Das KI-Renditebuch
Investitionen, Rechenkapazität und Nutzervorteile werden in getrennten Konten erfasst. Dieses Hauptbuch hält sie voneinander getrennt.
Diese Untersuchung trennt drei Aussagen, die oft miteinander vermischt werden: Wer bezahlt die KI-Infrastruktur, wem gehört die knappe Ressource und wer profitiert vom Einsatz der KI? Das Hauptbuch führt Belege zu Investitionen, Konzentration, Akzeptanz und Wohlfahrt in getrennten Konten.
- 01Finanzielle Rendite
Wem gehören die Chips, Rechenzentren, Modelle und der Vertrieb, und wie viel Geld bleibt nach Betriebskosten, Abschreibungen und Finanzierung übrig?
- 02Wert für den Produzenten
Welche Unternehmen wandeln KI in anerkannte Leistungen, geringere Kosten, kürzere Durchlaufzeiten oder zusätzliche Umsätze um?
- 03Konsumentenrente
Welche Nutzer erhalten nützliche Vorteile, die nicht unbedingt als Einnahmen der Anbieter erscheinen?
Rechnung und Dividende sind unterschiedliche Buchhaltungsposten
Stanford meldet für 2025 private KI-Investitionen in den USA in Höhe von 285,88 Mrd. US-Dollar, während der IWF die durch den KI-Einsatz eingesparte Zeit auf 2,7 Billionen US-Dollar (gemessen in Arbeitskostenäquivalenten) schätzt. Diese Zahlen beantworten unterschiedliche Fragen und sollten nicht so verglichen werden, als handele es sich um eine einzige Renditeberechnung.
Knappheit könnte die Renditen der Anbieter sichern
Sinkende Preise für Inferenz können die Gesamtnutzung steigern und so die Nachfrage und die Renditen für die Infrastruktur erhöhen, selbst wenn die Stückpreise sinken. Knappe Rechenkapazitäten, proprietäre Daten, Vertriebskanäle und langfristige Verträge könnten es Infrastruktur- und Plattformbetreibern ermöglichen, nachhaltige Margen zu erzielen.
Prüfung der Angaben
| Behauptung | Beweiskategorie | Primärquelle | Ergebnis | Einschränkung |
|---|---|---|---|---|
| Die privaten KI-Investitionen in den USA lagen im Jahr 2025 deutlich über den in China verzeichneten privaten KI-Investitionen. | Geschätzter Wert aus gemessenen Quellen | Stanford AI Index 2026, Kapitel „Wirtschaft“ | Das Kapitel des Stanford-Index gibt die KI-Investitionen der USA im Jahr 2025 mit 285,88 Mrd. US-Dollar und die Chinas mit 12,41 Mrd. US-Dollar an und stellt fest, dass die privaten KI-Investitionen der USA das 23-Fache der in China verzeichneten privaten Gesamtinvestitionen betrugen. | Private Investitionen sind nicht gleichbedeutend mit den gesamten nationalen Ausgaben, staatlicher Förderung, Wohlfahrtsgewinnen oder Anlegerrenditen. |
| Der physische Ausbau der KI ist umfangreich und kapitalintensiv. | Beobachtete und prognostizierte Investitionsausgaben | Internationale Energieagentur, Schlüsselfragen zu Energie und KI | Die IEA berichtet, dass die Investitionsausgaben von fünf großen Technologieunternehmen im Jahr 2025 400 Mrd. US-Dollar überstiegen und 2026 voraussichtlich weiter steigen werden. | Die Ausgaben beziehen sich hauptsächlich auf Rechenzentren, stellen jedoch weder einen reinen Maßstab für KI-Investitionen noch einen Nachweis für zukünftige Gewinne dar. |
| Eine kleine Gruppe von US-amerikanischen Hyperscalern kontrolliert einen Großteil der gemessenen KI-Rechenleistung. | Schätzung zur Infrastrukturkonzentration | Epoch AI: Fünf Hyperscaler besitzen mittlerweile mehr als zwei Drittel der weltweiten KI-Rechenleistung | Epoch schätzt, dass Amazon, Google, Meta, Microsoft und Oracle im vierten Quartal 2025 70,7 % der weltweiten kumulierten KI-Rechenleistung hielten, gemessen in H100-Äquivalenten. | Die Daten zum Chip-Besitz sind unvollständig, und die Umrechnung in H100-Äquivalente ist von der Arbeitslast abhängig. |
| Die Modellkapazitäten Chinas lassen sich nicht allein aus den Gesamtbeträgen privater Investitionen ableiten. | Nachweis von Leistungsfähigkeit und Veröffentlichungen | Stanford AI Index 2026 und DeepSeek-R1-Fachartikel | Stanford berichtet, dass die Leistungslücke zwischen US-amerikanischen und chinesischen KI-Modellen bei den ausgewählten Vergleichen im einstelligen Bereich blieb, und DeepSeek-R1 dokumentiert bedeutende chinesische Arbeiten zu Schlussfolgerungsmodellen. | Benchmark-Vergleiche und Belege aus Veröffentlichungen belegen weder den kommerziellen Einsatz noch die Rentabilität oder einen Wohlfahrtsgewinn auf staatlicher Ebene. |
