Die Umsatzlücke hinter dem KI-Ausbau

Die Kostenseite der künstlichen Intelligenz ist gut vermessen. Inferenz wird schnell billiger, die Hebel dahinter sind bekannt, und die Kurven lassen sich mit einiger Vorsicht fortschreiben, wie ich in Die Ökonomie fallender Inferenzkosten ausgeführt habe. Die andere Hälfte der Rechnung bleibt dabei regelmäßig unbeleuchtet. Rund 1,5 Billionen US-Dollar sind bis Mitte 2026 in KI-Infrastruktur geflossen.¹¹⁰⁹⁵ Über den Rückfluss wird deutlich seltener gesprochen.

Die These vorweg, damit ihr Status klar ist: Der Kapitaleinsatz läuft der Umsatzrealisierung derzeit stärker davon als beim letzten großen Infrastrukturexzess. Das ist keine Prognose eines Zusammenbruchs, sondern eine Feststellung über die Lücke zwischen Ausgaben und belegten Erträgen. Wie diese Lücke sich schließt, über künftiges Wachstum, über Preiserhöhungen oder gar nicht, ist offen.

Die Rechnung

Um den bisherigen Infrastruktureinsatz zu rechtfertigen, wäre ein Jahresumsatz von etwa 3 Billionen US-Dollar nötig.¹¹⁰⁹⁶ Die Divergenz zwischen Investitionen und realisierten Umsätzen wird auf rund 46% beziffert und liegt damit über den etwa 32% der Telekommunikationsblase von 2001.¹¹⁰⁹⁷ Der Vergleich ist nicht als Untergangsszenario gemeint, sondern als Maßstab: Das damalige Glasfasernetz wurde später vollständig genutzt, nur eben von anderen Eigentümern als denen, die es bezahlt hatten.

Der Einwand liegt nahe, dass die Umsatzseite ja wächst. Das stimmt auch. Microsofts KI-Geschäft erreichte eine Jahresrate von etwa 37 Mrd. US-Dollar bei über 120% Wachstum, AWS liegt bei rund 150 Mrd. mit 28%, Google Cloud bei 63% Zuwachs. Nur weitet sich die Lücke trotzdem, weil die Ausgabenseite schneller wächst als die Einnahmenseite.

Die Lizenzmathematik

Am aufschlussreichsten ist der Blick auf die Anwendungen, die tatsächlich Geld verdienen. Coding-Assistenten sind die am besten monetarisierende KI-Kategorie überhaupt: Claude Code kam im Mai 2026 auf etwa 8 Mrd. US-Dollar Jahresumsatzrate, ausgehend von rund 1 Mrd. ein halbes Jahr zuvor, Cursor auf etwa 2 Mrd. in weniger als zwei Jahren, was zu den schnellsten Umsatzkurven der Softwaregeschichte zählt.¹¹⁰⁹⁸ Die gesamte Kategorie liegt bei geschätzt 15 bis 20 Mrd.

Gemessen an der Lücke ist das wenig. Um allein die engere, ursprünglich mit 600 Mrd. angesetzte Rechnung über Lizenzen zu decken, bräuchte es etwa das Dreißig- bis Vierzigfache der heutigen Kategorie. Für die aktuelle Rechnung entsprechend mehr. Die erfolgreichste KI-Anwendung, die es gibt, deckt damit einen niedrigen einstelligen Prozentsatz dessen ab, was rechnerisch nötig wäre. Lizenzumsätze tragen den Kapitaleinsatz auf der bisherigen Zeitachse also nicht, selbst wenn das Extremwachstum anhält.

Zahlungsbereitschaft

Aufschlussreicher als die absoluten Zahlen ist, wofür Anwender überhaupt zahlen. Das Muster ist zweigeteilt.

