David Cahn fragt: Kann KI die 3-Billionen-Dollar-Frage beantworten, bevor sich die erhoffte Rendite weiter verzögert?

Sequoia-Partner David Cahn hat seine Schätzung für KI-Infrastruktur auf 1,5 Billionen US-Dollar angehoben und zwingt Investoren damit, sich einem weitaus größeren Umsatzproblem zu stellen. Kann KI die 3-Billionen-Dollar-Frage beantworten, bevor sich die erwartete Rendite über 2028 hinaus verzögert?

Diese Zahl steht für Cahns Schätzung der Umsätze, die erforderlich sind, um die Infrastrukturausgaben der Branche im Jahr 2026 zu rechtfertigen. Sie umfasst die wirtschaftliche Belastung durch Chips, Rechenzentren, Stromversorgungssysteme, Netzwerkausrüstung und die Margen der Betreiber.

Der Konflikt verläuft nicht mehr einfach zwischen KI-Optimisten und Skeptikern. Vielmehr stehen die versprochenen Umsätze der Branche den physischen und finanziellen Verpflichtungen gegenüber, die Google, Meta, Microsoft, Amazon und ihre Partner bereits eingegangen sind.

KI-Unternehmen wachsen schnell, doch die Infrastrukturverpflichtungen haben eine ganz andere Größenordnung erreicht. Sinkende Token-Kosten und günstigere Open-Weight-Modelle erleichtern die Einführung, erschweren aber zugleich das Erreichen des Umsatzziels.

Diese Umkehr setzt Hyperscaler unter Druck. Investoren erwarten, dass ihre gewaltigen Investitionsprogramme in den kommenden Jahren zu einem deutlich höheren freien Cashflow führen.

Bleibt dieser Cashflow hinter dem Zeitplan zurück, reichen die Folgen weit über die Modellentwickler hinaus. Sie betreffen Chiplieferanten, Energieversorger, Kreditmärkte, große Aktienindizes und die Gesamtwirtschaft.

David Cahn macht aus einer 200-Milliarden-Dollar-Warnung einen 3-Billionen-Dollar-Test

Cahns neue Schätzung verschiebt die KI-Debatte von der Frage nach der Produktnachfrage hin zu einem Test, ob die Umsätze mit den Infrastrukturausgaben Schritt halten können.

Cahn begann 2023 mit dieser Argumentation, als Nvidia einen jährlichen GPU-Umsatz von annähernd 50 Milliarden US-Dollar meldete. Er rechnete die erforderlichen Betriebskosten und Margen entlang der gesamten Infrastrukturkette hinzu.

Diese Berechnung legte nahe, dass die Branche etwa 200 Milliarden US-Dollar Umsatz benötigte, um die anfänglichen Investitionen zu refinanzieren. Die Schätzung wurde als die „200-Milliarden-Dollar-Frage“ der KI bekannt.

Die Frage war nicht als Behauptung gemeint, KI werde scheitern. Cahn formulierte sie als Herausforderung an Unternehmer, Anwendungen zu entwickeln, die die verfügbare Rechenkapazität profitabel nutzen können.

Drei Jahre aggressiven Ausbaus haben die Größenordnung verändert. Laut einer am 9. Juli veröffentlichten Infrastrukturanalyse schätzt Cahn die Ausgaben für KI-Infrastruktur im Jahr 2026 inzwischen auf 1,5 Billionen US-Dollar.

Seinem Modell zufolge benötigt die Branche Umsätze von 3 Billionen US-Dollar, um diese Ausgaben zu rechtfertigen. Der Betrag umfasst weit mehr als nur den Kaufpreis der Beschleuniger.

Rechenzentren benötigen Strom, Kühlung, Netzwerktechnik, Speicher, Grundstücke, Bauarbeitskräfte und laufende Wartung. Auch die Infrastrukturbetreiber erwarten eine Rendite auf ihr eingesetztes Kapital.

Cahn argumentiert, dass der endgültige Bedarf noch höher ausfallen könnte. Engpässe bei Speicherkomponenten, spezialisierte Inferenzchips und steigende Baukosten können den erforderlichen Umsatz pro Gigawatt Kapazität erhöhen.

