Jon Gray widerspricht der Skepsis über langsame KI-Renditen
Jon Gray hat der wachsenden Forderung nach sofortigen KI-Renditen widersprochen und diese Ungeduld angesichts zunehmender Sorgen über Ausgaben und Cashflow als „etwas fehlgeleitet“ bezeichnet.
Die Argumentation des Blackstone-Präsidenten, über eine auf google news verbreitete Business-Insider-Story berichtet, beruht auf einem längeren Investitionshorizont. Rechenzentren erfordern Jahre der Planung, des Baus, der Strombeschaffung und Kundenvermietung, bevor ihre Wirtschaftlichkeit klar wird.
Diese Position steht im Widerspruch zu der deutlich schärferen Botschaft der öffentlichen Märkte. Investoren verlangen zunehmend von Alphabet, Amazon, Meta, Microsoft und Oracle, KI-Investitionen mit messbaren Umsätzen, Margen und freiem Cashflow zu verknüpfen.
Gray ist in dieser Debatte kein neutraler Beobachter. Blackstone hat Rechenzentren, Energieinfrastruktur und andere KI-bezogene Vermögenswerte ins Zentrum seiner Anlagestrategie gerückt. Die Ergebnisse liefern ihm Anhaltspunkte für Optimismus, doch das Engagement gibt dem Unternehmen auch ein klares finanzielles Interesse an anhaltender Bautätigkeit.
Die eigentliche Frage ist daher nicht, ob KI Nachfrage schafft. Das derzeitige Cloud-Wachstum und die Infrastrukturzusagen belegen bereits eine erhebliche Nachfrage. Der Streit dreht sich um Timing, Konzentration und darum, ob die heutige Bautätigkeit nach Finanzierungs- und Betriebskosten akzeptable Renditen erzielen wird.
Jon Grays Argument zu KI-Renditen dreht sich um den Zeitfaktor
Gray fordert Investoren auf, KI-Infrastruktur wie einen langlebigen Industrieanlagewert zu bewerten, nicht wie ein Software-Feature, das sich innerhalb eines Quartals amortisieren soll.
Blackstones öffentliche Unterlagen beschreiben einen mehrjährigen Ausgabenzyklus für Chips, Rechenzentren, Kühlausrüstung und Stromerzeugung. Diese Vermögenswerte müssen vorhanden sein, bevor Cloud-Anbieter die von ihnen geschaffene Rechenkapazität verkaufen können.
Diese Abfolge macht frühe Renditeberechnungen unvollständig. Bauausgaben fallen sofort an, während Umsätze erst entstehen, nachdem Gebäude mit Strom versorgt wurden, Server installiert sind und Kunden die vertraglich vereinbarte Kapazität nutzen.
Ein Rechenzentrum kann zudem mehrere Generationen von Rechenausrüstung beherbergen. Die wirtschaftliche Lebensdauer des Gebäudes und des Stromanschlusses kann daher über die Nutzungsdauer seiner ersten Chips hinausreichen.
Grays Position gewinnt durch Blackstones eigenes Portfolio an Glaubwürdigkeit. Während der Ergebnispräsentation des zweiten Quartals erklärte das Management, KI treibe Investitionen in digitaler und Energieinfrastruktur voran. Blackstone berichtete außerdem, dass neun seiner zehn größten vierteljährlichen Anlagegewinne mit KI-bezogenen Unternehmen verbunden waren.
Das Unternehmen erklärte, seine gemischte Strategie für digitale Infrastruktur habe seit Auflegung eine jährliche Nettorendite von 18 % erzielt. Diese Zahl bezieht sich auf eine Blackstone-Anlagestrategie, nicht auf den gesamten KI-Markt, und sollte nicht als allgemeingültiger Beleg verstanden werden.
Blackstone hat QTS hervorgehoben, den Rechenzentrumsbetreiber, den das Unternehmen vor der Veröffentlichung von ChatGPT übernahm. Laut dem Halbjahresausblick war die von QTS vermietete Kapazität in fünf Jahren um das Fünfzehnfache gewachsen.
Diese Erfahrung prägt Grays Argumentation. Blackstone stellte Kapital bereit, bevor die Nachfrage nach generativer KI offensichtlich wurde, und profitierte dann davon, dass große Cloud-Kunden mehr Rechenkapazität suchten.
