Das 1,4-Billionen-Dollar-KI-Wagnis: Goldman Sachs‘ optimistisches Szenario und die versteckten Schuldenrisiken

Warum Goldman Sachs den Konsens für zu niedrig hält

Der Kern von Goldmans Argumentation ist, dass die aktuellen Wall-Street-Schätzungen eine unplausible Verlangsamung des Ausgabenwachstums unterstellen. Der Konsens von rund 920 Milliarden Dollar für 2027 würde eine scharfe Abbremsung gegenüber der rasanten Entwicklung von 2025 und 2026 bedeuten . Goldman Sachs stellt diese Annahme infrage, indem die Bank modelliert, was passiert, wenn KI-Investitionen weiterhin 2 bis 3 Prozent des Bruttoinlandsprodukts (BIP) verschlingen – ein Szenario, das die jährlichen Ausgaben in Richtung einer Basislinie von 1,1 Billionen Dollar und in einem optimistischen Fall auf bis zu 1,4 Billionen Dollar treibt .

Hinter dem Modell steht eine Wette auf agentenbasierte KI. Anders als einfache Chatbots, die eine Frage beantworten und dann stoppen, arbeiten KI-Agenten kontinuierlich: Sie führen mehrstufige Aufgaben aus, rufen Programmierschnittstellen (APIs) auf und durchlaufen lange logische Schlussfolgerungsketten. Goldman erwartet, dass dieses Daueraktiv-Verhalten den Token-Verbrauch bis 2030 um das 24-Fache in die Höhe treibt . Jede Agenten-Interaktion verbraucht dramatisch mehr Rechenleistung, und da Unternehmen nun beginnen, Agenten in großem Maßstab einzusetzen, sieht die Nachfragekurve ganz anders aus als die linearen Wachstumsmodelle, die den Konsensschätzungen zugrunde liegen.

Die wahren Flaschenhälse: Strom, Fachkräfte und physikalische Grenzen

Goldman Sachs spricht erstaunlich offen über die wahren Grenzen des Booms. In einem Bericht zur Energieversorgung im KI-Zeitalter heißt es unmissverständlich: „Kapitalmangel ist nicht der dringendste Engpass – es ist die Energie, die benötigt wird, um sie anzutreiben“ . Nach einem Jahrzehnt stagnierender Stromnachfrage wird der Energieverbrauch von Rechenzentren weltweit bis 2030 voraussichtlich um 160 Prozent ansteigen . Allein die USA sehen sich bis 2028 einer geschätzten Stromlücke von 45 Gigawatt für Rechenzentren gegenüber, was bedeutet, dass bis 2030 neue Kapazitäten von 72 Gigawatt erforderlich wären – das entspricht etwa 72 großen Kernkraftwerken .

Das Stromnetz wurde nicht für diese Zukunft entworfen. Die Planungs- und Genehmigungszeiträume für neue Gaskraftwerke betragen fünf bis sieben Jahre, Wind- und Solarenergie liefern bislang nur unregelmäßig Strom, und Kernkraft ist eine längerfristige Lösung . Neue Gasverbrennungsturbinen, die Arbeitstiere der zuverlässigen Stromerzeugung, sind faktisch ausverkauft bis 2030 .

Der Mangel an Fachkräften könnte sich als die härteste aller Beschränkungen erweisen. Goldman schätzt, dass etwa 760.000 zusätzliche Elektriker, Leitungsmonteure und Handwerker benötigt werden, um die physische Infrastruktur aufzubauen, die KI verlangt – darunter 207.000 Spezialisten, deren Ausbildung drei bis vier Jahre dauert . Dies sind keine Jobs, die das Silicon Valley automatisieren oder ins Ausland verlagern kann. Sie erfordern Arbeit vor Ort, und der Mangel bedeutet, dass sich Projektlaufzeiten mit jedem Gigawatt neuer Nachfrage weiter verlängern .