Ein Gigawatt misst die Stromkapazität, nicht die KI-Leistung. Diese Größe ist relevant, weil die Stromversorgung zu einer der deutlichsten Grenzen dafür geworden ist, wie schnell Unternehmen neue Rechensysteme in Betrieb nehmen können.

Apollo hat eine separate Infrastrukturprognose veröffentlicht, die denselben Druck veranschaulicht. Demnach wären bis 2028 Investitionen von nahezu 3 Billionen US-Dollar erforderlich, um die KI-Infrastruktur zu finanzieren.

Apollo erwartete, dass rund die Hälfte dieses Bedarfs durch externe Finanzierung gedeckt würde. Die Kapitalprognose schätzte außerdem, dass private Kredite mehr als 800 Milliarden US-Dollar beisteuern könnten.

Die Schätzungen messen unterschiedliche Dinge und sollten nicht als identisch betrachtet werden. Cahn untersucht, welche Umsätze erforderlich sind, um die Ausgaben zu rechtfertigen, während Apollo den Finanzierungsbedarf der Infrastruktur abschätzt.

Beide Berechnungen verweisen auf dasselbe grundlegende Problem. Der physische Ausbau der KI schreitet schneller voran, als die Branche einen entsprechenden Strom dauerhafter Kundenumsätze nachweisen kann.

Der Ausbau ist zudem mit langen Vorlaufzeiten verbunden. Cahn zufolge dauert der Bau eines durchschnittlichen KI-Rechenzentrums etwa zwei Jahre.

Projekte, die während des anfänglichen Booms generativer KI angekündigt wurden, gehen daher erst in Betrieb, nachdem viele Kaufentscheidungen bereits getroffen wurden. Ihr wirtschaftlicher Wert hängt von einer Nachfrage ab, die über Jahre anhalten muss.

Die Cloud-Infrastruktur bot hierfür ein langsameres Vorbild. Amazon führte AWS 2006 ein, und die Verlagerung betrieblicher Workloads vollzog sich über Jahrzehnte.

Dieses Tempo erlaubte es den Anbietern, den Ausbau schrittweise zu finanzieren. Im aktuellen KI-Zyklus müssen Unternehmen Chips, Strom und Baukapazitäten sichern, bevor die Nachfrage in vergleichbarem Maße sichtbar wird.

Die 3-Billionen-Dollar-Frage lautet daher nicht, ob Menschen KI nutzen. Die Nutzung hat sich bereits auf Suche, Softwareentwicklung, Kundenservice, Forschung, Content-Produktion und Büroarbeit ausgeweitet.

Sie fragt vielmehr, ob Kunden lange genug ausreichend viel bezahlen werden, um die in ihrem Auftrag aufgebaute Infrastruktur zu tragen. Das ist ein deutlich strengerer Test.

Kann KI die 3-Billionen-Dollar-Frage mit den heutigen Umsätzen beantworten?

Die führenden KI-Unternehmen haben beachtliche Geschäfte aufgebaut, doch ihre gemeldeten Umsätze liegen weiterhin weit unter dem Niveau, das Cahns Berechnung nahelegt.

Berichten zufolge näherte sich Anthropic bis Juli 2026 einem jährlich wiederkehrenden Umsatz von 60 Milliarden US-Dollar. Der jährlich wiederkehrende Umsatz, kurz ARR, rechnet die aktuellen Abonnement- und Vertragserlöse auf ein vollständiges Jahr hoch.

OpenAI erzielte Berichten zufolge im Jahr 2025 einen Umsatz von 13 Milliarden US-Dollar. Das Unternehmen erklärte im November 2025, einen ARR von 20 Milliarden US-Dollar erreicht zu haben, was auf eine weitere Beschleunigung über den verbuchten Jahresumsatz hinaus hindeutet.

Diese Zahlen belegen eine reale Nachfrage, insbesondere nach Coding-Agenten und universell einsetzbaren Assistenten. Eine Lücke von mehreren Billionen US-Dollar schließen sie jedoch nicht.

Die Umsätze der Modellanbieter sind zudem nur ein Teil der Antwort. Google, Microsoft, Amazon und Meta können KI über Cloud-Dienste, Werbung, Handel, Abonnements und interne Effizienzsteigerungen monetarisieren.

