Ein schnell wachsender KI-Markt kann zugleich real und teuer sein. Statt Ausgaben für Rechenleistung, Strom und Rechenzentren nur als Boom oder Blase zu etikettieren, ist eine engere Frage hilfreicher: Woran lässt sich erkennen, ob das zugesagte Kapital eine angemessene Rendite erwirtschaftet?
Redaktionelle Illustration aus einem Pexels-Foto von panumas nikhomkhai. Sie zeigt weder ein im Text behandeltes Unternehmen oder Rechenzentrum noch eine Finanzierungsstruktur oder Rendite.
Eine Auswertung der US-Notenbank zu Umfragen bis 2025 nennt rund 18% KI-Einführung in einer Census-Bureau-Reihe und rund 41% arbeitsbezogene Nutzung generativer KI in einer anderen Befragung. Diese Werte sind nicht austauschbar: Sie erfassen unterschiedliche Gruppen und Definitionen. Keiner der beiden Werte misst Nutzungsintensität, Rentabilität oder gesamtwirtschaftliche Produktivität.
Vier Messgrößen auseinanderhalten
Erstens geht es um Einführung. Wenn ein Unternehmen KI im Support, in der Entwicklung oder bei Dokumenten einsetzt, hat die Technik einen Platz im Arbeitsablauf. Das belegt noch nicht, dass die Nutzung wesentlich, dauerhaft oder profitabel ist. Auch die Frageformulierung zählt: Die Federal Reserve weist darauf hin, dass das Census Bureau seine Unternehmensfrage Ende 2025 erweitert hat. Ein Anstieg über diesen Bruch hinweg ist daher keine direkt vergleichbare Wachstumsrate.
Zweitens geht es um Investitionen. Zugängliche Daten der Federal Reserve beziffern die gemeinsamen Investitionsausgaben von Amazon, Alphabet, Meta, Microsoft und Oracle im vierten Quartal 2025 auf 131 Milliarden US-Dollar und im Gesamtjahr auf 412 Milliarden US-Dollar. Das markiert eine Größenordnung, ist aber keine reine KI-Rechnung; die Unternehmen investieren auch in ihre übrigen Cloud- und Technologiegeschäfte. Eine große Zahl benennt keinen Cashflow, der eine konkrete Datenhalle, Beschleunigerflotte oder Stromvereinbarung zurückzahlt.
Drittens geht es um Finanzierung. Die Bank für Internationalen Zahlungsausgleich beschreibt Kredite, Leasing, Kapazitätsabnahmeverträge und Zweckgesellschaften, die teilweise außerhalb der Hauptbilanz eines Hyperscalers liegen können. Solche Strukturen können langfristige Anlagen und Finanzierung sinnvoll verbinden. Sie erweitern aber die Prüffragen: Wer zahlt wie lange, mit welchen Garantien, und was passiert bei späterer Nachfrage oder niedrigeren Preisen?
Viertens folgt die Rendite. Anbieter brauchen ausreichend zahlende Nachfrage, Auslastung und Marge, um Betriebskosten, Abschreibung und Kapitalkosten zu decken. Nutzer brauchen einen wiederholbaren Nutzen, der nach Testphase, Aktionsguthaben oder gebündelter Produkteinführung bestehen bleibt. Hohe Einführung kann mit schwacher Stückökonomie zusammenfallen; sinkende Rechenpreise können den Zugang erweitern und gleichzeitig Erlöse je Einheit drücken.
Eine Beweiskette statt einer spektakulären Kennzahl
Eine belastbare Bewertung verknüpft diese vier Ebenen. Bei einem KI-Dienst sind wiederkehrende Nutzung, getrennte Zahlungsbereitschaft und Bindung nach Preisänderungen relevant. Bei Infrastruktur zählen vertraglich gebundene und tatsächlich genutzte Kapazität, die Wettbewerbsdauer der Geräte sowie die Umkehrbarkeit von Strom- und Bauzusagen.
Die Finanzierung verdient die gleiche Aufmerksamkeit. Laut BIS kann eine Zweckgesellschaft eine Anlage besitzen, während ein Hyperscaler eine Minderheitsbeteiligung hält und langfristige Leasing- oder Kapazitätskäufe zusagt. Die Schulden können beim Vehikel stehen, wirtschaftliche Risiken aber über Leasingzahlungen, Garantien, private Kreditgeber und Versicherer weiterlaufen. Das ist kein Beweis für ein Scheitern; es ist ein Grund, Verpflichtungen nachzuverfolgen.
Produktivität als noch nachzuweisendes Ergebnis behandeln
Ein nützlicher KI-Workflow kann Zeit sparen, ohne sofort in der gesamtwirtschaftlichen Produktivitätsstatistik sichtbar zu werden. Er kann Arbeit auch verlagern statt sie zu ersetzen. Der Aufbau-Rahmen der Federal Reserve macht die Reihenfolge deutlich: sinkende Kosten und bessere Fähigkeiten können Einführung und Investitionen vorausgehen; breite Produktivitäts- und Arbeitsmarkteffekte brauchen länger. Weder ist jede Einführung damit schon rentabel, noch widerlegt das Ausbleiben eines sofortigen Makroeffekts jede Nutzung.
Für die Bewertung eines KI-Tools hilft ein lokaler Test: Aufgabe, Ausgangszeit oder -qualität, Modell- und Prüfkosten, Fehlerquote und sinnvolle Nutzungshäufigkeit festlegen. Für Infrastruktur gilt dieselbe Disziplin in größerem Maßstab: Umsatz, Auslastung, Verlängerungen, Abschreibung, Finanzierungszusagen und Abwärtsszenarien müssen zusammenpassen.
Die Evidenz spricht für einen erheblichen KI-Ausbau und eine sinnvolle Nutzung. Sie begründet jedoch weder ein allgemeines Urteil über Bewertungen noch eine Crashprognose oder Anlageempfehlung. Wer Nutzung, Ausgaben, Finanzierung und Rendite trennt, erhält eine strengere und nützlichere Analyse.
Wir verbinden Primärquellen, Produktdokumentation und reale Anwendungsszenarien, damit Sie besser einschätzen können, ob ein Tool zu Ihrem Workflow passt.