Gartner-Risiko bei KI-Infrastruktur bringt 3,5 Billionen US-Dollar in die Abschreibungszone

Gartner hat bis 2030 geplante Ausgaben von mehr als 3,5 Billionen US-Dollar in eine Risikozone für KI-Infrastruktur eingeordnet. Die Warnung stellt die zentrale Annahme hinter dem aktuellen Ausbau infrage: dass die Nachfrage schnell genug wachsen wird, um zunehmend teure Rechenzentren profitabel zu machen.

Das Marktforschungsunternehmen erwartet, dass KI-Anbieter 2026 nahezu 1 Billion US-Dollar für Infrastruktur ausgeben werden. Für den Zeitraum von 2027 bis 2030 prognostiziert es weitere Investitionen von 6 Billionen US-Dollar. Doch die erwarteten Umsätze der Branche bleiben deutlich hinter den Erträgen zurück, die nötig wären, um diese Vermögenswerte zu rechtfertigen.

Dabei geht es nicht nur um ein weiteres Argument darüber, ob sich künstliche Intelligenz in einer Finanzblase befindet. Gartners Wertminderungsprognose benennt einen messbaren Konflikt zwischen Investitionsausgaben und Umsätzen.

Der Konflikt trennt zudem zwei Arten von Infrastrukturbetreibern. Diversifizierte Cloud-Plattformen können schwache Renditen durch ihre breiteren Geschäftsbereiche auffangen. Spezialisierte KI-Cloud-Betreiber sind dagegen oft auf Fremdkapital, teure Hardware und eine konzentrierte Kundennachfrage angewiesen.

Dieser Unterschied setzt Neoclouds stärker unter Druck als Amazon Web Services, Microsoft Azure oder Google Cloud. Eine Neocloud ist ein spezialisierter Anbieter, der beschleunigte Rechenkapazität vermietet, in der Regel auf Basis von Grafikprozessoren.

Das Gartner-Risiko bei KI-Infrastruktur betrifft daher mehr als die Bilanzierung. Es prüft, welche Betreiber gleichzeitig niedrigere Preise, alternde Hardware, Finanzierungskosten und eine langsamere Unternehmensadoption überstehen können.

Das Gartner-Risiko bei KI-Infrastruktur beginnt mit einer Lücke von 4,9 Billionen US-Dollar

Gartners zentrale Erkenntnis ist eine Diskrepanz zwischen den Umsätzen, die Infrastrukturbetreiber benötigen, und den Umsätzen, die der Markt voraussichtlich erzielen wird.

Laut Gartner benötigen Betreiber von KI-Rechenzentren bis 2030 kumulierte Umsätze von 8,5 Billionen US-Dollar. Dieser Betrag würde die angekündigten Investitionsausgaben, Finanzierungskosten und eine Rendite von 12 % auf das investierte Kapital abdecken.

Gartner prognostiziert für denselben Zeitraum höchstens 3,6 Billionen US-Dollar an zurechenbaren KI-Umsätzen aus dem Unternehmens- und Verbrauchermarkt. Die Differenz beträgt 4,9 Billionen US-Dollar, noch bevor berücksichtigt wird, wie diese Umsätze entlang der Wertschöpfungskette verteilt werden.

Infrastrukturbetreiber werden nicht zwangsläufig den Großteil der durch KI-Produkte erzielten Umsätze erhalten. Modellentwickler, Softwareunternehmen, Beratungen, Anwendungsanbieter und Vertriebspartner beanspruchen jeweils einen Anteil.

Gartner erwartet, dass weniger als die Hälfte der zurechenbaren KI-Umsätze Anbieter erreicht, die über umfangreiche Infrastruktur verfügen. Viele KI-native Unternehmen setzen stattdessen auf asset-light Geschäftsmodelle und mieten ihre Rechenkapazität.

Diese Verteilung verschärft die Lücke in der Überschrift. Betreiber von Rechenzentren tragen die Vermögenswerte und Finanzierungsverpflichtungen, während andere Unternehmen einen großen Teil der Anwendungserlöse abschöpfen können.

