Die Branche der Künstlichen Intelligenz hat einen seltsamen Punkt erreicht.
Die Technologie verbessert sich schnell. Immer mehr Menschen nutzen KI bei der Arbeit, Unternehmen experimentieren mit Automatisierung, und fast jede Woche erscheinen neue Modelle. Gleichzeitig ist das Ausmaß der investierten Gelder kaum noch zu begreifen.
KI-Unternehmen sammeln Milliarden Dollar ein. Technologiekonzerne bauen Rechenzentren, die so viel Strom verbrauchen wie kleine Städte. Private Unternehmen, die weiterhin Verluste machen, erhalten Bewertungen, die noch vor wenigen Jahren absurd gewirkt hätten.
Es überrascht nicht, dass Menschen fragen, ob KI zu einer Finanzblase geworden ist.
Ein aktuelles Argument, das online kursiert, behauptet, die amerikanische KI-Branche habe bereits Billionen Dollar an Schulden angehäuft und müsse jedes Jahr Millionen von Büroangestellten ersetzen, nur um ihre Zinszahlungen zu decken.
Die grundsätzliche Sorge verdient es, ernst genommen zu werden. Die Rechnung dahinter nicht.
Es könnte eine KI-Blase geben, aber es ist wichtig zu verstehen, wo die tatsächlichen Risiken liegen.
Die Billionen-Zahl wird missbraucht
Eine der dramatischsten Behauptungen lautet, dass bereits zwischen 3 Billionen und 4 Billionen US-Dollar in die amerikanische KI-Branche investiert wurden, größtenteils mit geliehenem Geld.
Es gibt kaum Belege, die diese Interpretation stützen.
Der Stanford AI Index schätzte, dass private KI-Investitionen in den Vereinigten Staaten 2025 etwa 285,9 Milliarden US-Dollar erreichten. Das ist eine außergewöhnliche Summe, aber sie liegt bei weitem nicht bei 3 Billionen US-Dollar.
Die deutlich größere Zahl scheint aus Prognosen zu den weltweiten Ausgaben für KI-Infrastruktur über mehrere Jahre zu stammen.
Morgan Stanley schätzte zum Beispiel, dass bis 2028 weltweit fast 3 Billionen US-Dollar in KI-Infrastruktur investiert werden könnten. Der Großteil dieses Geldes war zum Zeitpunkt der Veröffentlichung der Schätzung noch nicht ausgegeben.
Eine Prognose künftiger Investitionen ist nicht dasselbe wie bestehende Schulden.
Die Schätzung umfasst außerdem mehr als nur die Unternehmen, die KI-Modelle entwickeln. Sie deckt Rechenzentren, Computerchips, Strominfrastruktur, Netzwerktechnik, Bauleistungen und andere Teile der KI-Lieferkette ab.
Es ist daher irreführend, den gesamten Betrag als von Unternehmen wie OpenAI und Anthropic geliehenes Geld zu bezeichnen.
KI muss nicht 10 Millionen Arbeitskräfte ersetzen
Das Argument geht meist mit einer einfachen Rechnung weiter.
Wenn die Branche rund 2,5 Billionen US-Dollar Schulden hat und 4% Zinsen zahlt, bräuchte sie etwa 100 Milliarden US-Dollar pro Jahr, nur um die Zinsen zu bedienen. Bei einer Gewinnmarge von 10% bräuchte sie 1 Billion US-Dollar Umsatz.
Daraus folgt die Behauptung, KI müsse jedes Jahr etwa 10 Millionen Büroangestellte ersetzen.
Die Mathematik stimmt. Die Annahmen nicht.
Es gibt keine verlässlichen Belege dafür, dass KI-Unternehmen zusammen 2 Billionen oder 3 Billionen US-Dollar an ausstehenden Unternehmensschulden haben.
Die Rechnung behandelt die KI-Branche außerdem so, als wäre sie ein einziges hoch verschuldetes Unternehmen ohne andere Geschäftsbereiche oder Einnahmequellen.
Ein großer Teil der aktuellen Infrastruktur wird von Microsoft, Amazon, Alphabet, Meta und Oracle gebaut. Diese Unternehmen erzielen bereits erhebliche Umsätze mit Cloud-Services, Werbung, Software, Einzelhandel, Datenbanken und Abonnements.
