Die KI-Chain, bei der nur eine Verbindung ihre ökonomischen Vorteile zeigt.

Nvidias neuestes Quartal war wie etwas aus einem Budgetszenario – etwas, das bisher noch niemand in Frage gestellt hat. Umsatz…96,2 MilliardenDie Bruttomargin betrug 75 Prozent. Das Unternehmen erzielte in einem einzigen Quartal 54 Milliarden Dollar an Nettoumsätzen – das ist mehr als viele Unternehmen im S&P 500-Index in einem ganzen Jahr erzielen. Jensen Huang sagte, dass die Nachfrage „hoch sei“, und prognostizierte für das nächste Quartal einen Umsatz von 108 Milliarden Dollar.

Diese Zahl – 96 Milliarden Dollar in einem Quartal – ist der Grundpfeiler einer ganzen Wirtschaftsstruktur. Sie bildet eine Kette: von den IT-Budgets der Unternehmen über die Anbieter von KI-Modellen bis hin zu Cloud-Plattformen und schließlich zu den Chips, die diese ermöglichen. Der Artikel, der zu dieser Forschung führte, fragte, ob günstige Token, teure Chips sowie das Fehlen von Vorteilen durch KI am Ende dieser Kette eine andere Geschichte erzählen.

Das tun sie. Nicht, weil die Nachfrage nach ihnen abnimmt. Die Nachfrage ist schließlich nicht das Problem. Das Problem ist, dass das Geld, das Nvidia am Anfang der Lieferkette erhält, aus Unternehmen stammt, die bisher nicht nachweisen können, dass sie dieses Geld zurückbekommen.

Es handelt sich dabei um ein Mechanismus, der auf einem Wirtschaftsprinzip aus dem Jahr 1865 beruht. William Stanley Jevons stellte fest, dass, als Kohle günstiger und effizienter zu verbrennen war, die Menschen nicht weniger Kohle verbrauchten – sondern vielmehr mehr. Die Einsparungen bezüglich des Ressourcenverbrauchs pro Einheit wurden durch den Anstieg des Volumens übertroffen.

Das ist genau das, was mit den AI-Tokens passiert – es handelt sich dabei um Einheiten der Rechenleistung, die Unternehmen von OpenAI, Anthropic, Google und anderen Anbietern kaufen, um AI-Modelle zu betreiben. Der Gesamtkostenpunkt der AI-Tokens…Im Zeitraum zwischen den ersten Quartalen von 2025 und 2026 ist die Menge um 67 Prozent gegenüber dem Vorjahr abgenommen – von 18,40 US-Dollar pro Million Tokens auf 6,07 US-Dollar pro Million Tokens.Es klingt so, als wäre das Problem gelöst worden. Kostengünstigere Rechenleistung bedeutet auch kostengünstigere KI.

Außer den Gesamtausgaben für künstliche Intelligenz.In derselben Zeitperiode ist das mehr als dreifach gestiegen – von 11,5 Milliarden Dollar auf 37 Milliarden Dollar.Und der durchschnittliche Budget für KI in UnternehmenDer Anstieg beträgt 65 Prozent – von etwa 7 Millionen Dollar auf 11,6 Millionen Dollar in diesem Jahr.

Das Jevons-Paradox kümmert sich nicht um die Einheitenwirtschaft. Wenn eine nützliche Ressource so günstig ist, dass der Verbrauch stark ansteigt, dann entsteht ein enormer Effekt. Unternehmen haben herausgefunden, dass AI-Agenten – nicht Chatbots, sondern autonome Arbeitsabläufe, die suchen, logisch denken und selbst korrigieren können – 5 bis 30 Mal mehr Tokens pro Aufgabe verbrauchen als die Konversationswerkzeuge, auf denen frühere Budgets basierten. Ein Agent, der 10 Korrektionszyklen durchführt, verbraucht 50 Mal so viele Tokens wie eine einzige Anfrage. Die Abrufsprozesse führen dazu, dass die durchschnittlichen Anfragen 4 bis 6 Mal teurer werden als direkte Fragen.

Dieser Aspekt kommt in dem Einzelpreis nicht zum Ausdruck. Das alte Preismodell – feste monatliche Abonnements – gilt nicht mehr, da API-Token die Abonnements ersetzen und Agenten die Chatboten.

Das Ergebnis ist eine Budgetumgebung, in der…Uber verbrauchte seine gesamte Ausgabe von 2026 für KI-Investitionen in vier Monaten – alle Mittel wurden für das Claude Code von Anthropic verwendet, um Entwicklungsarbeiten zu erledigen.Ubers Präsident und COO sagte, dass der Zusammenhang zwischen höherem Tokenverbrauch und messbaren Verbesserungen für die Kunden „noch nicht vorhanden“ sei. Starbucks setzte ein KI-System zur Inventurbewertung ab, nach weniger als neun Monaten – weil dieses System die täglichen Betriebsabläufe beeinträchtigte. Amazon und Meta mussten ebenfalls ihre interne KI-Leitplanken abschalten, da die Ingenieure diese Systeme mit sinnlosen Aufgaben verwirrten.