Gartner sagt nicht, dass 3,5 Billionen US-Dollar mit Sicherheit verschwinden werden. Das Unternehmen erklärt, dieser Betrag könnte einer Wertminderung ausgesetzt sein, falls der gegenwärtige Investitionskurs fortgesetzt wird.

Eine Wertminderung tritt ein, wenn der bilanzierte Wert eines Vermögenswerts den wirtschaftlichen Nutzen übersteigt, den er vernünftigerweise erzeugen kann. Der Eigentümer reduziert diesen Wert dann in seinem Jahresabschluss.

Die Unterscheidung ist wichtig, denn eine Gefährdung ist nicht dasselbe wie ein realisierter Verlust. Projekte können verschoben, Kapazitäten umgewidmet und Ausgabenpläne gekürzt werden, bevor eine Wertminderung notwendig wird.

Solche Anpassungen würden jedoch weiterhin signalisieren, dass die ursprünglichen Nachfrageannahmen zu optimistisch waren. Sie könnten zudem niedrigere Margen, abgesagte Projekte oder Konsolidierung ohne formelle Abschreibung zur Folge haben.

Die ursprüngliche Abschreibungswarnung kam zu einem Zeitpunkt, als Investoren die Wirtschaftlichkeit des KI-Ausbaus bereits hinterfragten. Das Ausmaß verleiht dieser Debatte eine klarere finanzielle Struktur.

Wenn die Investitionen Gartners angenommener Entwicklung folgen, könnten bis 2032 Vermögenswerte im Wert von mehr als 4 Billionen US-Dollar einem Abschreibungsrisiko ausgesetzt sein. Gartner erwartet nicht, dass die Branche ihre angenommene Rendite von 12 % vor Ende 2032 erreicht.

Dieser verlängerte Zeitraum verändert die Frage, vor der Infrastrukturbetreiber stehen. Sie müssen mehrere Jahre des Ausbaus finanzieren, bevor die erwarteten Renditen mit dem eingesetzten Kapital Schritt halten.

Das Gartner-Risiko bei KI-Infrastruktur ist daher sowohl ein Zeitproblem als auch ein Umsatzproblem. Die Nachfrage kann schnell wachsen und dennoch zu langsam eintreffen, um die dafür errichteten Vermögenswerte zu tragen.

KI-Ausgaben laufen der nachgewiesenen Nachfrage voraus

Der Ausbau setzt voraus, dass sich künftige KI-Workloads in einem Umfang monetarisieren lassen, den die gegenwärtige Unternehmensadoption noch nicht belegt hat.

KI-Modelle benötigen spezialisierte Prozessoren, Speicher mit hoher Bandbreite, Netzwerktechnik, Kühlsysteme, Gebäude und zuverlässige Stromversorgung. Die meisten dieser Komponenten müssen gesichert werden, bevor ein Anbieter weiß, wie intensiv Kunden sie nutzen werden.

Diese Abfolge schafft einen schwierigen Investitionszyklus. Anbieter bauen zunächst Kapazitäten auf, während Nutzung, Preise, Kundenbindung und Software-Geschäftsmodelle noch nicht gefestigt sind.

Die Kapazität kann nicht sofort entstehen, sobald die Nachfrage offensichtlich wird. Die Entwicklung von Rechenzentren umfasst Grundstücke, Genehmigungen, Stromverträge, Netzanschlüsse, Gerätebestellungen, Bauarbeiten und Tests.

Auf nachgewiesene Nachfrage zu warten, kann dazu führen, dass ein Anbieter nicht über ausreichende Kapazitäten verfügt. Zu früh zu bauen, kann teure Hardware unausgelastet lassen, während Zins- und Finanzierungskosten weiterlaufen.

Die Branche hat sich weitgehend für das zweite Risiko entschieden. Große Cloud-Unternehmen und spezialisierte Anbieter konkurrieren um Prozessoren, Strom, Standorte und Kunden, bevor das Umsatzmodell ausgereift ist.

