Am 19. November 2025 trafen sich Karen Ward, Chief Market Strategist für EMEA, und Alex Whyte, Portfoliomanager in unserer International Equity Group, um sich eingehend zum Thema „Künstliche Intelligenz“ (KI) auszutauschen. Angesichts des großen Interesses unseren Kundinnen und Kunden zu dem Thema, haben wir hier die Antworten auf die am häufigsten gestellten Fragen zusammengestellt. Eine Aufzeichnung der Webkonferenz kann hier angesehen werden. Eine umfassendere Betrachtung der Aussichten für KI finden Sie hier in unserem Investmentausblick 2026.

Wie sehen die Aussichten für die Monetarisierung von KI-Anwendungen aus und worin unterscheiden sich die Optionen in den Bereichen Business-to-Business (B2B) und Business-to-Consumer (B2C)?

Derzeit richtet sich die Aufmerksamkeit der Anlegerinnen und Anleger vor allem auf die direkte Monetarisierung von B2C-Kundinnen und -Kunden, also von Privatpersonen, die beispielsweise für die Premium-Nutzung von ChatGPT bezahlen. Dies ist wohl das sichtbarste Zeichen für die derzeitige Zahlungsbereitschaft. In Wirklichkeit dürfte dies jedoch nur einen kleinen Teil der künftigen Einnahmequellen der Anbieter von KI-Modellen ausmachen.

Da zahlreiche KI-Anbieter weiterhin nicht börsennotiert sind, lassen sich die aktuellen Umsatzzahlen nur aus einer Vielzahl unterschiedlicher Quellen ableiten. Insgesamt lassen sich die potenziellen Einnahmequellen jedoch in vier Kategorien einteilen. 

B2C

1) Direktabonnements 

Wenn wir einen Blick in die Vergangenheit werfen, finden wir zahlreiche Beispiele für Technologieunternehmen, die zunächst eine treue Nutzerbasis aufgebaut haben und später versucht haben, für einen zuvor kostenlos angebotenen Dienst eine Gebühr zu erheben. Das Hauptrisiko dieses Ansatzes besteht darin, dass die Zahlungsbereitschaft der Verbraucherinnen und Verbraucher in der Regel gering ausfällt, insbesondere, wenn es (möglicherweise günstigere) Alternativen gibt. Zum Vergleich: Spotify und Netflix, zwei der weltweit erfolgreichsten Abonnementdienste für Verbraucherinnen und Verbraucher, werden in diesem Jahr voraussichtlich einen Umsatz von rund 20 Mrd. USD bzw. 50 Mrd. USD erzielen. OpenAI prognostiziert für die nächsten fünf Jahre ein phänomenales Nutzerwachstum. Laut einem Bericht von The Information geht jedoch sogar das Unternehmen selbst davon aus, dass im Jahr 2030 weniger als 10% der Verbraucherinnen und Verbraucher bereit sein werden, für ein Abonnement zu zahlen.

2) Indirekte Monetarisierung

Anstatt die Nutzerinnen und Nutzer direkt für Dienstleistungen zur Kasse zu bitten, könnten KI-Anwendungen Gewinne über Werbung erzielen oder den Nutzerinnen und Nutzern die Möglichkeit bieten, KI-„Agenten“ anzuweisen, Aufgaben wie Online-Buchungen in ihrem Namen durchzuführen. Dafür könnten die jeweiligen Anbieterunternehmen eine Provision zahlen. Werbung ist zweifellos ein riesiger potenzieller Markt: Meta allein dürfte in diesem Jahr einen Umsatz von fast 200 Mrd. USD erzielen, der hauptsächlich aus Werbung stammt. Dies ist jedoch ein vollkommen anderer Ansatz als die ursprüngliche Erwartungshaltung für Anlegerinnen und Anleger in KI. Zudem ist der Online-Werbemarkt bereits sehr ausgereift. Wenn KI-Unternehmen also tatsächlich beginnen, ihre Werbeeinnahmen zu steigern, dürfte dies einerseits die bestehenden Einnahmequellen anderer Megacap-Technologieunternehmen kannibalisieren und andererseits mit weitaus höheren Investitionen verbunden sein. 

