Die Anbieter von KI-Infrastruktur werden zwischen 2026 und 2030 voraussichtlich fast sieben Billionen US-Dollar in Rechenzentren, Beschleuniger und weitere Technik investieren. Den Anlagen stehen laut Gartner jedoch nur bis zu 3,6 Billionen Dollar an Unternehmens- und Verbraucherumsätzen gegenüber, die den KI-Rechenzentren zugerechnet werden können.
Damit fehlt nicht nur Umsatz zur Deckung der Investitionen. Für eine von vielen Unternehmen angestrebte Kapitalrendite von zwölf Prozent wären nach Gartners Rechnung bis 2030 insgesamt 8,5 Billionen Dollar Umsatz nötig. Geplante KI-Investitionen könnten deshalb frühestens ab 2032 profitabel gedeckt werden. Besonders gefährdet sind spezialisierte GPU-Vermieter: Gartner erwartet, dass mehr als 80 Prozent der sogenannten Neoclouds bis 2030 nicht mehr als unabhängige Unternehmen bestehen.
Das bedeutet nicht, dass vier von fünf Anbietern zwangsläufig insolvent werden. In der Prognose sind auch Übernahmen und andere Formen des Marktaustritts enthalten. Der entscheidende Mechanismus bleibt jedoch derselbe: Wer fast ausschließlich Rechenleistung verkauft, muss hohe Investitionen in schnell alternde Hardware aus einer Dienstleistung finanzieren, die zunehmend über den Preis konkurriert.
Die drei Zahlen beschreiben unterschiedliche Probleme
Gartner rechnet für 2026 mit knapp einer Billion Dollar an KI-Infrastrukturausgaben. Von 2027 bis 2030 sollen weitere sechs Billionen hinzukommen. Die häufig verkürzte Gegenüberstellung lautet deshalb: knapp sieben Billionen Dollar Investitionen treffen auf höchstens 3,6 Billionen Dollar zurechenbaren KI-Umsatz.
Wie aus der KI-Investitionslücke Konsolidierungsdruck entsteht
Die Grafik stellt Gartners prognostizierte Infrastrukturinvestitionen dem für zwölf Prozent Kapitalrendite nötigen und dem erwarteten zurechenbaren Umsatz gegenüber. Daraus folgen Abschreibungs- und Konsolidierungsrisiken für Neoclouds.
Die 8,5 Billionen Dollar sind eine andere Messgröße. Sie bezeichnen den Umsatz, der neben den Investitionen und Finanzierungskosten auch eine Rendite von zwölf Prozent auf das eingesetzte Kapital ermöglichen würde. Zwischen diesem Renditeziel und der Umsatzprognose liegen 4,9 Billionen Dollar. Diese Differenz ist nicht mit einem unmittelbar anfallenden Verlust gleichzusetzen. Sie zeigt, wie weit die erwartete wirtschaftliche Leistung der Anlagen hinter den Renditeannahmen zurückbleibt, unter denen Kapital üblicherweise bereitgestellt wird.
Bleiben die Erträge niedriger als geplant, müssen Betreiber möglicherweise den Wert ihrer Infrastruktur korrigieren. Das ist bei KI-Rechenzentren besonders relevant, weil eine physisch weiter funktionierende GPU wirtschaftlich an Wert verlieren kann, sobald neuere Generationen bei Leistung, Energieverbrauch oder Kosten pro Rechenoperation überlegen sind. Gartner hält bis Ende 2030 mehr als 3,5 Billionen Dollar an KI-Infrastrukturausgaben für potenziell wertminderungsgefährdet.
Neoclouds tragen das Hardware-Risiko direkt
Neoclouds sind unabhängige Anbieter, die GPU-Kapazität speziell für KI-Training und Inferenz vermieten. Sie entstanden unter anderem als Reaktion auf den Mangel an modernen Beschleunigern. Diese Spezialisierung war in der Knappheit ein Vorteil: Kunden konnten Kapazität erhalten, ohne selbst Rechenzentren zu bauen oder auf die großen Cloud-Plattformen warten zu müssen.
Bei wachsendem Angebot kann derselbe Fokus zur Belastung werden. Ein Anbieter, dessen Erlös im Wesentlichen aus vermieteten GPU-Stunden stammt, hat wenig Ausweichmöglichkeiten, wenn Preise sinken, die Auslastung schwankt oder Kunden auf günstigere Modelle umsteigen. Die Finanzierung der Hardware läuft weiter, während neue GPU-Generationen den Restwert vorhandener Anlagen belasten.
McKinsey hatte Neoclouds deshalb bereits empfohlen, sich im technischen Stack nach oben zu bewegen. Gemeint sind Dienste oberhalb der reinen Hardwarevermietung: verwaltete Entwicklungsumgebungen, Modellbetrieb oder andere Leistungen, die Kunden stärker binden und höhere Margen als austauschbare Rechenkapazität versprechen. Das löst allerdings einen strategischen Konflikt aus. Je stärker ein Neocloud eigene Plattformdienste aufbaut, desto direkter konkurriert er mit den Hyperscalern, denen dafür bereits Software, Vertrieb und bestehende Kundenbeziehungen zur Verfügung stehen.