Nur 29 Prozent der Führungskräfte können den ROI von KI-Technologien mit Sicherheit messen. 56 Prozent der CEOs berichten von keinen nennenswerten finanziellen Vorteilen durch KI. Gartner prognostiziert außerdem, dass über 40 Prozent der Agentik-KI-Projekte bis 2027 abgebrochen werden – hauptsächlich aufgrund hoher Kosten und unklarer Ergebnisse.

Die Unternehmen sind nicht dumm. Das Problem ist jedoch, dass die Pilotkosten nicht die Produktionskosten vorhersagen können. Der Unterschied zwischen „Das funktioniert im Testfall“ und „Das ist auf großer Skala rentabel“ wird jetzt in Monaten erschöpfter Budgets gemessen.

Jetzt muss man das Geld den Weg flussaufwärts verfolgen. Unternehmen zahlen den Modellebencern. Die Modellebencern und Cloud-Plattformen zahlen für Chips, Data Centers und Netzwerkausrüstung. Nvidia befindet sich an dem wichtigen Punkt im Schlangenkreis.

Die vier größten hyperscaler – Amazon, Microsoft, Alphabet und Meta – sind bestrebt,Im Jahr 2026 werden etwa 700 Milliarden Dollar für Kapitalausgaben ausgegeben – das ist ein Anstieg von 77 Prozent gegenüber dem Rekordwert von 410 Milliarden Dollar im letzten Jahr.Nur Amazon leitet das alles.200 Milliarden.Microsoft, Google und Meta geben jeweils zwischen 115 Milliarden und 190 Milliarden Dollar aus.

Man kann erkennen, welche Auswirkungen das auf den Cashflow in den Finanzberichten hat. Der Cashflow von Amazon über die letzten zwölf Monate ist nun negativ – 11,6 Milliarden Dollar. Ein Unternehmen, das vor einem Jahr fast 40 Milliarden Dollar an freien Cashflow hatte, muss jetzt mehr für Infrastruktur ausgeben als es einnimmt. Der Cashflow von Alphabet ist um 20 Prozent im Jahresvergleich auf 53 Milliarden Dollar gesunken. Der Cashflow von Meta ist um 23 Prozent auf 38,5 Milliarden Dollar gesunken. Der Cashflow von Microsoft ist um 6 Prozent auf 67 Milliarden Dollar gesunken.

Im Jahr 2025 vervielfachte Alphabet seine langfristigen Schulden auf 46,5 Milliarden Dollar. Letztes Jahr führte das Unternehmen eine Anleiheauktion mit einem Volumen von 25 Milliarden Dollar durch. Amazon signalisiert, dass es möglicherweise Aktien und Schulden aufstocken wird, während die Expansion weitergeht. Die Unternehmen besitzen weiterhin über 420 Milliarden Dollar an Cashreserven – was das unmittelbare Risiko begrenzt. Doch der Mangel an freiem Cashflow ist das Problem. Zum ersten Mal geben diese Unternehmen ihr Betriebscash in Infrastrukturinvestitionen aus.Ein Rückzahlungshorizont von 18 bis 36 Monaten.

Was sie kaufen, ist genau das, was Nvidia verkauft. Das Umsatzwachstum von Nvidia in den letzten zwölf Monaten beträgt 83 Prozent. Die Rendite auf investiertes Kapital liegt bei 87 Prozent. Der Freigeldflussanteil beträgt 47 Prozent. Das Unternehmen hat im letzten Jahr 127 Milliarden Dollar an Freigeldfluss erzielt und hat einen Marktkapitalisierung von 5 Billionen Dollar.

Nvidias Geschäftsmodell in dieser Phase ist strukturell einfach: Man verkauft die Hardware einmal – zu einem Gewinn von 75 Prozent – und nutzt dabei das CUDA-Softwareumfeld, um die Anzahl der Nutzer zu sichern sowie die Umstellung auf andere Systeme zu erschweren. Die Großkonzerne tragen das Risiko der Abschreibung. Die Unternehmen tragen das Risiko der Nutzung. Nvidia trägt keines davon.

Bis die Frage bezüglich der Nutzung irgendwie geklärt wird.

Es gibt einen Grund, warum das wichtig ist, wenn man über Investitionen nachdenkt – und dieser Grund hat etwas mit dem zu tun, was in der nächsten Phase des Zyklus passieren wird.