Der gebündelte Standardassistent verliert seinen Preis. Microsoft 365 Copilot erreichte 20 Mio. bezahlte Arbeitsplätze, was gemessen an den rund 450 Mio. M365-Lizenzen einer Durchdringung von etwa 3,3% entspricht.¹¹⁰⁹⁹ Stehen beide Werkzeuge parallel zur Verfügung, greifen ungefähr 76% zu ChatGPT und 18% zu Copilot. Analysten rechnen damit, dass die Funktion bis 2027 in die Basislizenz wandert, was das Eingeständnis wäre, dass die eigenständige Zahlungsbereitschaft begrenzt bleibt. Die Amortisationsrechnung für den zugehörigen Kapitaleinsatz läuft bei aktueller Adoption über sechs bis acht Jahre.

Auskömmliche Preise erzielen dagegen die differenzierten, agentischen Produkte, für die Nutzer 100 bis 200 Dollar im Monat zahlen. Der Markt erwartet Standardfunktionen als Ware und honoriert nur das, was ein Arbeitsergebnis liefert statt einer Fähigkeit. Daraus folgt eine unbequeme Konsequenz für die verbreitete Erwartung, der wirtschaftliche Wert wandere von der Modellschicht zur Anwendungsschicht: Auch die Anwendungsschicht monetarisiert bislang kaum, sobald sie gebündelt und generisch ist.

Ertrag und Bilanz

Der gemessene Nutzen bleibt hinter den Ausgaben zurück. Eine Untersuchung des MIT-Programms NANDA kommt zu dem Ergebnis, dass 95% der Unternehmenspiloten im Bereich generativer KI keinen messbaren Effekt auf das Betriebsergebnis erzeugen, bei einem untersuchten Ausgabenvolumen von 30 bis 40 Mrd. US-Dollar.¹¹¹⁰⁰ Der optimistische Fall ruht damit nicht auf gemessenem Ertrag, sondern auf der Erwartung künftiger Anrechnung, gestützt auf historische Analogien zum Eisenbahn- und Straßenbau, deren Renditen sich über Jahrzehnte einstellten.

Daneben schmeicheln die Bilanzen. Amazon, Microsoft und Google haben die angenommene Nutzungsdauer ihrer Server von drei bis vier auf sechs Jahre verlängert. Bei einem Anlagevermögen von 660 Mrd. US-Dollar bedeutet das eine jährliche Abschreibung von etwa 110 statt 220 Mrd., und die Differenz fließt direkt ins operative Ergebnis. Schätzungen zufolge werden die Gewinne der Jahre 2026 bis 2028 dadurch um mehr als 20% zu hoch ausgewiesen.¹¹¹⁰¹ Amazon ging Anfang 2025 den umgekehrten Weg, verkürzte die Nutzungsdauer von sechs auf fünf Jahre und begründete das ausdrücklich mit dem beschleunigten technischen Tempo.

Dieselbe Beschleunigung ist der Grund, warum Inferenz billiger wird. Der schnelle Generationswechsel bei den Beschleunigern senkt die Betriebskosten und macht zugleich die Annahme einer sechsjährigen Nutzungsdauer unrealistisch. Kostenhebel und Bilanzrisiko sind hier dasselbe Phänomen, von zwei Seiten betrachtet.

Die Konsequenz

Für die verbreitete Jevons-Lesart hat der Befund Folgen. Sie tröstet mit dem Gedanken, dass der Stückpreis fällt und die Gesamtrechnung trotzdem steigt, und behandelt dieses Ausgabenwachstum stillschweigend als gesunde Nachfrage. Entfällt ein erheblicher Teil davon auf Piloten ohne nachweisbaren Ertrag, ist er experimentell und damit deflationierbar. Der Token-Konsum könnte dann schneller einbrechen, als die Kurven der letzten drei Jahre nahelegen.