Google kann Modelle in der Suchmaschinenwerbung und für Cloud-Workloads einsetzen. Microsoft kann Assistenten in Unternehmenssoftware integrieren und zugleich über Azure Rechenkapazität verkaufen.

Amazon kann KI im eigenen Handelsgeschäft nutzen und über AWS Modellinfrastruktur anbieten. Meta kann Werbesysteme und Nutzerinteraktionen verbessern, ohne jede Modellinteraktion direkt in Rechnung zu stellen.

Diese indirekten Erträge erschweren Cahns Berechnung. Jeder Dollar zusätzlicher Werbeleistung kann zur Rechtfertigung der Infrastruktur beitragen, selbst wenn er nie als Umsatz einer Modell-API ausgewiesen wird.

Auch Kosteneinsparungen spielen eine Rolle. Ein Agent, der ein Softwareprojekt verkürzt oder den Kundensupport automatisiert, kann Wert schaffen, ohne zu einem eigenständigen Produktbereich zu werden.

Indirekte Vorteile lassen sich jedoch nur schwer isolieren. Unternehmen könnten Verbesserungen der KI zuschreiben, die ebenso auf Preisänderungen, Personalabbau, Marktwachstum oder herkömmliche Software-Upgrades zurückzuführen sind.

Die stärksten kurzfristigen Anwendungen bleiben auf wenige Bereiche konzentriert. In einem KI-Ausblick für 2026 nannte Cahn Coding und ChatGPT als die beiden etablierten Killeranwendungen.

Er erwartete, dass beide Kategorien jährliche Umsätze im zweistelligen Milliardenbereich erreichen oder übertreffen würden. Zudem sah er eine wachsende Gruppe von Start-ups auf dem Weg zu einer erheblichen kommerziellen Größenordnung.

Coding-Agenten bieten einen ungewöhnlich klaren wirtschaftlichen Nutzen. Sie können Code entwerfen, Änderungen prüfen, Schnittstellen testen, Fehler untersuchen und Entwicklungswerkzeuge bedienen.

Der Käufer kann diese Ergebnisse mit dem Zeitaufwand der Entwickler, der Geschwindigkeit von Veröffentlichungen und den Fehlerraten vergleichen. Dadurch lässt sich die Rendite besser messen als bei einem allgemeinen Versprechen, Wissensarbeit zu verbessern.

Doch selbst hier bleibt die Zuordnung von Umsätzen schwierig. Ein Unternehmen könnte für mehrere Assistenten bezahlen, während seine Entwickler weiterhin bestehende Entwicklungswerkzeuge und Cloud-Dienste verwenden.

Die entscheidende Frage ist nicht, ob der Agent nützlichen Code erzeugt. Entscheidend ist, ob die daraus resultierende Produktivität die Kosten für Abonnements, Inferenz, Prüfung, Sicherheit und Integration übersteigt.

Die Implementierung in Unternehmen führt zu weiteren Verzögerungen. Große Organisationen müssen Modelle mit privaten Daten, Berechtigungen, Softwaresystemen und Genehmigungsprozessen verbinden.

Sie benötigen außerdem Bewertungsmethoden, die zwischen einer flüssig formulierten Antwort und einem verlässlichen Ergebnis unterscheiden. Ein Modell, das in einer Demonstration gut abschneidet, kann innerhalb eines langen Produktionsworkflows dennoch versagen.

Cahn zufolge sind Unternehmen von schwierigen internen KI-Projekten erschöpft. Diese Ermüdung eröffnet Anwendungs-Start-ups zwar Chancen, bremst aber zugleich die Umsätze, die Infrastrukturbetreiber benötigen.

Eine spezialisierte Anwendung kann Modelle für eine bestimmte Aufgabe bündeln und den Integrationsaufwand beseitigen. Dennoch steht auch der Anwendungsanbieter durch sinkende Modellkosten und die schnelle Nachahmung von Funktionen unter Druck.

Das Umsatzmodell muss daher auf mehreren Ebenen funktionieren. Modellanbieter benötigen Verträge, Anwendungsunternehmen müssen ihre Kunden binden, und Hyperscaler brauchen eine profitable Auslastung ihrer Rechenzentren.