B2B

1) Direktzugriff auf Modelle

KI-Unternehmen monetarisieren ihre Technologie bereits heute, indem sie Unternehmen Gebühren für „API-Aufrufe“ berechnen. Mit anderen Worten: Ein Unternehmen bezahlt für eine direkte Verbindung zu einem großen Sprachmodell (LLM) und muss für jede Abfrage eine Gebühr entrichten. 

Dieser Ansatz ermöglicht es Firmen, eigene Anwendungsfälle auf Basis des Grundprodukts zu entwickeln. Damit gilt er als eine der potenziell ertragsreichsten Einnahmequellen für KI-Anwendungen. Infolgedessen werden die Trends bei der Einführung und/oder Beendigung solcher Partnerschaften genauestens analysiert. Dies erklärt auch, warum die MIT Media Lab-Studie vom August, die eine Misserfolgsquote von 95% bei KI-Pilotprojekten aufzeigte, von vielen Anlegerinnen und Anlegerinnen und Anlegern so negativ aufgenommen wurde. 

2) KI-Agenten

Ähnlich wie Unternehmen durch das Anbieten von KI-Agenten zur Erledigung realer Aufgaben für Endverbraucher Umsätze generieren, können sie dies auch im B2B-Bereich tun. Ein großer Teil der KI-Start-ups konzentriert sich auf diesen Bereich und verspricht Lösungen, die Aufgaben, die derzeit von Menschen erledigt werden, übernehmen – und das kostengünstiger. 

Aus unserer Sicht birgt dieser Weg das größte potenzielle Umsatzwachstum. Die beträchtlichen Kosteneinsparungen, die solche Agenten Unternehmen bieten könnten, würden einen hohen Preis für die Technologie rechtfertigen. Allerdings steckt der Teufel im Detail: Probleme hinsichtlich Zuverlässigkeit und Genauigkeit verhindern derzeit einen weitläufige Einsatz. Auch die jüngsten Berichte über „durch KI ersetzte Arbeitsplätze“ sind unserer Meinung nach mit Vorsicht zu genießen, da Unternehmen versucht sein könnten, diese Erklärung zu nutzen, um eine schwächelnde Nachfrage zu verschleiern.

Wie real ist die Gefahr einer technologischen Disruption für die heutigen KI-Megacaps?

Angesichts des rasanten Tempos technologischer Entwicklungen halten wir es für gefährlich, zu sehr auf einen einzigen Ansatz zu setzen.

Der aktuelle Boom wurde durch den bahnbrechenden Erfolg von LLMs ausgelöst. Diese Modelle simulieren menschenähnliche Gespräche, indem sie mit enormer Rechenleistung auf der Grundlage riesiger Datenmengen „trainiert” werden, um zu „lernen”, was in bestimmten Situationen gesagt werden sollte. Die meisten aktuellen Entwicklungen im Bereich der KI zielen darauf ab, die Fähigkeiten und die Genauigkeit aktueller LLMs zu verbessern, um sie zur Lösung bestimmter Probleme einsetzen zu können. Die von Unternehmen wie NVIDIA hergestellten Arten von Chips eignen sich besonders gut für die Art von Berechnungen, die diesen großen Modellen zugrunde liegen.

Wir sehen drei potenzielle Risiken bei diesem Ansatz. Erstens besteht das Risiko, dass die weitere Entwicklung von LLMs zu sinkenden Erträgen führt. Schon jetzt sind die Fortschritte zwischen verschiedenen Modellgenerationen (z. B. GPT-4 vs. GPT-5) geringer geworden. Dies stellt ein echtes Problem für die etablierten Unternehmen dar. Es untergräbt ihre Fähigkeit, der Konkurrenz voraus zu bleiben, und wirft gleichzeitig Fragen auf, wie nützlich diese Modelle im Unternehmensumfeld letztendlich sein können.