Diese Entscheidung hat einige rationale Grundlagen. Das Training größerer Modelle verbraucht erhebliche Rechenressourcen. Der Betrieb weit verbreiteter KI-Anwendungen kann noch mehr Kapazität erfordern, da Inferenz bei jeder Nutzeranfrage erfolgt.

Unternehmen wechseln zudem von Experimenten zu produktiven Systemen. Kundenservice, Softwareentwicklung, Dokumentenanalyse, Suche, Sicherheit und Forschung erzeugen allesamt wiederkehrende Inferenz-Workloads.

Technische Nutzung schafft jedoch nicht automatisch Renditen auf Infrastrukturebene. Anbieter müssen diese Nutzung in Umsätze umwandeln, die Hardwareabschreibungen, Energie-, Netzwerk-, Finanzierungs-, Personal- und Wartungskosten übersteigen.

Preiswettbewerb erschwert diese Umwandlung. Modellentwickler haben die Leistung wiederholt verbessert und zugleich die Kosten gängiger Inferenzaufgaben gesenkt. Auch Hardware- und Softwareoptimierungen können den Rechenaufwand für jede Antwort reduzieren.

Diese Verbesserungen können die Nachfrage ankurbeln. Sie können jedoch auch die Einnahmen pro Recheneinheit schneller schwächen, als die Gesamtnutzung wächst.

Dadurch entsteht ein bekanntes Technologieparadox. Günstigeres Computing vergrößert den Markt, doch Infrastrukturbetreiber benötigen genügend Volumen, um sinkende Stückpreise und schnell alternde Ausrüstung auszugleichen.

Unabhängige Forschung hatte das Ausmaß des physischen Ausbaus bereits skizziert. Eine Analyse der Compute-Investitionen aus dem Jahr 2025 schätzte, dass globale Rechenzentren bis 2030 6,7 Billionen US-Dollar benötigen würden.

Diese Schätzung umfasste 5,2 Billionen US-Dollar für Anlagen, die KI-Workloads verarbeiten, und 1,5 Billionen US-Dollar für herkömmliches Computing. Sie warnte zudem, dass Überinvestitionen Vermögenswerte stranden lassen könnten, während Unterinvestitionen das Wachstum begrenzen würden.

Gartners Analyse geht weiter, indem sie diese Bauwelle mit zurechenbaren Umsätzen und erforderlichen Renditen vergleicht. Der Vergleich verwandelt eine Kapazitätsprognose in einen Solvenztest.

KI-Ausgaben allein mit der steigenden Nachfrage nach Modellen zu erklären, übersieht diese finanzielle Ebene. Mehr Tokens, Agents und Unternehmenseinsätze garantieren nicht, dass der Infrastrukturbetreiber ausreichend Wert abschöpft.

Die wichtigste Kennzahl ist nicht die gesamte KI-Nutzung. Entscheidend ist die Marge, die verbleibt, nachdem jeder Akteur zwischen dem Chip und der endgültigen Anwendung seinen Anteil erhalten hat.

Diese Marge muss zudem entstehen, bevor die betreffende Hardware ihre Wettbewerbsfähigkeit verliert. Ein Prozessor kann funktionsfähig bleiben und dennoch wirtschaftlich obsolet werden, wenn neuere Systeme eine bessere Leistung pro Watt bieten.

Das Gartner-Risiko bei KI-Infrastruktur wächst, wenn die Kapazität schneller steigt als profitable Workloads. Es nimmt erneut zu, wenn neuere Hardware den Wert der im vorherigen Zyklus gekauften Ausrüstung verringert.

Neoclouds stehen vor der härtesten Version des Tests

Spezialisierte KI-Infrastrukturanbieter verbinden konzentrierte Umsätze mit Vermögenswerten, die schnell an wirtschaftlichem Wert verlieren können.

Gartner prognostiziert, dass bis 2030 mehr als 80 % der Neocloud-Anbieter ihre Unabhängigkeit verlieren werden. Dies könnte Insolvenzen, Übernahmen, Fusionen oder die Integration in größere Plattformen umfassen.

Die Prognose bedeutet nicht, dass 80 % einfach ihren Betrieb einstellen werden. Sie beschreibt einen Markt, der sich wahrscheinlich konsolidieren wird, wenn Kostendruck schwache Differenzierung offenlegt.

