Hilfe, die KI-Bubble platzt! Oder auch nicht....
- 3 days ago
- 5 min read
Es wird Geld in die KI-Unternehmen gepumpt, als ob es kein "Morgen" gäbe. Neue Rechenzentren entstehen, neue Modelle entwickeln sich, alle wollen den Nutzen daraus ziehen, die KI-Bubble wird immer mehr angetrieben. Das Narrativ rund um die KI als Heilsbringer wird sorgsam gepflegt, aber ist nicht auch Skepsis angesagt?
Denn die "KI-Bubble" ist nicht ohne Risiko, man sollte aber auch nicht alles verdammen, die Bubble ist auch nicht gleichbedeutend mit „KI ist wertlos“. Gemeint ist vielmehr, dass Bewertungen, Investitionen und Wachstumsversprechen der Branche zeitweise deutlich schneller gestiegen sind als belastbare Produktivität, Umsätze und nachhaltige Gewinne.
Der Hype dürfte tatsächlich bald in eine Ernüchterungs- und Auswahlphase übergehen — aber das bedeutet eher das Ende der pauschalen Heilsversprechen als das Ende der Technologie.
Was die KI-Bubble ausmacht
Eine klassische Technologieblase entsteht, wenn mehrere Faktoren zusammenkommen:
hohe Kapitalzuflüsse in Unternehmen und Infrastruktur;
Bewertungen auf Basis zukünftiger, nicht heutiger Erträge;
Nachahmungsdruck bei Unternehmen und Investoren;
unklare oder nachgelagerte Profitabilität;
ein starkes Zukunftsnarrativ;
die Erwartung, dass technischer Fortschritt automatisch wirtschaftlichen Nutzen erzeugt, nicht zuletzt auch die
Abwesenheit anderer stärkerer Lösungen oder Perspektiven.
Bei KI kommt ein besonderer Mechanismus hinzu: Die Anbieter verkaufen nicht nur Produkte, sondern auch die Erwartung einer kommenden Produktivitätsrevolution. Dadurch werden hohe Investitionen in Rechenzentren, Chips, Cloudkapazitäten, Start-ups und Beratungsleistungen legitimiert, bevor klar ist, welche Anwendungen dauerhaft wirtschaftlich tragfähig sind.
Die Investitionsdynamik ist weiterhin enorm. Goldman Sachs berichtet von steigenden KI-Capex-Prognosen, weist aber zugleich darauf hin, dass die Aktienkursentwicklung der Infrastrukturunternehmen deutlich stärker war als die erwartete Gewinnentwicklung. Andere Analysen warnen, dass steigende Investitions- und Betriebskosten den freien Cashflow der Hyperscaler zunehmend belasten. Und die Bilanzen der KI-Unternehmen weisen statt Gewinne immense Verluste aus, die aber noch von Hype getragen werden.
Warum viele Wachstumsversprechen nicht eintreten
1. Produktivität ist kein Plug-in-Effekt
Die verbreitete Vorstellung lautet: KI wird eingeführt, Mitarbeitende arbeiten schneller, Kosten sinken und der Umsatz steigt. In der Realität muss die Organisation jedoch Prozesse ändern, Daten bereinigen, Rollen neu definieren, Kontrollen einführen, Systeme integrieren und Ergebnisse überprüfen.
Genau an dieser Stelle scheitern viele Vorhaben. Eine MIT-Auswertung wird dahingehend zitiert, dass rund 95 Prozent der Unternehmens-Pilotprojekte keinen erkennbaren Geschäftswert erzeugen; als Hauptproblem wird nicht die Modellqualität, sondern die fehlende Integration in bestehende Organisationsstrukturen beschrieben. Diese Zahl sollte man wegen der Methodik und der starken medialen Verkürzung nicht als universelle Naturkonstante behandeln. Die zugrunde liegende These ist aber plausibel: ""Ein guter Demo-Chatbot ist noch kein produktiver Geschäftsprozess."
