Warum Fehlinvestitionen und nicht ein Chip-Überangebot den KI-Boom beenden könnten

Der Goldrausch im Bereich der künstlichen Intelligenz wird derzeit von einem beispiellosen Investitionszyklus (Capex) angetrieben, doch es gibt eine deutliche Warnung hinsichtlich seiner langfristigen Nachhaltigkeit. Chris Wood, Global Head of Equity Strategy bei Jefferies, deutet an, dass das KI-Geschäft möglicherweise nicht aufgrund mangelnder Nachfrage, sondern vielmehr durch eine Profitabilitätskrise enden könnte.

Das Risiko von Fehlinvestitionen und zirkulärer Finanzierung

Im Gegensatz zu traditionellen Halbleiterzyklen, die typischerweise durch plötzliche Lagerüberhänge oder Angebotsschocks enden, identifiziert Wood „Fehlinvestitionen“ (Malinvestment) als das Hauptrisiko für das KI-Geschäft. Die Kernsorge besteht darin, dass Hyperscaler und führende KI-Labore möglicherweise keine angemessene Rendite auf die massiven Investitionsausgaben (Capex) erzielen können, die sie tätigen.

Wood weist auf eine potenziell prekäre Rückkopplungsschleife innerhalb des Ökosystems hin: zirkuläre Finanzierungsarrangements, bei denen Unternehmen wie Nvidia KI-Labore wie OpenAI finanzieren, die dieses Kapital dann nutzen, um wiederum mehr Nvidia-Chips zu kaufen. Während dies das kurzfristige Wachstum vorantreibt, schafft es eine Schwachstelle. Wenn Investoren beginnen, an der langfristigen Monetarisierung dieser KI-Investitionen zu zweifeln, könnte sich diese Rückkopplungsschleife abrupt auflösen und eine schmerzhafte Marktkorrektur auslösen.

Massive Capex und das Jevons-Paradoxon

Das Ausmaß der derzeit zu beobachtenden Investitionen ist historisch. TSMC hat seine Capex-Prognose für 2026 auf etwa 56 Milliarden US-Dollar angehoben, verglichen mit 41 Milliarden US-Dollar im Vorjahr, wobei einige Prognosen darauf hindeuten, dass die Ausgaben bis 2027 65–70 Milliarden US-Dollar erreichen könnten. Dieser Anstieg hat die taiwanische Wirtschaft bereits erheblich angekurbelt, wobei das reale BIP-Wachstum im ersten Quartal 2026 im Jahresvergleich 14,55 % erreichte.

Wood betrachtet dies durch die Linse des „Jevons-Paradoxons“ – der Idee, dass der Gesamtverbrauch einer Ressource (in diesem Fall Rechen-Token) tatsächlich steigt, wenn die Kosten für diese Ressource aufgrund erhöhter Effizienz sinken. Dieses Paradoxon kommt den „Picks and Shovels“-Akteuren zugute, insbesondere den Speicher- und DRAM-Anbietern. Unternehmen wie Micron erleben diesen strukturellen Wandel bereits; Micron hat 16 strategische Kundenvereinbarungen unterzeichnet, die 20 % seines DRAM-Volumens und ein Drittel seines NAND-Volumens abdecken, oft mit einer Laufzeit von fünf Jahren.

Die Kommodifizierung von KI-Modellen

Ein weiterer wachsender Druck auf die Rentabilität der führenden westlichen KI-Anbieter ist die rasche Kommodifizierung von Large Language Models (LLMs). Der Aufstieg hochwertiger, kostengünstiger Modelle – insbesondere aus China – stellt die Dominanz der in den USA ansässigen Unternehmen infrage.

Beispielsweise wurde die Einführung von Z.ai’s GLM-5.2 als nahezu ebenbürtig mit Anthropic für den Unternehmenseinsatz beschrieben, jedoch zu nur einem Viertel der Kosten pro Token. Daten von OpenRouter zeigen eine deutliche Verschiebung des Volumens: Ende Juni verarbeiteten führende chinesische KI-Modelle 21,37 Billionen Token und übertrafen damit die 5,76 Billionen Token, die von führenden US-Modellen verarbeitet wurden. Dieser Zustrom an günstigen, leistungsfähigen Alternativen setzt die Gewinnmargen der Unternehmen, die das KI-Rennen anführen, unter immensen Druck.

Wichtigste Erkenntnisse

• Das Hauptrisiko: Das Ende des KI-Booms wird eher durch die Erkenntnis von „Fehlinvestitionen“ und schlechten Renditen auf die Capex ausgelöst als durch ein traditionelles Halbleiter-Überangebot.
• Struktureller Wandel bei Speichern: DRAM- und Speicherlieferanten sind derzeit die am besten geschützten „Picks and Shovels“-Profiteure, die langfristige strategische Vereinbarungen nutzen, um ihre Preismacht zu behaupten.
• Bedrohung durch Kommodifizierung: Das schnelle Aufkommen kostengünstiger, leistungsstarker KI-Modelle (insbesondere aus China) führt zu einer Kommodifizierung der LLM-Landschaft und bedroht die margenstarken Modelle der westlichen KI-Marktführer.