Neoclouds entstanden, weil die Nachfrage nach beschleunigtem Computing die bei traditionellen Cloud-Plattformen verfügbare Kapazität überstieg. Sie konnten Prozessoren beschaffen, Cluster zusammenstellen und diese an Modellentwickler oder Unternehmenskunden vermieten.

Dieses Modell funktioniert besonders gut, wenn Rechenkapazität knapp bleibt. Kunden akzeptieren höhere Preise, lange Bindungen oder eingeschränkte Flexibilität, weil allein der Zugang einen Wert darstellt.

Die Knappheit kann nachlassen, wenn mehr Anlagen in Betrieb gehen. Kunden können Anbieter dann nach Preis, Zuverlässigkeit, Software, Netzwerktechnik, geografischer Abdeckung und Support vergleichen.

Ein Anbieter, der weitgehend ähnliche Hardware vermietet, hat nur begrenzten Schutz, wenn Wettbewerber dieselben Prozessoren anbieten. Verträge können kurzfristige Umsätze stützen, doch Verlängerungen hängen von künftigen Preisen und Kundenanforderungen ab.

Die Finanzierung fügt einen weiteren Druckpunkt hinzu. Spezialisierte Betreiber verfügen oft nicht über die Werbe-, Handels-, Produktivitätssoftware- und etablierten Cloud-Umsätze, die diversifizierten Technologieunternehmen zur Verfügung stehen.

Daher haben sie weniger Spielraum, Infrastruktur zu subventionieren, während sich die Nachfrage entwickelt. Eine verzögerte Anlage, ein verlorener Kunde, ein Refinanzierungsproblem oder ein starker Preisrückgang können das gesamte Unternehmen treffen.

Eine hohe Kundenkonzentration kann diese Schocks verstärken. Ein großer Modellentwickler kann eine umfangreiche Expansion stützen, doch der Anbieter wird verwundbar, falls dieser Kunde seine Nachfrage reduziert oder den Lieferanten wechselt.

Auch die Hardware schreibt sich wirtschaftlich ab, bevor sie nicht mehr funktioniert. Neue Beschleuniger können höhere Trainingsgeschwindigkeit, Speicherkapazität, Netzwerkleistung oder Energieeffizienz liefern.

Ältere Prozessoren können für Inferenz oder weniger anspruchsvolle Workloads weiterhin nützlich sein. Ihre Verlagerung in diese Märkte bedeutet jedoch in der Regel, niedrigere Mietpreise zu akzeptieren.

Rechenzentren selbst haben längere Nutzungsdauern als ihre Server. Dennoch kann ein für dichte KI-Cluster konfiguriertes Gebäude weitere Ausgaben erfordern, wenn sich die Anforderungen an Kühlung, Stromversorgung oder Netzwerktechnik ändern.

Gartners These ist dort am stärksten, wo Verschuldung, konzentrierte Kunden und undifferenzierte Kapazitäten zusammentreffen. Diese Faktoren können einen Rückgang der Mietpreise in eine Wertminderung oder Restrukturierung verwandeln.

Die Marktreaktion nach der Warnung spiegelte diese Sorge wider. Aktien mit Bezug zu spezialisiertem Computing und Rechenzentrumskapazität gerieten unter Druck, als Investoren die erwarteten Renditen neu bewerteten.

Kurzfristige Aktienbewegungen beweisen Gartners Prognose nicht. Sie zeigen jedoch, dass die Kapitalmärkte zwischen Umsatzwachstum und dauerhaft tragfähiger Infrastrukturökonomie unterscheiden.

Eine Neocloud kann diesem Druck begegnen, indem sie langfristige Verträge sichert, Energiekosten kontrolliert und Software entwickelt, die die Wechselkosten für Kunden erhöht. Sie kann sich zudem auf Workloads spezialisieren, bei denen operative Expertise entscheidend ist.

Diese Schutzmechanismen erfordern mehr als verfügbare Prozessoren. Sie verlangen ein differenziertes Angebot, das auch dann wertvoll bleibt, wenn reine Rechenkapazität leichter zu beschaffen ist.