Microsoft muss nicht jedes neue Rechenzentrum ausschließlich dadurch finanzieren, dass Beschäftigte ihren Job an Copilot verlieren. Amazon muss nicht jeden Dollar, den AWS erwirtschaftet, als separaten KI-Umsatz ausweisen, bevor es seine Schulden zurückzahlen kann.
Wichtiger noch: KI kann finanziellen Wert schaffen, ohne einen Arbeitsplatz zu eliminieren.
Ein Unternehmen kann KI nutzen, um Kundenfragen schneller zu beantworten, mit demselben Team mehr Software zu entwickeln, Betrug zu erkennen, Werbung zu verbessern, Inhalte zu übersetzen oder die Zeit zu reduzieren, die für die Analyse von Dokumenten benötigt wird.
Die Mitarbeiterin oder der Mitarbeiter kann im Unternehmen bleiben und dabei mehr leisten.
Es ist daher falsch anzunehmen, dass die einzige mögliche Rendite von KI-Investitionen aus dem Ersetzen von Gehältern stammt.
Das tatsächliche finanzielle Risiko ist weiterhin ernst
Dass die viral verbreitete Schuldenrechnung falsch ist, bedeutet nicht, dass der KI-Markt gesund ist.
Die realen Zahlen sind bereits groß genug, um Anlass zur Sorge zu geben.
OpenAI, Anthropic und andere Modellentwickler nehmen enorme Mengen Kapital auf und geben gleichzeitig weiterhin viel für Training, Forschung und Recheninfrastruktur aus.
Gleichzeitig investieren Microsoft, Amazon, Alphabet und Meta jedes Quartal zig Milliarden US-Dollar in Rechenzentren und die dazugehörige Ausstattung.
Diese Investitionen beruhen auf einer zentralen Annahme: Die Nachfrage nach KI-Diensten wird schnell genug weiter wachsen, um die heute gebaute Infrastruktur zu rechtfertigen.
Das kann passieren. Garantiert ist es nicht.
Rechenzentren sind teuer in Bau und Betrieb. Sie benötigen Chips, Strom, Wasser, Kühlsysteme und Zugang zum Stromnetz. Die Hardware darin kann überraschend schnell veralten.
Wenn sich die Effizienz von Modellen schneller verbessert als erwartet, könnten Unternehmen weniger Rechenkapazität benötigen, als aktuelle Prognosen nahelegen. Wenn Unternehmen entscheiden, dass KI-Tools keine ausreichende Rendite liefern, könnte ein Teil der neuen Infrastruktur unterausgelastet bleiben.
Hier beginnt das stärkste Blasenargument.
Das Problem ist nicht, dass die KI-Branche nächstes Jahr eine bestimmte Zahl von Arbeitskräften ersetzen muss. Das Problem ist, dass Unternehmen heute enorme Summen ausgeben, basierend auf Gewinnen, die möglicherweise erst in einigen Jahren entstehen.
Verlieren KI-Unternehmen bei jeder Anfrage Geld?
Eine weitere verbreitete Behauptung lautet, OpenAI und Anthropic würden jedes Mal Geld verlieren, wenn jemand einen Prompt an eines ihrer Modelle sendet.
Das ist bei bestimmten Abos oder extrem intensiven Nutzern möglich, wurde aber nicht als allgemeine Regel belegt.
Es gibt einen wichtigen Unterschied zwischen Verlusten bei einer einzelnen Anfrage und Verlusten auf Unternehmensebene.
Eine API-Anfrage kann für mehr als die direkten Kosten des Modellbetriebs verkauft werden. Das Unternehmen kann dennoch hohe Verluste ausweisen, nachdem es Forschung, Modelltraining, Engineering-Gehälter, Vertrieb, Marketing und künftige Infrastruktur bezahlt hat.
Mit anderen Worten: Ein KI-Dienst kann eine positive Bruttomarge haben, während das Unternehmen dahinter weiterhin tief in den roten Zahlen steckt.
Die sinnvollere Frage ist nicht, ob jede Anfrage Geld verliert. Sondern ob die aktuellen Einnahmen irgendwann die außergewöhnlichen Kosten für Entwicklung und Betrieb der nächsten Modellgenerationen tragen können.