In seinem Papier „Tracking Trillions“ führt Goldman das Konzept des „Elongation Risk“ ein: Warteschlangen für Stromnetzanschlüsse, Genehmigungsverzögerungen und Knappheit bei kritischen Komponenten wie Transformatoren und Schaltanlagen können die Bauzeiten weit über die ursprünglichen Pläne hinaus ausdehnen. In Stressszenarien können diese Verzögerungen zu Zweifeln auf der Nachfrageseite führen und einen sich selbstverstärkenden Kreislauf auslösen, bei dem Projekte länger dauern und die Argumente für weitere Bauten schwächer werden . Dennoch geht Goldmans Basisszenario von kumulierten KI-Investitionen in Höhe von rund 7,6 Billionen Dollar zwischen 2026 und 2031 aus .

Morgan Stanleys Schätzungen im Vergleich

Auch Morgan Stanley hat seine Prognosen dramatisch nach oben korrigiert. Vor einem Jahr schätzte das Institut die kombinierten Ausgaben der Hyperscaler auf rund 450 Milliarden Dollar für die Jahre 2026 und 2027. Nach den Quartalsberichten zum ersten Quartal 2026 hoben die Analysten um Brian Nowak diese Zahlen auf etwa 800 Milliarden Dollar für 2026 und 1,2 Billionen Dollar für 2027 an .

Morgan Stanley prognostiziert nun 1,16 Billionen Dollar an Investitionen für 2027 – ein Wert, der über der Goldman-Basis von etwa 1,1 Billionen Dollar liegt, aber unter der optimistischen Obergrenze von 1,4 Billionen Dollar bleibt . Bis 2028 erwartet Morgan Stanley weltweite Investitionen in Rechenzentren von 2,9 Billionen Dollar, wobei 1,4 Billionen Dollar aus den Cashflows der Hyperscaler stammen und eine Finanzierungslücke von 1,5 Billionen Dollar durch Schulden, Leasingverträge und Joint Ventures geschlossen werden muss .

Beide Banken sind sich einig, dass die Investitionsquoten im Verhältnis zum Umsatz Neuland betreten. Morgan Stanley prognostiziert Quoten von 34 bis 39 Prozent für die Jahre 2026 bis 2028 und übertrifft damit den Höchststand von rund 32 Prozent aus der Dotcom-Ära. Werden Leasing-bereinigte Zahlen einbezogen, könnten die Quoten sogar auf 44 bis 45 Prozent klettern .

Der Schattenhaushalt: Außerbilanzielle Leasingverträge und Zweckgesellschaften

Unterhalb der Schlagzeilen zu den Ausgaberekorden verbirgt sich eine beunruhigende Schicht finanzieller Konstrukte. Moody’s Ratings schätzt, dass die fünf größten US-Hyperscaler – Amazon, Meta, Alphabet, Microsoft und Oracle – zukünftige Leasingverpflichtungen für Rechenzentren in Höhe von 662 Milliarden Dollar halten, mit deren Bau noch nicht einmal begonnen wurde . Nach den US-amerikanischen Rechnungslegungsvorschriften (US-GAAP) erscheinen diese Verpflichtungen nicht als laufende Verbindlichkeiten, da die Dienstleistung noch nicht erbracht wurde. Sie liegen außerhalb der Bilanz, vor allem sichtbar in den Fußnoten des Geschäftsberichts .

Zählt man alle nicht abgezinsten zukünftigen Leasingverpflichtungen zusammen, erreicht die Summe geschätzte 969 Milliarden Dollar – rund 113 Prozent der kombinierten bereinigten Schulden dieser fünf Unternehmen . Wenn diese Leasingverträge in den kommenden Jahren in Kraft treten, werden sie beginnen, die Gewinn- und Verlustrechnungen als Betriebsausgaben zu belasten, was potenziell den freien Cashflow drückt und den Spielraum für Aktienrückkäufe einschränkt, auf die Anleger lange vertraut haben .

