Ist KI eine weitere Dotcom Blase, die nur darauf wartet zu platzen?

Zwei laute Lager, beide ein Stück im Recht

Zu diesem Thema hat jeder eine Meinung, und die meisten davon sind laut. Die eine Hälfte des Internets ist überzeugt, dass wieder 1999 ist, dass das Ganze ein Kartenhaus ist und dass es beim Einsturz die Altersvorsorge von Millionen mitreißt. Die andere Hälfte glaubt, wer an KI zweifelt, ist bis Weihnachten seinen Job los. Beide Lager sind anstrengend, und beide liegen ein Stück weit richtig, und genau das ist das Ärgerliche daran.

Also denken wir es in Ruhe durch, ohne Hype und ohne Weltuntergang: wohin das Geld fließt, wo der Wert wirklich liegt und was die letzte große Technologieblase einem Unternehmen beibringt, das entscheiden muss, wofür es bei KI Geld ausgibt.

Das hier ist keine Anlageberatung. Ich sage nichts dazu, welche Aktien oder Fonds du kaufen, verkaufen oder halten sollst. Die Frage ist enger und nützlicher: Wenn du ein Unternehmen führst, was bedeutet die Geschichte für dein eigenes KI Budget? Jede Marktzahl trägt ein Datum, weil dieser Text im Juni 2026 entstanden ist, und stammt aus der Originalquelle.

Wie der Dotcom Crash wirklich aussah

Der Nasdaq Composite, der amerikanische Index voller Technologieaktien, schloss am 10. März 2000 bei 5.048,62 Punkten. Am 9. Oktober 2002 schloss er bei 1.114,11. Über seinem Hoch von 2000 schloss er erst am 23. April 2015 wieder, mehr als 15 Jahre später.¹

Die waagrechte Achse zeigt die Jahre von 1995 bis 2006, die senkrechte den Indexstand zum letzten Schlusskurs des jeweiligen Jahres.¹ Entscheidend ist die Form: vier Jahre hinauf, drei Jahre hinunter und eine Erholung so langsam, dass jemand, der am Gipfel gekauft hat, anderthalb Jahrzehnte warten musste, um wieder bei null zu sein.

Am leichtesten greifbar wird der Absturz als prozentuale Veränderung:

$$\Delta\% = \frac{x_{\text{new}} - x_{\text{old}}}{x_{\text{old}}} \times 100$$

Dabei ist $\Delta\%$ die prozentuale Veränderung, $x_{\text{old}}$ der Ausgangswert (old steht für alt) und $x_{\text{new}}$ der Wert, mit dem du ihn vergleichst (new steht für neu). Wenn Prozente eingerostet sind, baut Grundlagen: Prozente sie von Grund auf auf.

Rechenbeispiel: warum ein Minus von 78 % ein Plus von 353 % braucht

Schritt eins, der Absturz vom Schlusskurs im März 2000 bis zum Schlusskurs im Oktober 2002:

$$\Delta\% = \frac{1.114{,}11 - 5.048{,}62}{5.048{,}62} \times 100 = -77{,}9$$

Also ist $x_{\text{old}} = 5.048{,}62$, $x_{\text{new}} = 1.114{,}11$, und der Index hat 77,9 % seines Werts verloren.

Schritt zwei, der Anstieg, der nötig ist, um zurückzukommen. Jetzt ist der Tiefpunkt der Ausgangswert:

$$\Delta\% = \frac{5.048{,}62 - 1.114{,}11}{1.114{,}11} \times 100 = 353{,}2$$

Diesmal ist $x_{\text{old}} = 1.114{,}11$ und $x_{\text{new}} = 5.048{,}62$. Ein Minus von 78 % braucht ein Plus von 353 %, um es auszugleichen. Diese Asymmetrie ist der Grund, warum Blasen so wehtun: Die Rechnung der Erholung ist brutal, egal, was die Technologie darunter wert ist.

