KI und Wirtschaft – warten auf die Produktivitätsdividende

Wachstumsmodelle: Um die Auswirkungen von KI auf das Wirtschaftswachstum zu bewerten, müssen wir zunächst die Wachstumskomponenten verstehen. Traditionelle Wirtschaftswachstumsmodelle werden von drei Kernfaktoren angetrieben: Kapitalakkumulation, Arbeitsaufwand und Produktivitätssteigerungen, die größtenteils durch technologischen Fortschritt angetrieben werden. Im Wesentlichen hängt das Wirtschaftswachstum davon ab, wie viel Kapital und Arbeitskraft eingesetzt werden und wie produktiv sie kombiniert werden (Abbildung 1). Die Vertiefung des Kapitals erweitert die produktive Kapazität der Wirtschaft durch Investitionen in produktives Kapital einschließlich Maschinen, Infrastruktur, Software und Technologie. Arbeitswachstum erhöht die Produktion, indem es Arbeitskräfte oder Arbeitsstunden hinzufügt. Produktivitätswachstum ermöglicht es der Wirtschaft, aus derselben Menge an Arbeit und Kapital mehr Output zu erzeugen.

KI und Wachstumsmodelle: Künstliche Intelligenz könnte traditionelle Wachstumsmodelle grundlegend verändern. Bis jetzt beruhte Innovation weitgehend auf knapper menschlicher Expertise, während Technologie vor allem Arbeit und Kapital produktiver gemacht hat. KI könnte dies ändern, indem kognitive Fähigkeiten in skalierbares Kapital umgewandelt werden. Entscheidend ist, dass KI die Innovation zunehmend selbst automatisieren könnte, sodass Technologie die Entwicklung der nächsten Generation von Ideen und KI-Systemen unterstützen kann. Dies könnte die traditionelle Trennung zwischen Kapital und Arbeit verwischen und so den Kreislauf zwischen Investition, Innovation und Produktivität stärker denn je machen. 

In absehbarer Zukunft wird die Implementierung von KI jedoch voraussichtlich eng mit allen drei traditionellen Wachstumsfaktoren – Kapital, Arbeit und Produktivität – verknüpft bleiben, sodass solche Wachstumsmodelle weiterhin von großer Bedeutung sind. Der entscheidende Punkt ist jedoch, dass der Einfluss von KI auf jeden dieser Faktoren sich im Zeitverlauf unterscheiden dürfte.

KI und Kapitalinvestitionen: In naher Zukunft wird KI durch höhere Investitionen am sichtbarsten bleiben. Der Ausbau von Rechenzentren, Chips, Cloud-Infrastruktur und Energiekapazität stellt eine bedeutende Erweiterung des Kapitalbestands dar. Diese Investitionsphase erhöht die Nachfrage nach KI-bezogenen Produkten und Dienstleistungen und unterstützt im Gegenzug das Wachstum. 

KI, Arbeit und Produktivität: Abbildung 2 zeigt, wie der heutige KI-Investitionsboom zu einem breiteren Produktivitätsumstieg führen könnte. Die ersten Gewinne entstehen bereits durch die Arbeitsproduktivität. Generative KI (GenKI), die Inhalte wie Text, Code und Bilder als Reaktion auf Aufforderungen erstellt, hilft den Mitarbeitenden, Aufgaben schneller zu erledigen und den Output zu steigern, wenn auch größtenteils innerhalb bestehender Geschäftsprozesse.

Anteil der Bevölkerung, die von der Bevölkerung im erwerbsfähigen Alter abhängig ist

Agentische KI, die unabhängig planen, Entscheidungen treffen und mehrstufige Aufgaben ausführen kann, könnte die nächste, strukturellere Phase markieren. Sie könnte Arbeitsabläufe koordinieren und Prozesse über ganze Organisationen hinweg optimieren, während humanoide Wesen ähnliche Fähigkeiten schließlich auf die physische Arbeit ausweiten könnten.

Gesamtfaktorproduktivität: Die Implementierung dieser Technologien im großen Maßstab wird Zeit benötigen, könnte aber letztlich wichtiger Treiber der Gesamtfaktorproduktivität (TFP) werden, die misst, wie effizient Arbeit und Kapital zur Produktion kombiniert werden. Indem Unternehmen Arbeitsabläufe neu gestalten, Abläufe koordinieren und neue Produkte entwickeln können, könnte agentische KI dazu beitragen, den heutigen Investitionsboom zu einem breiteren, produktivitätsgetriebenen Wachstum zu entwickeln.

KI und Wirtschaft: Welche Sektoren kurz- und langfristig von Produktivitätsgewinnen profitieren dürften.