Deshalb deutet Gartners Prognose zu AI-Abschreibungen auf eine Konsolidierung hin. Größe kann Einkauf, Finanzierung, Auslastung und Kundendiversität verbessern, während Übernahmen Vermögenswerte in stärkere Bilanzen überführen können.

Die Konsolidierung könnte einen Großteil der physischen Kapazität erhalten. Sie würde dennoch bestätigen, dass viele ursprüngliche Betreiber keine ausreichenden eigenständigen Renditen erwirtschaften konnten.

Hyperscaler haben mehr Spielraum, den Ausbau zu verteidigen

Amazon, Microsoft und Google sehen sich derselben Infrastrukturökonomie gegenüber, doch ihre breiteren Geschäftsbereiche eröffnen ihnen mehr Wege, AI-Wert abzuschöpfen.

Ein Hyperscaler betreibt Recheninfrastruktur im globalen Maßstab und unterstützt viele Dienste über AI hinaus. Dieses Portfolio unterscheidet seinen Investitionsfall von dem eines spezialisierten Anbieters.

Cloud-Plattformen können Umsätze mit Speicher, Datenbanken, Netzwerken, Sicherheit, Entwicklerwerkzeugen und klassischer Rechenleistung erzielen. AI-Workloads können diese verwandten Geschäftsbereiche zusätzlich stärken.

Die Plattformen kontrollieren mehr Stationen zwischen Infrastruktur und Anwendung. Sie können Beschleuniger vermieten, verwalteten Modellzugang verkaufen, Kundendaten hosten und Werkzeuge für die Bereitstellung von AI-Systemen anbieten.

Sie können die Infrastruktur auch intern nutzen. Suche, Werbung, Empfehlungen, Produktivitätssoftware, Handel und Kundensupport erzeugen allesamt Workloads, die nicht als externe Cloud-Umsätze erscheinen.

Diese breitere Wertabschöpfung beseitigt das Gartner-Risiko für AI-Infrastruktur nicht. Sie gibt Hyperscalern mehr Möglichkeiten, Ausgaben über mehrere Umsatzströme hinweg zu rechtfertigen.

Amazon Web Services lieferte nach der Veröffentlichung von Gartners Ergebnissen ein direktes Gegenargument. AWS-Finanzchef John Felton sagte, die Investitionsausgaben des Unternehmens unterstützten bedeutende Innovationen und Kundennachfrage.

Er verwies auf einen für das zweite Quartal gemeldeten Auftragsbestand von nahezu 500 Milliarden US-Dollar. AWS zufolge kam die Nachfrage von Großunternehmen, AI-Laboren und kleineren Unternehmen.

Laut dem AWS spending case bleibt das Unternehmen mit seinen Investitionen zufrieden, weil Kunden sich zu langfristiger Nutzung verpflichten. AWS meldete einen Quartalsumsatz von 42,2 Milliarden US-Dollar, ein Anstieg um 36,7 % gegenüber dem Vorjahr.

Ein Auftragsbestand schafft Transparenz, beantwortet die Renditefrage jedoch nicht vollständig. Verträge können sich über Jahre erstrecken, Leistungspflichten enthalten und Workloads umfassen, die nichts mit spezialisierter AI-Infrastruktur zu tun haben.

Umsatzwachstum unterscheidet sich zudem von der Rendite auf investiertes Kapital. Ein Unternehmen kann schnell wachsen und dennoch eine Rendite unterhalb der Kosten und Risiken seiner Investitionen erzielen.

Dennoch benennt die AWS-Antwort die stärkste Herausforderung für Gartners Modell. Sichtbarkeit bei der Nachfrage und diversifizierte Umsätze können große Plattformen auch durch eine schwächere Phase des Zyklus weiter investieren lassen.

Hyperscaler können zudem eine Kategorie von Bauprojekten verlangsamen, ohne ihre umfassenderen Cloud-Strategien aufzugeben. Sie können Hardware umleiten, Einkaufszeitpläne neu verhandeln oder Standorte mit stärkerer Nachfrage priorisieren.