Für viele führende KI-Unternehmen ist die Antwort darauf noch nicht klar.
Chinesische Modelle verändern die Ökonomie
Die schnelle Verbesserung chinesischer und Open-Weight-Modelle könnte für amerikanische KI-Unternehmen ein noch größeres Problem sein als ihre operativen Verluste.
Vor ein paar Jahren schien es möglich, dass eine kleine Zahl von US-Unternehmen die leistungsfähigsten Modelle kontrollieren würde. Sie hatten Zugang zu fortschrittlichen Chips, großen Rechenzentren und Milliarden an Finanzierung.
Dieser Vorteil ist weiterhin relevant, aber die Lücke ist kleiner geworden.
Chinesische Entwickler haben Modelle veröffentlicht, die bei Programmierung, Schlussfolgern und agentenbasierten Aufgaben konkurrenzfähig sind, oft zu deutlich niedrigeren Preisen.
Viele dieser Modelle können außerdem heruntergeladen und auf privater Infrastruktur betrieben werden. Sie werden oft als Open Source bezeichnet, obwohl Open Weight meist der treffendere Begriff ist. Die Modellgewichte können verfügbar sein, während Trainingsdaten und der vollständige Entwicklungsprozess privat bleiben.
Ihre wachsende Beliebtheit schafft ein ernstes Preisproblem für Unternehmen wie OpenAI und Anthropic.
Wenn Kunden ähnliche Ergebnisse mit einem günstigeren Modell erzielen können, kann der teure Anbieter seine Preise nicht einfach jedes Mal erhöhen, wenn er mehr Umsatz braucht.
Daten von OpenRouter zeigen einen starken Anstieg der Nutzung chinesischer Modelle unter Entwicklern, die die Plattform verwenden. Das bedeutet nicht, dass chinesische Modelle bereits den Großteil des gesamten US-Marktes kontrollieren. OpenRouter bildet nur einen Teil des KI-Ökosystems ab.
Es zeigt jedoch, dass Entwickler bereit sind, Modelle zu wechseln, wenn der Unterschied bei Preis oder Leistung attraktiv wird.
Das macht es schwieriger für einen einzelnen Anbieter, ein dauerhaftes Monopol aufzubauen.
Lokale KI wird besser, aber sie ist nicht kostenlos
Der gleiche Wettbewerbsdruck kommt von Modellen, die auf lokalen Computern und privaten Servern laufen können.
Lokale Modelle bieten klare Vorteile. Daten können im Unternehmen bleiben, das System kann ohne Internetverbindung funktionieren, und Nutzer sind nicht von Preisen oder Richtlinien eines externen Anbieters abhängig.
Für gängige Aufgaben kann ein kleineres lokales Modell ausreichend gut sein.
Das könnte die Zahl der Menschen reduzieren, die bereit sind, für Premium-KI-Abos zu zahlen.
Trotzdem ist lokale KI nicht in jeder Situation automatisch günstiger. Ein Unternehmen muss Hardware kaufen, Strom bezahlen, das System warten, Updates installieren und die Sicherheit überwachen.
Kleinere Modelle können außerdem mehr Korrekturen erfordern oder bei komplexer Arbeit weniger zuverlässig sein.
Das wahrscheinlichste Ergebnis ist ein gemischter Markt.
Routineaufgaben könnten von lokalen oder günstigen Modellen erledigt werden. Schwierige Probleme könnten an leistungsfähigere Cloud-Systeme gehen. Traditionelle Software wird weiterhin vorhersehbare Prozesse abwickeln, während Menschen für Entscheidungen verantwortlich bleiben, bei denen Fehler teuer sind.
Das würde einen großen KI-Markt schaffen, aber nicht unbedingt einen mit extrem hohen Margen für die Unternehmen, die die zugrunde liegenden Modelle bauen.
Die Produktivität hat den Hype nicht erreicht
Die wichtigste Frage ist, ob KI genug Produktivität schafft, um die ausgegebenen Gelder zu rechtfertigen.
Die bisherigen Belege sind gemischt.
