Von Tim Safarov, Aktienanalyst, Gonet & Cie.
Stehen wir vor einer Blase oder einem neuen Superzyklus? Es gibt scheinbar sowohl typische Merkmale einer Blase als auch Anzeichen einer frühen Phase eines Technologiesuperzyklus.
Nur wenige Investmentthemen haben so viel Begeisterung, aber auch Skepsis ausgelöst wie Künstliche Intelligenz (KI). In den letzten Monaten haben zahlreiche Kommentatoren erneut davor gewarnt, dass der Markt einige typische Merkmale einer Blase zeigt. Das Timing des jüngsten Mega-IPO von SpaceX sowie die Aussicht auf bevorstehende Börsengänge von Unternehmen wie OpenAI und Anthropic verstärken Vergleiche mit der Dotcom-Ära – angesichts des starken Anstiegs bei Hardware- und Halbleiteraktien und der zunehmenden Konzentration der Börsenperformance auf einige wenige KI-bezogene Firmen. Kürzlich hat Alphabets Entscheidung, 84,7 Milliarden US-Dollar an Eigenkapital aufzunehmen – der erste öffentliche Kapitalerhöhung seit dem Börsengang 2004 – eine weitere Sorge verstärkt: Dass der KI-Investitionszyklus deutlich mehr Kapital erfordern könnte als bisher angenommen, was das Risiko erhöht, dass die KI-Ausgaben die operativen Cashflows übersteigen. Zudem würden die steigende Anzahl ausstehender Aktien zusammen mit höheren Abschreibungen den Return on Equity (ROE) belasten, der bisher einer der Hauptfaktoren für die Bewertungen der als Hyperscaler genannten grossen Cloud-Anbieter war. In diesem Zusammenhang warnten einige Investmentstrategen sogar, dass, wenn die aktuellen Trends anhalten, der KI-Boom letztlich eine der grössten Zerstörungen von Aktionärswerten in der Geschichte verursachen könnte.
Blasen & Superzyklen
Diese Bedenken sind ernst zu nehmen. Technologische Innovationsphasen sind oft begleitet von übertriebenem Optimismus, aufgeblasenen Bewertungen und anschliessender Enttäuschung. Dennoch ist schwer zu bestreiten, dass das heutige KI-Ökosystem, anders als viele Unternehmen der Dotcom-Ära, bereits von realen Umsätzen, Gewinnen und echtem Geld getragen wird. Die aussergewöhnliche Performance der Halbleiteraktien wurde von starkem Gewinnwachstum begleitet, dass die Bewertungen nicht wesentlich höher getrieben hat, basierend auf zukünftigen Gewinnerwartungen. Börsenblasen zeichnen sich typischerweise durch einen raschen Anstieg des Kurs-Gewinn-Verhältnisses (KGV) aus. Allerdings können Blasen auch in den Gewinnen selbst auftreten, wie bei Bauunternehmen und Banken vor der globalen Finanzkrise (GFC). Dort blieben die KGVs niedrig, getarnt durch ein nicht nachhaltiges Gewinnwachstum. Generell sind Gewinnblasen häufig in Branchen mit Boom-Bust-Zyklen, wie Rohstoffe, Fluggesellschaften, Reedereien und – für die heutige Zeit wichtig – Halbleiter.
Es gibt jedoch eine andere Interpretation: Der aktuelle KI-Boom könnte die frühen Phasen eines Technologiesuperzyklus darstellen. In den Finanzmärkten spricht man von einem Superzyklus, wenn eine zyklische Branche eine dauerhafte Nachfragesteigerung erfährt, die ein neues und dauerhaft höheres Ausgabenniveau schafft. Beispiele sind die Elektrifizierung der Wirtschaft, der Aufstieg des Internets und die Smartphone-Revolution.
Starke Nachfragesignale
Die Nachfragequelle unterscheidet sich grundlegend von früheren Technologiemanien. Halbleiterhersteller verkaufen hauptsächlich an eine Kundschaft, die überwiegend aus Hyperscalern besteht – einigen der grössten und profitabelsten Unternehmen weltweit. Diese investieren beispiellose Kapitalmengen in KI-Infrastruktur, weil sie glauben, dass die Technologie bedeutende wirtschaftliche Erträge bringt. Solange die Nachfrage nach KI-Diensten weiter wächst, bleibt der Investitionsanreiz bestehen. Ein starkes Nachfragesignal kam kürzlich von Firmen wie Dell und HPE, die einen starken Auftragseingang für Serverkapazitäten verzeichnen. Interessanterweise bedienen Dell und HPE vor allem die nächste Ebene – Neoclouds, CSPs und grosse Unternehmen, die traditionell weniger Kapital als Hyperscaler einsetzen können und nun ebenfalls bereit sind, mehr für den Ausbau ihrer eigenen KI-Infrastruktur auszugeben.