Die Prognosen zur Auswirkung von KI auf TFP reichen über ein breites Spektrum. Aghion und Bunel (2024) schätzen, dass KI das jährliche TFP-Wachstum in den fortgeschrittenen Volkswirtschaften im kommenden Jahrzehnt um etwa 0,8 bis 1,3 Prozentpunkte steigern könnte. Der Internationale Währungsfonds (2025) schätzt die globalen TFP-Gewinne auf 0,8 Prozent bis 2,8 Prozent im gleichen Zeitraum. Acemoglu (2024) nimmt eine skeptischere Haltung ein und argumentiert, dass viele wirtschaftlich wichtigen Aufgaben weiterhin schwer zu automatisieren sind, und prognostiziert, dass die aktuellen KI-Technologien das TFP in den nächsten 10 Jahren kumulativ nur um etwa 0,7 Prozent steigern könnten.

Der folgende Abschnitt untersucht Belege für die Auswirkungen von KI auf das Wirtschaftswachstum und nutzt die USA als Maßstab. Als weltweit führendes Ziel für private KI-Investitionen mit fast 286 Milliarden USD im Jahr 2025 liefern die USA den klarsten frühen Hinweis darauf, wie sich die KI-Einführung in Produktivität und breiterem Wirtschaftswachstum niederschlagen könnte.

Investitionsdaten zeigen, dass der aktuelle KI-Zyklus bereits die Zusammensetzung des US-Wirtschaftswachstums verändert. Die Ausgaben für Informationsverarbeitungsgeräte, Software, Forschung und Entwicklung sowie Rechenzentren haben deutlich zugenommen, obwohl Investitionen in andere Teile der US-Wirtschaft zurückhaltender waren. Wie in Abbildung 3 gezeigt, ist der Beitrag von Computer- und Softwareinvestitionen (nur ein Teil der KI-Investitionsgeschichte) zum BIP-Wachstum seit 2025 stark gestiegen. Die Erweiterung der Kapazität der Rechenzentren führt zudem zu zusätzlichen Investitionen in unterstützende Infrastrukturen, insbesondere Stromerzeugung und Stromnetze.

Beitrag zum realen BIP

KI und der US-Arbeitsmarkt: Daten zum US-Arbeitsmarkt deuten noch nicht auf einen größeren KI-Schock hin. Derzeit ist der US-Arbeitsmarkt, gemessen an Leerständen pro arbeitslose Person, trotz einer gewissen Normalisierung von einem Höchststand nach der Pandemie 2022 noch recht angespannt. Wie Abbildung 4 uns erinnert, unterscheidet sich dies stark von 2009, nach der ersten Phase der Finanzkrise. Damals war das Hauptproblem die schwache Arbeitsnachfrage: Die Beschäftigung war gesunken, die Erwerbsquote war gesunken und der Arbeitsmarkt brauchte Zeit, um den daraus resultierenden Mangel abzufangen. Heute liegt die Einschränkung zunehmend auf der Angebotsseite. Bevölkerungsalterung, Ruhestände, langsameres Wachstum der Erwerbsbevölkerung und eingeschränkte Einwanderung begrenzen das Arbeitskräfteangebot, was die Abhängigkeit der US-Wirtschaft von Produktivität statt von Erwerbswachstum für das BIP-Wachstum erhöht. KI wird daher nicht deshalb von Bedeutung sein, weil Arbeit irrelevant wird, sondern weil Arbeit offenbar zu einer bindenderen Einschränkung der US-Produktion geworden ist.

Vakante Stellen in den USA pro arbeitslose Person 

Augmentation vs. Automatisierung: Wie in Abbildung 5 gezeigt, legt eine Studie der Harvard Business School auf Basis von US-Stellenausschreibungen nahe, dass generative KI bereits die Arbeitskräftenachfrage neu gestalten könnte. Nach der Veröffentlichung eines großen GenAI-Chatbots Ende 2022 stellt die Studie einen Anstieg der Ausschreibungen für Berufe fest, in denen KI eher Arbeitnehmer unterstützt, um menschliche Aufgaben zu ergänzen oder zu verbessern, sowie sinkende Ausschreibungen für Berufe, die als stärker automatisiert gelten (mit Aufgaben, die KI leichter erledigen kann als Arbeitnehmer). Die Implikation ist, dass wir es (zumindest vorerst) nicht mit einer umfassenden Jobabschaffung zu tun haben, sondern mit einer Verlagerung der Arbeitskräftenachfrage hin zu Rollen, in denen KI menschliche Fähigkeiten ergänzen (und damit erweitern) kann. Dies ist jedoch noch sehr früh im KI-Übergang: Es könnten unterschiedliche Beschäftigungstrends entstehen, die vorhandenen Daten sind nur lückenhaft und es gibt nur sehr wenige Studien außerhalb der USA – das gilt für entwickelte Märkte als auch für Schwellenmärkte.