Eine höhere Auslastung allein reicht nicht aus, wenn jede Arbeitseinheit schneller günstiger wird, als die Nachfrage wächst. Der Umsatz hängt vom Zusammenspiel zwischen Nutzungsvolumen und sinkenden Stückkosten ab.

Damit KI die 3-Billionen-Dollar-Frage beantworten kann, müssen Kunden mit fallenden Kosten drastisch mehr Intelligenz konsumieren. Dieses Ergebnis ist plausibel, doch die erforderliche Steigerung ist enorm.

Günstigere Tokens führen zur zentralen Umsatzumkehr der KI

Dieselben Effizienzgewinne, die die Einführung von KI erleichtern, können das zur Refinanzierung ihrer Infrastruktur erforderliche Umsatzwachstum schwächen.

Modellunternehmen rechnen in der Regel nach Tokens ab, den kleinen Text- oder Codeeinheiten, die bei der Generierung verarbeitet werden. Niedrigere Token-Kosten senken die Ausgaben für den Betrieb von Assistenten und Agenten.

Das sind gute Nachrichten für Entwickler und Unternehmenskunden. Ein Workflow, der im vergangenen Jahr noch zu teuer war, kann nach einer Verbesserung des Modells oder der Hardware wirtschaftlich praktikabel werden.

Niedrigere Stückkosten setzen jedoch die Anbieter unter Druck. Erledigt ein Agent dieselbe Aufgabe mit weniger Tokens, erzielt der Anbieter geringere nutzungsabhängige Umsätze – es sei denn, die Kunden lassen mehr Aufgaben ausführen.

Darin liegt die zentrale Umkehr in Cahns Argumentation. Der technische Fortschritt verbessert das Produkt, erhöht aber zugleich das erforderliche Volumen, um die Infrastrukturinvestitionen zu amortisieren.

OpenAI erklärte, GPT-5.4 benötige für viele Aufgaben weniger Tokens als GPT-5.2. Das Unternehmen positionierte das Modell außerdem als leistungsfähiger für Coding, Werkzeugnutzung und professionelle Workflows.

In einer öffentlichen Coding-Evaluierung erreichte GPT-5.4 einen Wert von 57,7 Prozent, verglichen mit 55,6 Prozent für GPT-5.2. OpenAIs Modellevaluierung berichtete außerdem von deutlichen Fortschritten bei der agentischen Websuche.

OpenAI behauptete später, sein neuestes Modell sei bei agentischen Coding-Aufgaben um 54 Prozent Token-effizienter. Diese Angabe beschreibt den in Tokens ausgedrückten Rechenaufwand, nicht einen garantierten Produktivitätsgewinn.

Unabhängige Ergebnisse im Produktiveinsatz können je nach Prompts, Werkzeugen, Aufgabenlänge und Reasoning-Einstellungen variieren. Ein Benchmark kann die endgültigen Kosten einer Implementierung im Unternehmen nicht bestimmen.

Dennoch ist die Richtung eindeutig. Modelle konkurrieren nicht nur hinsichtlich ihrer Intelligenz, sondern auch darin, wie effizient sie Rechenleistung in abgeschlossene Arbeit umwandeln.

Effizienz kann die Nachfrage durch einen bekannten wirtschaftlichen Effekt anregen. Wird eine Ressource günstiger, entdecken Menschen häufig weitere Nutzungsmöglichkeiten.

Entwickler könnten von gelegentlicher Codevervollständigung zu Agenten übergehen, die Tests kontinuierlich überwachen. Supportteams könnten jede Kundeninteraktion analysieren statt nur eine Stichprobe.

Forscher könnten mehrere Untersuchungen parallel durchführen. Produktteams könnten erheblich mehr Prototypen erstellen, testen und vergleichen, bevor sie sich für einen entscheiden.

Diese Szenarien können trotz geringerer Kosten pro Aufgabe den gesamten Tokenverbrauch erhöhen. Die Infrastrukturthese setzt voraus, dass diese Expansion in einem sehr großen Markt stattfindet.

Agentische Workflows bieten einen möglichen Weg. Ein Agent beantwortet nicht nur einen einzelnen Prompt und beendet dann seine Arbeit. Er plant, ruft Tools auf, liest Dateien, überprüft Ergebnisse und wiederholt einzelne Schritte.

