Bei künstlicher Intelligenz verschiebt sich die entscheidende Kennzahl. Lange ging es um Modelle, Nutzerzahlen, Benchmarks und Produktdemos. Inzwischen rückt eine trockenere Größe nach vorn: wie viel Fremdkapital nötig ist, um die dafür erforderliche Rechenleistung zu bauen.
Die Schätzungen liegen nicht exakt beieinander, zeigen aber in dieselbe Richtung. Nach aktuell berichteten Marktschätzungen geht JPMorgan davon aus, dass die KI-bezogene Fremdfinanzierung bis 2030 auf 4,1 Billionen US-Dollar steigen könnte. Goldman Sachs schätzt die kumulierten Investitionsausgaben für KI zwischen 2026 und 2031 auf 7,6 Billionen US-Dollar, inklusive Chips, Rechenzentren und Strominfrastruktur. Citigroup rechnet mit einem Bedarf von 3 Billionen US-Dollar für den KI-Ausbau bis 2030. Die großen Hyperscaler könnten allein von 2025 bis 2026 mehr als eine Billion US-Dollar für KI-bezogene Investitionen ausgeben.
Damit wird der KI-Boom zu einer Kapitalmarktgeschichte. Nicht, weil Technologie unwichtig geworden wäre. Sondern weil das Geschäftsmodell erst dann trägt, wenn Infrastrukturkosten, Auslastung, Preise und Finanzierungskosten zusammenpassen.
Der Engpass wandert in die Bilanz
Das Grundmodell der großen KI-Anbieter ist schnell beschrieben: Sie bauen Rechenkapazität auf, vermieten sie direkt über Cloud-Dienste, nutzen sie für eigene Produkte oder verkaufen KI-Funktionen als Bestandteil bestehender Softwarepakete. Der Umsatz entsteht aus Rechenzeit, Abonnements, API-Nutzung, Unternehmensverträgen und indirekt aus stärkerer Bindung an Plattformen wie Amazon Web Services, Microsoft Azure oder Google Cloud.
Wie KI-CapEx zum Kreditmarktrisiko wird
Die Grafik zeigt die vereinfachte Finanzierungskette vom Investitionsdruck der Hyperscaler über Fremdkapital bis zur notwendigen Monetarisierung der KI-Infrastruktur.
Die Kostenstruktur ist weniger elegant. Hochwertige KI-Chips müssen früh bestellt und bezahlt werden. Rechenzentren brauchen Grundstücke, Stromanschlüsse, Kühlung, Netzwerktechnik, Sicherheit, Personal und oft langwierige Genehmigungen. Hinzu kommt Strominfrastruktur, die nicht beliebig schnell verfügbar ist. Der Kapitalbedarf fällt am Anfang an; die Erträge kommen später, wenn genug Kunden die Kapazität dauerhaft nutzen.
Für Softwareunternehmen ist das eine ungewohnte Verschiebung. Klassische Software skaliert mit hohen Bruttomargen, weil zusätzliche Nutzer geringe Zusatzkosten verursachen. KI-Infrastruktur skaliert materieller. Jede zusätzliche Einheit Nachfrage zieht Rechenzeit, Energie und Abschreibung nach sich. Die Margenlogik hängt deshalb stärker an Auslastung, Chippreisen, Energieverträgen und der Frage, wie schnell Hardware wirtschaftlich altert.
Warum Wall Street gebraucht wird
Die großen Hyperscaler verfügen über enorme operative Cashflows. Trotzdem reicht Eigenfinanzierung nicht automatisch aus, wenn mehrere Investitionswellen parallel laufen: Grafikprozessoren, neue Rechenzentren, Stromverträge, Netzanbindungen und Beteiligungen an Modellanbietern. Je größer die Programme werden, desto stärker rücken Anleihen, Bankkredite, strukturierte Finanzierungen und private Kreditmärkte in den Vordergrund.
Für Banken ist das zunächst attraktiv. Große Technologieunternehmen gelten im Vergleich zu vielen anderen Schuldnern als kreditwürdig, verfügen über wiederkehrende Umsätze und besitzen starke Marktpositionen. Wer Finanzierung arrangiert, verdient Gebühren. Wer Anleihen platziert, erhält Geschäft. Wer private Kreditstrukturen baut, kann Renditen erzielen, die im klassischen Investment-Grade-Markt schwerer zu finden sind.
Der Kapitalmarkt bekommt damit aber eine Konzentrationsfrage. Wenn wenige Hyperscaler große Teile der neuen Emissionen treiben, steigt die Abhängigkeit der Investoren von genau diesen Geschäftsmodellen. Das ist kein sofortiges Krisensignal. Es verändert aber die Risikoverteilung. Ein Technologiezyklus, der früher vor allem in Aktienkursen sichtbar war, wandert teilweise in Kreditportfolios.