| China verfügt über eine große industrielle Automatisierungsbasis, in die sich KI verbreiten könnte. | Anzahl der industriellen Installationen | International Federation of Robotics, „World Robotics 2025“ – Zusammenfassung | Die IFR berichtet, dass China im Jahr 2024 mit 295.045 Installationen 54 % der weltweiten Industrieroboterinstallationen ausmachte. | Die Installation von Industrierobotern ist nicht gleichbedeutend mit der Einführung generativer KI und zeigt für sich genommen keine Produktivitätssteigerung. |
| Die Verbreitung offener Modelle kann die direkte Preissetzungsmacht der Modellinhaber verringern. | Analyse der Umsatzstruktur | Epoch AI: Wie verdienen chinesische KI-Unternehmen Geld? | Epoch schätzt, dass sechs führende chinesische KI-Unternehmen im September 2026 etwa 10 % des Gesamtumsatzes von OpenAI und Anthropic erzielten, und weist darauf hin, dass öffentlich bekannt gegebene Gewichtungen die API-Margen einschränken können. | Die Definitionen von Umsatz, die Auswahl der Unternehmen und die Berichtsmonate unterscheiden sich; Umsatz ist nicht gleich Nettogewinn. |
| KI kann einen hohen Nutzwert schaffen, ohne dass der gleiche Betrag als Umsatz des Anbieters oder als Rendite für Investoren erscheint. | Schätzung des Arbeitskostenäquivalents | IWF WP/26/147, Aggregierte Gewinne durch KI und ihre Verteilung | Das Arbeitspapier schätzt die jährlich eingesparte Zeit, umgerechnet in Arbeitskostenäquivalente, auf 2,7 Billionen US-Dollar, was 3,4 % des BIP entspricht. | Das Arbeitskostenäquivalent ist ein indikativer Maßstab für die eingesparte Zeit, nicht für geprüftes BIP, Umsatz, Gewinn oder Barertrag. |
| Der Zugang zu KI garantiert keine Produktivitätskonvergenz. | Arbeitspapier zur Entwicklungsökonomie | IWF WP/26/190, Relative Entwicklung und die Intelligenzkluft | Das Arbeitspapier argumentiert, dass die Fähigkeit, Wissen in Produktivität umzuwandeln, wichtiger ist als der bloße Zugang zu KI-Tools. | Es handelt sich um ein Arbeitspapier mit bedingten theoretischen und empirischen Erkenntnissen, nicht um eine beobachtete Verteilung künftiger KI-Gewinne. |
| Es gibt begrenzte Produktivitätsgewinne durch KI, diese sollten jedoch nicht verallgemeinert werden. | Ergebnisse aus Feldstudien | Brynjolfsson, Li und Raymond, „Generative KI am Arbeitsplatz“ | Die Studie berichtet von einer verbesserten Produktivität im Kundensupport durch KI-Unterstützung, wobei bei weniger erfahrenen Mitarbeitern größere messbare Gewinne festgestellt wurden. | Der Kundensupport ist ein begrenzter Anwendungsbereich; das Ergebnis lässt keine allgemeinen Aussagen über Fabriken, Regierungen oder Volkswirtschaften zu. |
Ausgeschlossene Behauptungen und Auslöser für Falsifizierung
Aus der öffentlichen Darstellung ausgeschlossen
- Gesamtsummen der KI-Schulden ohne einheitliche Primärdefinition
- Investitionszusagen, die so behandelt werden, als handele es sich um geprüfte zukünftige Erträge
- Behauptungen über nationale Gewinner, die Leistungsfähigkeit, Eigentumsverhältnisse, Umsatz, Produktivität und Wohlstand miteinander vermischen
- Branchenmargen, die als direkter Nachweis für Anlegerrenditen herangezogen werden
Auslöser für Fälschungen
- Geprüfte Infrastruktur-Cashflows zeigen durchweg hohe Renditen nach Abschreibungen über alle wichtigen AI-Rechenzentrumsgenerationen hinweg.
- KI-nutzende Unternehmen können nach Berücksichtigung von Nachbesserungen, Integration und Preisgestaltung keine messbaren Produktivitätsgewinne aufrechterhalten.
- Schätzungen der Konsumentenrente sinken, während die Umsätze und Margen der Anbieter stark steigen.
- Das Rechenleistungsangebot ist nach wie vor so knapp, dass Preisrückgänge pro Einheit die Margen der Plattformen nicht untergraben.
Offenlegung: Der Artikel basiert auf einem vom Autor zur Verfügung gestellten tschechischen Aufsatz vom 10. Oktober 2026. AU hat die hier aufgeführten öffentlichen Quellen unabhängig überprüft und die These als Rahmenkonzept mit drei Konten umgeschrieben. Es werden weder Anlageempfehlungen noch Prognosen auf Länderebene abgegeben.
Quelle und Status: AU Evidence Companion, 12. Oktober 2026. Rahmenkonzept adaptiert aus einem vom Autor bereitgestellten tschechischen Aufsatz; Liste der öffentlichen Quellen siehe oben.