Geschätzter Effekt (Änderung der Stellenausschreibungen) 

Werden KI-Kapitalinvestitionen letztlich zu nachhaltigem Produktivitätswachstum führen? Zwei miteinander verbundene Muster lassen sich während früherer technologischer Revolutionen beobachten. Erstens Investitionszyklen und Produktivitätsbooms, die selten vollständig synchronisiert sind: Produktivitätszuwächse folgen entsprechenden Investitionswellen typischerweise mit zeitlicher Verzögerung. Zweitens Schwankungen der Arbeitsproduktivität, die stärker sind als bei der Gesamtfaktorproduktivität (TFP), wie in Abbildung 6 dargestellt. 

US-Gesamtproduktivität vs. Arbeitsproduktivität (durchschnittliche jährliche Wachstumsraten in Prozent) 

Das Solow-Paradoxon: Das erste Muster wird oft als Solow-Paradoxon bezeichnet, benannt nach dem US-Ökonomen Robert Solow, der 1987 trocken bemerkte, dass „man das Computerzeitalter überall sehen kann, nur nicht in den Produktivitätsstatistiken“. Ein Grund für das Solow-Paradoxon ist, dass Produktivitätsgewinne oft ungleichmäßig verteilt sind, wobei eine kleine Gruppe von Unternehmen stark profitiert, während die Akzeptanz bei anderen Unternehmen langsamer bleibt. Zudem beeinflussen Veränderungen in der Wirtschaftsstruktur auch die Gesamtproduktivität – sodass Effizienzgewinne in hoch automatisierten Branchen ausgeglichen werden können, wenn zunehmend Beschäftigungswachstum in niedrig produktiven Dienstleistungssektoren stattfindet. Darüber hinaus hängt die erfolgreiche Einführung von Technologien nicht nur von Investitionen ab, sondern auch von ergänzenden Faktoren wie Bildung und Arbeitskräftefähigkeiten. Demografische Entwicklungen fügen eine weitere Ebene der Komplexität hinzu: Alternde Gesellschaften benötigen zunehmend Produktivitätswachstum, um das langsamere Wachstum der Arbeitskräfte auszugleichen, sind aber gleichzeitig möglicherweise weniger anpassungsfähig an technologische Veränderungen.

Das zweite Muster – stärkere Arbeitsproduktivität als TFP-Schwankungen – beruht darauf, dass die Arbeitsproduktivität steigen kann, wenn die Arbeiter mit mehr Kapital, besseren Werkzeugen oder verbesserten Technologien ausgestattet sind, selbst wenn die zugrundeliegende Effizienz der gesamten Wirtschaft noch nicht vollständig verbessert ist. Mit anderen Worten: Produktivitätssteigerungen könnten zunächst weitgehend auf eine Vertiefung des Kapitals und nicht auf echte Effizienzsteigerungen zurückzuführen sein. Eine solche Verbesserung erfordert umfassendere Veränderungen in Arbeitsabläufen, Produktionsprozessen und Geschäftsmodellen, die länger dauern.

Die IT-Revolution des späten 20. Jahrhunderts: Die US-Erfahrung in den Anfangsphasen der IT-Revolution des 20. Jahrhunderts verdeutlicht diese Muster und zeigt, dass die Verbindungen zwischen Investitionen und Produktivitätsgewinnen Jahre brauchen können, um vollständig umgesetzt zu werden. Wie in den Abbildungen 6 und 7 gezeigt, waren die 1980er-Jahre von einem erheblichen Anstieg der Investitionen in Computer und IT geprägt, obwohl die Auswirkungen auf die Arbeitsproduktivität und TFP zunächst begrenzt blieben (wie Solow beobachtete). Die Produktivitätsgewinne wurden in den 1990er-Jahren deutlicher, als Unternehmen ihre Abläufe zunehmend um digitale Technologien umstrukturierten und Computer stärker in Geschäftsprozesse integriert wurden. Investitionen in Internetinfrastruktur und Telekommunikation in den 1990er-Jahren legten ebenfalls den Grundstein für eine weitere Phase starken Produktivitätswachstums Anfang der 2000er-Jahre. Die Arbeitsproduktivität beschleunigte sich, als Unternehmen von verbesserter Konnektivität und Automatisierung profitierten; gleichzeitig stieg die Gesamtfaktorproduktivität (TFP) weiter an, was technologische und organisatorische Innovationen widerspiegelt, die sich in den vergangenen Jahrzehnten aufgebaut hatten. Bemerkenswert ist, dass einige der stärksten Produktivitätssteigerungen während der Erholung nach der Rezession 2001 und der Anfangsphase der globalen Finanzkrise auftraten, als Unternehmen die Einführung neuer Technologien beschleunigten, die Abläufe optimierten und Ressourcen effizienter umverteilten.