Eine erfolgreiche Plattform kann jedoch die umfassendere Renditefrage nicht entscheiden. Einstiegspreise, Stromverfügbarkeit, Finanzierungsstrukturen, Mietverträge und Bauzeitpläne unterscheiden sich zwischen Vermögenswerten.
Blackstones Gewinne spiegeln auch seine Position in der Lieferkette wider. Ein Vermieter mit langfristigen Mietverträgen kann attraktive Renditen erzielen, selbst wenn die KI-Produkte des Mieters weniger profitabel bleiben als erwartet.
Dieser Unterschied ist wichtig. Infrastrukturbetreiber verkaufen knappe Kapazität, während Cloud-Unternehmen diese Kapazität in wiederkehrende Kundenumsätze umwandeln müssen. Anwendungsentwickler stehen vor einer weiteren Herausforderung, da sie genug verdienen müssen, um den teuren Modellzugang und die Rechenleistung zu finanzieren.
Die ursprüngliche Aussage lässt sich am besten als Verteidigung geduldigen Kapitals verstehen. Gray behauptet nicht, dass jedes KI-Modell, Rechenzentrum oder Softwareunternehmen erfolgreich sein wird.
Sein enger gefasstes Argument lautet, dass Investoren einen noch unvollendeten Ausbau bewerten, bevor ein großer Teil der Kapazität in Betrieb gegangen ist. In diesem Punkt stützt der Bauzeitplan seine Sicht.
Doch derselbe Zeitplan kann auch Fehler verbergen. Ein durch Stromengpässe verzögertes Projekt kann sein stärkstes Nachfragefenster verpassen. Eine auf aktuelle Hardware ausgelegte Anlage könnte früher als erwartet kostspielige Modernisierungen benötigen.
Zeit ist somit sowohl Grays Verteidigung als auch sein Risiko. Warten ermöglicht es, dass vertraglich gesicherte Nachfrage zu Umsatz wird, gibt Wettbewerbern aber auch Zeit, Kapazitäten aufzubauen und Preise zu senken.
Warum google news voller Zweifel an KI-Ausgaben ist
Die Skepsis der Investoren hat zugenommen, weil Kapitalzusagen schneller steigen, als Unternehmen die damit verbundenen Renditen offenlegen können.
Die größten Cloud-Anbieter weisen KI-Umsätze und -Gewinne nur selten als separate Positionen aus. KI-Aktivitäten sind stattdessen in umfassenderen Cloud-, Werbe-, Software- oder Infrastrukturgeschäften enthalten.
Diese Rechnungslegungsstruktur erschwert direkte Renditeberechnungen. Google Cloud umfasst neben KI-Diensten auch herkömmliche Cloud-Workloads, während Microsofts Cloud-Segment Azure mit anderen Produkten kombiniert.
Amazon Web Services steht vor demselben Zuordnungsproblem. Meta nutzt einen großen Teil seiner Infrastruktur intern, wo KI Empfehlungen, Werbung, Content-Tools und Produktentwicklung unterstützt.
Eine Ergebnisanalyse kam zu dem Schluss, dass Cloud-Margen Hinweise liefern, die Renditen aus KI-Investitionen jedoch nicht isolieren können. Traditionelle Cloud-Workloads bleiben hochprofitabel und können schwächere KI-Ökonomien verschleiern.
Die Ausgabenzahlen sind leichter erkennbar. Reuters berichtete, dass Konsensschätzungen für die Investitionsausgaben von Microsoft, Alphabet, Amazon, Meta und Oracle von rund 485 Milliarden US-Dollar im Januar auf etwa 730 Milliarden US-Dollar bis Juli 2026 stiegen.
Dieselbe Cashflow-Analyse prognostizierte, dass die fünf Unternehmen 2027 mehr für Investitionsausgaben ausgeben könnten, als sie an freiem Cashflow erwirtschaften.
Diese Schätzungen umfassen auch Nicht-KI-Investitionen, da Unternehmen KI-Ausgaben nicht durchgängig separat ausweisen. Führungskräfte haben jedoch Server, Rechenzentren, Netzwerke und damit verbundene Cloud-Kapazitäten als wesentliche Ausgabentreiber bezeichnet.