Im Jahr 2026 veröffentlichte Forschungsergebnisse zeigten, dass agentische Programmieraufgaben wesentlich mehr Tokens verbrauchen können als gewöhnliche Code-Chats. Dieselbe Studie stellte zudem große Schwankungen zwischen wiederholten Durchläufen fest.

Diese Schwankungen verdeutlichen, warum Effizienzversprechen mit Vorsicht zu betrachten sind. Mehr Tokens führten nicht durchgängig zu höherer Genauigkeit, und die Modelle hatten Schwierigkeiten, ihren eigenen Verbrauch vorherzusagen.

Käufer werden zunehmend abgeschlossene Arbeit statt bloßer Tokenmengen verlangen. Dadurch verlagert sich der Druck hin zu ergebnisorientierter Bewertung, planbaren Budgets und überprüfbarer Ausführung.

Ein Unternehmen, das seine eigene KI-Arbeit organisiert, kann davon profitieren, Quellen, Entscheidungen und Modellausgaben zusammenzuführen. Eine durchsuchbare KI-Wissensdatenbank kann wiederholte Informationsabrufe reduzieren und den Kontext hinter den Ergebnissen bewahren.

Ein besserer Kontext kann Verschwendung verringern, garantiert jedoch keine Zuverlässigkeit. Bei folgenreichen finanziellen, rechtlichen, medizinischen, sicherheitsbezogenen und betrieblichen Entscheidungen benötigen Teams weiterhin menschliche Kontrolle.

Die wirtschaftliche Frage lautet, ob diese Workflows genügend zusätzliche Aktivität erzeugen, um die Effizienzgewinne auszugleichen. Die Anbieter benötigen ein schnelleres Wachstum des Verbrauchs als den Rückgang der Stückkosten.

Diese Voraussetzung ähnelt früheren Umbrüchen in der Computertechnik. Günstigerer Speicher führte zu mehr Daten, während günstigere Bandbreite Videostreaming und Cloud-Anwendungen hervorbrachte.

KI könnte demselben Muster folgen. Der Unterschied liegt in der Höhe des investierten Kapitals, bevor sich die neue Nachfragekurve vollständig herausgebildet hat.

Open-Weight-Modelle setzen Prognosen der Hyperscaler unter Druck

Der Wettbewerb durch Open-Weight-Modelle bedroht die Annahme, dass die zunehmende KI-Nutzung vor allem über die teuersten amerikanischen Modell- und Cloud-Plattformen laufen wird.

Ein Open-Weight-Modell stellt seine trainierten Parameter zum Herunterladen oder zum eigenständigen Betrieb bereit. Es legt jedoch nicht zwangsläufig seine Trainingsdaten oder den vollständigen Entwicklungsprozess offen.

Organisationen können diese Modelle auf ihrer eigenen Infrastruktur betreiben, spezialisierte Hosting-Dienste nutzen oder sie für eng umrissene Aufgaben anpassen. Diese Flexibilität kann die Abhängigkeit von einem einzelnen Anbieter verringern.

Torsten Slok, Chefökonom von Apollo, bezeichnete diese Entwicklung als Risiko für die Prognosen der Hyperscaler. Er wies darauf hin, dass chinesische Modelle Marktanteile gewannen, während die Tokenpreise weiter fielen.

Laut Apollos Analyse vom Juli lagen chinesische Modelle beim Tokenverbrauch unter den 20 meistgenutzten Modellen vor ihren amerikanischen Pendants. Die zugrunde liegenden Diagramme basierten auf OpenRouter und weiteren Nutzungsdatensätzen.

Solche Datensätze bilden nicht den gesamten Markt ab. Sie können Entwickler überrepräsentieren, die häufig zwischen Modellen wechseln, und private Unternehmenseinsätze unterrepräsentieren.

Dennoch machen sie relevantes Wettbewerbsverhalten sichtbar. Nutzer entscheiden sich häufig für ein günstigeres Modell, wenn dessen Leistung für eine Routineaufgabe ausreicht.