US-Bruttokapitalbildung (in Prozent des BIP), 1980–2024

Doch in den 2010er-Jahren mäßigten sich die Arbeitsproduktivität und das TFP-Wachstum, da die Gewinne aus der IT-Revolution reiften und Investitionen als Anteil am BIP bescheiden blieben, wobei ein Großteil davon im Energiesektor während der Schieferrevolution konzentriert war.

Jüngste Produktivitätszuwächse: Bisher zeigte die Arbeitsproduktivität in den USA Anzeichen einer Erholung, doch diese Verbesserung scheint hauptsächlich auf Anpassungen nach der COVID-19-Pandemie und Enge auf dem Arbeitsmarkt und nicht auf KI zurückzuführen zu sein (siehe Abbildungen 4 und 6).

Unternehmen waren gezwungen, die Abläufe neu zu organisieren, die digitale Einführung zu beschleunigen und knappe Arbeitskräfte effizienter zu nutzen, was die Produktivitätssteigerungen der Arbeit unterstützte. TFP erholte sich ebenfalls und deutet darauf hin, dass einige Effizienzverbesserungen durch Digitalisierung, Automatisierung und operative Umstrukturierungen realisiert wurden, aber ein Anstieg der KI-Investitionen seit 2025 in Produktivitätsdaten noch nicht vollständig widergespiegelt wurde. Dies lässt erheblichen Spielraum für zukünftige Vorteile, falls die Einführung von der Unterstützung auf Arbeitnehmerebene auf Prozessebene umgestaltet wird.

Finanzmarktnarrative werden durch die Verzögerung zwischen Investitions- und Produktivitätszuwächsen beeinflusst sein. In dieser Lücke (wie zu erwarten) werden die Märkte wahrscheinlich den Daten voraus sein und zukünftige Effizienzsteigerungen einpreisen, bevor sie grob messbar sind. Diese Preisgestaltung kann implizite Annahmen über die zukünftige Entwicklung und Auswirkungen von KI beinhalten, die schwer aufrechtzuerhalten sind, wenn man frühere technologische Transformationen betrachtet. Die Debatte über die Relevanz historischer Vergleiche wird voraussichtlich weitergehen: Wie wir zu Beginn dieses Berichts festgestellt haben, kann KI als Herausforderung bestehender Wachstumsmodelle angesehen werden.

In den letzten Jahren haben sich Investoren hauptsächlich auf Unternehmen konzentriert, die direkt die oben diskutierten KI-bezogenen Kapitalinvestitionen tätigen und davon profitieren. Mit zunehmender Akzeptanz und sichtbareren Produktivitätszuwächsen könnte sich die Aufmerksamkeit allmählich auf eine größere Anzahl von Unternehmen richten, die von KI-gestützten Effizienzsteigerungen und stärkerem Gewinnwachstum profitieren können.

Die Fünf-Schicht-Kuchen-Analogie: Um das KI-Ökosystem zu veranschaulichen und die Sektoren zu identifizieren, in denen KI bereits die Aktienperformance beeinflusst, könnte die von Jensen Huang, Präsident und CEO von Nvidia, geprägte Fünf-Schicht-Kuchen-Analogie einen nützlichen Rahmen bieten (Abbildung 8). In Schicht 1 liefert Energie die Leistung, die benötigt wird, um Intelligenz in Echtzeit zu generieren, wodurch diese zu einem grundlegenden Produktionsfaktor und zugleich zu einem entscheidenden Engpassfaktor für die Skalierung von KI wird. Chips (Schicht 2) wandeln diese Energie in Rechenleistungen um, während Infrastruktur (Schicht 3) Rechen-, Netzwerk-, Kühl- und Energiesysteme zu KI-Fabriken kombiniert, die in der Lage sind, Intelligenz im großen Maßstab zu erzeugen. Oben befinden sich die Modelle (Schicht 4), die Rechenleistung in nützliche Fähigkeiten umwandeln, sowie jene Anwendungen (Schicht 5), die wirtschaftlichen Mehrwert schaffen. Fortschritte in einem Bereich erhöhen zugleich die Nachfrage entlang der gesamten KI-Wertschöpfungskette.

* Basierend auf einer Analogie, die Jensen Huang auf dem Weltwirtschaftsforum 2026 verwendet hat.
** Großes Sprachmodell (LLM), Bild-Sprach-Modell (VLM), Mixture of Experts (MoE). 