Der Druck zeigt sich bei jedem Unternehmen anders. Microsoft meldete 35,8 Milliarden US-Dollar operativen Cashflow im Quartal und zugleich Investitionsausgaben von 37,5 Milliarden US-Dollar, einschließlich Finanzierungsleasing.
Amazon berichtete, dass der operative Cashflow auf Zwölfmonatsbasis 148,5 Milliarden US-Dollar erreichte, während der freie Cashflow auf 1,2 Milliarden US-Dollar fiel. Oracles Investitionsausgaben im Geschäftsjahr 2026 erreichten 55,7 Milliarden US-Dollar gegenüber 32 Milliarden US-Dollar operativem Cashflow.
Diese Zahlen beweisen nicht, dass die Ausgaben scheitern werden. Sie erklären, warum Investoren Kapazitätswachstum nicht länger als ausreichenden Beleg akzeptieren.
Öffentliche Aktionäre bewerteten viele Technologieunternehmen ursprünglich als asset-light Plattformen. Software- und Werbeumsätze konnten wachsen, ohne dass Fabriken, Ausrüstung oder Lagerbestände entsprechend zunehmen mussten.
KI verändert dieses Modell. Umsatzwachstum hängt zunehmend von physischen Anlagen, spezialisierten Chips, Kühlsystemen, Übertragungstechnik und verlässlicher Stromversorgung ab.
Das Ergebnis ähnelt einer Kombination aus Softwareökonomie und industrieller Infrastruktur. Diese Kombination kann dauerhafte Vorteile schaffen, reduziert aber auch die Flexibilität und bindet Kapital, bevor die Nachfrage sicher ist.
Darin liegt die Spannung hinter der aktuellen Berichterstattung auf google news. Gray sieht Infrastruktur, die jahrelange Nachfrage nach Rechenleistung unterstützen wird. Skeptiker sehen enorme feste Verpflichtungen, deren Rentabilität weiterhin schwer messbar ist.
Die beiden Positionen sind keine vollständigen Gegensätze. Investoren können an ein Wachstum der KI-Nachfrage glauben und zugleich hinterfragen, ob jeder Dollar der aktuellen Bautätigkeit eine angemessene Rendite erzielt.
Dieser Unterschied erklärt, warum Marktreaktionen selektiver geworden sind. Unternehmen mit Cloud-Wachstum und stabilen Margen erhalten mehr Geduld als Unternehmen, die stark auf Schulden oder konzentrierte Kunden angewiesen sind.
Die Debatte geht inzwischen über die Frage hinaus, ob Führungskräfte an KI glauben. Investoren wollen nun Belege dafür, dass zusätzliche Ausgaben zusätzliche Umsätze schaffen, ohne Margen oder Aktionärsrenditen dauerhaft zu schwächen.
Geduldiges Infrastrukturkapital trifft auf quartalsweisen Marktdruck
Der zentrale Konflikt stellt Grays langfristiges Investitionsmodell öffentlichen Investoren gegenüber, die kurzfristige finanzielle Belege verlangen.
Blackstone beschafft Fonds, die darauf ausgelegt sind, private Vermögenswerte über längere Zeiträume zu halten. Das Unternehmen kann Investitionen um langfristige Mietverträge, vertraglich gesicherte Cashflows und schrittweise Entwicklung strukturieren.
Öffentliche Technologieunternehmen folgen einem anderen Takt. Jeder Ergebnisbericht gibt Aktionären eine weitere Gelegenheit, Investitionsausgaben mit Cloud-Wachstum, Betriebsergebnis und freiem Cashflow zu vergleichen.
Dieser Unterschied kann beide Seiten richtig erscheinen lassen. Eine private Rechenzentrumsinvestition kann sich über ein Jahrzehnt gut entwickeln und zugleich den Cashflow eines Cloud-Anbieters in den ersten Jahren belasten.
Grays Modell profitiert auch von Knappheit. Geeignete Grundstücke, Netzanschlüsse, Ausrüstung, Genehmigungen und erfahrene Betreiber bleiben in wichtigen Rechenzentrumsregionen begrenzt.
Blackstone zufolge hat sich die Zeit, die an manchen Standorten für die Sicherung von Strom erforderlich ist, von etwa einem Jahr auf sieben Jahre oder länger verlängert. Knappheit kann Mietpreise und Vermögenswerte für Eigentümer stützen, die bereits über mit Strom versorgte Standorte verfügen.