Ein Softwareteam könnte ein Frontier-Modell für Architekturentscheidungen reservieren und kleinere Modelle für Tests, Dokumentation, Klassifizierung und Formatierung einsetzen.

Ein Kundenservice kann einfache Anfragen an ein lokales Modell weiterleiten. Mehrdeutige Gespräche können an ein leistungsfähigeres gehostetes System eskaliert werden.

Dieser Mix begrenzt den Preis, den ein einzelner Anbieter verlangen kann. Zudem verliert die Führung in Benchmarks an Wert, wenn mehrere Modelle den vom Käufer geforderten Schwellenwert erreichen.

Google, Meta, Microsoft und Amazon bleiben durch ihre Größe, ihre Vertriebskraft und bestehende Kundenbeziehungen geschützt. Sie können KI mit Cloud-Diensten, Produktivitätssoftware, Werbesystemen und Entwicklerplattformen bündeln.

Ihre Bilanzen erlauben es ihnen außerdem, auch während eines Preiskampfs weiterzubauen. Kleineren Infrastrukturanbietern fehlt dieses Polster.

Größe bietet jedoch nicht nur Schutz, sondern schafft auch Risiken. Die größten Unternehmen haben das meiste Kapital gebunden und sehen sich den höchsten Erwartungen der Investoren gegenüber.

Die von Apollo untersuchten Konsensprognosen erwarten, dass sich der freie Cashflow der Hyperscaler in den kommenden Jahren mehr als verdoppelt. Der freie Cashflow bezeichnet die nach Betriebsausgaben und Investitionen verbleibenden liquiden Mittel.

Diese Prognosen setzen voraus, dass die heutigen Investitionen zu größeren und profitableren Unternehmen führen. Sie gehen außerdem davon aus, dass sich die Investitionen schnell genug auszahlen, um Abschreibungen und Finanzierungskosten zu übertreffen.

Abschreibungen verteilen die Kosten eines Vermögenswerts auf seine erwartete Nutzungsdauer. Sie gewinnen besondere Bedeutung, wenn neuere Beschleuniger bestehende Hardware wirtschaftlich weniger attraktiv machen.

Ein Rechenzentrum kann physisch weiterhin voll funktionsfähig sein und dennoch geringere Renditen als geplant erzielen. Schnellere Chips können den Wert älterer Systeme mindern, bevor deren bilanzielle Nutzungsdauer endet.

Cahn warnte zudem, dass verzögerte Zeitpläne für künstliche allgemeine Intelligenz die derzeitigen Kapazitäten einem Risiko aussetzen könnten. Treffen fortgeschrittene Fähigkeiten später ein, könnte ein Teil der Hardware altern, bevor die Nachfrage ihren Einsatz rechtfertigt.

Dieses Risiko bedeutet nicht, dass installierte Chips nutzlos werden. Bestehende Systeme können kleinere Modelle, Fine-Tuning-Aufträge, Inferenz, Forschung und weniger dringliche Workloads bedienen.

Entscheidend ist die erzielte Rendite im Verhältnis zur ursprünglichen Prognose. Kapazitäten, die für knappe Premium-Intelligenz errichtet wurden, könnten letztlich einen wettbewerbsintensiven Massenmarkt versorgen.

Slok skizzierte drei mögliche Folgen, falls die Erträge enttäuschen. Erstens würden die Prognosen für Cashflow und Gewinne sinken, während Investitionsausgaben und Abschreibungen weiterliefen.

Zweitens könnte ein Ausverkauf bei den größten Technologieunternehmen auf die Märkte für Chips, Energie, Rechenzentren und Aktien übergreifen.

Drittens könnten Hyperscaler verstärkt auf Fremdkapital zurückgreifen, wenn der operative Cashflow die Expansion nicht mehr deckt. Das würde den Verschuldungsgrad erhöhen und Kreditgeber einem größeren Infrastrukturrisiko aussetzen.

Apollos Analyse geht noch weiter und argumentiert, dass eine verzögerte Amortisation zu einer Rezession und einer Korrektur des S&P 500 beitragen könnte. Dabei handelt es sich um ein Risikoszenario, nicht um eine gesicherte Prognose.

Auch diese These bedarf einer Einordnung. Die größten Hyperscaler verfügen über diversifizierte Geschäftsfelder, eine starke Cashflow-Generierung und die Möglichkeit, ihre Ausgabenpläne anzupassen.