Wie hoch die Bewertungen heute sind, verglichen mit damals

Der übliche Maßstab für die Frage "sind Aktien teuer" ist das zyklisch bereinigte Kurs Gewinn Verhältnis (CAPE, nach dem englischen cyclically adjusted price to earnings ratio), veröffentlicht vom Ökonomen Robert Shiller. Es teilt den Kurs des S&P 500, des breiten amerikanischen Aktienindex, durch den Durchschnitt von zehn Jahren inflationsbereinigter Gewinne. Im Dezember 1999 erreichte es 44,2, den höchsten Wert in seinen Daten, die bis 1881 zurückreichen. Im Mai 2026 lag es bei 40,1. Über die ganze Reihe liegt der Durchschnitt bei etwa 18.²

Ein Beispiel: Ein CAPE von 40 heißt, Käufer zahlen 40 € für jeden Euro durchschnittlichen Jahresgewinn des letzten Jahrzehnts. Bei 18 zahlen sie 18 €. Keine der beiden Zahlen sagt, wann die Kurse fallen oder ob überhaupt. Sie sagt nur, dass der breite amerikanische Markt im Mai 2026 näher am Gipfel von 1999 bewertet war als an seinem eigenen langjährigen Durchschnitt. Das ist das stärkste Argument auf der Seite der Blase, und es ist eine Zahl über den ganzen Markt, keine Zahl über KI.

Die Geldfrage, denn die meinen die Leute eigentlich

Wer fragt, ob KI eine Blase ist, stellt eine Finanzfrage: Rechtfertigt das Geld, das hineinfließt, das Geld, das herauskommt?

Die vier größten Investoren veröffentlichen ihre Zahlen jedes Quartal. In den drei Monaten bis zum 31. März 2026, gemessen an der Kapitalflussrechnung des jeweiligen Unternehmens:³⁴⁵⁶

Die waagrechte Achse nennt das Unternehmen, die senkrechte zeigt, was es in diesem einen Quartal für Sachanlagen (Rechenzentren, Server, Chips, Gebäude) ausgegeben hat, in Milliarden US Dollar. Bei Amazon und Alphabet sind es Käufe von Sachanlagen, bei Microsoft Zugänge zu Sachanlagen, und bei Meta sind Tilgungen auf Finanzierungsleasing enthalten, jeweils so, wie das Unternehmen selbst berichtet.³⁴⁵⁶ Die Botschaft: zusammen rund 130,6 Milliarden Dollar in drei Monaten. Dieselben vier gaben im ersten Quartal 2025 rund 72,7 Milliarden Dollar aus, das Tempo ist also in einem Jahr um rund 80 % gestiegen. Im Tempo vom März 2026 sind das rund 520 Milliarden Dollar im Jahr.

Zwei weitere Fakten aus denselben Mitteilungen. Meta hat die eigene Prognose für die Ausgaben 2026 auf 125 bis 145 Milliarden Dollar angehoben.⁶ Und Amazons freier Cashflow, das Geld, das nach dem laufenden Geschäft und dem Ausbau übrig bleibt, fiel für die zwölf Monate bis März 2026 auf 1,2 Milliarden Dollar, nach 25,9 Milliarden Dollar ein Jahr zuvor, weil die Ausgaben für Sachanlagen, abzüglich Erlösen aus Verkäufen und Zuschüssen, um 59,3 Milliarden Dollar stiegen.⁴

Und jetzt halt das neben den Umsatz

Nur wenige Unternehmen weisen KI Umsatz getrennt aus. Microsoft nennt eine Zahl: Im April 2026 sagte das Unternehmen, sein KI Geschäft habe eine annualisierte Umsatzrate von 37 Milliarden Dollar überschritten, 123 % mehr als im Vorjahr.⁵ Eine solche Rate ist der Umsatz des aktuellen Monats oder Quartals, hochgerechnet auf ein Jahr.

Ein Beispiel, nur mit Microsofts eigenen Zahlen. Die Zugänge zu Sachanlagen lagen in einem Quartal bei 30,9 Milliarden Dollar.⁵ In diesem Tempo sind die Ausgaben im Jahr:

$$30{,}9 \times 4 = 123{,}6$$

Dabei ist $30{,}9$ die Ausgabe eines Quartals in Milliarden Dollar und $4$ die Zahl der Quartale im Jahr. Also stehen rund 123,6 Milliarden Dollar Ausgaben im Jahr rund 37 Milliarden Dollar KI Umsatz im Jahr gegenüber, ein Verhältnis von grob 30 %. Zwei Einschränkungen halten das fair. Nicht alle diese Ausgaben sind für KI, und ein Umsatz, der um 123 % im Jahr wächst, schließt Lücken schnell, wenn es so weitergeht. Aber es zeigt die Form der Wette: Die Ausgaben laufen dem Umsatz weit voraus, und die Branche wettet, dass der Umsatz aufholt, so wie das Breitband irgendwann die Glasfaser genutzt hat, die Ende der Neunziger verlegt wurde.

