Die entscheidende Frage in der Debatte um eine KI-Blase lautet nicht: Ist KI real? Sondern: Welchen Preis ist der Markt bereit, für KI-Erwartungen zu zahlen? Eine platzende Blase hieße deshalb nicht automatisch, dass KI verschwindet. Wahrscheinlicher wäre eine Neubewertung der Wachstums-, Margen- und Amortisationsannahmen, die sich um KI-Aktien, Start-ups und Rechenzentren gelegt haben. Goldman Sachs nennt als Gründe für die Sorgen die deutlich gestiegenen Bewertungen vieler KI-naher Unternehmen, den anhaltend massiven Ausbau von KI-Infrastruktur und die zunehmende Zirkularität im KI-Ökosystem [10].
Die Quellen zeichnen kein eindeutiges Crash-Bild. Al Jazeera berichtete, der Internationale Währungsfonds warne, eine KI-Investitionsblase könne platzen und sei mit der Dotcom-Blase vergleichbar [5]. Gleichzeitig argumentiert ein Strategiepapier von Goldman Sachs, dass der Markt noch nicht in einer Blase sei [
2]. Cresset sieht zwar klassische Blasenmerkmale wie hohe Bewertungen, starke Kapitalzuflüsse und spekulatives Verhalten, verweist aber auf kräftige Gewinne, stetiges Umsatzwachstum und aus Cashflows finanzierte Infrastrukturinvestitionen – und hält eine selektive Korrektur für plausibler als einen systemischen Kollaps [
6].
Erst brechen die Annahmen, nicht die Modelle
In einem KI-Blasen-Szenario wäre der erste Test nicht, ob Sprachmodelle weiterhin Texte schreiben oder Code erzeugen können. Der erste Test wäre, ob die Erwartungen des Marktes noch zu den tatsächlichen Erträgen passen.
In der Aufwärtsphase reicht oft schon KI-Bezug, um künftige Gewinne weit in die Gegenwart vorzuziehen. In einer Korrektur werden die Fragen schlichter – und unbequemer:
- Zahlen Kunden wiederkehrend für das Produkt?
- Bleibt nach GPU-, Rechenzentrums- und Stromkosten noch Marge übrig?
- Lassen sich aktuelle Aktienkurse und Unternehmenswerte durch reales Wachstum erklären?
- Sind Infrastrukturinvestitionen durch konkrete Nachfrage gedeckt?
- Kommt der Umsatz von Endkunden – oder kreist das Geld vor allem innerhalb des KI-Ökosystems [
10]?
Der Kern eines KI-Crashs wäre damit nicht das Verschwinden der Technologie, sondern eine Preisfindung unter härteren Bedingungen. Aktienprämien, Bewertungen privater Start-ups, Renditeversprechen von Rechenzentren und der ROI von Unternehmensprojekten würden gleichzeitig strenger geprüft.
Warum die Blasenfrage jetzt lauter wird
Die Sorge wächst nicht, weil zu wenig in KI investiert wird. Sie wächst, weil sehr viel sehr schnell investiert wird.
Goldman Sachs verweist darauf, dass der Ausbau von KI-Rechenzentren und Infrastruktur mehrere Billionen US-Dollar erreichen könnte. Die Bank nennt unter anderem eine Aussage von Nvidia-Chef Jensen Huang, wonach die Ausgaben für KI-Infrastruktur bis 2030 bei 3 bis 4 Billionen US-Dollar liegen könnten. Für Hyperscaler allein – also große Cloud- und Plattformkonzerne mit Rechenzentren in globalem Maßstab – projizieren Goldman-Sachs-Analysten für 2025 bis 2027 Investitionen von 1,4 Billionen US-Dollar [1].
Auch die kurzfristigeren Schätzungen sind hoch. Goldman Sachs berichtete, dass der Analystenkonsens für die Kapitalausgaben großer Hyperscaler-KI-Unternehmen im Jahr 2026 zuletzt bei 527 Milliarden US-Dollar lag, nach 465 Milliarden US-Dollar zu Beginn der Berichtssaison für das dritte Quartal [9]. Ein separater Goldman-Sachs-Ausblick erwartet ebenfalls, dass die größten Hyperscale-Cloud-Unternehmen 2026 mehr als eine halbe Billion US-Dollar für Investitionen ausgeben werden [
8].
Hohe Ausgaben allein beweisen allerdings noch keine Blase. Goldman Sachs relativiert, dass der KI-Infrastrukturzyklus in nominalen Dollar zwar größer ist als frühere Investitionswellen, bei angemessener Skalierung aber weniger extrem wirkt [1]. Entscheidend ist also nicht nur die Summe. Entscheidend ist, ob daraus belastbare Nachfrage, wiederkehrender Umsatz und ausreichende Margen entstehen.
1. Börse: Die KI-Prämie wäre zuerst fällig
Am schnellsten reagiert in der Regel der Aktienmarkt. In einer Euphoriephase können Halbleiter, Cloud, Strominfrastruktur, Rechenzentren und Software unter einem einzigen KI-Thema laufen. In einer Korrektur trennt der Markt wieder stärker.