Ein paralleles Problem ist die zunehmende Nutzung von Zweckgesellschaften (Special Purpose Vehicles, SPVs) zur Finanzierung der KI-Infrastruktur. Große Technologieunternehmen haben KI-Rechenzentrumsschulden von über 120 Milliarden Dollar über insolvenzrechtlich abgeschirmte SPVs strukturiert, die außerhalb der konsolidierten Bilanzen stehen . Morgan Stanley prognostiziert, dass diese außerbilanziellen Finanzierungsvehikel bis 2028 ein Volumen von 800 Milliarden Dollar erreichen könnten . Diese Konstrukte arbeiten typischerweise mit dünnen Eigenkapitalpolstern von 8 bis 10 Prozent, sind auf GPUs als Sicherheiten angewiesen, die rapide an Wert verlieren, und haben oft ungewöhnlich kurze Leasinglaufzeiten von nur vier Jahren – im Vergleich zu den traditionellen zehn oder mehr Jahren .

Die Oracle-Warnung und steigende Kreditrisikoaufschläge

Oracle ist zu einem Paradebeispiel dafür geworden, wie schnell sich die Finanzierungsannahmen für KI als brüchig erweisen können. Ende 2025 zerbrach die Finanzierungspartnerschaft des Unternehmens mit Blue Owl Capital für ein Rechenzentrum in Michigan, was die Fragilität des außerbilanziellen Modells offenlegte. Oracle trägt 124 Milliarden Dollar an Schulden und 248 Milliarden Dollar an Leasingverpflichtungen, und die Reaktion des Marktes war schnell – die Kreditkonditionen wurden „mit brutaler Geschwindigkeit“ neu bewertet, selbst für einen Emittenten mit Investment-Grade-Rating .

Die Bank für Internationalen Zahlungsausgleich (BIZ) hat festgestellt, dass die Spreads für Kreditausfallversicherungen (CDS) von Hyperscalern mit niedrigerer Bonität bereits gestiegen sind. Dies spiegelt sowohl das schiere Volumen an Schuldtiteln als auch die wachsende Unsicherheit wider, ob KI-Projekte angemessene Renditen erzielen werden . Der US-Finanzstabilitätsrat (FSOC) und die Bank of England haben die Anhäufung außerbilanzieller KI-Infrastrukturschulden ausdrücklich als potenzielle systemische Schwachstelle identifiziert .

Das Konzentrationsrisiko verschärft das Problem. Ein großer Teil der SPV-basierten Schulden ist an einzelne Rechenzentren oder Einzelmieter gebunden. Sollte der Mieter ausfallen oder die Nachfrage einbrechen, bietet die SPV-Struktur nur begrenzten Zugriff auf die Bilanz der Muttergesellschaft, was zu kaskadierenden Verlusten führen könnte . Auch der Anleihenriese PIMCO hat auf die zirkuläre Natur der KI-Finanzierung hingewiesen: Lieferanten wie GPU-Hersteller gewähren Kredite oder beteiligen sich am Eigenkapital derselben SPVs, die sie beliefern, und setzen sich so selbst Refinanzierungsrisiken aus, falls sich die Kapitalmärkte eintrüben .

Ein Boom mit zwei Narrativen

Der KI-Infrastrukturausbau ist in Umfang und Geschwindigkeit beispiellos. Die fünf größten Hyperscaler sind auf Kurs, allein im Jahr 2026 zusammen 755 Milliarden Dollar auszugeben – ein Anstieg von 83 Prozent gegenüber dem Vorjahr . Morgan Stanley merkt an, dass die Zahl von 800 Milliarden Dollar für 2026 in etwa dem entspricht, was alle Nicht-Technologieunternehmen im S&P 500 im Vorjahr an Investitionen tätigten .

Doch die Finanzierungsstrukturen, die dies ermöglichen, erzeugen ihre eigenen Risiken. Die bullische Erzählung fußt auf einem 24-fachen Anstieg der Token-Nachfrage durch KI-Agenten, die noch nicht in großem Maßstab eingesetzt werden. Die bärische Gegenposition, die innerhalb von Goldman Sachs selbst formuliert wird, lautet, dass die bisherigen Erträge die Investitionen nicht rechtfertigen . Zwischen diesen beiden Polen stehen die physikalischen Realitäten: ein Stromnetz, das nicht Schritt halten kann, eine qualifizierte Belegschaft, die nicht in ausreichender Zahl existiert, und ein Schattenhaushalt von fast einer Billion Dollar an Verpflichtungen, die bald fällig werden – mit Konsequenzen, die weit über den Technologiesektor hinausreichen.