Für Hyperscaler erhöht dieselbe Knappheit die Kosten. Ein Cloud-Anbieter könnte mehr für Strom, Bau, Netzwerke und Ausrüstung zahlen, weil eine Verzögerung beim Kapazitätsausbau den Verlust von Kunden riskiert.
Dadurch entsteht ein ungewöhnlicher Anreiz. Für Technologieverantwortliche kann Unterinvestition gefährlicher erscheinen als vorübergehende Mehrausgaben.
Ein Kunde, der nicht genügend Rechenkapazität erhalten kann, kann Workloads anderswohin verlagern, interne Systeme aufbauen oder einen langfristigen Vertrag mit einem Wettbewerber abschließen. Verlorene Beziehungen können auch nach einer Verbesserung des Angebots fortbestehen.
Moody’s hat diese Sorge aus Sicht der Hyperscaler als existenziell bezeichnet. Die Analyse warnte zugleich, dass aggressive Bautätigkeit zu Überkapazitäten und schwächeren Renditen führen kann.
Ausgaben für Rechenzentren gehen den Umsätzen in der Regel mit großem Abstand voraus. Projekte benötigen Planung, Bau, Inbetriebnahme, Geräteinstallation und Kundeneinführung, bevor sie vollständig produktiv werden.
Diese Verzögerung stützt Grays Kritik an Ungeduld. Es wäre unangemessen, von einer Anlage im Bau dieselbe Rendite zu erwarten wie von einem ausgereiften, vollständig vermieteten Vermögenswert.
Investoren beurteilen jedoch nicht nur unfertige Gebäude. Sie bewerten, ob Managementteams die Nachfrage präzise genug prognostizieren können, um einen synchronisierten Überbau zu vermeiden.
Alphabet, Amazon, Meta, Microsoft und Oracle expandieren gleichzeitig. Spezialisierte Cloud-Anbieter und staatliche Projekte fügen eine weitere Ebene geplanter Kapazitäten hinzu.
Wenn alle Beteiligten ähnliche Wachstumsprognosen verwenden, können sie gemeinsam mehr Kapazität bauen, als Kunden aufnehmen können. Die Cloud-Preise würden dann fallen, während Abschreibungen, Zinsen und Stromkosten bestehen blieben.
Jason Helfstein von Oppenheimer fasste die Sorge direkt zusammen: Wenn die Branche zu viel Kapazität schafft, wird deren Preis sinken. Das ist das klassische Risiko in kapitalintensiven Märkten.
Die Telekommunikation bietet einen relevanten historischen Vergleich. Die Investitionen in Glasfaser während der späten 1990er-Jahre schufen Infrastruktur, die schließlich unverzichtbar wurde, doch zahlreiche Investoren erlitten Verluste, weil die Kapazität vor der rentablen Nachfrage verfügbar war.
Das Internet war keine gescheiterte Technologie. Viele einzelne Projekte und Unternehmen erzielten dennoch schlechte Renditen.
Die KI-Infrastruktur kann einem ähnlichen geteilten Ergebnis folgen. Die Gesellschaft könnte deutlich mehr Rechenleistung nutzen, während einige Eigentümer feststellen, dass sie zu viel bezahlt oder Projekte zu aggressiv finanziert haben.
Goldman Sachs schätzt, dass die Ausgaben von KI-Hyperscalern 2026 auf 700 Milliarden US-Dollar steigen müssten, um den Telekommunikationshöhepunkt der späten 1990er-Jahre im Verhältnis zur Wirtschaftsleistung zu erreichen. Der Investmentausblick weist zudem darauf hin, dass große Anbieter über erhebliche Kapazitäten in ihren Bilanzen verfügen.
Größe verringert daher das Risiko unmittelbarer finanzieller Schwierigkeiten für die stärksten Unternehmen. Sie garantiert jedoch nicht, dass die nächste Kapazitätseinheit dieselbe Rendite erzielt wie die vorherige.
Grays Argument ist am stärksten, wenn es auf knappe, vertraglich gebundene Infrastruktur im Besitz gut kapitalisierter Investoren angewandt wird. Es wird schwächer, wenn es auf spekulative Projekte, hoch verschuldete Betreiber und unerprobte Anwendungen verallgemeinert wird.