Sie können Projekte verschieben, Lieferverpflichtungen neu verhandeln, Workloads verlagern oder Kapazitäten auf interne Produkte umlenken. Ihre Investitionsprogramme sind nicht vollkommen unflexibel.

Der offene Wettbewerb lässt sich auch optimistisch interpretieren. Günstigere Modelle können KI in mehr Organisationen bringen und dadurch die Nachfrage nach Cloud-Speicher, Netzwerken, Sicherheit und Bereitstellungstools steigern.

Hyperscaler könnten mit dem Hosting konkurrierender Modelle Geld verdienen, selbst wenn ihre eigenen Modelle Marktanteile verlieren. Infrastrukturplattformen haben in der Vergangenheit von breit aufgestellten Softwareökosystemen profitiert.

Der Druck entsteht daher durch den zeitlichen Verlauf und die Margen, nicht durch einen einfachen Nachfrageeinbruch. Die Akzeptanz kann weiter steigen, während die finanziellen Erträge später eintreffen, als die Märkte erwarten.

Drei Signale werden zeigen, ob sich die KI-Investitionen auszahlen

Die Antwort wird sich zuerst in der Auslastung, im freien Cashflow und im Verhalten der Unternehmen zeigen – nicht in einer weiteren Benchmark-Schlagzeile.

Das erste Signal ist der freie Cashflow der Hyperscaler. Google, Meta, Microsoft und Amazon müssen zeigen, dass ihre KI-Investitionen bis 2028 eine wachsende Cashflow-Generierung unterstützen.

Umsatzwachstum allein wird die Frage nicht klären. Investoren müssen erkennen können, dass der operative Cashflow die Anforderungen des Rechenzentrumsbaus, der Anlagenkäufe und der unterstützenden Infrastruktur übersteigt.

Da sich ihre Geschäftsmodelle unterscheiden, werden die Unternehmen unterschiedliche Erklärungen liefern. Für Microsoft, Amazon und Google ist der Auftragsbestand im Cloud-Geschäft relevant, während bei Meta die Werbeerträge stärker ins Gewicht fallen.

Der aussagekräftige Vergleich ist das Verhältnis zwischen Investitionsausgaben und zusätzlichem Cashflow. Eine wachsende Lücke würde die These einer verzögerten Amortisation stützen.

Eine schrumpfende Lücke würde sie abschwächen, insbesondere wenn Unternehmen wiederholbare KI-Umsätze ausweisen, statt sich auf allgemeine Aussagen zur Interaktion zu stützen.

Das zweite Signal ist die physische Auslastung der Rechenzentren. Cahn hat darauf hingewiesen, dass eingelagerte Chips auf Bauverzögerungen oder eine Diskrepanz zwischen Gerätelieferungen und verfügbaren Anlagen hindeuten könnten.

Hardware benötigt Strom, Kühlung, Netzwerkanbindung und fertiggestellte Gebäude, bevor sie Umsätze erwirtschaften kann. Ein gelieferter, aber ungenutzter Beschleuniger bleibt ein Kapitalaufwand.

Zu beobachten sind verschobene Eröffnungstermine, Stromengpässe und Änderungen an den Zeitplänen für die Inbetriebnahme von Geräten. Ebenso wichtig ist, ob Anbieter melden, dass neue Kapazitäten nach ihrer Freigabe schnell verkauft werden.

Apollo erklärte im Juli, dass bedarfsgerecht verfügbare GPU-Kapazitäten faktisch weiterhin ausverkauft seien. Zudem berichtete das Unternehmen von einer robusten Mietnachfrage nach einigen älteren Chips.

Diese Hinweise stützen die These eines kurzfristigen Engpasses. Anhaltende Knappheit würde die Annahme entkräften, dass die Branche bereits Überkapazitäten aufgebaut hat.

Das Bild ändert sich, wenn die Mietpreise fallen, während fertiggestellte Kapazitäten ungenutzt bleiben. Diese Kombination würde darauf hindeuten, dass das Angebot die Nachfrage einholt, bevor die Umsätze das von Cahn für erforderlich gehaltene Niveau erreichen.

