De AI-investeringen verbinden aandelen, obligaties en private kredietmarkten

De gevolgen zouden bovendien verder kunnen reiken dan de technologiesector. Volgens Reuters was AI-gerelateerde schuld in 2026 goed voor bijna 15 procent van alle investment-grade-uitgiftes. Tegelijk bleef de concentratie van AI-bedrijven in brede kredietindexen nog beperkt. Dat onderscheid is van belang: AI hoeft de totale markt voor hoogwaardige bedrijfsobligaties nog niet te domineren om wel invloed te hebben op prijzen, liquiditeit en de opnamecapaciteit van beleggers.

Waarom aandelen en obligaties steeds sterker samen bewegen

De koppeling tussen aandelen en krediet werkt in twee richtingen.

Ten eerste kan een kleine groep grote technologiebedrijven de prestaties van aandelenindices en het beleggerssentiment sterk beïnvloeden. Als hun waarderingen zwaar leunen op toekomstige AI-winsten, kan een lagere verwachting voor de vraag of het rendement op infrastructuurinvesteringen zowel de aandelenkoersen als de waarde van toekomstige kasstromen onder druk zetten.

Ten tweede maken lagere aandelenwaarderingen financiering duurder. Bedrijven kunnen te maken krijgen met hogere spreads op gewone obligaties, minder gunstige voorwaarden bij private kredietverstrekkers en een lagere vraag naar aandelenleningen.

Dat is goed zichtbaar op de markt voor converteerbare obligaties. Zo’n instrument combineert een lening met het recht om die lening onder bepaalde voorwaarden om te zetten in aandelen. Voor de uitgever kan dat de rentelasten verlagen wanneer beleggers veel waarde hechten aan het mogelijke koerspotentieel. In de Verenigde Staten kwam de uitgifte van converteerbare obligaties in de eerste vier maanden van 2026 uit op ongeveer 34 miljard dollar, ruim twee keer zoveel als in dezelfde periode een jaar eerder. AI-gerelateerde bedrijven droegen sterk bij aan die stijging.

Een sterke AI-aandelenmarkt kan dus goedkopere aandelengekoppelde financiering mogelijk maken. Die financiering betaalt vervolgens meer infrastructuur, wat het groeiverhaal verder ondersteunt. Bij een scherpe koersdaling kan dat mechanisme omkeren: converteerbare obligaties worden minder aantrekkelijk, afdekking wordt moeilijker en bedrijven zijn mogelijk aangewezen op duurdere gewone schuld of nieuwe aandelen.

De gemeenschappelijke blootstelling is AI-vraag — niet de juridische vorm van het product

Een obligatie van een hyperscaler, een lening aan een datacenter, een private-kredietfaciliteit, een lening voor een energieproject en een vordering van een toeleverancier kunnen door verschillende juridische entiteiten zijn uitgegeven. Toch kunnen ze economisch op dezelfde aanname rusten: dat AI-klanten blijven investeren, computercapaciteit blijven huren en voldoende inkomsten genereren om de hele infrastructuurketen te dragen.

Daardoor kan diversificatie sterker lijken dan zij werkelijk is. Een portefeuille met obligaties, securitisaties en private leningen kan meerdere vorderingen bevatten op dezelfde hyperscalers, datacenterexploitanten of vraag naar apparatuur. Als projecten vertraging oplopen of capaciteit onbenut blijft, kunnen verliezen via verschillende instrumenten tegelijk zichtbaar worden — ook wanneer geen van die instrumenten formeel door dezelfde onderneming wordt gegarandeerd.

Het risico wordt groter wanneer financieringsconstructies blootstelling van de balans naar de achtergrond verplaatsen zonder de commerciële verplichtingen van de sponsor weg te nemen.