Die Ungeduld des Marktes ist nicht einfach kurzfristiges Denken. Sie ist ein Versuch, nachhaltige Infrastruktur von Kapazitäten zu unterscheiden, die auf noch nicht getesteten Annahmen aufgebaut sind.
Die fehlenden Renditedaten hinterlassen eine echte Überprüfungslücke
Grays Optimismus kann das zentrale Problem nicht lösen, weil weder Blackstone noch die Hyperscaler einen vollständigen Einblick in die Rentabilität von KI bieten.
Blackstone kann die Performance ausgewählter Infrastrukturstrategien und einzelner Portfoliounternehmen berichten. Diese Ergebnisse zeigen, wie sich seine Vermögenswerte unter bestimmten Verträgen und Eigentümerstrukturen entwickelt haben.
Sie legen nicht offen, welche Rendite Cloud-Kunden mit diesen Einrichtungen erzielen. Ebenso wenig zeigen sie, ob generative KI-Anwendungen die Preise tragen können, die entlang der gesamten Lieferkette erforderlich sind.
Die Offenlegungen der Hyperscaler weisen die entgegengesetzte Einschränkung auf. Sie zeigen konsolidierte Umsätze, Margen, Cashflow und Investitionsausgaben, isolieren jedoch nur selten den Beitrag der KI-Infrastruktur.
Dadurch kombinieren Investoren indirekte Signale. Sie beobachten Cloud-Wachstum, Auftragsbestand, Auslastung, operative Margen, Abschreibungen, Leasingverpflichtungen und Kommentare des Managements.
Jedes Signal hat Schwächen. Der Auftragsbestand kann Verträge mit Laufzeiten von vielen Jahren umfassen, und Kunden können Bereitstellungspläne verhandeln, bevor Umsätze erfasst werden.
Die Auslastung kann steigen, während die Preise fallen. Das Cloud-Wachstum kann auf konventionelle Nachfrage nach Datenbanken, Speicher und Netzwerken statt auf generative KI zurückgehen.
Margen können zudem stabil bleiben, weil profitable bestehende Dienste Verluste aus neueren KI-Workloads ausgleichen. Ohne Offenlegung auf Segmentebene belegen starke Cloud-Ergebnisse keine attraktiven KI-Renditen.
Die Kundenkonzentration schafft eine weitere Unsicherheit. Die Technologieforschung von HSBC schätzt, dass OpenAI und Anthropic etwa die Hälfte der KI-bezogenen Auftragsbestände ausmachen, die mehrere große Cloud-Anbieter offengelegt haben.
Der genaue Anteil ist schwer zu überprüfen, weil Anbieter nur begrenzte Kundendetails veröffentlichen. Die Möglichkeit ist jedoch relevant, weil beide Labore von fortlaufenden externen Investitionen und umfangreichen Infrastrukturverpflichtungen abhängen.
Ein konzentrierter Markt kann stärker wirken, als er tatsächlich ist. Die Infrastrukturumsätze eines Anbieters können von einem Kunden stammen, dessen Ausgaben von einem anderen Unternehmen desselben Investitionsnetzwerks finanziert werden.
Diese Beziehungen sind nicht automatisch zirkulär oder nicht nachhaltig. Strategische Investoren können Modellentwickler rational finanzieren und ihnen zugleich Rechenkapazität verkaufen.
Dennoch erschweren diese Vereinbarungen die Analyse der Nachfrage. Investoren müssen bestimmen, wie viel Nutzung von unabhängigen zahlenden Kunden stammt und nicht aus innerhalb einer kleinen Gruppe recyceltem Kapital.
Die skeptische Sicht reicht auch über Hyperscaler hinaus. Unternehmen berichten, mit KI zu experimentieren, doch Experimente führen nicht immer zu einer breiten Einführung.
Ein Pilotprojekt kann technischen Nutzen demonstrieren, ohne Integrations-, Sicherheits-, Schulungs-, Governance- und Inferenzkosten abzudecken. Unternehmen können die Nutzung reduzieren, wenn diese Kosten die messbaren Einsparungen übersteigen.