Goldman Sachs zufolge sind Anleger bei KI-Aktien bereits selektiver geworden [9]. Die neuen Prüffragen lauten dann: Wie schnell wächst der echte KI-Umsatz? Wie profitabel ist er? Wie lange bleiben Kunden zahlungsbereit? Und wie stark drücken Rechen- und Energiekosten auf die Marge?
Hinzu kommt die Marktkonzentration. Nach Goldman Sachs Research machen die sieben größten Technologieunternehmen inzwischen mehr als 30 Prozent der Marktkapitalisierung des S&P 500 aus, des wichtigsten US-Aktienindex, und rund ein Viertel seiner Gewinne [8]. Wenn KI-Erwartungen tief in den Bewertungsmultiplikatoren dieser Schwergewichte stecken, kann eine Neubewertung weit über einzelne Themenaktien hinausgehen und große Indizes schwanken lassen.
2. Start-ups: Die Demo reicht nicht mehr
Aus den vorliegenden Quellen lässt sich nicht seriös ableiten, wie viele KI-Start-ups in einem Abschwung scheitern oder zu niedrigeren Bewertungen frisches Geld aufnehmen müssten. Plausibel ist aber: Wenn an der Börse KI-Multiples fallen, werden auch private Finanzierungsrunden härter verhandelt.
Cresset beschreibt im KI-Sektor Anzeichen, die an Blasen erinnern: hohe Bewertungen, große Kapitalzuflüsse und spekulatives Verhalten [6]. Goldman Sachs nennt den starken Wertanstieg KI-naher Unternehmen ebenfalls als Grund für die Blasensorgen [
10]. In einem solchen Umfeld dürfte der Maßstab für Start-ups nüchterner werden: wiederkehrende Umsätze, Kundenbindung, Kostenstruktur, eigene Daten, Vertriebskanäle und Integration in bestehende Arbeitsabläufe zählen mehr als eine beeindruckende Vorführung.
Besonders anfällig wären Geschäftsmodelle, deren Bewertung vor allem am Etikett KI hängt. Wer lediglich eine Funktion auf ein allgemeines Modell setzt, müsste zeigen, warum Kunden dauerhaft zahlen – und warum höhere Nutzung nicht automatisch höhere Verluste bedeutet.
3. Rechenzentren, GPUs und Strom: Vom Vorratsbau zur Nachfrageprüfung
Der sichtbarste Weg einer KI-Korrektur in die Realwirtschaft führt über Rechenzentren, Grafikprozessoren und Stromversorgung. Goldman Sachs erwartet, dass der KI-getriebene Ausbau von Rechenzentren und Infrastruktur mehrere Billionen US-Dollar umfassen kann; allein die Kapitalausgaben der Hyperscaler könnten 2025 bis 2027 bei 1,4 Billionen US-Dollar liegen [1]. Für 2026 nennt Goldman Sachs einen Konsens von 527 Milliarden US-Dollar an Kapitalausgaben großer Hyperscaler-KI-Unternehmen [
9].
Das Problem wäre nicht die Größe an sich, sondern die Frage der Amortisation. Wenn die Nachfrage nach KI-Diensten schwächer ausfällt als erwartet oder die Erlöse nicht schnell genug steigen, um Inferenz-, Hardware- und Energiekosten zu decken, könnte sich die Logik verschieben: weg vom Bauen auf Vorrat, hin zum Bauen nach nachgewiesener Nachfrage.
Dann würden neue Rechenzentrumsprojekte, GPU-Beschaffungen und Stromverträge anders bewertet. Nicht jede Investition wäre deshalb überflüssig. Aber die Messlatte wäre höher: Auslastung, langfristige Kundenverträge, Stromsicherheit und Rückzahlungsdauer würden wichtiger als die reine Kapazitätsmeldung. Cresset sieht die kommenden 18 Monate als Prüfphase dafür, ob der heutige Infrastrukturaufbau zur Basis dauerhafter Innovation wird – oder zu einer der größten Kapitalfehlallokationen der Marktgeschichte [6].
4. Big Tech: Eher Multiples und Investitionstempo als Kollaps
Dass KI-Aktien korrigieren könnten, bedeutet nicht automatisch, dass die großen Technologieunternehmen zusammenbrechen. Cresset verweist ausdrücklich darauf, dass hohe Bewertungen und Spekulation zwar sichtbar sind, starke Gewinne, stetiges Umsatzwachstum und cashfinanzierte Infrastrukturinvestitionen aber eher für eine selektive Korrektur als für einen systemischen Kollaps sprechen [6].
Das heißt jedoch nicht, dass der Kurseffekt klein wäre. Wenn die sieben größten Technologieunternehmen mehr als 30 Prozent des S&P-500-Börsenwerts und rund ein Viertel seiner Gewinne stellen, reicht schon eine niedrigere KI-Erwartung, um die Marktvolatilität zu erhöhen [8]. Realistischer als flächendeckende Pleiten wären sinkende Bewertungsmultiplikatoren, ein langsameres Wachstum der KI-Investitionen und eine strengere Priorisierung einzelner Projekte.