2. Der Kontroll- und Prüfaufwand wird unterschätzt
KI erzeugt nicht nur Outputs, sondern auch - nicht nur aus der Regulatorik heraus - neue Prüfpflichten:
fachliche Validierung;
Datenschutz- und Geheimhaltungsprüfung;
Urheberrechts- und Quellenkontrolle;
Sicherheitsüberwachung;
Umgang mit Halluzinationen;
Modell- und Versionsmanagement;
menschliche Freigaben;
Incident- und Änderungsmanagement.
Beispiel:
Wenn ein KI-System bei 80 Prozent der Vorgänge gute Ergebnisse liefert, ist das nicht automatisch wirtschaftlich. Die übrigen 20 Prozent können den Effizienzgewinn durch Nachprüfung, Haftungsrisiken und Fehlentscheidungen wieder aufzehren — insbesondere in Recht, Compliance, Medizin, Engineering und sicherheitskritischen Prozessen.
Der unbequeme Punkt ist, daß viele KI-Anwendungen nicht die Arbeit automatisieren, sondern sie verschieben die Arbeit von der Erstellung zur Kontrolle!
3. Skalierung wird teurer und liefert nicht unbegrenzt mehr Wert
Das Wachstumsnarrativ basiert häufig auf der Annahme, dass mehr Rechenleistung, größere Modelle und mehr Daten automatisch zu qualitativen Sprüngen führen. Das ist nicht ausgeschlossen, aber wirtschaftlich problematisch:
Training und Inferenz benötigen enorme Rechenkapazitäten;
Energie, Kühlung und Netzanschlüsse werden zum Engpass;
hochwertige Trainingsdaten sind begrenzt;
Datenqualität sinkt bei massenhaft synthetisch erzeugten Inhalten;
zusätzliche Modellgröße erzeugt nicht proportional zusätzlichen Geschäftswert;
anspruchsvolle Anwendungen benötigen Retrieval, Tools, Kontrolle und Spezialwissen:
der massenhafte Verbrauch von Token schafft neue Unsicherheiten.
Es gibt also eine Differenz zwischen "technischer Skalierung" und "wirtschaftlicher Skalierung". Ein Modell kann deutlich größer oder leistungsfähiger werden, ohne dass sich der Nutzen einer konkreten Unternehmensanwendung im gleichen Verhältnis erhöht.
4. Viele Geschäftsmodelle werden kommodifiziert
Ein weiterer, oft unterschätzter Faktor ist die schnelle Angleichung der Modelle. Wenn mehrere Anbieter vergleichbare Sprach-, Bild- oder Coding-Funktionen anbieten, sinkt die Differenzierung. Der Preis wird dann durch Wettbewerb und Grenzkosten gedrückt. Das betrifft besonders:
generische Textproduktion;
Zusammenfassungen;
Übersetzungen;
einfache Chatbots;
Standard-Codegenerierung;
Präsentations- und Bildproduktion.
Der Wettbewerb verschiebt sich dadurch von „Wer hat das beste Modell?“ zu:
Wer besitzt die besten Daten?
Wer kontrolliert den Workflow?
Wer hat die niedrigsten Inferenzkosten?
Wer verfügt über Distribution und Kundenbindung?
Wer kann Haftung, Sicherheit und Compliance glaubwürdig übernehmen?
Wer kann ein KI-Managementsystem vorweisen, das am Markt durch seine Zertifizierbarkeit ein Differenzierungsmerkmal im Wettbewerb darstellt?
Das ist weniger glamourös als das AGI-Narrativ — aber wirtschaftlich entscheidender.
5. Arbeitskosten werden nicht automatisch zu Einsparungen
Die Prognose, KI werde große Teile geistiger Arbeit ersetzen, setzt voraus, dass Unternehmen Personal unmittelbar abbauen können. In der Praxis verhindern das oft:
Fachkräftemangel;
notwendige menschliche Verantwortung;
Qualitäts- und Freigabeanforderungen;
Tarif- und Arbeitsrecht;
Kundenanforderungen;
Wissenserhalt;
neue Aufgaben für Prüfung, Governance und Prozessdesign.