KI-Fähigkeiten vs. finanzielle Validierung: Diese Interdependenz hat eine wichtige Konsequenz: Während KI-Fähigkeiten von unten nach oben ermöglicht werden, müssen Nachfrage und Rendite letztlich von oben nach unten validiert werden. Anwendungen generieren Umsatz, indem sie KI-Fähigkeiten in Produkte und Dienstleistungen umwandeln, für die Kunden bereit sind zu zahlen. Modelle erzielen lizenz- und nutzungsbasierte Einnahmen, da die Anwendungsakzeptanz die Nachfrage erhöht. Infrastruktur- und Chipanbieter profitieren, da zunehmende Trainings- und Inferenz-Workloads mehr Cloud-Kapazität, Prozessoren und zugehörige Komponenten erfordern. Energieversorger profitieren, da größere Rechenkapazität und Auslastung den Strombedarf erhöhen. Letztlich hängen nachhaltige Erträge im gesamten Ökosystem jedoch davon ab, dass die Anwendungseinnahmen ausreichend wachsen, um das investierte Kapital in der gesamten Wertschöpfungskette zu rechtfertigen.

Investitionsausgaben der Hyperscaler: Hyperscaler stehen im Zentrum der fünfschichtigen KI-Wertschöpfungskette und verknüpfen Kundennachfrage und Modellentwicklung mit dem physischen Aufbau von Infrastruktur, Chips und Energie. Als Betreiber von Rechenzentrumsnetzwerken („KI-Fabriken“ in Abbildung 8) finanzieren sie einen großen Teil des Ökosystems, kontrollieren kritische Teile der Wertschöpfungskette und helfen dabei, das Tempo und die Skala der Kapazitätserweiterung zu steuern. Ihre starken Bilanzen und cash-generativen Kerngeschäfte haben es ihnen ermöglicht, den Modellfortschritt in einen groß angelegten Investitionszyklus umzuwandeln, und die Hyperscaler-Investitionskosten werden voraussichtlich weiter steigen (Abbildung 9). Dieser Ausbau von Rechenzentren hat die Nachfrage nach Energie, Chips und Infrastruktur erzeugt, die für die Entwicklung und Implementierung von KI im großen Maßstab benötigt werden.

Linke Skala: Hyperscaler-Umsätze & Investitionskosten in Billionen USD, rechte Skala: Investitions-/Umsatzverhältnis der Hyperscaler in Prozent

Hyperscaler-Cashflow: Obwohl die operativen Cashflows der Hyperscaler weiterhin stark sind, haben ihre enormen Investitionen den freien Cashflow unter Druck gesetzt. Ob die Investitionen letztlich Früchte tragen, hängt davon ab, ob sie zu zukünftigen Erlösen führen. Die Finanzmärkte zeigen nun Skepsis, ob zukünftige Einnahmen das Ausmaß dieser Ausgaben rechtfertigen werden: Das NTM-KGV der US-Hyperscaler ist bis Oktober 2026 auf 22x gefallen, verglichen mit einem 10-Jahres-Durchschnitt von 28x und einer historischen Spanne von 20x bis 38x. Diese Bewertungskompression ging mit deutlicher Unterperformance einher. Im vergangenen Jahr haben US-Hyperscaler nur etwa 3 Prozent Rendite erzielt, verglichen mit fast 14 Prozent beim S&P 500. Aktuelle Bewertungen könnten langfristigen Investoren, die unsere positive Sicht auf KI-getriebene Rentabilität teilen, eine Chance bieten, Exposure zu erhöhen. Hyperscaler werden jedoch häufig vom Markt hinsichtlich ihrer Fähigkeit getestet, Renditen aus ihren beträchtlichen KI-Investitionen zu erzielen.

Die unmittelbaren Nutznießer der Investitionen von Hyperscalern sind die physischen Schichten: Chips, Infrastruktur und Energie. Diese Schichten liefern die knappe Kapazität, die benötigt wird, um Modelle zu trainieren und KI-Dienste bereitzustellen, sodass die Ausgaben sie erreichen können, bevor die Monetarisierung der Anwendung nachweisbar ist.

Chip-Nachfrage und Preissetzungsmacht: Chips sind weiterhin sehr gefragt, da der Bedarf an Rechenleistungen schneller gewachsen ist als das Angebot an fortschrittlichen Systemen. Die Nachfrage nach Chips reicht über KI-Beschleuniger hinaus bis hin zu Chipkomponenten und -materialien, Produktionskapazitäten sowie Produktionsausrüstung. Verbundene Unternehmen sehen ihre Preissetzungsmacht deutlich steigen, was sich in höheren Margen und Gewinnen niederschlägt. Konsensschätzungen für den NTM EPS (nächste 12 Monate Gewinn pro Aktie) für den MSCI ACWI Semiconductors & Semiconductor Equipment Index liegen nun mehr als sechsmal höher als am 30. November 2022, als ChatGPT öffentlich eingeführt wurde, während die Sechsmonats-NTM-EPS-Revisionen weiterhin auf sehr erhöhten Niveaus um +45 Prozent liegen (Abbildung 10).