Financiering buiten de balans kan het economische risico verhullen

Special-purpose vehicles, leases en garanties voor restwaarden spelen een steeds grotere rol bij de bouw van datacenters. Bij een dergelijke constructie haalt een externe entiteit de schuld op en wordt zij eigenaar van de faciliteit. Een technologiebedrijf huurt het voltooide datacenter vervolgens terug. De lening kan daardoor buiten de gerapporteerde schuld van het technologiebedrijf blijven, terwijl dat bedrijf wel verplichtingen houdt voor huur, minimumgebruik of de toekomstige waarde van het gebouw en de apparatuur.

Het voorgestelde Hyperion-datacenter van Meta laat zien hoe zo’n structuur eruit kan zien. In een juridische analyse wordt een special-purpose vehicle beschreven die ongeveer 30 miljard dollar ophaalde: circa 27 miljard dollar aan leningen en 3 miljard dollar aan eigen vermogen. De faciliteit wordt aan Meta verhuurd. Andere berichtgeving beschrijft daarnaast garanties voor de restwaarde, waarbij Meta investeerders zou compenseren als het vastgoed onder een afgesproken waardedrempel komt.

Dat maakt de schuld van het projectvehikel niet identiek aan gewone senior schuld van Meta zelf. Het betekent wel dat de gerapporteerde schuld mogelijk niet de volledige gevoeligheid laat zien voor bouwkosten, technologische veroudering, bezettingsgraad en dalende activawaarden.

Voor beleggers is de relevante vraag daarom niet alleen: wie heeft juridisch het geld geleend? Ook belangrijk is: wie draagt het verlies als de verwachte economie van AI tegenvalt?

Hoe een herprijzing zich kan verspreiden

Een correctie in de financiering hoeft niet met een wanbetaling te beginnen. Het proces kan starten met een wijziging in de verwachtingen:

1. De groei van AI-inkomsten of de bezettingsgraad van datacenters valt tegen.
2. Aandelenwaarderingen dalen en beleggers herzien de terugverdientijd van kapitaalinvesteringen.
3. Kredietspreads lopen op en converteerbare financiering wordt minder aantrekkelijk.
4. Projectvehikels, exploitanten en toeleveranciers krijgen hogere herfinancieringskosten.
5. Hyperscalers stellen bestellingen voor chips, servers, bouw, energie en vastgoed uit of verlagen ze.
6. Zwakkere tegenpartijen verliezen toegang tot krediet, terwijl hogere langlopende rentes ook niet-technologische investeringen onder druk zetten.

Dit is een mogelijke terugkoppeling, geen voorspelling. Grote technologiebedrijven met veel kasstroom kunnen tegenvallende rendementen waarschijnlijk langer opvangen dan kleinere infrastructuurbedrijven. Maar ook zonder grote wanbetalingen bij de grootste spelers kunnen uitgestelde projecten en krappere financiële voorwaarden de bredere investeringscyclus afremmen.

Wat de gegevens wel en niet aantonen

De beschikbare gegevens wijzen op een groeiend risico van concentratie en correlatie. AI-gerelateerde schulduitgifte groeit snel, converteerbare obligaties worden gebruikt om aan AI gekoppelde groei te financieren en gestructureerde datacentertransacties verdelen blootstelling over publieke en private markten.

Daaruit volgt niet automatisch dat het financiële systeem voor een onmiddellijke systeemcrisis staat. De raming van 570 miljard dollar is een prognose en geen gerealiseerde uitgifte. Bovendien hangt de berekening van financieringsgaten of het aandeel van met schuld betaalde investeringen af van wat precies als schuld wordt meegerekend. Leases, garanties, private kredietconstructies, leveranciersfinanciering en toekomstige verplichtingen kunnen tot zeer verschillende totalen leiden.

Voor beleggers ligt de nuttigste test daarom bij het in kaart brengen van de blootstelling. Kijk niet alleen naar de naam van de emittent, maar vraag ook of meerdere posities afhankelijk zijn van dezelfde hyperscaler, dezelfde datacenterhuurder, dezelfde restwaarde van apparatuur of dezelfde verwachting over het te gelde maken van AI.

Het centrale risico is niet dat alle AI-gerelateerde bezittingen identiek zijn. Het is dat veel ervan kwetsbaar kunnen blijken voor dezelfde verandering in verwachtingen.