Warum die KI-Gewinnsteigerungen hinter den hohen Erwartungen der Wall Street zurückbleiben könnten
Die Wall Street rechnet derzeit mit einem massiven Anstieg der Unternehmensrentabilität, der durch künstliche Intelligenz vorangetrieben wird, doch eine wachsende Warnung deutet darauf hin, dass dieser Zeitplan übermäßig optimistisch sein könnte. Torsten Slok, Chefökonom bei Apollo, argumentiert, dass die tatsächliche Realisierung KI-gesteuerter Margen in Nicht-Tech-Sektoren viel länger dauern könnte, als aktuelle Marktprognosen vermuten lassen.
Die Diskrepanz zwischen Tech-Bewertungen und der realen Anwendung
Die aktuelle Bewertung vieler KI-Unternehmen beruht auf einer einzigen, gewaltigen Annahme: dass der S&P 493 – der Index unter Ausschluss der Tech-Giganten der „Magnificent Seven“ – durch die Integration von KI eine signifikante Margenausweitung erleben wird. Während Tech-Unternehmen bereits von den Vorteilen der Automatisierung profitieren, zeichnet die Gesamtwirtschaft ein anderes Bild.
Laut Slok gibt es derzeit keine nennenswerten Belege dafür, dass KI die Gewinnmargen in Branchen außerhalb des Kern-Technologiesektors steigert. Die Märkte preisen ein schnelles Gewinnwachstum ein, doch die tatsächlichen Cashflows, die zur Rechtfertigung dieser Bewertungen erforderlich sind, könnten weit dahinter zurückbleiben. Wenn die Produktivitätsrevolution fünf Jahre statt fünf Monate braucht, um sich zu manifestieren, könnte die Branche mit einer schmerzhaften und erheblichen Neubewertung von KI-Aktien konfrontiert werden.
Strukturelle Barrieren in regulierten Branchen
Die Verzögerung bei den Produktivitätsgewinnen ist nicht nur eine Frage der langsamen Einführung; sie ist ein Nebenprodukt der komplexen Umgebungen, in denen viele globale Industrien agieren. In stark regulierten Sektoren wie dem Gesundheitswesen, dem Bankwesen, der Energiebranche, der Pharmazie und der Fertigung ist der Weg zur KI-Integration voller Hürden.
Strenge Datenschutzanforderungen, strikte regulatorische Compliance und die Notwendigkeit massiver Prozessumstellungen bedeuten, dass diese Branchen sich nicht so schnell umstellen können wie ein Software-Startup. Diese institutionellen Reibungsverluste wirken wie eine Bremse für die Geschwindigkeit, mit der KI zur Optimierung von Arbeitsabläufen und zur Kostensenkung eingesetzt werden kann. Infolgedessen könnte der „Produktivitätsschub“, auf den Investoren setzen, um Jahre verzögert eintreten, während diese Sektoren die rechtlichen und operativen Komplexitäten der Implementierung von maschinellem Lernen bewältigen müssen.
Das Messproblem in der Wissensarbeit
Selbst wenn KI die Effizienz einzelner Mitarbeiter erfolgreich steigert, entsteht eine sekundäre Herausforderung: die Schwierigkeit, diese Gewinne zu quantifizieren. Im Bereich der Wissensarbeit sind Produktivitätssteigerungen bekanntlich schwer präzise zu messen.
Im Gegensatz zur Fertigung, in der der Output leicht nachverfolgt werden kann, fehlen den Gewinnen, die ein Mitarbeiter durch die Nutzung eines LLM zum Entwerfen von Berichten oder zur Datenanalyse erzielt, oft klare Kennzahlen. Ohne konkrete Daten haben Managementteams Schwierigkeiten, groß angelegte Investitionsausgaben zu rechtfertigen oder die Verbesserungen in einer formellen Bilanz auszuweisen. Stattdessen werden diese inkrementellen Effizienzgewinne oft in den täglichen Betrieb „absorbiert“ und manifestieren sich nicht als die sichtbare Margenausweitung, die die Wall Street fordert.
Wichtigste Erkenntnisse
- Risiko der Markteüberbewertung: Die Bewertungen von KI-Aktien basieren stark auf dem Margenwachstum im S&P 493, das in Nicht-Tech-Sektoren noch nicht eingetreten ist.
- Regulatorische Reibungsverluste: Branchen wie das Gesundheitswesen und das Bankwesen stehen aufgrund von Datenschutzauflagen und komplexen Prozessumstellungen vor erheblichen Verzögerungen bei der KI-Einführung.
- Die Quantifizierbarkeit-Lücke: Produktivitätsgewinne in der Wissensarbeit sind schwer zu messen und zu berichten, was es für Unternehmen schwierig macht, die KI-Nutzung in ein Gewinnwachstum umzumünzen.