Blackstone berichtet, dass etwa die Hälfte seiner Portfoliounternehmen zu einer Form der KI-Einführung übergegangen ist. Das bietet einen nützlichen Einblick über verschiedene Unternehmen hinweg, doch Einführungsphasen entsprechen nicht finanziellen Renditen.
Die wichtigste fehlende Kennzahl ist der zusätzliche Gewinn. Investoren müssen wissen, ob KI Umsätze oder Einsparungen generiert, die über das hinausgehen, was Unternehmen ohne die zusätzliche Infrastruktur erzielt hätten.
Diese Berechnung erfordert ein kontrafaktisches Szenario, also eine Schätzung der Ergebnisse ohne die Investition. Unternehmen veröffentlichen eine solche Schätzung selten, und Außenstehende können sie nicht präzise erstellen.
Ein Empfehlungssystem kann Werbeumsätze verbessern und dabei neue KI-Hardware nutzen. Doch derselbe Umsatz könnte auch höhere Preise, ein wachsendes Publikum oder nicht damit zusammenhängende Produktänderungen widerspiegeln.
Ein KI-Programmierassistent kann Software-Abonnements steigern. Sein Beitrag hängt weiterhin von Kundenbindung, Rechenkosten, Supportausgaben und einer möglichen Kannibalisierung bestehender Produkte ab.
Diese Überprüfungslücke gibt beiden Seiten Raum, günstige Belege auszuwählen. Gray kann auf Leasingwachstum und Infrastruktur-Renditen verweisen. Kritiker können auf sinkenden freien Cashflow und begrenzte Offenlegung hinweisen.
Keine Seite beweist das endgültige Ergebnis. Der Ausbau ist weiterhin aktiv, und ein großer Teil der relevanten Kapazität war noch nicht lange genug in Betrieb, um stabile wirtschaftliche Kennzahlen zu belegen.
Für Leser, die über google news kommen, ist diese Unsicherheit wichtiger als die Meinungsverschiedenheit in der Überschrift. Der Streit lässt sich nicht allein durch Zuversicht entscheiden.
Die Belege müssen letztlich in wiederkehrenden Umsätzen, nachhaltiger Auslastung, stabilen Preisen, steigenden Margen und Cash-Generierung nach Kapitalkosten sichtbar werden.
Bis diese Zahlen sichtbar werden, bleibt Grays Kommentar eine plausible Investmentthese und keine verifizierte Schlussfolgerung über die gesamte KI-Wirtschaft.
Wo Jon Grays Argument die härteste Prüfung bestehen muss
Das größte Risiko besteht nicht darin, dass die KI-Nachfrage verschwindet, sondern darin, dass Angebot, Finanzierung und Kundenökonomie nicht zusammenpassen.
Die Nachfrage nach Rechenleistung kann schnell wachsen, während Investoren dennoch enttäuschende Renditen erzielen. Der für Vermögenswerte gezahlte Preis und die Finanzierungskosten bestimmen, wer den Wert abschöpft.
Hohe Zinsaufwendungen können den Vorteil starker Leasingumsätze zunichtemachen. Bauverzögerungen können Kosten verursachen, bevor eine Anlage Kunden Rechnungen stellt.
Strom ist eine weitere Einschränkung. Rechenzentren benötigen zuverlässige Elektrizität, und neue Übertragungs- oder Erzeugungsprojekte können länger dauern als die Rechenanlagen selbst.
Entwickler mit gesicherter Stromversorgung können über größere Preissetzungsmacht verfügen. Jene ohne sie können teures Land und Ausrüstung halten, während sie auf Netzanschlüsse warten.
Auch Gemeinden und Regulierungsbehörden beeinflussen den Zeitplan. Zu den Bedenken zählen Strompreise für Haushalte, Wasserverbrauch, Lärm, Emissionen und Konkurrenz um Flächen.
Neue Anforderungen können Infrastrukturkosten auf Rechenzentrumsbetreiber verlagern. Das kann Anwohner schützen, zugleich aber Projektrenditen verringern oder den Bau verzögern.
Ausrüstungszyklen schaffen zusätzliche Unsicherheit. Fortschrittliche Prozessoren können kommerziell deutlich schneller veralten als Gebäude, Umspannwerke und Kühlsysteme.
Eigentümer müssen Anlagen so planen, dass sie künftige Hardwaredichten unterstützen. Ein Gebäude, das neue Anforderungen an Stromversorgung und Kühlung nicht aufnehmen kann, benötigt möglicherweise zusätzliche Investitionen.
