Chancen entlang der KI-Wertschöpfungskette finden

Investitionen in Künstliche Intelligenz (KI) können auf den ersten Blick komplex wirken. Das Ökosystem ist breit gefächert und reicht von riesigen Rechenzentren bis hin zu den Anwendungen, die von Unternehmen und staatlichen Einrichtungen genutzt werden. Wie können Anleger bestehende und neue Chancen nutzen und gleichzeitig Renditechancen wahrnehmen sowie Risiken steuern?

Anstatt KI als ein einzelnes Anlagethema zu betrachten, analysieren wir jede Stufe der KI-Wertschöpfungskette separat. So lässt sich erkennen, wo die Investmentthese weiterhin Bestand hat, wo neue Risiken entstehen und wo sich die wirtschaftliche Wertschöpfung verlagert.

Während viele Analysen zu KI-Investitionen sich vor allem darauf fokussieren, wie die Technologie entwickelt wird, konzentriert sich unser Ansatz darauf, wo die Investmentthese am überzeugendsten bleibt, wo Wertschöpfung entstehen kann und welche Bereiche der KI-Wertschöpfungskette besonders gut positioniert sind, um eine Outperformance zu erzielen, beziehungsweise welche durch Engpässe begrenzt werden könnten.

Unser Analyseansatz bewertet die Chancen im KI-Bereich anhand einer Reihe überprüfbarer Fragestellungen entlang der gesamten Wertschöpfungskette. Er zeichnet sich durch drei Besonderheiten aus:

Erstens, diagnostisch statt prognostisch: Ziel ist es, die Belastbarkeit der KI-Investmentthese durch überprüfbare Fragen zu bewerten und tatsächliche Entwicklungen von Hype zu unterscheiden.

Zweitens, Fokus auf Frühindikatoren statt auf nachlaufende Indikatoren: Kennzahlen wie die Geschwindigkeit mit der Unternehmen KI einführen oder die Breite der Nutzung durch Mitarbeiter können frühzeitig Hinweise auf zukünftige Entwicklungen geben, noch bevor die Quartalsergebnisse diesen Trend bestätigen.

Drittens, Berücksichtigung sich verschiebender Gewinnpools im Zeitverlauf: Die Einführung von KI bestimmt die Größe der Marktchance, während Engpässe und Wettbewerbsvorteile darüber entscheiden, wer davon profitiert. Wenn beispielsweise High Bandwidth Memory (HBM, ein Hochleistungsspeicher mit besonders hoher Datenübertragungsrate) zum begrenzenden Faktor wird, könnten Unternehmen in diesem Segment ihre Preise anheben. Dies könnte höhere Gewinne und potenziell auch steigende Aktienkurse unterstützen.

Nvidia prägte den Begriff des „Five-Layer-Cakes“, um das KI-Ökosystem als umfassende, integrierte industrielle Infrastruktur entlang der gesamten KI-Wertschöpfungskette zu beschreiben:

1. Anwendungen – KI-Produkte und -Dienstleistungen, die konkrete Probleme der Nutzer lösen.
2. Modelle – Systeme, die darauf trainiert werden, Sprache, Bilder, Videos, biologische Prozesse und weitere Daten zu verstehen.
3. Infrastruktur – die Rechenzentren, Netzwerkausrüstung, Kühlsysteme, Stromanschlüsse und physischen Anlagen, die für den Betrieb von KI im großen Maßstab erforderlich sind
4. Chips – Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), Speicherchips und moderne Halbleiterkomponenten, die KI überhaupt erst ermöglichen.
5. Energie – die Energieversorgung, die für den Betrieb von Rechenzentren benötigt wird.

Wir nutzen diese Struktur, um jede Ebene mit einer überprüfbaren Investmentfrage zu verknüpfen, die durch objektive Indikatoren gestützt wird. Anstatt Quartalsergebnisse vorherzusagen oder den nächsten kurzfristigen Gewinner identifizieren zu wollen, analysieren wir, ob die strukturelle KI-Investmentthese weiterhin Bestand hat und wo im Zuge der Weiterentwicklung der Branche ökonomische Renten entstehen, also zusätzliche Gewinne, die sich aus der Kontrolle knapper digitaler Ressourcen ergeben.

Diesen Analyseansatz wenden wir auf die gesamte KI-Wertschöpfungskette an (siehe Seite 2, Abbildung 1).

Frage: Schafft KI messbaren wirtschaftlichen Mehrwert?

Diese Frage bildet die Grundlage der KI-Investmentthese. Damit Investitionen in KI strukturell und nicht lediglich zyklisch bleiben, muss die Technologie einen messbaren wirtschaftlichen Mehrwert schaffen. Für Unternehmen bedeutet dies eine höhere Produktivität, stärkeres Umsatzwachstum oder niedrigere Kosten. Ohne einen nachweisbaren wirtschaftlichen Nutzen besteht das Risiko, dass Ausgaben für KI als optional angesehen werden. Anleger sollten daher die Produktivitätssteigerungen von Unternehmen und die Rendite ihrer KI-Investitionen genau beobachten.

