Der KI-Boom wird an der Börse häufig über Chips, Modelle und Nutzerzahlen erzählt. An den Kreditmärkten sieht dieselbe Entwicklung nüchterner aus: Ein wachsender Teil der Infrastruktur wird mit Fremdkapital finanziert, und dieses Fremdkapital ist teurer geworden. Für Unternehmen, die Rechenzentren bauen, GPUs vorfinanzieren oder große Cloud-Kapazitäten einkaufen, verändert ein höherer Zins nicht nur die Finanzierungskosten. Er verschiebt die Mindestanforderung an das gesamte Geschäftsmodell.
Die Rendite zehnjähriger US-Staatsanleihen wurde in der jüngsten Berichterstattung zeitweise mit etwa 5,17 Prozent angegeben, rund einen Prozentpunkt höher als zu Jahresbeginn. Das ist keine Randgröße. US-Treasuries sind ein Referenzpreis, an dem sich viele Kreditmärkte orientieren. Wenn dieser risikoarme Satz steigt, müssen Unternehmensanleihen, private Kredite und Venture-Debt-Strukturen höhere Renditen bieten, damit Investoren das zusätzliche Risiko akzeptieren. Für KI-Unternehmen trifft dieser Zinsanstieg auf einen Investitionszyklus, der bereits außergewöhnlich kapitalintensiv ist.
Das Geschäftsmodell braucht Kapital vor dem Umsatz
Viele KI-Geschäftsmodelle haben ein Timing-Problem. Die Kosten entstehen früh, die Erlöse folgen später und sind nicht immer planbar. Wer Modelle trainiert, Inferenzkapazität bereitstellt oder Rechenzentren ausbaut, muss Chips, Energie, Grundstücke, Netzanschlüsse, Personal und langfristige Lieferverträge finanzieren, bevor die Auslastung sicher ist. Das unterscheidet KI-Infrastruktur von klassischen Softwaremodellen, bei denen zusätzliche Nutzer oft mit vergleichsweise geringen Grenzkosten bedient werden konnten.
Wie höhere Renditen auf KI-Finanzierung wirken
Eine vereinfachte Kette vom Renditeanstieg über Kapitalkosten bis zum Refinanzierungsrisiko bei KI-Infrastruktur.
Bei KI ist die Margenlogik härter. Bruttomargen können attraktiv sein, wenn Kapazitäten gut ausgelastet sind, Kunden hohe Preise zahlen und die Infrastruktur effizient betrieben wird. Sie können aber schnell unter Druck geraten, wenn Rechenleistung ungenutzt bleibt, Stromkosten steigen, ältere Chips schneller an Wert verlieren oder Wettbewerber Preise senken. Fremdkapital verstärkt diese Asymmetrie: Zinszahlungen laufen weiter, auch wenn die Monetarisierung hinter dem Ausbauplan zurückbleibt.
Der Zins setzt eine neue Hürde
JPMorgan Chase schätzte laut Berichten im Juni, dass bis 2030 KI-bezogene Schulden in Höhe von 4,1 Billionen US-Dollar ausgegeben werden könnten. Goldman Sachs Research kam demnach für 2026 auf fast 500 Milliarden US-Dollar an KI-bezogenen Schulden. Solche Zahlen sind Prognosen beziehungsweise Schätzungen, aber sie zeigen die Größenordnung, in der der Markt inzwischen denkt. KI ist nicht mehr nur ein Thema für Risikokapital und Technologiebudgets. Der Ausbau läuft zunehmend über Anleihemärkte, private Kreditgeber und Venture Debt.
Damit ändert sich die Disziplinierung. Eigenkapitalinvestoren können lange auf Wachstum setzen, auch wenn Gewinne fehlen. Kreditgeber haben eine andere Logik. Sie fragen nach Laufzeiten, Covenants, Sicherheiten, Cashflows und Refinanzierungsfähigkeit. Steigt der risikoarme Zins, steigt auch die Renditeforderung auf riskantere Kreditnehmer. Aktuelle Venture-Debt-Sätze von etwa 10 bis 14 Prozent jährlich sind für junge Unternehmen kein Nebenposten. Sie erhöhen die Burn Rate, verkürzen die Zeit bis zur nächsten Finanzierungsrunde und machen jede Verzögerung im Vertrieb teurer.
Venture Debt ist kein billiger Ersatz für Eigenkapital
Der starke Anstieg bei Venture Debt passt in diese Lage. In den USA erreichte Venture Debt für Startups laut Marktdaten 2025 einen Wert von 68,8 Milliarden US-Dollar. Technologie- und KI-Unternehmen standen demnach bis zum dritten Quartal 2025 für rund 90 Prozent des gesamten Venture-Debt-Volumens. Der Anreiz ist nachvollziehbar: Gründer und bestehende Investoren wollen Verwässerung vermeiden, solange Bewertungen unsicher sind oder eine neue Eigenkapitalrunde teuer wäre.