Rasche Effizienzgewinne erzeugen eine weitere Spannung. Effizientere Chips können die Rechenkosten pro Aufgabe senken, was durch niedrigere Preise zu einer stärkeren Nutzung führt.
Effizienz kann jedoch auch die Zahl der für eine feste Arbeitslast benötigten Maschinen reduzieren. Die Nachfrage muss schnell genug wachsen, um diese Gewinne aufzunehmen.
Wettbewerb beeinflusst jede Ebene. Nvidia liefert einen Großteil der Hardware für beschleunigtes Rechnen, während Cloud-Unternehmen eigene Prozessoren entwickeln, um Kosten und die Abhängigkeit von Lieferanten zu reduzieren.
Google betreibt seit Langem Tensor Processing Units, spezialisierte Prozessoren für Machine-Learning-Workloads. Amazon und Microsoft bieten ebenfalls intern entwickelte KI-Chips an.
Kundenspezifische Hardware kann die Wirtschaftlichkeit von Hyperscalern verbessern. Sie kann jedoch auch Annahmen hinter Anlagen oder Finanzierungsvereinbarungen schwächen, die auf einen bestimmten externen Prozessor zugeschnitten sind.
Der größte kurzfristige Druck könnte eher auf hoch verschuldeten Betreibern lasten als auf den größten Technologieunternehmen. Hyperscaler können Ausgaben durch diversifizierte Umsätze und hohe Cashflows tragen.
Kleinere Infrastrukturanbieter sind häufig auf Schulden, Ausrüstungsfinanzierung oder eine begrenzte Zahl von Mietern angewiesen. Ein verzögerter Vertrag oder ein Refinanzierungsproblem kann wesentlich größere Auswirkungen haben.
S&P Global Ratings schätzt, dass fünf große Cloud-Anbieter 2026 rund 750 Milliarden US-Dollar an Investitionsausgaben tätigen werden, was etwa 38% ihrer Umsätze entspricht. Die Krediteinschätzung erwartet, dass sich der Cashflow erholt, wenn KI-Umsätze skalieren.
Die Agentur warnt zudem, dass die langfristige Kreditqualität davon abhängt, dass das Umsatzwachstum die Kapitalverpflichtungen übertrifft. Diese Bedingung beschreibt den zentralen Test präziser als pauschale Behauptungen über eine KI-Blase.
Grays Argument hält stand, wenn die Nachfrage dem nutzbaren Angebot vorausbleibt und langfristige Verträge Knappheit in Cashflow umwandeln. Es wird schwächer, wenn die Finanzierungskosten steigen, während Kapazität austauschbar wird.
Es wird auch schwächer, wenn große KI-Kunden ihre Verpflichtungen nicht durch operative Umsätze finanzieren können. Die Infrastrukturnachfrage hängt dann von fortlaufender Kapitalbeschaffung statt von sich selbst tragender Nutzung ab.
Die Herausforderung für Leser besteht darin, KI nicht als einen einheitlichen Markt zu behandeln. Ein profitabler Energievermögenswert, eine vollständig vermietete Anlage, ein Cloud-Dienst und ein Consumer-Chatbot haben unterschiedliche wirtschaftliche Grundlagen.
Blackstones Erfolg auf einer Ebene belegt keine Rentabilität auf jeder Ebene. Umgekehrt macht eine schwache Anwendungsökonomie ein vertraglich gebundenes Rechenzentrum nicht automatisch unrentabel.
Dieses fragmentierte Ergebnis ist wahrscheinlicher als ein schlichtes Boom-oder-Bust-Urteil. Starke Plattformen können attraktive Renditen erzielen, während schwächere Projekte umstrukturiert, konsolidiert oder geschlossen werden.
Grays Ungeduldsargument sollte daher selektiv angewandt werden. Zeit hilft Vermögenswerten, die durch reale Nachfrage und disziplinierte Finanzierung gestützt werden. Zeit korrigiert keinen überhöhten Einstiegspreis oder einen unzuverlässigen Kunden.
Was Leser von google news als Nächstes beobachten sollten
Die nächsten drei Signale werden zeigen, ob Gray früh dran, richtig liegt oder eine wachsende Lücke zwischen Bauaktivität und rentabler Nachfrage übersieht.
