Die Erzählung der großen Technologiekonzerne ist denkbar einfach: Künstliche Intelligenz braucht immer größere Modelle, größere Modelle brauchen immer mehr Rechenleistung, und das wiederum braucht immer mehr Energie, Wasser zur Kühlung und immer größere Rechenzentren. Microsoft, Google, Meta und Amazon haben diese Linie zur Unternehmensstrategie erhoben und investieren hunderte Milliarden Dollar in ihre Umsetzung, teilweise finanziert über gegenseitige Kredite. An die Politik richtet sich dabei nur eine Forderung: liefert billige Energie, den Rest erledigen wir.

Die eigentlich interessante Frage ist nicht, ob künstliche Intelligenz eine der bedeutendsten Technologien unserer Zeit ist – das ist unbestritten. Sie lautet, ob die Infrastruktur, die gerade in die Landschaft gebaut wird, auf einer technologischen Annahme beruht, die sich bereits verschiebt. Die Datenlage zur Jahresmitte 2026 legt nahe, dass wir uns in einer klassischen Übertreibungsphase befinden, ähnlich der Lage am Neuen Markt im Jahr 2000 – mit dem Unterschied, dass die treibenden Akteure heute hochprofitable Konzerne sind und keine umsatzlosen Start-ups.

Wo der erwartete Ertrag ausbleibt

Zwischen dem, was die Konzerne versprechen, und dem, was ihre Kunden tatsächlich erleben, liegt eine deutliche Lücke. Eine McKinsey-Studie zeigt: 88 Prozent der Unternehmen setzen inzwischen KI ein, aber nur 39 Prozent sehen einen messbaren Effekt auf den Gewinn. Eine PwC-Befragung unter Vorstandsvorsitzenden kommt zu einem ähnlichen Bild: 56 Prozent stellen weder beim Umsatz noch bei den Kosten eine spürbare Veränderung fest. Forrester Research berichtet, dass 55 Prozent der Unternehmen, die Personal zugunsten von KI-Systemen abgebaut haben, diesen Schritt inzwischen bereuen – die Automatisierung erwies sich als komplexer und teurer als kalkuliert. Und die reinen KI-Unternehmen selbst verbrennen Kapital in einem Tempo, das die Dotcom-Ära übertrifft: OpenAI stand 2025 einem Umsatz von 13 Milliarden Dollar ein Verlust von 38,5 Milliarden Dollar gegenüber.

Ein Gesetz an seiner Grenze

Die Strategie der Hyperscaler beruht auf der Annahme, Rechenleistung lasse sich wie in den vergangenen Jahrzehnten immer weiter skalieren, bei sinkenden Kosten pro Einheit. Dieses Muster – die Fortschreibung des Scaling Law und des Moore'schen Gesetzes – gerät an seine physikalischen Grenzen. Die Miniaturisierung von Silizium nähert sich bei zwei bis drei Nanometern ihrem Ende, jede weitere Chip-Generation bringt weniger Fortschritt bei steigenden Kosten. Die Antwort der Branche ist wenig differenziert: mehr Strom, mehr Wasser, mehr Fläche – der Versuch, eine physikalische Grenze mit roher Masse zu kompensieren.

Die Gegenbewegung: kleiner, offener, dezentraler

Während die Hyperscaler ihr Kapital in immer größere, zentralisierte Rechenzentren lenken, entwickelt sich die Technologie in die entgegengesetzte Richtung. Chinesische Modelle wie DeepSeek und Qwen haben 2025 ein Dogma infrage gestellt, das lange als gesetzt galt: dass nur milliardenschwere Investitionen zu Spitzenmodellen führen. DeepSeek bezifferte die reinen GPU-Kosten des letzten Trainingslaufs auf fünf bis sechs Millionen Dollar; unabhängige Analysen, etwa von SemiAnalysis, schätzen die tatsächlichen Gesamtkosten inklusive Forschung und Infrastruktur auf über eine Milliarde Dollar. Auch das bleibt deutlich unter dem, was ein US-Hyperscaler für ein vergleichbares Modell aufwendet – nur eben nicht um den Faktor hundert günstiger, sondern um den Faktor fünf bis zehn. Offene Modelle liegen inzwischen qualitativ nah an den Marktführern und kosten in der Nutzung 60 bis 90 Prozent weniger.

Parallel dazu zeigen Untersuchungen von Nvidia selbst, dass für rund 70 Prozent aller Unternehmensaufgaben kein umfassendes Allzweckmodell nötig ist. Kleinere Sprachmodelle mit unter zehn Milliarden Parametern genügen, sind zehn- bis dreißigmal günstiger im Betrieb, laufen lokal auf Endgeräten und lösen dabei ein Datenschutzproblem gleich mit. Apple zeigt mit seiner Silicon-Strategie, wohin das führt: Der Mac Mini hat sich 2026 zum bevorzugten lokalen KI-Server für Entwickler entwickelt, die die Kontrolle über ihre Daten behalten wollen, statt dauerhaft Gebühren an einen Cloud-Anbieter zu zahlen. Bemerkenswert dabei: Selbst Nvidia, der größte Profiteur der zentralisierten Rechenzentren, bringt mit DGX Spark und DGX Station eigene Personal-Supercomputer auf den Markt – kompakte Desktop-Geräte auf Basis der Grace-Blackwell-Chips, die Modelle mit bis zu einer Billion Parametern lokal ausführen können, das kleinere Gerät bereits ab rund 4.000 Dollar. Der größte Profiteur der zentralisierten Infrastruktur baut damit selbst an der Downsizing-Bewegung mit, die sein eigenes Kerngeschäft infrage stellt.