Billigere Modelle verschärfen die Rechnung
Die Kalkulation der Rechenzentren hängt nicht allein davon ab, wie häufig KI eingesetzt wird. Entscheidend ist auch, wie viel Rechenleistung sich pro Dollar Modellumsatz verkaufen lässt. Jefferies sieht die Profitabilität von OpenAI und Anthropic durch günstigere chinesische und quelloffene Modelle unter Druck. Wenn vergleichbare Ergebnisse mit kleineren Modellen, weniger Rechenaufwand oder niedrigeren API-Preisen erreichbar sind, wächst die Nutzung möglicherweise weiter, ohne dass die Infrastrukturumsätze im gleichen Verhältnis steigen.
Damit entsteht ein Widerspruch zwischen technischer Nachfrage und wirtschaftlicher Auslastung: Mehr KI-Anwendungen garantieren noch keine ausreichende Rendite auf jedes gebaute Rechenzentrum. Effizientere Modelle können die Kosten einzelner Anwendungen senken und zugleich die Einnahmeerwartungen jener Betreiber beschädigen, deren Geschäftspläne auf dauerhaft teurer Rechenleistung beruhen.
Bain & Company kommt mit einer anderen Methode und einem anderen Zeithorizont zu einem ähnlich angespannten Ergebnis. Die Beratung schätzt, dass die Branche 2031 jährlich rund sechs Billionen Dollar Umsatz benötigen könnte, um die erforderliche Infrastruktur zu finanzieren. Bestehende Anwendungen könnten demnach nur 1,2 bis 1,8 Billionen Dollar beitragen. Die Bain-Zahlen sind wegen ihres jährlichen Bezugs nicht direkt mit Gartners kumulierter Rechnung bis 2030 vergleichbar. Beide Prognosen setzen aber voraus, dass bisher nicht identifizierte, umsatzstarke Anwendungen entstehen müssen, wenn die geplanten Anlagen ihre Renditeziele erreichen sollen.
Hyperscaler können Verluste länger auffangen
Große Cloud-Konzerne sind nicht gegen Abschreibungen geschützt. Sie können KI-Infrastruktur jedoch mit Einnahmen aus Cloud-Software, Datenbanken, Werbung, Büroanwendungen und anderen Diensten querfinanzieren. Zudem lässt sich Rechenleistung innerhalb breiterer Plattformen vermarkten. Gartner erwartet deshalb, dass Hyperscaler eine Konsolidierung besser überstehen als reine GPU-Spezialisten.
Diese Widerstandsfähigkeit kann die Marktkonzentration erhöhen. Scheiden kleinere Anbieter aus oder werden übernommen, landen mehr Infrastruktur, Kundenverträge und technisches Personal bei Unternehmen, die bereits große Teile des Cloud-Markts kontrollieren. Gleichzeitig sind auch diese Konzerne von wenigen großen KI-Kunden abhängig: Nach Berechnungen von Jefferies entfallen OpenAI und Anthropic zusammen auf etwa die Hälfte des rund 2,3 Billionen Dollar umfassenden vertraglichen Auftragsbestands von Microsoft, Alphabet, Amazon und Oracle.
Der Internationale Währungsfonds betrachtet die Kombination aus hoher Unternehmensverschuldung, konzentrierten Anlegerpositionen und zirkulären Finanzierungen inzwischen als Risiko für eine stärkere Marktkorrektur. Ein Rückgang der Infrastrukturinvestitionen wäre damit nicht nur ein Problem einzelner GPU-Vermieter. Er könnte Kreditgeber, Zulieferer und die Bewertungen großer Technologiekonzerne gleichzeitig treffen.
Für Kunden zählt die Austauschbarkeit des Anbieters
Unternehmen, die GPU-Kapazität einkaufen, sollten die Gartner-Prognose nicht als Aufforderung verstehen, Neoclouds grundsätzlich zu meiden. Sie verändert aber die Bewertung mehrjähriger Bindungen. Relevant sind die Übertragbarkeit von Workloads, Abhängigkeiten von proprietären Plattformdiensten, zugesicherte Kapazitäten und die Frage, was bei einer Übernahme oder einem Rückzug des Anbieters geschieht.
Für Infrastrukturbetreiber reicht es umgekehrt nicht mehr, verfügbare GPUs als Geschäftsmodell zu behandeln. In einem Markt ohne akute Knappheit entscheidet der Umsatz pro investiertem Dollar – und nicht die Zahl installierter Beschleuniger. Genau darin liegt die Schwäche der aktuellen KI-Rechnung: Die Branche plant die Infrastruktur bereits, während die Anwendungen, die deren Rendite tragen sollen, zum erheblichen Teil noch gefunden werden müssen.
Jens analysiert seit Jahren digitale Märkte, Preisbewegungen und Plattform-Strategien. Als Betreiber mehrerer datengetriebener Systeme wertet er täglich große Mengen an Produkt- und Trenddaten aus. Sein Fokus liegt auf Einordnung statt Hype: Was bedeutet eine Entwicklung wirklich für Nutzer, Preise und Märkte?