Linke Skala: NTM-EPS-Wachstum (indexiert: 30. November 2022 = 100), rechte Skala: 6M- NTM-EPS-Revisionen (gestrichelte Linien)

Infrastrukturunternehmen: Infrastrukturunternehmen verwandeln Chips in skalierbare Betriebskapazitäten. Prozessoren müssen verbunden, gelagert, gekühlt und mit Strom versorgt werden, was eine Nachfrage nach Servern, Racks, Netzwerken, optischen Interconnects, Kühlung, Energiemanagement, elektrischen Anlagen und Baudienstleistungen schafft. Konsensschätzungen des NTM EPS für die MSCI ACWI Technology Hardware & Equipment sowie für den Capital Goods Index liegen nun um 200 Prozent bzw. 64 Prozent höher als bei der Einführung von ChatGPT am 30. November 2022. Die sechsmonatigen NTM-EPS-Revisionen bleiben mit +50 Prozent für Technologie-Hardware und -ausrüstung sehr hoch und bei +10 Prozent solide für Investitionsgüter.

Energieerzeugung und -lieferung: Energie ist das physische Fundament des Stacks. Rechenzentren benötigen zuverlässige Energieerzeugung, Netzzugang, Stromversorgung und Kühlung; die lokale Verfügbarkeit davon kann das Tempo der Kapazitätserweiterung begrenzen. Diese Bedeutung hat sich jedoch bisher nicht in der gleichen kurzfristigen Gewinnbeschleunigung wie in anderen Schichten niedergeschlagen. Konsensschätzungen des NTM EPS für den MSCI ACWI Utilities Index liegen 45 Prozent höher als am 30. November 2022, während die Sechsmonats-NTM-EPS-Revisionen über einen längeren Zeitraum nahe 0 Prozent geblieben sind (siehe Abbildung 11).

Linke Skala: NTM-EPS-Wachstum (indexiert: 30. November 2022 = 100), rechte Skala: 6M- NTM-EPS-Revisionen (gestrichelte Linien)

Anwendungen sind der ultimative Test des Zyklus: Sie verwandeln Modellfähigkeiten in kostenpflichtige Produkte und Dienstleistungen, wandeln technologisches Potenzial in Akzeptanz, wiederkehrende Nachfrage, Umsatz- und Produktivitätsgewinne um. Die daraus entstehende Nachfrage überträgt sich wiederum auf die gesamte KI-Wertschöpfungskette. Erfolgreiche Anwendungen treiben die Modellnutzung voran, was die Inferenz- und Rechennachfrage erhöht, weitere Investitionen in Infrastruktur und Chips unterstützt und die Energie für den Betrieb dieser Kapazitäten erhöht.

Anwendungsakzeptanz und Kapitalangebot: Die entscheidende Frage für die Aktienmärkte ist, ob die Anwendungsadoption schnell genug wachsen kann, um das bereits investierte Kapital zu rechtfertigen. Wenn Anwendungsfälle sich als wertvoll erweisen, die Produktivität steigern und nachhaltige Umsätze generieren, wird die Nachfrage durch die Wertschöpfungskette zurückfließen, Renditen über mehrere Ebenen hinweg unterstützen und das heutige Kapitalwachstum mit dem zukünftigen Produktivitätswachstum verknüpfen. Dazu muss der Ausbau nun in breite Akzeptanz, wiederkehrende Umsätze und messbare Produktivitätsgewinne umgewandelt werden. 

Eine verzögerte Produktivitätsdividende: Wir glauben, dass KI in den kommenden Jahren eine echte Produktivitätsdividende liefern wird, auch wenn der genaue Zeitpunkt noch ungewiss bleibt. Wie bereits erläutert, treten Produktivitätsgewinne typischerweise mit einer gewissen Verzögerung nach großen Investitionszyklen auf, und diese Verzögerung ist eher ein Grund für Geduld als für Skepsis. Die Akzeptanz muss sich ausweiten, Unternehmen müssen Arbeitsabläufe und Geschäftsprozesse neu gestalten, und völlig neue Geschäftsmodelle werden wahrscheinlich entstehen. 