Eine Studie mit mehr als 5.000 Mitarbeitenden im Kundensupport ergab, dass der Zugang zu einem generativen KI-Assistenten die Produktivität im Durchschnitt um etwa 14% erhöhte.
Die größten Vorteile zeigten sich bei weniger erfahrenen Beschäftigten. KI half ihnen, auf Wissen und Techniken zuzugreifen, die erfahrenere Kolleginnen und Kollegen im Laufe der Zeit gelernt hatten.
Das ist ein aussagekräftiges Ergebnis.
Andere Forschung war weniger ermutigend.
In einer von METR durchgeführten Studie erledigten erfahrene Open-Source-Entwickler bestimmte Aufgaben langsamer, wenn sie KI-Tools nutzten. Die Entwickler glaubten, die Tools würden ihnen helfen, aber die gemessenen Ergebnisse zeigten, dass sie länger brauchten.
Der Unterschied könnte an der Art der Arbeit liegen, die ausgeführt wird.
KI ist oft nützlich, wenn eine Aufgabe das Entwerfen, Zusammenfassen oder Anwenden vertrauter Muster umfasst. Weniger nützlich kann sie werden, wenn eine Expertin oder ein Experte in einem komplexen System arbeitet und Vorschläge sorgfältig prüfen muss, die fast richtig sind.
Die beim Schreiben von Code eingesparte Zeit kann leicht verloren gehen, wenn man einen subtilen Fehler sucht.
Das hilft zu erklären, warum KI-Demos spektakulär wirken können, während echte Rollouts in Unternehmen langsamer vorankommen.
Eine Demo zeigt meist das beste Ergebnis unter kontrollierten Bedingungen. Ein Produktivsystem muss mit unvollständigen Informationen, ungewöhnlichen Kunden, Datenschutzregeln, Sicherheitsrisiken und rechtlicher Verantwortung umgehen.
Ein Tool, das zu 95% der Zeit korrekt ist, kann in einem Video beeindruckend und in einer Bank inakzeptabel sein.
Warum Unternehmen KI-Kundendienstsysteme zurückziehen
Eine Umfrage von Sinch aus dem Jahr 2026 ergab, dass 74% der befragten Organisationen nach dem Start mindestens einen KI-Agenten für Kundenkommunikation zurückgezogen oder abgeschaltet hatten.
Diese Zahl klingt katastrophal, braucht aber Kontext.
Sie bedeutet nicht, dass 74% aller KI-Agenten gescheitert sind oder dass die meisten Unternehmen KI aufgegeben haben. Sie bedeutet, dass viele Organisationen bei mindestens einem Einsatz Probleme festgestellt und entschieden haben, ihn zu stoppen, neu zu gestalten oder zu ersetzen.
Der Befund ist dennoch wichtig.
Kundenservice sollte eigentlich zu den am einfachsten zu automatisierenden Bereichen gehören. Gespräche sind oft repetitiv, Unternehmen besitzen bereits große Datenbanken mit Antworten, und die Kosten für menschlichen Support sind erheblich.
Doch echte Kunden stellen nicht immer vorhersehbare Fragen. Sie können unvollständige Informationen liefern, Richtlinien missverstehen oder Situationen erleben, die in den Trainingsbeispielen nicht vorkommen.
Ein KI-Agent kann auch Zusagen machen, die das Unternehmen nicht einhalten kann, private Informationen preisgeben oder einen ohnehin frustrierten Kunden wiederholt missverstehen.
Diese Fehlschläge beweisen nicht, dass Kundenservice niemals automatisiert wird. Sie zeigen, dass zuverlässige Automatisierung mehr Tests, Aufsicht und menschliche Beteiligung erfordert, als viele Unternehmen erwartet haben.
Staatliche Unterstützung wirft unangenehme Fragen auf
KI-Unternehmen haben außerdem Regierungen gebeten, Investitionen in Energie, Halbleiterproduktion und Rechenzentrumsinfrastruktur zu unterstützen.
Das wurde von einigen Kritikern als Bitte um eine Rettungsaktion beschrieben.
Diese Beschreibung ist zu simpel.
Regierungen nutzen regelmäßig Steueranreize, Kreditgarantien, Beschaffungsverträge und Infrastrukturprogramme, um Branchen zu unterstützen, die sie für strategisch wichtig halten.