Schafft KI tatsächlich Mehrwert, stellt sich als Nächstes die Frage, ob sich ihre Nutzung über Pilotprogramme hinaus verbreitet. Der eigentliche Effekt entsteht erst dann, wenn Unternehmen KI in großem Maßstab einsetzen und dauerhaft bereit sind, dafür zu bezahlen.

Wichtige Faktoren, die es zu beobachten gilt: Öffentlich zugängliche Dashboards und Veröffent lichungen führender Technologieunternehmen und Anbieter von KI-Modellen können Hinweise auf den Grad der Nutzung von KI liefern. Grundlage dafür sind unter anderem unternehmenseigene Nutzungsdaten und Umfragen.

Studien und Daten des National Bureau of Economic Research (NBER), des US Bureau of Labor Statistics (BLS) sowie Analysen von Beratungsunternehmen können Aufschluss über die Arbeitsproduktivität geben. Darüber hinaus kann die Forschung an Universitäten aufzeigen, wie sich die Leistungsfähigkeit von KI im Vergleich zum Menschen entwickelt. Dies liefert Hinweise auf potenzielle Produktivitätsgewinne, die Bandbreite sinnvoller Anwendungsfälle und die Bereitschaft von Unternehmen, in KI-Agenten zu investieren.

Die Verbreitung von KI in Unternehmen lässt sich zudem anhand von Echtzeitdaten zu Stellenanzeigen und Umfragen zu den KI-Ausgaben von Unternehmen verfolgen, die regelmäßig von Branchenvertretern und Forschungsinstituten veröffentlicht werden.

Frage: Welche Modellanbieter können Preissetzungs macht erzielen?

Die Profitabilität von KI-Modellen zählt zu den größten Unsicherheitsfaktoren innerhalb des KI-Ökosystems. Der Wettbewerb zwischen führenden Modellanbietern, der Aufstieg effizienterer und kostengünstigerer Open-Source- bzw. Open-Weight-Architekturen sowie die sich verändernden Kosten für das Training von Modellen werfen wichtige Fragen hinsichtlich der Preissetzungsmacht und der künftigen Marktstruktur auf.

In einigen Ländern, beispielsweise in China, steht die wirtschaftliche Rentabilität möglicherweise nicht an erster Stelle. Dort können strategische Ziele wie technologische Souveränität und der Ausbau von Marktanteilen Vorrang haben. Dadurch entsteht das Risiko eines „KI-Preisdumpings“: Staatlich unterstützte oder strategisch motivierte Anbieter könnten dauerhaft niedrigere Margen akzeptieren. Dies könnte die Preissetzungsmacht globaler Wettbewerber schwächen.

Die zentrale Frage ist daher, welche Frontier-Modelle – also Modelle an der Spitze der technologischen Entwicklung – den nachhaltigsten Wettbewerbsvorteil besitzen. Gleichzeitig könnte ein Teil des Marktes zur austauschbaren Standardware werden, bei der sich Anbieter hauptsächlich über den Preis differenzieren.

 

Wichtige Faktoren, die es zu beobachten gilt: Zu den wichtigsten Indikatoren zählen die relative Marktposition der Anbieter von KI-Modellen, ihre Nutzung und Umsatzentwicklung sowie der Zusammenhang zwischen Marktanteil und Modellqualität. Ebenso relevant sind Veränderungen bei der Preisgestaltung, einschließlich des Preis-Leistungs-Verhältnisses, sowie die Verteilung der Rechenleistung zwischen dem Training von Modellen und der KI-Inferenz. Letztere beschreibt die Phase, in der trainierte Modelle ihr Wissen in Echtzeit anwenden.

 

Frage: Lässt sich KI-Hardware in nutzbare Rechenkapazität umwandeln?

Wirtschaftlicher Mehrwert entsteht durch KI-Anwendungen erst dann, wenn die erworbene Hardware tatsächlich in produktiv nutzbare Rechenkapazität für das Training und den Einsatz von KI-Modellen überführt wird. Dafür sind langfristige Investitionen in Rechenzentren sowie die notwendige Infrastruktur erforderlich.

Wichtige Faktoren, die es zu beobachten gilt: Die kumulierten Investitionen der Hyperscaler (also der Cloud-Anbieter, die die KI-Infrastruktur aufbauen) sowie die Entwicklung von Rechenzentren in den Phasen Planung, Bau und Betrieb. Darüber hinaus sollten Anleger die Auftragsbestände und Lieferzeiten wichtiger Ausrüstungskomponenten, beispielsweise für moderne Kühlsysteme, beobachten. Ebenfalls relevant sind Immobilienkennzahlen wie Mietpreise und Leerstandsquoten.