Fortgesetzte Kapitalinvestitionen: In der Zwischenzeit muss die Kapitalinvestitionsphase selbst noch weiterlaufen. Der Investitionsverlauf (siehe Abbildung 9) wird voraussichtlich weit über 2026 hinausgehen, was die Gewinnbasis der Infrastruktur-, Chip- und Energieschichten unterstützt, während sich Investitionsmöglichkeiten bei KI-Anwendern entwickeln. Obwohl die Investitionsausgaben daher voraussichtlich hoch bleiben, sollten die wachsende KI-Akzeptanz und höhere Umsätze den Druck auf Hyperscaler allmählich verringern.

Wie in früheren Technologiezyklen kann das, was als konzentrierter Investitionsboom beginnt, letztlich die Produktivität und das Wirtschaftswachstum in der gesamten Wirtschaft steigern und das Gewinnwachstum weit über die direkt an der KI-Entwicklung beteiligten Sektoren hinaus unterstützen.

Hyperscaler sind weiterhin gut positioniert: Wir erwarten für die führenden Plattformunternehmen in absehbarer Zukunft keine Wiederholung des „Boom-und-Bust-Musters“ der 90er-Jahre; wie die Abbildungen 12, 13 und 14 zeigen, sind die Vermögenspreise im Vergleich zu den späten 90ern moderat gestiegen, der Gewinn pro Aktie ist höher und die Kurs-Gewinn-Verhältnisse (KGV) sind moderater. Die heutigen Investitionsausgaben werden aus operativem Cashflow statt aus Schulden finanziert, während die Kapazität beim Liefern absorbiert wird, anstatt spekulativ zu bauen. Hyperscaler verkaufen ihre Produkte nicht einfach und verlassen dann die Wertschöpfungskette, wie es Ausrüster in den 1990er-Jahren taten. Sie besitzen die Cloud, Modelle und die Endkundenbeziehung, erwirtschaften direkt Einnahmen auf der Anwendungsebene und gehören selbst zu den intensivsten KI-Anwendern. Hyperscaler sollten daher selbst Hauptnutznießer der Produktivitätsgewinne bleiben, zusammen mit einer wachsenden Zahl von Anwendern.

NASDAQ-Kurs (indexiert: Startdatum = 100)

NASDAQ-EPS (indexiert: Startdatum = 100)

NASDAQ-KGV

Marktfokus soll erweitert werden: In den kommenden Jahren könnte sich der Fokus an den Aktienmärkten von den nachgelagerten Schichten des Fünf-Schicht-Kuchens auf die Unternehmen ausweiten, die KI am effektivsten nutzen, wodurch die Gewinne durch höhere Arbeitsproduktivität gesteigert und Kosten durch Automatisierung und effizientere Prozesse, also Verbesserungen der Gesamtfaktorproduktivität (TFP), gesenkt werden, wie in Abschnitt „Die unmittelbare KI-Wertschöpfungskette“ erklärt. Langfristige Profiteure von Produktivitätssteigerungen könnten folgende sein:

• Software & Dienstleistungen: KI-unterstützte Softwareentwick-lungen und -tests sowie KI-unterstützter Softwaresupport senken die Kosten für den Aufbau und die Betreuung jedes Kunden, wäh-rend agentische Funktionalität die Monetarisierung von lizenzba-sierter hin zu nutzungs- und ergebnisbasierter Preisgestaltung er-weitert.
• Kommerzielle und professionelle Dienstleistungen: Die Automa-tisierung von Recherche, Dokumentenprüfung, Datenvorbereitung und routinemäßiger Analyse nimmt Tätigkeiten auf, die historisch arbeitsintensiv waren, entlastet Personal für höherwertige Kunden-aufträge und erweitert die Kapazitäten.
• Medien & Unterhaltung: Lokalisierung, Synchronisation, Untertite-lung, Versionierung und visuelle Effekte sind arbeitsintensive Pro-zesse, bei denen KI die Kosten erheblich senkt. Dadurch werden bestehende Bibliotheken und neue Inhalte in mehr Regionen und Formaten wirtschaftlich rentabel als zuvor.
• Gesundheitswesen: Dokumentation, Codierung, Vorabgenehmi-gung, Schadenbearbeitung und -terminierung sind umfangreiche, regelbasierte Aufgaben, die erheblichen Arbeitsaufwand erfordern. KI kann diese Kosten senken und gleichzeitig den klinischen Durchsatz von dauerhaft knappem Personal erhöhen. In der Phar-maindustrie kann KI die Entdeckungszeiten verkürzen und die Auswahl der Kandidaten verbessern.
• Finanzen: Banken verfügen über viele hochvolumige, regelbasierte Prozesse wie Unternehmensanalysen, Kreditbewertung, Dokumen-tenprüfung und mehr, die KI direkt bearbeiten kann. Für Versicherer könnte der größere Effekt eher durch Risikomanagement als durch Kosten entstehen: Bessere Auswahl des Underwritings, schnellere Schadenstriage und eine stärkere Betrugserkennung können die Ergebnisse des Underwritings verbessern.
• Industrien: Prädiktive Wartung, automatisierte visuelle Inspektion, Energieoptimierung und logistische Routenplanung können jeweils zusätzliche Vorteile bringen, können aber zusammen operativen Hebel schaffen, indem sie den Durchsatz aus der bestehenden An-lagebasis erhöhen, anstatt neues Kapital zu benötigen. Auch in der Industrie könnte physische KI letztlich am stärksten wirken und den Arbeitskräftemangel dort verringern, wo sie am wichtigsten ist.
  