Das dritte Signal sind Unternehmensausgaben für abgeschlossene Arbeit. Unternehmen müssen über Experimente hinausgehen und KI-Systeme verlängern, weil diese Systeme messbare Ergebnisse liefern.

Zu den nützlichen Kennzahlen gehören die Abschlussquoten von Agenten, die Kundenbindung, das Wachstum produktiver Workloads sowie dokumentierte Einsparungen bei Arbeitsaufwand oder Durchlaufzeiten. Reine Prompt-Zahlen sind weniger aussagekräftig.

Die Softwareentwicklung wird ein wichtiger Testfall bleiben. Programmierung bietet klar definierte Workflows, hohe Arbeitskosten, digitale Werkzeuge und messbare Ergebnisse.

Wenn Coding-Agenten zur standardmäßigen Produktionsinfrastruktur werden, können sie eine anhaltende Nachfrage über Modelle und Clouds hinweg stützen. Stockt die Einführung bei beaufsichtigter Assistenz, müssen die Umsatzerwartungen angepasst werden.

Der Kundenservice bietet einen weiteren Testfall. Modelle müssen Anliegen korrekt lösen, Richtlinien einhalten, Daten schützen und erkennen, wann eine Eskalation erforderlich ist.

Niedrigere Kosten pro Gespräch sind nur dann relevant, wenn die Qualität akzeptabel bleibt. Andernfalls verlagern sich die Einsparungen auf Überprüfung, Korrektur und Maßnahmen zur Rückgewinnung von Kunden.

Bei Wissensarbeit ist die Messung schwieriger. Organisationen müssen Assistenten mit verlässlichem internem Kontext verbinden, bevor deren Ausgaben dauerhaft nützlich werden.

Dafür sind Dokumentenzugriff, Berechtigungen, Quellenverfolgung und institutionelles Gedächtnis erforderlich. Ein praktischer Wissensworkflow kann Teams dabei helfen zu prüfen, ob KI bei wiederkehrenden Aufgaben Zeit spart.

Die kommenden Quartale dürften zeigen, ob sich diese Beispiele zu dauerhaften Systemen entwickeln oder vereinzelte Produktivitätsfunktionen bleiben. Dauerhafte Systeme erzeugen wiederkehrende Nachfrage und sind weniger anfällig für Budgetkürzungen.

Investoren sollten außerdem zwischen Modellumsätzen und Infrastrukturrenditen unterscheiden. Eine erfolgreiche Anwendung garantiert nicht automatisch hohe Margen für jeden Rechenzentrumsbetreiber.

Ebenso beweisen sinkende API-Kosten nicht automatisch eine schwache Nachfrage. Sie können Workloads ermöglichen, die zuvor unwirtschaftlich waren.

Kann KI die Drei-Billionen-Dollar-Frage beantworten? Die Branche hat Nachfrage, schnelle Produktverbesserungen und mehrere wertvolle Anwendungen nachgewiesen.

Umsätze in dem Umfang, den ihre Infrastrukturverpflichtungen voraussetzen, hat sie bislang jedoch nicht belegt. Die entscheidenden Beweise werden Cashflow, Auslastung und wiederholte Käufe durch Unternehmen liefern.

Cahns Berechnung ist am besten als Stresstest und nicht als Countdown bis zum Scheitern zu verstehen. Sie beziffert den wirtschaftlichen Wert, den der derzeitige Ausbau letztlich tragen muss.

Für Entwickler und Unternehmenskunden besteht die praktische Konsequenz nicht darin, die Einführung von KI zu stoppen. Sie sollten die Ergebnisse sorgfältig messen und die Belege für jede Entscheidung aufbewahren.

Erfassen Sie abgeschlossene Arbeit, Prüfkosten, Modellwechsel und das tatsächliche Nutzungswachstum. Diese Aufzeichnungen werden zeigen, ob Effizienz mehr Wert schafft oder lediglich die Rechnung senkt.

Die Antwort auf die Drei-Billionen-Dollar-Frage wird nicht in einer einzigen Bilanzpressekonferenz fallen. Sie wird sich herausbilden, wenn Tausende Organisationen entscheiden, welche KI-Workflows dauerhaft etabliert werden sollen.