Heute beruhen Modellverbesserungen weitgehend auf der Nutzung von noch mehr Rechenleistung, um Modelle anhand immer größerer Datensätze zu trainieren. Erlauben technologische Durchbrüche es Unternehmen hingegen, Modelle auf weniger ressourcenintensive Weise zu verbessern, könnte dies erhebliche Auswirkungen auf die aktuellen Annahmen hinsichtlich der in den kommenden Jahren erforderlichen Rechenleistung haben.

Zweitens erinnert uns der sogenannte „DeepSeek-Moment“ im Januar – als ein chinesisches Start-up einen ressourcenschonenderen Weg fand, ein fundamentales KI-Modell zu entwickeln – eindrücklich daran, dass jederzeit neue Techniken aufkommen könnten, die die etablierten Unternehmen erneut herausfordern. Was wäre, wenn Unternehmen außerhalb des aktuellen KI-Ökosystems günstigere oder schnellere Wege zur Entwicklung neuer Modelle fänden? Dies würde nicht nur die Bewertungen der etablierten Unternehmen gefährden, sondern auch die Nachfrage nach Chips entlang der gesamten Lieferkette radikal verändern.

Drittens: Ist klein das neue groß? Wenn die Fortschritte bei LLMs wie oben beschrieben stagnieren, könnten kleine Sprachmodelle, die darauf spezialisiert sind, spezifische Aufgaben mit möglichst geringem Ressourcenaufwand zu erledigen, deutlich attraktiver werden. Anstatt riesige Rechenzentren zu benötigen, könnten derartige Modelle direkt auf persönlichen Geräten laufen. Dies hätte weitreichende Konsequenzen für die aktuellen Investitionspläne im KI-Sektor, wo die Erwartungen bislang immer nur gestiegen sind. 

Wie gestaltet sich der Ausblick für die Nachfrage nach Chips? Falls die KI-getriebene Nachfrage nachlässt, könnten alternative Nachfragequellen diesen Rückgang ausgleichen? 

Derzeit laufen die meisten KI-Anwendungen auf GPUs (Grafikprozessoren), also den von NVIDIA entwickelten Chips. Diese Chips eignen sich zwar hervorragend für das Training und den Betrieb von KI-Modellen, sind aber auch teuer und derzeit nur begrenzt verfügbar.

Infolgedessen haben einige Unternehmen von GPUs auf anwendungsspezifische integrierte Schaltkreise (ASICs) umgestellt. Dies sind maßgeschneiderte Chips für den Betrieb von KI-Anwendungen, die speziell für einen einzelnen Kunden gefertigt werden. Natürlich verfügen nicht alle Unternehmen über die Fähigkeiten, eigene Chips zu entwickeln und auf den Markt zu bringen. Zu den wichtigsten Akteuren zählen daher Unternehmen wie Google mit seinen TPUs (Tensor Processing Units) und Amazon mit seinen „Trainium”-Chips.

Für diejenigen Unternehmen, die damit erfolgreich sind, verschafft dieser Ansatz nicht nur eine gewisse Unabhängigkeit von NVIDIA, sondern ermöglicht auch die kostengünstigere Herstellung von Chips, die besser auf die eigenen spezifischen Bedürfnisse zugeschnitten sind – wenn auch möglicherweise mit gewissen Abstrichen bei der Leistung. Zu den Unternehmen, die am besten auf den Anstieg der ASICs ausgerichtet sind, gehört Broadcom, das mit diesen Großkunden zusammenarbeitet, um die von ihnen benötigten Siliziumchips zu entwickeln.

Derzeit gehen wir nicht davon aus, dass der Aufstieg von ASICs die marktbeherrschende Stellung von NVIDIA gefährden wird. Allerdings rechnen wir damit, dass die Nachfrage nach ASICs vonseiten großer Kunden weiter steigen wird. Langfristig dürfte eine größere Vielfalt an Auswahlmöglichkeiten für Chip-Kunden unserer Einschätzung nach positiv für den Markt sein.