Drei-Faktor-Wirtschaftswachstumsmodelle bieten weiterhin eine nützliche Möglichkeit, die Auswirkungen Künstlicher Intelligenz zu bewerten.

KI wird alle drei Wachstumskanäle – Kapital, Arbeit und Produktivität – beeinflussen, jedoch über unterschiedliche Zeithorizonte. Derzeit befinden wir uns in einer Phase hoher KI-bezogener Kapitalinvestitionen. Die Frage ist, wie schnell dies die Arbeitsproduktivität und letztlich die Gesamtfaktorproduktivität (TFP) der Volkswirtschaften steigert.

KI verändert bereits das US-Wirtschaftswachstum, doch ihre Auswirkungen auf den Arbeitsmarkt sind gedämpft.
KI-bezogene Investitionen sind bereits zu einem sichtbaren Wachstumstreiber geworden, der sich auf mehrere Sektoren erstreckt. Die derzeitige Enge auf dem US-Arbeitsmarkt könnte auf demografische und andere Probleme rund um das Arbeitskräfteangebot zurückzuführen sein. Derzeit scheint KI jedoch dazu zu dienen, die Fähigkeiten der Arbeitnehmer zu erweitern, anstatt sie zu verdrängen.

KI-Investitionsbooms und Produktivitätssteigerungen werden nicht vollständig synchronisiert sein.

Die Erfahrungen der USA während der IT-Revolution im späten 20. Jahrhundert zeigen, dass es Jahre dauern kann, bis sich Investitionen vollständig in entsprechenden Produktivitätssteigerungen niederschlagen. Wir erwarten eine Produktivitätsdividende, aber sie wird zeitlich verzögert wirken. Die Finanzmärkte werden jedoch den Daten voraus sein und sich möglicherweise nicht durch historische Präzedenzfälle eingeschränkt fühlen.

Die verschiedenen Ebenen des KI-Ökosystems werden gut durch die Fünf-Schicht-Kuchen-Analogie illustriert.

Letztlich müssen KI-Fähigkeiten von Nachfrage und Renditen von oben nach unten begleitet werden. Hyperscaler werden weiterhin im Zentrum stehen, aber die KI-Einführung muss nun schnell genug wachsen, um sowohl die bereits getätigten als auch die für die kommenden Jahre geplanten Investitionen zu rechtfertigen.

Der Marktfokus wird sich auf Unternehmen ausweiten, die die Einführung von KI in echte, greifbare Produktivitätsgewinne umwandeln können.

Die führenden KI-Unternehmen dürften jedoch weiterhin prosperieren, da der derzeitige Ausbau der KI-Infrastruktur durch ein starkes Gewinnwachstum und nicht durch steigende Bewertungsmultiplikatoren untermauert wird.

Vier zentrale Risiken könnten die Beziehung zwischen Künstlicher Intelligenz und Wirtschaftswachstum beeinflussen.

Erstens könnte die KI-Monetarisierung hinter den Erwartungen zurückbleiben und Zweifel an der bestehenden und zukünftigen Kapitalinvestition aufkommen lassen, was Auswirkungen auf das Gesamtwirtschaftswachstum sowie auf individuelle Investitionen hätte. Zweitens könnte eine stärkere Regulierung versucht werden, um Investitionsannahmen und damit die Preisgestaltung zu verändern. Drittens könnte der geopolitische Wettbewerb um wichtige Vorleistungen der KI-Wertschöpfungskette und Exportkontrollen das KI-Angebot und die Innovationsfähigkeit beeinträchtigen, mit Folgewirkungen auf Politik und Regulierung. Schließlich könnten lokale Engpässe bei der Energieversorgung den Ausbau der KI-Kapazitäten begrenzen. Ihre Behebung könnte durch politischen Widerstand vor Ort erschwert werden, etwa aufgrund von Sorgen über die Ressourcenverfügbarkeit oder steigende Strompreise.