Wenn die Hardware selbst das Fundament wechselt

Der größte blinde Fleck der Hyperscaler liegt vermutlich nicht in der Software, sondern in der Chip-Architektur. Heutige KI-Prozessoren trennen Rechenwerk und Speicher; der Datentransport zwischen beiden verbraucht Energie und erzeugt die Hitze, die die aufwendigen Kühlsysteme überhaupt erst nötig macht. Das deutsche Unternehmen Q.ANT, ein Spin-off von TRUMPF, hat photonische Prozessoren entwickelt, die mit Licht statt mit Elektronen rechnen; das Leibniz-Rechenzentrum in München betreibt bereits den weltweit ersten photonischen KI-Rechner, mit einer Energieersparnis von bis zu 90 Prozent bei höherer Geschwindigkeit. Das europäische Unternehmen Axelera AI vereint Speicher und Prozessor physisch auf einem Chip. Und auf biologischer Seite züchtet Cortical Labs in Australien menschliche Neuronen auf einem Chip – ein Hinweis darauf, dass ein menschliches Gehirn mit etwa 20 Watt auskommt für Leistungen, für die heutige KI-Systeme Megawatt-Rechenzentren benötigen.

Politische und ökologische Grenzen

Die Rechenzentren belasten inzwischen die Stromnetze und treiben die Strompreise für private Haushalte nach oben. Der weltweite Wasserverbrauch für Kühlung könnte bis 2030 auf 600 Milliarden Gallonen steigen. Im US-Kongress berät ein Unterausschuss über den sogenannten Ratepayer Protection Act, der Rechenzentrumsbetreiber zu Standards für den Netzausbau verpflichten soll; Illinois hat neue Steuervergünstigungen für Rechenzentren im Sommer 2026 zunächst für zwei Jahre ausgesetzt.

Was das für die Bewertung bedeutet

An der Börse zeigt sich das Ausmaß der Wette am deutlichsten. Die zehn größten KI-Werte machen inzwischen 41 Prozent des gesamten S&P 500 aus, ein Konzentrationsgrad, der zuletzt während der Dotcom-Blase erreicht wurde. Nach Berechnungen von JP Morgan sind die kombinierten Investitionsausgaben der Hyperscaler von 33 Prozent ihres operativen Cashflows im Jahr 2023 auf geschätzte 93 Prozent im Jahr 2026 gestiegen – der Puffer für Fehleinschätzungen ist damit praktisch aufgebraucht. Hinzu kommt: Ein KI-Chip gilt nach drei bis fünf Jahren als wirtschaftlich veraltet, während die Glasfaserkabel aus der Dotcom-Ära bis heute im Boden liegen und den Datenverkehr der Welt tragen.

Drei Szenarien halte ich für plausibel. Eine sanfte Landung, bei der die Hyperscaler ihre Ausgaben graduell drosseln und Nvidia 30 bis 40 Prozent vom Höchststand verliert, sich danach aber stabilisiert. Eine harte Korrektur bei den reinen Hardware-Werten, sollte sich die Effizienzrevolution beschleunigen – mit Kursverlusten von 50 bis 70 Prozent bei den Zulieferern, vergleichbar dem Schicksal von Nortel, Lucent und Cisco nach 2001, während die Mega-Caps dank profitabler Kerngeschäfte überleben. Und, deutlich unwahrscheinlicher, ein systemischer Einbruch durch die extreme Marktkonzentration selbst. Dass der Investor Michael Burry bereits eine Short-Position auf Nvidia hält, belegt keines dieser Szenarien, zeigt aber, dass die Frage längst nicht mehr nur akademisch ist.

Fazit

Ein sofortiger Einbruch wie im Jahr 2000 ist unwahrscheinlich. Wahrscheinlicher ist eine erhebliche Kapitalvernichtung bei denjenigen, die am direktesten auf die alte Architektur gesetzt haben – während die Technologie selbst längst in eine andere Richtung weiterzieht: kleiner, offener, dezentraler. Die Hyperscaler denken dabei in Quartalen, die nächste Chip-Generation in drei bis fünf Jahren. Andere Zeiträume kommen in dieser Rechnung bislang kaum vor.

Quellen: McKinsey & Company: „The State of AI in 2025" (November 2025) · PwC: 29th Global CEO Survey (Januar 2026) · Forrester: Predictions 2026, Enterprise-KI-Layoff-Regret-Studie · OpenAI-Finanzzahlen 2025, verifiziert durch die Financial Times, berichtet u. a. von Fortune (16. Juni 2026) · J.P. Morgan Asset Management: Analyse zu Hyperscaler-Capex vs. operativem Cashflow · BofA Global Research: „AI Big 10"-Konzentrationsanalyse zum S&P 500 · Q.ANT / Leibniz-Rechenzentrum München: Pressemitteilung zum photonischen KI-Rechner (Juli 2025) · Axelera AI: Produktankündigung Europa-Chip (Oktober 2025) · Nvidia Newsroom: Ankündigung DGX Spark und DGX Station (Oktober 2025) · SemiAnalysis: Einordnung der tatsächlichen DeepSeek-Trainingskosten · House Energy and Commerce Committee: Beratungen zum Ratepayer Protection Act; Büro des Gouverneurs von Illinois, Pressemitteilung zur Aussetzung der Steuervergünstigungen · Michael Burry, öffentliche Positionsmeldungen, berichtet u. a. von The Motley Fool und Yahoo Finance (Juli 2026)