Die Maschinen nutzen sich schnell ab

In den Geschäftsberichten steht ein Detail, das selten in die Schlagzeilen kommt. Microsoft schreibt Computerausrüstung über zwei bis sechs Jahre ab.⁷ Ein Rechenzentrum als Gebäude hält Jahrzehnte. Die Server und Chips darin nicht.

Ein Beispiel: Ein Unternehmen kauft Server für 120.000 € und schreibt sie in gleichen Teilen über vier Jahre ab. Jedes Jahr verschwinden 30.000 € ihres Werts aus den Büchern:

$$120.000 \div 4 = 30.000$$

Dabei ist $120.000$ der Kaufpreis in Euro und $4$ die Zahl der Nutzungsjahre. Damit es sich lohnt, müssen diese Server 120.000 € plus Betriebskosten wieder einspielen, bevor sie ersetzt werden, und dann kauft das Unternehmen die nächsten. Die Wette muss sich innerhalb der Lebensdauer der Maschinen auszahlen, und deshalb zählt der Zeitpunkt des Umsatzes so sehr.

Was dafür spricht, dass es eine Blase ist

Die Pessimisten verdienen ein ordentliches Gehör. Erstens sind die Ausgaben mit Prognosen begründet, nicht mit Gewinnen, wie die Zahlen oben zeigen. Zweitens läuft ein Teil des Geldes im Kreis.

Ein Beispiel mit erfundenen Unternehmen. Ein Chiphersteller, Alpha, investiert 100 Millionen Euro in ein KI Labor, Beta. Beta kauft mit dem Geld Chips von Alpha für 100 Millionen Euro. Alpha bucht 100 Millionen Euro Umsatz. Beta weist 100 Millionen Euro Investition in Rechenleistung aus. Und wenn Betas nächste Finanzierungsrunde das Labor höher bewertet, kann Alpha einen Gewinn auf seine Beteiligung buchen. Auf dem Papier drei gute Nachrichten. In bar ist kein neues Geld von außerhalb der beiden Unternehmen hereingekommen. Nichts daran ist unzulässig, und die Chips sind echt. Aber die Wachstumszahlen sagen dir weniger, als es scheint.

Echte Geschäfte haben diese Form, und sie sind öffentlich. Im September 2025 kündigte NVIDIA eine Absichtserklärung an, noch keinen endgültigen Vertrag, nach der es bis zu 100 Milliarden Dollar in OpenAI investieren will, während mindestens 10 Gigawatt an NVIDIA Systemen aufgebaut werden.⁸ Im Oktober 2025 kündigte AMD eine Vereinbarung über 6 Gigawatt an, mit der es OpenAI mit seinen Chips beliefert, und gab OpenAI ein Optionsrecht auf bis zu 160 Millionen AMD Aktien, das mit erreichten Meilensteinen fällig wird.⁹ Und Amazons Nettogewinn im ersten Quartal 2026 enthielt 16,8 Milliarden Dollar Gewinne vor Steuern aus seinen Beteiligungen an Anthropic.⁴ Alles davon ist ordentlich offengelegt. Es ist aber auch genau die Art von Schleife, auf die du achten solltest, wenn du eine Wachstumszahl liest.

Drittens hören die Kosten für den Betrieb dieser Modelle nie auf. Jede Antwort kostet Strom und Rechenzeit. In der Dotcom Zeit bediente eine Website, einmal gebaut, ihren nächsten Besucher fast umsonst. Ein großes KI Modell hat die umgekehrte Form: teuer zu bauen, und jedes Mal wieder teuer, wenn jemand es nutzt. Deckt der Preis, den ein Kunde zahlt, die Kosten nicht, ihn zu bedienen, macht Wachstum den Verlust größer, nicht kleiner.

Und an manchen Stellen hat sich der Hype von der Wirklichkeit gelöst. Wenn eine Präsentation für Investoren an Wert gewinnt, weil irgendwo die Buchstaben KI auftauchen, bewertet ein Markt eine Geschichte, kein Produkt. So roch 1999.

Was dagegen spricht, dass es diese Art Blase ist

Jetzt die andere Seite, denn sie ist stärker, als die Untergangspropheten zugeben.

1999 hatten viele der Unternehmen mit absurden Bewertungen kaum Umsatz und keinen Gewinn, nur einen Domainnamen und einen Plan. Die größten Investoren in KI finanzieren den Ausbau heute aus Geschäften, die schon Geld verdienen: Suche, Werbung, Cloud, Software und Handel. Alphabets Umsatz im ersten Quartal 2026 lag bei 109,9 Milliarden Dollar, Amazons bei 181,5 Milliarden Dollar.³⁴ Würden die KI Ausgaben morgen halbiert, hätten diese Unternehmen immer noch ihr Tagesgeschäft.