Die Infrastrukturbetreiber haben bereits die Bauphase erfolgreich abgeschlossen. Nvidias Gewinnmargen beweisen das. Die Frage ist nicht, ob die KI-Technologie weiter wachsen wird – die Ausgaben zeigen doch, dass das der Fall sein könnte. Die Frage ist vielmehr, ob die 700 Milliarden Dollar teuren Großkonzerne in diesem Jahr tatsächlich diese Investitionen tätigen werden. Die geschätzten 5 Billionen Dollar, die sie bis 2030 ausgeben wollen, können durch die Erträge gerechtfertigt werden, die die Unternehmen tatsächlich erzielen.

Wenn das Jevons-Paradox weiterhin dazu führt, dass der Konsum schneller ansteigt, als die Budgetbeschränkungen es zulassen können, dann werden die Hyper-Scalers noch mehr Infrastruktur benötigen, um die Nachfrage zu erfüllen – und Nvidia verkauft weiterhin Chips. Das ist die optimistische Sichtweise. Das ist auch die Sichtweise, die Huang beschreibt, wenn er von einer „Goldenen Ära“ spricht – einer Ära mit neuen Laboren, offenen Modellen und physischer KI.

Aber der andere Weg ist ebenfalls in den Daten erkennbar. Wenn Unternehmen beweisen, dass ihre Investitionen in KI nicht gerechtfertigt sind – und 56 Prozent der CEOs sagen bereits, dass das der Fall ist – dann wird die Haushaltsdisziplin stärker werden. Die FinOps-Teams, die jetzt die Kosten für KI-Investitionen verwalten (98 Prozent der Organisationen, gegenüber 31 Prozent vor zwei Jahren), werden die Arbeitslasten auf kostengünstigere Modelle umleiten, Quoten festlegen und die Nutzung begrenzen. Fast die Hälfte der großen Unternehmen investiert heute den größten Teil ihrer Ressourcen in die Inferenz – gegenüber weniger als einem Drittel vor einem Jahr. Es ist dort, wo die Kosten Druck entstehen.

Wenn die Budgets schrumpfen, stehen den hyperskalernen Unternehmen keine verfügbaren Kapazitäten mehr zur Verfügung. Die „leeren Kapazitäten“ bedeuten eine geringere Nutzung der GPUs – das bedeutet, dass der Ertrag aus diesen 700 Milliarden Dollar an Chips nicht erreicht wird, was im Preis angegeben war. Unternehmen mit solch starken Bilanzen können das verkraften. Amazon kann beispielsweise ein Jahr lang negative freie Cashflows haben. Doch wenn die Umsatzerholung nicht schneller erfolgt, werden bereits die Abschreibungskosten die Margen über Jahre hinweg belasten.

Und wenn das Wachstum der Hyperscaler-Unternehmen nachlässt, dann wird auch die Firma, die an der Spitze der Kette steht und über einen Marktkapitalisierung von 5 Billionen Dollar verfügt, vor Probleme stehen. Der Prognose-P/E-Verhältnis von Nvidia beträgt 56 – das Marktbild geht davon aus, dass das Wachstum weiterhin im zweistelligen Bereich bleiben wird. Das zurückliegende P/E-Verhältnis von 26 erscheint jedoch günstig – nur weil die Gewinne des letzten Jahres nur 83 Prozent kleiner waren.

Die Debatte geht nicht darum, ob Nvidia weiterhin wichtig ist. Es geht vielmehr darum, ob das Rückzahlungsprofil eines Unternehmens mit einem Marktkapitalisierung von 5 Billionen Dollar immer noch eine Behaltung des Aktienanteils rechtfertigt, wenn die wirtschaftlichen Bedingungen im Nachverkauf schwächer sind als der Trend auf Chip-Ebene anzeigt.

Die sauberste Art, darüber nachzudenken, ist, es als einen Übergang in einen neuen Zyklus zu betrachten. Wir sind von der Phase des Trainingswegs gekommen – in der ein oder zwei Labore die Nachfrage kontrollierten und die ökonomischen Aspekte klar waren – hin zur Phase, in der Hunderte von Unternehmen Tokens kaufen, Agenten diese Tokens in enormen Mengen verbrauchen – und die Berechnungen bezüglich des ROI werden noch erledigt.

In dieser Übergangsphase ist der Chiphändler die einzige Partei, die bisher wirtschaftlich erfolgreich war. Alles im weiteren Verlauf – die Unternehmen, die sechstausendfachen monatlichen Rechnungen erhalten, sowie die hyperskalaren Anbieter, die Hunderte von Milliarden in Datazentren investieren – basiert auf der Annahme, dass die Erträge tatsächlich eintreten werden.

Der Jevons-Paradox besagt, dass der Konsum zunehmen wird. Die Ausnutzung des Budgets hingegen sagt voraus, dass das Geld nicht ausreichen wird. Der Unterschied zwischen diesen beiden Faktoren ist der Ort, an dem das eigentliche Investitionsrisiko liegt.