Sollte die Nachfrage nach Chips für KI-Anwendungen tatsächlich zurückgehen, ist nur schwer vorstellbar, wie andere Anwendungsfälle das prognostizierte Angebot auffangen könnten. Betrachten wir einmal GPUs als Beispiel: Mehr als 115 Mrd. USD der für das Jahr 2025 geschätzten Umsatzerlöse von NVIDIA in Höhe von 130 Mrd. USD entfallen auf das Rechenzentrumssegment. Noch im Jahr 2020 hatte dieser Geschäftsbereich einen Wert von weniger als 3 Mrd. USD. Gaming, der zweite wichtige Nachfragetreiber für GPUs, macht in diesem Jahr nur 11 Mrd. USD aus.

Dasselbe beobachten wir bei anderen Chipherstellern, wo das schiere Ausmaß der KI-Ausgaben alle anderen Geschäftsbereiche in den Schatten stellt. Andere Nachfragegebiete wie das Kryptowährungs-Mining sind bei Weitem nicht groß genug, um auch nur annähernd die Nachfrage von KI-Rechenzentren zu ersetzen. Andere Großabnehmer von Halbleitern wie die Smartphone- und PC-/Laptop-Branche befinden sich in einer Phase sehr geringen Wachstums. Sie werden die Anlegerinnen und Anleger daher wahrscheinlich nicht retten können, wenn die prognostizierte Nachfrage nach KI-Chips ausbleibt und es zu Überkapazitäten kommt.

Wie besorgt sollten wir über zirkuläre Finanzierungsvereinbarungen sein?

Als Anfang der 2000er Jahre die Technologieblase platzte, wurde deutlich, dass ein Großteil der angeblich erzielten „Gewinne“ in Wirklichkeit nur Cashflows waren, die zwischen verschiedenen Technologieunternehmen ausgetauscht wurden, ohne dass dabei ein wirtschaftlicher Mehrwert geschaffen wurde. Beispielsweise kaufte Unternehmen A Online-Werbeflächen von Unternehmen B. Unternehmen B verwendete diese Einnahmen wiederum zum Kauf von Werbeflächen bei Unternehmen C. Unternehmen C reinvestierte dieses Geld schließlich in Unternehmen A.

Die heutige Situation sieht hingegen ganz anders aus. Im Vergleich zu den schwachen Bilanzen von vor 25 Jahren erzielen viele große Technologieunternehmen bereits unglaublich beeindruckende Gewinne, und die größten Akteure von heute sitzen auf Bargeldreserven im Wert von Hunderten von Milliarden US-Dollar. Ein wichtiger Faktor: Diese Finanzkraft hat es vielen Hyperscalern bisher ermöglicht, ihre KI-bezogenen Investitionen aus dem freien Cashflow zu finanzieren. Wir gehen jedoch davon aus, dass die für die kommenden Jahre geplanten Investitionsausgaben die verfügbaren Barmittel weiter aufzehren werden.

Die Vielzahl der Vereinbarungen, die in den letzten Monaten zwischen verschiedenen Mitgliedern des KI-Ökosystems geschlossen wurden, erinnert jedoch in gewisser Weise an die späten 90er Jahre. Die im September von NVIDIA angekündigte Investition von bis zu 100 Mrd. USD in OpenAI war wohl die aufsehenerregendste dieser Investitionsvereinbarungen. OpenAI wird wiederum den Großteil dieser Investitionen in die Sicherung neuer Rechenkapazitäten stecken, wodurch die Nachfrage nach NVIDIA-Chips angekurbelt wird.

Optimisten würden argumentieren, dass NVIDIA die liquiden Mittel in seiner Bilanz lediglich dazu nutzt, die Nachfrage der Zukunft schon heute zu bedienen. Je stärker das Schicksal einzelner Unternehmen miteinander verflochten ist, desto größer ist das Risiko, dass der Ausfall eines Unternehmens zum Zusammenbruch des gesamten Systems führen könnte.