Letztlich hängt die Nachhaltigkeit des KI-Investitionszyklus von der Endkundennachfrage ab, die sich am Geschäft der führenden KI-Plattformen wie Anthropic messen lässt. Laut aktuellen Artikeln von Wall Street Journal und CNBC wird der Umsatz von Anthropic von 4,8 Milliarden US-Dollar im ersten Quartal 2026 auf 10,9 Milliarden im zweiten Quartal steigen – ein Wachstum von über 120% in nur einem Quartal. Natürlich ist es spekulativ, diese Entwicklung auf zukünftiges Wachstum zu übertragen, und die Abschätzung des Gesamtmarktes ist noch unsicherer. Dennoch liefert die aktuelle Wachstumskurve von Anthropic einen starken Hinweis auf die beschleunigte KI-Adoption. Das wirft für Investoren die zentrale Frage auf: Sind die steigenden KI-Capex-Pläne ein Warnsignal für Überhitzung oder ein Beleg dafür, dass die Nachfrage nach Rechenleistung strukturell stärker ist als bisher angenommen? Die Antwort ist nicht rhetorisch: Der aktuelle KI-Investitionszyklus könnte noch lange nicht seinen Höhepunkt erreicht haben. Tatsächlich könnte die KI-Capex länger hoch bleiben, unterstützt durch den Aufstieg von Agentic AI.
Grundlegender Wandel in der KI-Entwicklung
Denken Sie an das letzte Mal, als Sie einen Chatbot baten, eine Zusammenfassung oder einen Entwurf zu schreiben – oder eine Frage zu beantworten. Wahrscheinlich war es nützlich, aber Sie steuerten die Interaktion: fragen, verfeinern, kopieren, prüfen, weitermachen. Stellen Sie sich nun ein System vor, das nicht nur reagiert, sondern handelt. Es erinnert sich an Ihre Anfrage von letzter Woche, kennt Ihre Präferenzen, arbeitet über digitale Tools hinweg, plant Arbeitsabläufe und passt sich an veränderte Umstände an. Das ist der Wandel von GenAI zu Agentic AI: von KI, die beim Denken hilft, zu KI, die beim Handeln unterstützt. GenAI ist meist passiv – es nimmt eine Eingabe und liefert eine Antwort. Agentic AI ist aktiv – weniger ein Co-Pilot für eine Aufgabe, sondern ein Autopilot für mehrstufige Arbeitsabläufe. Diese Unterscheidung ist entscheidend, weil sich die Rechenanforderungen ändern.
Tokens, die pro Monat verarbeitet werden (in Billiarden)
Um das besser zu verstehen, führen wir den Begriff Token ein. Ein Token ist die Grundeinheit der Information, die ein KI-Modell verarbeitet, sowohl beim Lesen als auch beim Erzeugen von Text. Ein Token kann ein Wort, ein Teil eines Wortes, ein Satzzeichen oder ein Code-Schnipsel sein. Laut Goldman Sachs könnte Agentic AI den Token-Verbrauch dramatisch steigern, bis 2030 auf rund 120 Billiarden Tokens pro Monat, da die Nutzung von diskreten, nutzerinitiierten Aufgaben hin zu dauerhaften Hintergrundprozessen wechselt.
Workflows erfordern komplexere und präzisere Aktionen
Betrachten wir den simulierten Reisebuchungsagenten von Goldman Sachs, der eine Reise zusammenstellt und bucht. Der Agent analysiert Absichten, klärt fehlende Eingaben, durchsucht interne und externe Systeme, bewertet Optionen, integriert Nutzerfeedback, prüft Verfügbarkeiten und wiederholt Schritte bis zur Fertigstellung. Diese Aufgabe benötigt zehnmal mehr Tokens als eine Standard-Chat-Sitzung mit einem grossen Sprachmodell (LLM). Ein E-Mail-Monitor-Agent, der Absichten interpretiert, Kontext abruft, Antworten entwirft, Nachverfolgungen managt, Meetings koordiniert und offene Aufgaben zusammenfasst, benötigt täglich hundertmal mehr Tokens. Das zeigt, dass der grösste Treiber für Token-Nachfrage nicht nur die Komplexität der Aufgabe ist, sondern wie kontinuierlich der Agent aktiv bleibt.