Zusammen mit der Kostenseite ergibt sich eine Zange. Der Kapitaleinsatz kauft Rechenleistung, deren Grenznutzen sinkt, während ihr Kostenboden über den Energiebedarf mittelfristig steigt. Ob die Marge von beiden Seiten gequetscht wird, entscheidet sich weniger an der Kostenkurve als daran, ob aus den heutigen Piloten zahlende Anwendungen werden.

Für Unternehmen, die KI einsetzen, folgt daraus eine nüchterne Konsequenz: Der eigene Anwendungsfall braucht eine Ertragsrechnung, die auch dann trägt, wenn die Token nicht weiter billiger werden. Und für alle, die auf die Modellanbieter als Investment schauen, bleibt die Frage offen, ob der Wert am Ende bei einer schmalen Spitze differenzierter Produkte landet oder sich weitgehend in Konsumentenrente auflöst, also in wahrgenommenem Mehrwert, den niemand in Rechnung stellen kann.

Quellen

1. AI's $600B Question. Sequoia Capital. https://sequoiacap.com/article/ais-600b-question/ sowie die Fortschreibung auf rund 3 Bio. für 2026: https://aiweekly.co/alerts/sequoias-cahn-pegs-ais-2026-revenue-gap-at-roughly-3t ↩
2. The AI Capex-to-Revenue Gap Is Widening. Forbes, 2026. https://www.forbes.com/sites/jasonkirsch/2026/06/02/the-ai-capex-to-revenue-gap-is-widening---and-markets-are-starting-to-notice/ ↩
3. Claude Code Is Doing $8B Annualized. MindStudio, 2026. https://www.mindstudio.ai/blog/claude-code-2-5-billion-annualized-revenue-terminal-tool ↩
4. Microsoft Copilot 3.3% Penetration vs $190B AI Capex. VaaSBlock, 2026. https://www.vaasblock.com/research/microsoft-copilot-monetization-capex-return-timeline-2026/ sowie Microsoft 365 Copilot Hits 20M Paid Seats. https://windowsforum.com/threads/microsoft-365-copilot-hits-20m-paid-seats-enterprise-ai-adoption-governance-roi.415952/ ↩
5. MIT NANDA, Untersuchung zum Stand generativer KI in Unternehmen, 2025. ↩
6. The Hidden Variable in the AI Rally: A Depreciation Reality Check. Forbes, 2026. https://www.forbes.com/councils/forbesbusinesscouncil/2026/04/17/the-hidden-variable-in-the-ai-rally-a-depreciation-reality-check/ sowie Hyperscaler Depreciation Schedules and AI Capex Circularity. Footnote Brief. https://footnotebrief.com/hyperscaler-depreciation-ai-capex-circularity/ ↩
7. Nicholas Carr: IT Doesn't Matter, 2003. https://www.nicholascarr.com/?page_id=99 ↩
8. Mark Hughes: Do 70 Per Cent of All Organizational Change Initiatives Really Fail?, 2011. https://doi.org/10.1080/14697017.2011.630506 ↩
9. Carol Brown, Iris Vessey und Anne Powell: The ERP Purchase Decision: Influential Business and IT Factors, 2000. Befragung von 122 leitenden IS-Managern. https://aisel.aisnet.org/amcis2000/438/ ↩
10. Erik Brynjolfsson und Lorin Hitt: Paradox Lost? Firm-Level Evidence on the Returns to Information Systems Spending, 1996. https://pubsonline.informs.org/doi/10.1287/mnsc.42.4.541 ↩
11. Deloitte: Automation with intelligence, Erhebung unter 479 Führungskräften aus 35 Ländern, 2022. Die durchschnittliche Amortisationsdauer eines Piloten stieg von 16 auf 22 Monate; 70% hatten die Umsatzwirkung nicht berechnet. https://www.deloitte.com/us/en/insights/topics/talent/intelligent-automation-2022-survey-results.html ↩
12. OpenAI: GPT-4 Technical Report ↩
13. OpenAI: Learning to reason with LLMs ↩
14. Liu et al.: Lost in the Middle ↩