Die Marge entscheidet sich an Auslastung und Strom
Ob die Rechnung aufgeht, hängt nicht nur von der Nachfrage nach KI ab. Entscheidend ist, ob diese Nachfrage zu Preisen verkauft werden kann, die die Kapitalkosten decken. Ein Rechenzentrum mit teuren Chips ist wirtschaftlich nur dann überzeugend, wenn es ausreichend ausgelastet ist und wenn die verkaufte Rechenleistung nicht zu schnell im Preis fällt.
Hier liegt ein zentraler Unterschied zu vielen früheren Cloud-Investitionen. Allgemeine Cloud-Kapazität konnte über viele Kundengruppen verteilt werden: Datenbanken, Speicher, Unternehmenssoftware, Webdienste. KI-Rechenzentren sind stärker auf bestimmte Hardwareprofile und Lastmuster ausgerichtet. Das erhöht die Chance auf hohe Auslastung, wenn Nachfrage knapp ist. Es erhöht aber auch das Risiko, wenn Modelle effizienter werden, Kunden ihre Nutzung drosseln oder neue Chipgenerationen bestehende Infrastruktur schneller entwerten.
Auch Strom ist keine Nebenposition. Große KI-Cluster brauchen stabile Energieversorgung, Netzkapazität und Kühlung. Wenn Strompreise steigen oder Netzanschlüsse knapp werden, verschiebt sich die Kalkulation. Ein Teil des KI-Geschäftsmodells hängt damit an Märkten, die deutlich langsamer reagieren als Software: Energieversorgung, Bau, Genehmigungen und lokale Infrastruktur.
Regulierer sehen die Kreditseite
Die Bank für Internationalen Zahlungsausgleich hat in Veröffentlichungen bereits vor wachsender Verschuldung, intransparenten Finanzierungsvereinbarungen und engeren Verbindungen zwischen traditionellen Banken und privaten Kreditmärkten im Zusammenhang mit KI-Investitionen gewarnt. Das ist bemerkenswert, weil die BIZ nicht über Produktqualität urteilt, sondern über Finanzstabilität.
Die Sorge lautet nicht, dass jede KI-Investition falsch ist. Die Sorge lautet, dass sehr ähnliche Annahmen gleichzeitig in vielen Bilanzen landen: hohe künftige KI-Nachfrage, stabile Preissetzungsmacht, dauerhaft verfügbare Energie, niedrige Ausfallwahrscheinlichkeiten und gut refinanzierbare Schuldner. Wenn eine dieser Annahmen bricht, können Ketteneffekte entstehen.
Eine von Bank of America veröffentlichte Fondsmanager-Umfrage zeigt, wie weit das Thema bereits in die Wahrnehmung institutioneller Investoren gerückt ist: 34 Prozent der befragten Fondsmanager nannten die Ausgaben der KI-Hyperscaler als wahrscheinlichste Quelle für ein künftiges systemisches Kreditereignis. Das ist keine Prognose eines unmittelbaren Unfalls. Es ist ein Hinweis darauf, dass KI-CapEx nicht mehr nur als Wachstumsausgabe gelesen wird, sondern als potenzieller Kreditzyklus.
Der Boom braucht Cashflows, nicht nur Kapital
Strategisch haben die großen Plattformen wenig Spielraum, den Ausbau einfach zu stoppen. Wer zu wenig Rechenkapazität hat, verliert Unternehmenskunden, Modellpartner und Entwickleraktivität. Wer zu viel baut, belastet Kapitalrendite und freien Cashflow. Diese Spanne macht die nächsten Jahre für die Branche teuer.
Für Nvidia und andere Lieferanten von Chips, Netzwerktechnik und Rechenzentrumsinfrastruktur ist der Investitionszyklus kurzfristig ein starker Nachfrageimpuls. Für Hyperscaler ist er eine Wette auf spätere Monetarisierung. Für Banken und Kreditinvestoren ist er ein neues Volumenfeld mit bekannten Risiken: Laufzeiten, Zinsen, Sicherheiten, Konzentration und Transparenz.
Die nüchterne Frage lautet deshalb nicht, ob KI wirtschaftlich relevant wird. Die relevantere Kapitalmarktfrage lautet, wie schnell die Erträge aus KI-Produkten die Finanzierung des physischen Unterbaus rechtfertigen. Zwischen Modellfortschritt und Schuldendienst liegt kein Marketingversprechen, sondern eine Infrastrukturrechnung.
Wenn diese Rechnung aufgeht, werden Rechenzentren zu rentablen Produktionsanlagen einer neuen Software- und Cloud-Generation. Wenn sie nicht aufgeht, bleibt ein großer Teil des Booms in den Bilanzen derer hängen, die ihn vorfinanziert haben. Genau deshalb schaut Wall Street inzwischen nicht nur auf Nutzerzahlen und Modellqualität, sondern auf Auslastung, Stromkosten, Abschreibungen und Refinanzierung. Der KI-Boom wird damit nicht kleiner. Er wird bilanzierbarer.
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?
