicherheiten des Sponsors gedeckt ist. Oracle hat kürzlich eine Anleihe im Wert von 18 Milliarden US-Dollar verkauft, um seine KI-Ambitionen zu finanzieren, und auch Nicht-Hyperscaler wie CoreWeave haben sich umfangreiche Fremdfinanzierungen gesichert.

Damit beginnt sich im System eine Hebelwirkung abzuzeichnen, die es umso wichtiger macht, dass die Unternehmen, die den Kapitalbedarf vorantreiben, ihre Umsatz- und Ertragsziele erreichen.

Befürchten Sie, dass dies ein Kartenhaus ist, wenn Nvidia in OpenAI investiert, OpenAI sich verpflichtet, für Rechenleistung von Oracle auszugeben, Oracle Nvidia-Chips kauft usw.?

Eric Sheridan: Diese Zirkularität macht mich tatsächlich nervös. Dies ist ein weiteres Beispiel dafür, dass die aktuelle Situation Parallelen zur Dot.com-Blase aufweist. Ich habe meine Karriere als Telekommunikationsanalyst und Investor in den späten 1990er/frühen 2000er Jahren begonnen – der Ära von Global Crossing, Level 3 Communications und Qwest. Diese Unternehmen handelten untereinander mit Kapazitäten, wobei die Einnahmen eines Unternehmens die Kapazitäten eines anderen Unternehmens darstellten.

Das gesamte Kartenhaus brach zusammen, als die Schuldenlast zu hoch wurde. Als die Einnahmen schließlich entwirrt wurden, waren sie bei weitem nicht so hoch, wie man angenommen hatte. Obwohl die Kapazitäten schließlich Mitte der 2000er Jahre absorbiert wurden, waren die Renditen für viele Anleger je nach Einstiegspunkt über einen sehr langen Zeitraum hinweg recht niedrig. Wenn also Unternehmen beginnen, in andere Unternehmen zu investieren, Lieferanten beginnen, in Kapazitätsanbieter zu investieren, und sich Schulden anhäufen, ist eine gewisse Vorsicht geboten.

Was beobachten Sie, das Sie weniger optimistisch hinsichtlich der KI-Investitionsthese machen könnte?

Eric Sheridan: Ich beobachte weiterhin die Nutzbarkeit, Akzeptanz, Monetarisierung und freien Cashflows. Letztendlich wäre es schwierig, die Investmentthese weiter zu vertreten, wenn Unternehmen Ausgaben tätigen, die ihre freie Cashflowgenerierung ernsthaft gefährden, was einen Wendepunkt auf dem Markt darstellen könnte. Daher werde ich auf Anzeichen dafür achten, dass Unternehmen Dividenden kürzen, Rückkäufe reduzieren oder Schulden anhäufen.

Kash Rangan: Wie bereits besprochen, werde ich die Entwicklung des schuldenfinanzierten Kreditzyklus genau beobachten. Wenn der Zyklus nicht mitspielt, hätte dies Auswirkungen auf das gesamte Technologie-Ökosystem. Und wenn etwas mit der KI schiefgeht, wären Anwendungssoftwareunternehmen eine gute Absicherung, da sie unter dem Druck der KI stehen. Wenn die KI ihr disruptives Potenzial nicht ausschöpft, könnten diese Unternehmen davon profitieren.

Dieser Artikel wird ausschließlich zu Informationszwecken zur Verfügung gestellt. Die in diesem Artikel enthaltenen Informationen stellen keine Empfehlung einer Goldman Sachs-Einheit für den Empfänger dar, und Goldman Sachs erteilt weder durch diesen Artikel noch für den Empfänger eine Finanz-, Wirtschafts-, Rechts-, Anlage-, Buchhaltungs- oder Steuerberatung. Weder Goldman Sachs noch eines seiner verbundenen Unternehmen gibt eine ausdrückliche oder stillschweigende Zusicherung oder Garantie für die Richtigkeit oder Vollständigkeit der in diesem Artikel enthaltenen Aussagen oder Informationen, und jegliche Haftung (einschließlich in Bezug auf direkte, indirekte oder Folgeschäden) wird ausdrücklich abgelehnt.

Quelle: Das komplette Interview wurde am 22. Oktober 2025 von Goldman Sachs Global Investment Research in einer Publikation mit dem Titel „Top Of Mind – AI: In a Bubble?“ veröffentlicht, die im Bereich Insights auf www.goldmansachs.com verfügbar ist. Bitte beachten Sie, dass die darin getroffenen Aussagen keine Anlageempfehlungen darstellen.

Bitte beachten Sie unsere Hinweise zu Risiko, Haftungsausschluss und Impressum, die Sie hier finden.