Doch Venture Debt verschiebt das Risiko, er beseitigt es nicht. Fremdkapital kann sinnvoll sein, wenn ein Unternehmen planbare Umsätze, starke Bestandskunden und klare Kostenkontrolle hat. Es wird problematisch, wenn es laufende Verluste überbrückt, während das Geschäftsmodell noch nicht belastbar erprobt ist. Dann hängt die Kreditfähigkeit am nächsten Bewertungsfenster oder an einer Anschlussfinanzierung. Ein höherer Zins macht dieses Fenster enger.
Der Markt sortiert deshalb stärker. Kapital fließt eher zu Unternehmen, die bereits große Kunden, reale Nutzung und einen glaubwürdigen Pfad zu positiven Deckungsbeiträgen zeigen können. Kleinere KI-Firmen mit hohen Infrastrukturkosten, aber unklarer Monetarisierung müssen dagegen entweder mehr Eigenkapital aufnehmen, langsamer wachsen oder härtere Kreditbedingungen akzeptieren. Das ist keine moralische Korrektur, sondern einfache Kreditmechanik.
Hyperscaler spielen mit anderen Karten
Die großen Cloud- und Plattformanbieter stehen ebenfalls unter Investitionsdruck. Analystenschätzungen zufolge könnten die fünf größten Hyperscaler von 2025 bis 2026 zusammen mehr als eine Billion US-Dollar für KI-bezogene Investitionen ausgeben. Auch für sie sind höhere Renditen relevant, weil große CapEx-Programme finanziert, bewertet und gegen alternative Kapitalverwendung gerechnet werden müssen.
Der Unterschied liegt in der Ausgangsposition. Hyperscaler verfügen über bestehende Cashflows, Investment-Grade-Zugang zu Kreditmärkten, eigene Kundenbeziehungen und operative Kontrolle über ihre Cloud-Plattformen. Sie können KI-Infrastruktur nicht nur als Einzelprodukt verkaufen, sondern in bestehende Cloud-, Software- und Datenangebote einbetten. Das senkt nicht automatisch das Risiko, aber es verbessert die Finanzierungsoptionen.
Für den Rest des Marktes entsteht daraus ein strategischer Druck. Wer Rechenleistung von denselben Plattformen einkauft, gegen die er indirekt konkurriert, trägt nicht nur Produkt- und Vertriebsrisiko, sondern auch eine schwächere Kapitalstruktur. Wenn Fremdkapital teurer wird, wird diese Differenz sichtbarer. Marktposition ist dann nicht nur eine Frage des besseren Modells, sondern der billigeren Bilanz.
Das eigentliche Risiko liegt in der Amortisation
Die verbreitete Erzählung, KI-Schulden würden direkt die Staatsanleiherenditen nach oben treiben, greift zu kurz. Kreditmärkte werden von vielen Faktoren bewegt: Inflationserwartungen, Geldpolitik, Haushaltsdefizite, globale Nachfrage nach sicheren Anlagen und Wachstumserwartungen. Plausibler ist ein engerer Zusammenhang: Der KI-Investitionsboom erhöht die Nachfrage nach Kapital, Energie, Baukapazitäten und spezialisierter Hardware. Dadurch steigen die Anforderungen an Rendite und Effizienz.
Der Belastungstest kommt, wenn neue Kapazitäten refinanziert werden müssen oder wenn die erwarteten KI-Umsätze nicht schnell genug wachsen. Rechenzentren haben lange Planungs- und Bauzyklen. Chips altern wirtschaftlich schneller als Gebäude. Energieverträge und Netzanschlüsse binden Kapital. Gleichzeitig können Modellpreise fallen, wenn Anbieter in den Wettbewerb um Unternehmenskunden gehen. In dieser Kombination kann ein Projekt operativ funktionieren und finanziell dennoch zu wenig verdienen, um die Kapitalkosten komfortabel zu decken.
Höhere Zinsen beenden den KI-Ausbau nicht. Sie verändern aber, welche Projekte durchkommen. Kapital wird teurer, Kreditgeber werden selektiver, und Managementteams müssen genauer erklären, wann aus Rechenleistung belastbarer Cashflow wird. Der Markt verlangt weniger Erzählung und mehr Amortisationsrechnung. Für einen Sektor, der in kurzer Zeit enorme Investitionszusagen aufgebaut hat, ist das die entscheidende Verschiebung.
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?