Obwohl Konsumentenagenten heute wahrscheinlich eine grössere Nutzerbasis haben, werden Unternehmensagenten pro Nutzer deutlich tokenintensiver sein und bis 2030 die Hauptquelle für zusätzlichen Token-Bedarf darstellen. Das liegt daran, dass Unternehmens-Workflows komplexere und präzisere Aktionen erfordern, wie Aufgabenüberwachung, Kontextabruf, Ausnahmebehandlung, Ergebnisvalidierung, Systemupdates und Eskalationen während des Arbeitstages. Unternehmensagenten müssen zudem multimodale Eingaben verarbeiten – Sprache, Bilder, Dokumente, Bildschirmaktivitäten, Anwendungsdaten, Logs und strukturierte Systemdaten – um die komplexen Arbeitsabläufe realer Wissensarbeiter abzubilden. Das erhöht die Token-Intensität gegenüber rein textbasierten Konsumentenanfragen erheblich. Kurz gesagt: Der Unterschied liegt in der Genauigkeit. Während ein Konsumentenagent oft mit einer „gut genug“-Antwort zufrieden ist, braucht ein Unternehmensagent mehrere Iterationen, um genaue, prüfbare und in echten Geschäftsprozessen nutzbare Ergebnisse zu liefern.
KI-Tokenomik
Über die reine Rechenmetrik hinaus ist das Token auch die Grundeinheit der KI-Wirtschaft geworden. KI-Firmen bieten kostenlose und Pauschal-Abos mit niedrigen Token-Limits an. Nutzer mit höherem Bedarf zahlen für die Nutzung grosser Sprachmodelle basierend auf der Anzahl der verwendeten Tokens – sowohl Eingabe- als auch Ausgabe-Tokens, wobei letztere je nach Modell zwei- bis sechsmal teurer sind.
Für Unternehmen hängt die KI-Adoption nicht nur von Produktivität ab, sondern auch von Wirtschaftlichkeit. Nicht alle Unternehmensagenten sind derzeit kosteneffizient. Ein Callcenter-Agent mit Echtzeit-Sprachautomatisierung kann teurer und komplexer sein als ausgelagerte menschliche Arbeitskraft. Ein Coding-Agent hingegen arbeitet in einem wertvollen, meist textbasierten Workflow mit einem vergleichsweise ausgereiften Tool-Ökosystem. Das erklärt, warum Softwareentwicklung bisher schneller Agenten adaptiert hat. Wichtig ist: Token-Volumen allein bestimmen nicht die Wirtschaftlichkeit von Agentic AI. Entscheidend ist, ob die Kosten für einen Workflow so weit sinken, dass der Anwendungsfall attraktiv wird. Sinkende Kosten ermöglichen mehr positive ROI-Fälle und erweitern den adressierbaren Markt für KI-Agenten.
Nicht alle Agenten werden gleichzeitig wirtschaftlich
Für die Hyperscaler sieht die Rechnung anders aus. Ihre Profitabilität hängt von der Differenz zwischen dem, was Kunden für KI-Workloads zahlen, und den internen Kosten für deren Bereitstellung ab. Laut Goldman Sachs senken führende Halbleiterfirmen die Kosten pro Token für Hyperscaler jährlich um 60–70%, während die Kundentokenpreise nach Jahren starker Rückgänge stabilisieren. Das liegt unter anderem an wachsender Nachfrage nach Modellinferenz durch Agentic AI bei begrenzter Rechenkapazität. Dadurch entsteht ein Wendepunkt: Unternehmen erhalten wirtschaftlichere KI-Workflows, während Hyperscaler steigende Tokenmengen in bessere Margen umwandeln durch niedrigere interne Kosten und bessere Infrastruktur-Auslastung. Das macht den aktuellen Capex-Zyklus nachvollziehbarer. Wichtig ist: KI-Capex sollte nicht nur als Kostenfaktor gesehen werden. Wenn sich die Tokenökonomie weiter verbessert, können Hyperscaler mehr Wert für Aktionäre schaffen.
Risiken bleiben bestehen, da nicht alle Agenten gleichzeitig wirtschaftlich werden. Zudem könnten günstigere chinesische Modelle den Preisdruck auf führende LLM-Anbieter erhöhen. Beispiel: Das Prüfen eines 50-seitigen Rechtsvertrags könnte mit Claude Sonnet etwa 0,11 US-Dollar kosten, mit DeepSeek R1 weniger als 0,02 US-Dollar, basierend auf rund 25’000 Eingabe- und 2’000 Ausgabe-Tokens. Bei Hunderten oder Tausenden solcher Aufgaben pro Monat wird der Preisunterschied relevant. Das schwächt die Investitionsargumentation für KI-Infrastruktur nicht unbedingt. Agentic AI wird sich wahrscheinlich zu einer gestuften Modellarchitektur entwickeln. Einfachere, günstigere Modelle übernehmen repetitive Aufgaben, während die fortschrittlichsten Modelle komplexe, zuverlässige und mehrstufige Aufgaben bearbeiten. Günstigere Modelle könnten Preise in einigen Segmenten senken, aber auch die breitere Technologieakzeptanz fördern, indem sie die Kosten vieler Anwendungsfälle reduzieren. Das könnte den Bedarf an Cloud-Computing erhöhen und weiterhin den Hyperscalern zugutekommen. (Gonet & Cie/mc/ps)