Ihr Einkaufsvolumen kann Ausrüstungs- und Finanzierungskosten senken. Ihre globale Präsenz ermöglicht es ihnen, Workloads zwischen Regionen zu verlagern, wenn Stromversorgung, Regulierung oder lokale Kapazität begrenzend werden.

Eigene Beschleuniger bieten eine weitere Absicherung. Intern entwickelte Chips können die Abhängigkeit von einem einzelnen Lieferanten verringern und die Wirtschaftlichkeit für ausgewählte Workloads verbessern.

Diese Strategie bringt eigene Kosten mit sich. Die Entwicklung von Prozessoren, Software und Netzwerken erfordert kontinuierliche Investitionen, während Kunden weiterhin Kompatibilität mit weit verbreiteten Systemen erwarten.

Der zentrale Gegenspieler in dieser Geschichte ist daher nicht Gartner gegen ein einzelnes Unternehmen. Es ist das Umsatzversprechen der Branche gegen die wirtschaftliche Realität des eingesetzten Kapitals.

Hyperscaler verfügen über mehr Schutzmechanismen, müssen aber weiterhin Kunden dazu bringen, AI-Dienste in außergewöhnlichem Umfang zu nutzen. Ihr Vorteil liegt in der Fähigkeit, Wert über ein deutlich größeres System hinweg abzuschöpfen.

Was die Warnung vor 3,5 Billionen US-Dollar nicht beweist

Gartners Prognose ist ein Szenario, das auf Annahmen zu Ausgaben, Umsätzen und Renditen beruht, keine geprüfte Aufstellung unvermeidlicher Verluste.

Die Analyse geht davon aus, dass die aktuelle Investitionsdynamik anhält. Anbieter können diese Dynamik verändern, wenn sich die Projektökonomie verschlechtert.

Bauvorhaben können verzögert werden, bevor Ausrüstung eintrifft. Hardwarebestellungen können angepasst, Anlagen schrittweise eröffnet und geplante Standorte unerschlossen gelassen werden.

Kapazitätsengpässe können Preise auch länger als erwartet stützen. Zugang zu Strom, Verzögerungen bei Genehmigungen, Lieferengpässe und lokaler Widerstand können neue Projekte begrenzen, bevor der Markt ein Überangebot erreicht.

Diese Einschränkungen würden die Menge fertiggestellter Infrastruktur verringern, die einer schwachen Nachfrage ausgesetzt ist. Sie könnten funktionierende Kapazität auch wertvoller machen.

Die Nachfrage könnte Gartners Umsatzprognose übertreffen. AI-Agenten, wissenschaftliche Systeme, Robotik, Mediengenerierung, Programmierwerkzeuge und Unternehmensautomatisierung könnten Workloads schaffen, die weiterhin schwer zu modellieren sind.

Die Branche könnte zudem bessere Monetarisierungsmodelle entwickeln. Unternehmen könnten mehr zahlen, wenn AI-Systeme wertvolle Arbeit erledigen, statt nur gelegentliche Unterstützung zu leisten.

Dieses Ergebnis setzt messbaren wirtschaftlichen Nutzen voraus. Unternehmenskunden benötigen letztlich Produktivitätsgewinne, zusätzliche Umsätze oder niedrigere Betriebskosten, die wiederkehrende AI-Ausgaben rechtfertigen.

Wissensintensive Unternehmen stehen im kleineren Maßstab vor demselben Test. Eine AI knowledge base erzeugt nur dann Wert, wenn Menschen ihre Ergebnisse in realen Entscheidungen und Arbeitsabläufen nutzen können.

Infrastrukturanbieter sind auf diesen Erfolg auf Anwendungsebene angewiesen. Bleibt Enterprise-AI ein experimenteller Budgetposten, wird die Nachfrage nicht jedes derzeit geplante Rechenzentrum tragen.

Effizienz schafft eine weitere Unsicherheit. Bessere Hardware, kleinere Modelle, Caching, Quantisierung und verbesserte Software können mit derselben Infrastruktur mehr Output liefern.