Und die Technologie wird genutzt, von Menschen und von Unternehmen. Alphabet berichtet, dass seine eigenen Modelle über die direkte API Nutzung durch Kunden mehr als 16 Milliarden Tokens pro Minute verarbeiteten, 60 % mehr als im Vorquartal.³ (Ein Token ist ein kleines Stück Text, grob ein Teil eines Wortes.) Im Vereinigten Königreich fand das Office for National Statistics, dass Ende Dezember 2025 rund ein Viertel (25 %) der britischen Unternehmen irgendeine Form von KI nutzte, bei Unternehmen mit 250 oder mehr Beschäftigten 44 %.¹⁰ In Deutschland sieht das Bild ähnlich aus: Laut Statistischem Bundesamt nutzten 2025 insgesamt 26 % der Unternehmen KI Technologien, 23 % der kleinen mit 10 bis 49 Beschäftigten und 57 % der großen mit mehr als 250 Beschäftigten.¹¹

Eine Blase, die auf etwas gebaut ist, das niemand will, platzt auf einen Schlag. Eine Blase, die auf etwas gebaut ist, das Menschen nutzen, kann langsam Luft verlieren und trotzdem eine Branche stehen lassen, und genau das hat das Internet nach 2000 getan.

Nutzen wir KI überhaupt richtig?

Hier werde ich ein wenig mürrisch, denn ich glaube, die Antwort ist meistens nein. Die Branche hat sich in die falschen Anwendungsfälle verliebt.

Der Reflex in der ganzen Branche war, ein neues Werkzeug in vertraute Formen zu pressen. Ein Chatbot wird an alles angeschraubt. Die Bank hat einen, der Stromanbieter hat einen, und oft ist er schlechter als der Knopf, den er ersetzt hat. Die flexibelste Technologie seit einer Generation, überwiegend dafür eingesetzt, Mails etwas schneller zu beantworten und Dokumente zusammenzufassen, die ohnehin niemand gelesen hätte.

Die Elektrizität hat dieselbe Phase durchlaufen. Fabriken liefen Ende des 19. Jahrhunderts mit einer zentralen Dampfmaschine, die über Wellen und Riemen jede Maschine antrieb. Der erste Schritt mit Strom war, einen großen Elektromotor dorthin zu stellen, wo die Dampfmaschine gestanden hatte. Die großen Gewinne kamen später, als Fabriken jeder Maschine ihren eigenen Motor gaben und das ganze Gebäude um diese Idee herum neu planten. Zwischen 1880 und 1930 ging die amerikanische Industrie vom Antrieb über Wellen und Riemen zu Motoren an den einzelnen Maschinen über, und dieser Wandel, nicht der Motor allein, hob die Leistung pro Arbeitskraft und pro eingesetztem Kapital.¹² KI steckt in der Phase des großen zentralen Motors: etwas Neues, das das Alte ein bisschen besser macht.

Die nützliche Frage ist nicht "wie baue ich KI in mein Produkt ein". Sie lautet "was konnte ich vorher nie tun, das jetzt möglich ist". Fast alle stellen die erste.

Ein Beispiel: Ein erfundener Großhandel in Dresden, Elbtal Großhandel (elbtalgrosshandel.example), bekommt 200 Bestellungen pro Woche als PDF Anhang, und zwei Leute tippen sie ins Bestellsystem. Die erste Idee auf dem Tisch ist ein Chatbot auf der Website. Er beantwortet Fragen, die niemand gestellt hat, und die 200 PDFs werden weiter abgetippt. Die zweite Idee fragt, was vorher blockiert war: jedes PDF lesen, die Bestellung ausfüllen und nur die unklaren an einen Menschen schicken. Dieselbe Technologie, eine andere Frage, und nur die zweite verändert das Geschäft.

Die meisten KI Startups verwerten alte Ideen mit frischem Anstrich

Es gibt eine ganze Kategorie von Unternehmen, die man wenig freundlich Wrapper nennt, also Hülle. Das Produkt ist eine dünne Oberfläche auf dem Modell eines anderen und tut etwas, das du größtenteils selbst könntest, wenn du den Prompt kennst. Protokollschreiber, Mailschreiber, generische Chatbots für diese oder jene Branche. Sie verwerten Ideen, die es schon gab, und die einzige neue Zutat ist das Modell darunter, das ihnen nicht gehört und das die Konkurrenz genauso leicht mieten kann.