Produktivitätsgewinne führen deshalb häufig zunächst zu mehr Output, kürzeren Bearbeitungszeiten oder höherer Servicequalität — nicht zwingend zu einer proportionalen Reduktion der Beschäftigten.
Selbst eine starke individuelle Zeitersparnis muss sich nicht in einer entsprechenden gesamtwirtschaftlichen Produktivitätssteigerung niederschlagen. Manche Auswertungen berichten zwar über positive, aber eher moderate Produktivitätseffekte, die je nach Branche unterschiedlich ausfallen.
Die weniger beachtete Gegenposition
Die Bubble-These kann selbst zu grob sein. Es gibt deutliche Hinweise, dass Unternehmen bereits Produktivitätsgewinne erzielen. Eine IBM-Erhebung unter Führungskräften in EMEA berichtet, dass 66 Prozent signifikante Produktivitätsverbesserungen wahrnehmen; zugleich handelt es sich um eine Unternehmensbefragung und nicht um einen neutralen Kausalnachweis.
Auch andere berichten, dass Unternehmen positive Renditen sehen, wobei ein großer Teil der Ergebnisse auf Selbsteinschätzungen und laufende ROI-Messung beruht. Oder ist das Wunschdenken und kreative Interpretation der Ergebnisse?
Daraus folgt eine wichtige Differenzierung:
Die Technologie kann nützlich sein, es gibt aber keine Garantien, und auch wenn einzelne Anwendungen sehr profitabel sein können, stellt sich die Frage der Messung. Viele Bewertungen können trotzdem überzogen sein und die gesamtwirtschaftlichen Versprechen können trotzdem zu früh oder zu groß sein.
Die falsche Alternative wäre daher: „KI ist entweder eine Revolution oder wertlos.“ Wahrscheinlicher ist ein ähnlicher Verlauf wie bei Internet, Cloud und Mobile: Die Technologie bleibt, aber ein großer Teil der frühen Anbieter, Bewertungen und Geschäftsmodelle verschwindet.
Meine Einordnung für 2026/27
Realität und Marketing finden allmählich zusammen, aus der Pflicht, nach KI zu streben (viellecht auch FOMO?), wird die Frage nach einem belastbaren, wiederholbaren und profitablen Anwendungsfall. Das ist die gesunde Phase. Sie trennt:
Infrastrukturgewinner von Infrastruktur-Spekulationen;
Produktivitätsgewinne von Demo-Effekten;
echte Prozessautomatisierung von Chatbot-Fassaden;
nachhaltige Geschäftsmodelle von Förder- und Bewertungsnarrativen;
technologische Leistungsfähigkeit von organisatorischer Umsetzungsfähigkeit.
Und falls die KI-Bubble platzt, dann nicht notwendigerweise, weil KI nicht funktioniert, sondern weil die Branche in dieser neuen Technologie aus bisher noch begrenzten technischen Fähigkeiten, teurer Infrastruktur und einzelnen Produktivitätsgewinnen eine universelle Wachstums- und Automatisierungsstory gemacht hat, an die alle glauben und die alle erhoffen, aber die schwer einzuhalten ist.
Für Unternehmen bedeutet das, keine pauschale Digitalstrategie zu fahren, sondern Use-Case-basierte Investitionen mit messbarem Nutzen, Risikobewertung, Total-Cost-of-Ownership und einem klaren Abbruchkriterium zu fördern.
Und jeder, der KI anwendet sollte ein KI-Managementsystem einführen, um die Risiken beherrschbar zu machen.
Gerne helfen wir bei der Umsetzung, dabei empfehlen wir die ISO 42001, denn sie hat im Vergleich zu anderen Ansätzen den Vorteil, zertifizierbar zu sein!