Effizienz kann die Margen gut ausgelasteter Anbieter erhöhen. Sie kann aber auch die Gesamtkapazität verringern, die erforderlich ist, um eine bestimmte Nachfragemenge zu bedienen.

Die Wirkung hängt von der Elastizität ab, also davon, wie stark die Nutzung reagiert, wenn Kosten sinken. Wenn niedrigere Kosten deutlich mehr Nachfrage erzeugen, können Anbieter ihre Systeme ausgelastet halten.

Steigt die Nachfrage nur langsam, kann Effizienz neu errichtete Kapazität überflüssig machen. Derselbe technische Fortschritt kann somit Anwendungen stärken und gleichzeitig Infrastrukturbetreiber schwächen.

Auch Gartners Renditeannahme von 12 % verdient Aufmerksamkeit. Sie stellt die vom Unternehmen gewählte Mindestverzinsung für Investitionskapital dar und keine universelle Bilanzierungsschwelle.

Eine niedrigere erforderliche Rendite würde die modellierte Lücke verkleinern. Höhere Finanzierungskosten oder größere Projektrisiken würden sie vergrößern.

Die Umsatzzuordnung schafft eine weitere Herausforderung. AI trägt zu Cloud-Verträgen, Werbeprodukten, Software-Abonnements und interner Effizienz bei, doch dieser Wert lässt sich nur schwer präzise zuordnen.

Ein enges Zuordnungsmodell könnte die durch Infrastruktur gestützten Umsätze unterschätzen. Ein breites Modell könnte AI Geschäft zuschreiben, das bestehende Systeme ohnehin generiert hätten.

Die Zahl von 3,5 Billionen US-Dollar sollte daher als Schätzung des Risikoumfangs gelesen werden. Sie zeigt das Ausmaß der Diskrepanz unter Gartners Annahmen, identifiziert aber keine konkreten Vermögenswerte oder Unternehmen.

Diese Einschränkung macht die Warnung nicht belanglos. Szenarioanalysen sind nützlich, wenn Investitionsentscheidungen Jahre vor der Beobachtbarkeit ihrer Ergebnisse getroffen werden.

Das Argument zu Gartner AI-Abschreibungen wird stärker, wenn die Ausgaben weiterlaufen, während Auslastung, Margen und zurechenbare Umsätze schwach bleiben. Es wird schwächer, wenn profitable Nachfrage aufholt, bevor die Abschreibungen anziehen.

Drei Signale werden entscheiden, ob die Warnung zutrifft

Auslastung, Cash-Renditen und Konsolidierung werden zeigen, ob der AI-Ausbau nachhaltige Infrastrukturunternehmen oder gestrandete Kapazitäten schafft.

Das erste Signal ist die veröffentlichte Auslastung von AI-Rechenzentren. Anbieter liefern selten eine vollständige, vergleichbare Kennzahl, doch mehrere operative Indikatoren können die Richtung sichtbar machen.

Investoren sollten auf Mietpreise, Vertragslaufzeiten, Kundenkonzentration, Verzögerungen bei Bereitstellungen und die Zeit achten, die benötigt wird, um neue Kapazität zu füllen. Sinkende Preise bei gleichzeitig zunehmendem Leerstand würden Gartners Warnung stützen.

Hohe Auslastung allein reicht nicht aus. Anbieter können Anlagen durch rabattierte Verträge füllen, die Finanzierung und Abschreibung nicht decken.

Das stärkere Signal würde hohe Auslastung mit stabilen Preisen und steigenden operativen Margen verbinden. Dieses Muster würde zeigen, dass Kunden Kapazität ausreichend wertschätzen, um ihre Wirtschaftlichkeit zu tragen.

Das zweite Signal ist die Rendite auf investiertes Kapital der großen Plattformen. Investitionsausgaben können künftiges Wachstum unterstützen, doch die Cash-Generierung muss die Rendite letztlich nachweisen.

Cloud-Umsätze, operative Margen, Free Cash Flow, Abschreibungen, Kaufverpflichtungen und die Umwandlung des Auftragsbestands verdienen allesamt Aufmerksamkeit. Keine einzelne Kennzahl kann die Frage entscheiden.