Frage: Wächst die Nachfrage nach KI-Halbleitern?

Jede Ausweitung der Aktivitäten im Bereich Training und KI-Inferenz erfordert letztlich zusätzliche Grafikprozessoren (GPUs), Zentralprozessoren (CPUs), Speicherchips und Kapazitäten in der Halbleiterfertigung. Diese Ebene betrachtet die Entwicklung der Nachfrage nach KI-Halbleitern und nicht die Frage, wie die Gewinne innerhalb der Branche verteilt werden.

Wichtige Faktoren, die es zu beobachten gilt: Zu den wichtigen Indikatoren zählen marktbasierte Kennzahlen zur Nachfrage nach KI-Rechenleistung, die Auslieferungen von KI-Beschleunigern, Veränderungen der Nachfrage nach hochwertigen gegenüber kostengünstigeren Chips, die Entwicklung der Mietpreise für GPUs sowie die Erneuerungszyklen von Chips.

Darüber hinaus lohnt es sich, die Effizienz von Modellen zu beobachten. Sie zeigt, wie viel Rechenleistung, Energie und sonstige Ressourcen erforderlich sind, um Ergebnisse zu erzielen. Benötigen neuere große Sprachmodelle dank verbesserter Software beispielsweise weniger Rechenleistung oder weniger Speicher, könnte dies die Nachfrage nach Chips verringern.

Innerhalb dieser Ebene stellt das Rahmenwerk eine zusätzliche Fragestellung:

Wo liegt derzeit der entscheidende Engpass entlang der Wertschöpfungskette für die Produktion von KI-Halbleitern? (siehe Abbildung 2)

Die Gesamtnachfrage nach Halbleitern und die Verteilung der Gewinne innerhalb der Halbleiterindustrie sind nicht dasselbe. Preissetzungsmacht und Branchengewinne konzentrieren sich in der Regel dort, wo die physischen Kapazitäten am stärksten begrenzt sind. Während des aktuellen KI-Investitionszyklus haben sich diese Engpässe entlang der Hardware-Wertschöpfungskette verlagert – von der anfänglichen Knappheit bei Grafikprozessoren (GPUs) hin zu High Bandwidth Memory (HBM).

Da hochfrequente Daten nur begrenzt verfügbar sind, können Anleger auf Experteninterviews und weitere Brancheninformationen zurückgreifen, um zu beurteilen, wo neue Engpässe entstehen.

Nicht nur Frühindikatoren sind relevant. Auch nachlaufende oder seltener veröffentlichte Kennzahlen können wichtige Hinweise liefern. Dazu gehören die Preis- und Volumenkonditionen langfristiger Lieferverträge entlang der Halbleiter-Wertschöpfungskette. Darüber hinaus sollten Anleger die Hardwarearchitektur führender KI- Systeme genau im Blick behalten, insbesondere deren Bedarf an Grafikprozessoren (GPUs), Zentralprozessoren (CPUs) und Speicher.

Frage: Wie lässt sich der steigende Energiebedarf für den Betrieb und den Ausbau von KI-Kapazitäten decken?

KI benötigt enorme Mengen an Energie. Die Internationale Energieagentur erwartet, dass sich der Strombedarf von KI-Rechenzentren bis 2030 gegenüber 2025 verdoppeln wird.

Mit dem weiteren Ausbau von KI rückt die Energieversorgung zunehmend in den Mittelpunkt. Aus unserer Sicht werden die verfügbaren Netzkapazitäten und die Strompreise entscheidend dafür sein, wie schnell zusätzliche Rechenkapazitäten bereitgestellt werden können und wie effizient bestehende Rechenzentren arbeiten.

Wichtige Faktoren, die es zu beobachten gilt: Wichtige Indikatoren sind die Zahl der Anträge auf Netzanschlüsse und die Dauer der Warteschlangen, die Auftragsbestände und Lieferzeiten für Anlagen zur lokalen Energieerzeugung sowie die Entwicklung der Energiepreise.

KI bietet enorme Chancen. Doch das hohe Tempo bei Entwicklung und Einführung neuer Anwendungen kann es Anlegern erschweren, den Überblick zu behalten und Wertpotenziale zu erkennen.

Unser Ansatz prüft, ob die Investmentthese entlang der gesamten KI-Wertschöpfungskette weiterhin Bestand hat. Dabei zeigt er auf, wo sich Wertschöpfung am ehesten in Preissetzungsmacht und überdurchschnittliche Gewinne übersetzen lässt. Darüber hinaus unterstützt das Rahmenwerk die Kapitalallokation, indem es sowohl die Positionierung des gesamten KI-Engagements als auch die Gewichtung innerhalb einzelner Ebenen des Ökosystems steuert.

Mit der Ausweitung des KI-Anlagespektrums hilft unser Rahmenwerk dabei zu erkennen, wo die Erfolgschancen am größten sein dürften.