Erstens sollten Anleger im nächsten Quartalszyklus der Hyperscaler den freien Cashflow neben den Investitionsausgaben beobachten. Umsatzwachstum allein wird die Frage nicht klären.
Der stärkste Beleg für Gray wären steigende KI- oder Cloud-Umsätze, während die operativen Margen stabil bleiben und der Cashflow beginnt, die neuen Kapitalkosten aufzufangen.
Das gegenteilige Muster würde seine Sicht schwächen. Ausgaben, die weiter steigen, während der freie Cashflow sinkt, würden den Druck für verschobene Projekte, geringere Aktienrückkäufe oder mehr externe Finanzierung erhöhen.
Investoren sollten die Investitionsausgaben mit dem operativen Cashflow vergleichen, statt jede Kennzahl isoliert zu betrachten. Sie sollten auch Finanzierungsleasing berücksichtigen, das Infrastrukturverpflichtungen aus einfacheren Vergleichen der Barausgaben herausverlagern kann.
Zweitens sollten sie beobachten, wie offengelegte Auftragsbestände zu realisierten Umsätzen werden. Große Verträge stützen die Infrastrukturthese nur, wenn Kunden Workloads bereitstellen und dauerhaft zahlen.
Nützliche Belege wären eine höhere Auslastung, sich beschleunigende Cloud-Umsätze und weniger Hinweise auf Kapazitätsengpässe. Stabile oder steigende Preise würden darauf hindeuten, dass die Nachfrage das nutzbare Angebot weiterhin übersteigt.
Verzögerte Bereitstellungen würden eine andere Botschaft senden. Ebenso sinkende Preise, die dadurch verursacht werden, dass mehrere Anbieter gleichzeitig Kapazitäten freigeben.
Die Zusammensetzung der Kundschaft ist ebenso wichtig wie der gesamte Auftragsbestand. Eine breitere Akzeptanz in Unternehmen würde die Abhängigkeit von OpenAI, Anthropic und einer kleinen Gruppe stark finanzierter Käufer verringern.
Drittens sollte beobachtet werden, wie sich die Finanzierung verändert. Schuldenemissionen, Joint Ventures, Anlagenverkäufe und private Finanzierungsstrukturen zeigen, wer das Baurisiko trägt.
Externes Kapital kann sinnvoll sein, weil Rechenzentren langlebige Vermögenswerte sind. Ihre Finanzierung mit langfristigem Kapital kann Technologieunternehmen davor schützen, jedes Projekt direkt finanzieren zu müssen.
Die Finanzierung wird bedenklicher, wenn sie den Verschuldungsgrad verschleiert oder Risiken auf Vehikel überträgt, die von optimistischen Annahmen zur Auslastung abhängen. Anleger sollten Garantien, Leasingverpflichtungen und die Konzentration auf einzelne Mieter prüfen.
Diese Signale sollten sich über mehrere Quartale mit Ergebnisberichten hinweg verdeutlichen, nicht anhand einer einzelnen Schlagzeile. Dieser Zeitrahmen stützt einen Teil von Grays Botschaft, ohne dem Markt das Recht abzusprechen, Belege zu verlangen.
Seine Aussage wendet sich gegen ein Quartalsurteil über einen mehrjährigen Infrastrukturzyklus. Sie beseitigt jedoch nicht die Notwendigkeit von Zwischenzielen auf dem Weg dorthin.
Die nützlichste Frage lautet daher nicht, ob Anleger zu ungeduldig sind. Sie lautet vielmehr, ob Unternehmen stetige Fortschritte zeigen können, bevor Geduld zur Ausrede wird.
Leser können diesen Fortschritt anhand des Cashflows, des realisierten Auftragsbestands und der Qualität der Finanzierung verfolgen. Diese Kennzahlen werden mehr offenbaren als eine weitere Welle optimistischer AI-Ankündigungen.
Behalten Sie diese drei Indikatoren neben der nächsten google news-Schlagzeile über AI-Ausgaben im Blick. Verbessern sich alle gemeinsam, gewinnt Grays Geduldsargument an Gewicht. Entwickeln sie sich auseinander, wird die Skepsis des Marktes zunehmend gerechtfertigt erscheinen.