Bleibt das Cloud-Wachstum stark, während die Margen trotz steigender Abschreibungen standhalten, gewinnt die Verteidigung der Hyperscaler an Glaubwürdigkeit. Steigen die Umsätze, während die Cash-Renditen dauerhaft sinken, wird das Gartner-Risiko für AI-Infrastruktur schwerer zu ignorieren.

Das dritte Signal ist die Konsolidierung von Neoclouds. Gartner erwartet, dass bis 2030 mehr als 80 % dieser Anbieter ihre unabhängige Tätigkeit einstellen werden.

Übernahmen, Umstrukturierungen, abgesagte Projekte, Änderungen von Kreditauflagen und Notverkäufe von Vermögenswerten würden frühe Hinweise liefern. Ebenso ein deutlicher Wandel hin zu wenigen skalierten Betreibern.

Konsolidierung muss nicht bedeuten, dass die AI-Nachfrage eingebrochen ist. Sie kann bedeuten, dass die Nachfrage gesund blieb, während die ursprünglichen Anbieter nicht nachhaltige Finanzierungsstrukturen nutzten.

Die Verfügbarkeit von Strom wird alle drei Signale prägen. Rechenzentren können Prozessoren ohne verlässliche Stromversorgung oder Netzanbindung nicht monetarisieren.

Der energy demand outlook prognostiziert, dass der globale Stromverbrauch von Rechenzentren bis 2030 bei rund 945 Terawattstunden liegen wird. Das ist mehr als das Doppelte des jüngsten Niveaus.

Es wird erwartet, dass AI einen großen Teil dieses Anstiegs antreibt. Rechenzentren bündeln die Nachfrage jedoch an bestimmten Standorten, an denen Übertragungs- und Erzeugungskapazitäten zu verbindlichen Engpässen werden können.

Stromengpässe könnten fertiggestellte Anlagen vor einem Überangebot schützen. Sie könnten aber auch Projekte stranden lassen, die Grundstücke und Ausrüstung gesichert haben, jedoch keinen praktikablen Anschluss.

Die Reihenfolge ist entscheidend. Gartners Prognose wird stärker, wenn Unternehmen trotz schwächerer Renditen und sichtbarer Überkapazitäten weiterhin Kapital binden.

Sie wird schwächer, wenn Anbieter marginale Projekte streichen, die Auslastung verbessern und die Einführung durch Unternehmen in profitable wiederkehrende Nachfrage umwandeln. Ausgabendisziplin könnte Wertminderungen verhindern, ohne die breitere Bedeutung von AI zu widerlegen.

Leser sollten den Erfolg künstlicher Intelligenz vom Erfolg jedes Unternehmens trennen, das ihre Infrastruktur finanziert. Eine nützliche Technologie kann dennoch zu den falschen Preisen zu viel Kapital anziehen.

Dieselbe Unterscheidung galt in früheren Booms der Kommunikations- und Computerbranche. Übermäßiger Ausbau schadete Investoren, doch die überlebende Infrastruktur unterstützte später wertvolle Dienste.

Gartners Warnung besagt, dass die Branche sich diesem Test nähert, bevor der Ausbau abgeschlossen ist. Sein Modell setzt unter dem aktuellen Kurs mehr als 3,5 Billionen US-Dollar einem Risiko aus.

Die nächste Frage lautet nicht, ob die AI-Nutzung weiter wächst. Das wird sie fast sicher. Die Frage ist, ob die Umsätze die Vermögenseigentümer schnell genug erreichen, um Abschreibungen, Finanzierungskosten und neue Konkurrenz zu überholen.

Achten Sie darauf, was Anbieter berichten, nicht darauf, was sie versprechen. Werden neue Anlagen zu nachhaltigen Preisen ausgelastet? Verbessern sich die Renditen nach Abschreibungen? Bleiben spezialisierte Betreiber unabhängig?

Diese Antworten werden entscheiden, ob Gartner einen vermeidbaren Kapitalfehlallokation erkannt hat oder die Anfangsphase eines historischen Abschreibungszyklus.