5. Am anfälligsten ist die zirkuläre KI-Ökonomie
Goldman Sachs nennt die zunehmende Zirkularität des KI-Ökosystems ausdrücklich als Faktor hinter den Blasensorgen [10]. Gemeint ist die Frage, ob Geld aus echter Endkundennachfrage kommt – oder vor allem innerhalb des KI-Systems weitergereicht wird.
In jungen Technologiemärkten ist es normal, dass Modellanbieter, Cloud-Konzerne, Halbleiterhersteller und Anwendungsunternehmen einander Wachstum ermöglichen. Gefährlich wird es, wenn aus solchen Verflechtungen der Eindruck stärkerer Endnachfrage entsteht, als tatsächlich vorhanden ist. In einer Korrektur würde der Markt weniger darauf schauen, ob innerhalb des Ökosystems Umsatz entsteht, und stärker darauf, ob externe Kunden freiwillig, regelmäßig und profitabel zahlen.
Unternehmen würden KI nicht stoppen, aber härter rechnen
Eine geplatzte KI-Blase hieße nicht zwingend, dass Unternehmen KI-Projekte sofort beenden. Wahrscheinlicher wäre eine Verschiebung der Budgetlogik: Nicht mehr die Frage, ob ein Unternehmen KI einsetzt, wäre entscheidend, sondern ob der Einsatz messbar Kosten senkt, Umsatz hebt oder bestehende Prozesse verbessert.
Pilotprojekte ohne klaren Nutzen, Vorzeige-Chatbots mit wenig Nutzung und Automatisierungen ohne belastbaren ROI könnten schneller gestrichen werden. Anwendungen, deren Wirkung leichter messbar ist – etwa in Kundenservice, Dokumentenverarbeitung, Softwareentwicklung, Suche oder Sicherheit – hätten dagegen bessere Chancen, weiter finanziert zu werden. Genau hier verläuft die Trennlinie zwischen KI als dauerhafter Produktivitätsbasis und KI als teuer bezahlter Erzählung.
Die wichtigsten Prüfkriterien in einer KI-Korrektur
Bei der Blasenfrage geht es weniger darum, ob ein Unternehmen KI nutzt. Entscheidend ist, ob daraus wiederholbare Cashflows entstehen.
| Prüfkriterium | Eher robust | Eher anfällig |
|---|---|---|
| Finanzierung | Unternehmen, die Investitionen aus eigenen Cashflows und starken Gewinnen tragen können [ | Unternehmen, die hohe Bewertungen und externe Finanzierung brauchen [ |
| Nachfrage | Produkte, für die Kunden wiederkehrend zahlen | Produkte mit starker Demo, aber schwacher tatsächlicher Nutzung |
| Kostenstruktur | Anbieter, die Inferenz- und Infrastrukturkosten in Preise einbauen können | Dienste, bei denen steigende Nutzung die Verluste vergrößert |
| Differenzierung | Unternehmen mit eigenen Daten, Vertriebskanälen und tiefer Workflow-Integration | Funktionen, die leicht auf allgemeinen Modellen nachgebaut werden können |
| Umsatzqualität | Klare Endkundennachfrage | Strukturen, die stark von internen Transaktionen im KI-Ökosystem abhängen [ |
| Infrastruktur | Projekte mit Auslastung, langfristigen Verträgen und stabiler Stromversorgung | Projekte, die stärker auf vorgezogene Kapazität als auf belegte Nachfrage setzen [ |
Fazit: Nicht KI endet – der Preis für KI wird neu verhandelt
Wenn die KI-Blase tatsächlich platzt, wäre das wahrscheinlich nicht der Moment, in dem der Markt entscheidet, dass KI nutzlos ist. Es wäre der Moment, in dem er entscheidet, dass manche Preise zu hoch waren.
Die Blasensorgen, die Goldman Sachs beschreibt, kommen aus Bewertungen, massiven Investitionen und der Zirkularität des Ökosystems [10]. Die Warnung des IWF, über Al Jazeera berichtet, zeigt, dass das Risiko eines mit der Dotcom-Blase vergleichbaren Investitionsbooms ernst genommen wird [
5]. Gleichzeitig sprechen Goldman Sachs und Cresset nicht einfach von einem unvermeidlichen Totalabsturz [
2][
6].
Die nüchterne Antwort lautet daher: Wenn die KI-Blase platzt, verschwindet nicht KI. Es verschwinden überzogene Erwartungen, überteuerte Bewertungen und Geschäftsmodelle, die den Sprung von der Demo zum zahlenden Kunden nicht schaffen. Übrig bleiben dürften die Anwendungen und Unternehmen, die nachweislich Umsatz erzeugen, Kosten senken und Kunden dazu bringen, immer wieder zu zahlen.