Die Halbleiterindustrie, erneuerbare Energien, Luftfahrt und Verkehr haben alle von ähnlichen Maßnahmen profitiert.
Die relevantere Frage ist, wer das Risiko trägt.
Wenn private Investoren die Gewinne erhalten, wenn die Nachfrage stark ist, sollten Steuerzahler dann einen Teil des Verlusts tragen, wenn die Infrastruktur unwirtschaftlich wird?
KI könnte strategisch wichtig genug sein, um öffentliche Investitionen zu rechtfertigen. Das bedeutet nicht, dass jedes private Projekt vor dem Scheitern geschützt werden sollte.
Bitten um staatliche Unterstützung sind kein Beweis dafür, dass die KI-Branche kurz vor dem Zusammenbruch steht. Sie deuten jedoch darauf hin, dass die geplante Expansion zu groß sein könnte, um sie allein mit privatem Kapital bequem zu finanzieren.
Der Dotcom-Vergleich ergibt Sinn
Der hilfreichste Vergleich ist wahrscheinlich der Internetboom der 1990er Jahre.
Investoren hatten recht damit, dass das Internet Wirtschaft und Gesellschaft verändern würde. Sie lagen oft falsch damit, wie schnell Gewinne entstehen würden, welche Unternehmen überleben würden und wie viel diese Unternehmen wert waren.
Das Ergebnis war eine Finanzblase rund um eine tatsächlich revolutionäre Technologie.
KI könnte einen ähnlichen Weg gehen.
Die Technologie könnte die Produktivität steigern, neue Produkte schaffen und Teil der täglichen Arbeit werden. Gleichzeitig könnten viele KI-Unternehmen dramatisch überbewertet sein. Einige Anbieter könnten verschwinden. Modellpreise könnten fallen. Rechenzentren könnten unter Baukosten verkauft werden. Investoren könnten feststellen, dass die größten Gewinne von Unternehmen abgeschöpft werden, die während des Booms nicht als die offensichtlichen Gewinner galten.
Ein Einbruch der Bewertungen würde nicht beweisen, dass KI gescheitert ist.
Er würde zeigen, dass Investoren zu viel für erwartete Gewinne bezahlt haben, die noch nicht eingetroffen waren.
Also, ist KI eine Blase?
Teile des Marktes zeigen mit hoher Wahrscheinlichkeit blasenähnliches Verhalten.
Bewertungen sind extrem hoch. Die Ausgaben für Infrastruktur wachsen schneller als die nachgewiesene Nachfrage. Unternehmen binden Kapital auf Basis optimistischer Prognosen zu Einführung, Produktivität und künftiger Preisgestaltung.
Der Wettbewerb wird außerdem intensiver. Chinesische Modelle, Open-Weight-Alternativen und lokale Systeme machen KI günstiger, was für Nutzer gut ist, aber potenziell schlecht für die Gewinnmargen der Modellentwickler.
Gleichzeitig wird das Argument, die Branche habe bereits mehrere Billionen Dollar geliehen und müsse jedes Jahr 10 Millionen Arbeitskräfte ersetzen, durch die verfügbaren Belege nicht gestützt.
Der stärkere Fall ist weniger dramatisch.
KI-Unternehmen und ihre Partner geben heute außergewöhnliche Summen aus. Um diese Investitionen zu rechtfertigen, werden sie deutlich höhere Einnahmen, eine viel breitere Nutzung und wesentlich klarere Produktivitätsgewinne benötigen, als wir derzeit beobachten können.
Das könnten sie erreichen.
Sie könnten auch feststellen, dass KI die Welt verändert, während sie für viele der Investoren, die sie finanziert haben, enttäuschende Renditen liefert.
Diese beiden Ergebnisse widersprechen sich nicht.
Das Internet hat fast jede Branche transformiert. Das hat Investoren nicht daran gehindert, während des Dotcom-Crashs Milliarden zu verlieren.
KI muss kein Betrug sein, damit eine KI-Blase platzt. Sie muss nur so bepreist sein, als könne nichts schiefgehen.
Dieser Artikel dient nur zu Informationszwecken und stellt keine Anlageberatung dar.