Das Problem dieser Unternehmen: Sie haben keinen Burggraben. Ist das ganze Produkt ein cleverer Prompt und eine hübsche Anmeldeseite, wird es in dem Moment, in dem das Modell darunter besser wird, entweder überflüssig, oder der Modellanbieter liefert es als kostenlose Funktion aus. Gründer nennen das "steamrolled", überrollt werden, und es ist das bestimmende Risiko, wenn man auf einer Plattform baut, die schneller besser wird als man selbst.

Aber das Naserümpfen über Wrapper ist ein wenig selbstgefällig. Ein Laden sitzt auf einem Großhändler, und ein Restaurant ist eine Hülle um Zutaten, die du selbst kaufen könntest. Manchmal liegt der Wert im Vertrauen, im konkreten Arbeitsablauf, in der langweiligen Integrationsarbeit, die sonst niemand machen will. Ein Wrapper, der eine schmale Branche versteht, ihre Sprache spricht und sich in ihre vorhandenen Werkzeuge einfügt, kann überleben, weil der Burggraben nie das Modell war. Der Burggraben war, die Kundschaft besser zu kennen, als der Modellanbieter es je wird.

Ein Beispiel mit zwei erfundenen Startups aus München. Federkiel (federkiel.example) verkauft einen allgemeinen "KI Mailschreiber" für 12 € im Monat und hat nichts mehr zu verkaufen, sobald die großen Mailprogramme die Funktion kostenlos einbauen. Mietwerk (mietwerk.example) baut Software für unabhängige Hausverwaltungen: Sie liest Mietverträge und Unterlagen, bereitet Nebenkostenabrechnungen vor und markiert Klauseln für einen Menschen. Dasselbe gemietete Modell darunter. Was Mietwerk besitzt, ist das Wissen, wie eine Hausverwaltung arbeitet, und das kommt mit keinem Modellupdate.

Die ehrliche Aufteilung also: Die meisten KI Startups verwerten alte Ideen und werden es nicht schaffen. Eine Minderheit tut etwas, das vorher nicht ging, oder hüllt das Modell in so viel hart erarbeitetes Fachwissen, dass die Hülle zum wertvollen Teil wird. An der Oberfläche sehen beide gleich aus, und das macht eine Blase im Moment so schwer zu lesen.

Wo KI wirklich und unbestreitbar nützlich ist

Das ist der Teil, der mir wirklich Spaß macht, denn unter dem Hype gibt es einen soliden Kern von Dingen, die funktionieren, und sie haben eine gemeinsame Form. Es sind konkrete, unspektakuläre Lösungen für Probleme, die früher an einem von drei Dingen scheiterten: Sie waren zu klein, um sich das Bauen zu lohnen, sie brauchten mehr Denkleistung, als Menschen haben, oder sie kosteten von Hand zu viel.

Kleine Lösungen nach Maß, die nie skalieren mussten

Unzählige kleine Probleme in echten Unternehmen waren es nie wert, gelöst zu werden, weil ein Werkzeug nach Maß für ein Dutzend Nutzer mehr kostete, als die Arbeit für immer von Hand zu machen. KI ändert diese Rechnung. Eine kleine Firma kann heute das interne Werkzeug bauen, das ihre ganz eigenen unordentlichen Tabellen liest, ihre ganz eigene Art von Kundenmails sortiert oder den einen seltsamen Bericht entwirft, den ihre Aufsicht jedes Quartal will. Es muss nicht skalieren. Es muss elf Leuten je zwei Stunden pro Woche sparen.

Rechenbeispiel: Lohnt sich das kleine Werkzeug?

Eine erfundene Hausverwaltung in Köln, Domblick Hausverwaltung (domblick.example), hat 11 Mitarbeitende, die jeweils zwei Stunden pro Woche Angaben aus gemailten Dokumenten in ihre Verwaltungssoftware kopieren. Die Zahlen unten sind Annahmen des Beispiels, plausibel gewählt, keine Angebote.

Schritt eins, die gesparten Stunden. 11 Personen mal zwei Stunden sind 22 Stunden pro Woche. Über 46 Arbeitswochen:

$$22 \times 46 = 1.012 \text{ Stunden im Jahr}$$

Dabei ist $22$ die Zahl der pro Woche gesparten Stunden und $46$ die Zahl der Arbeitswochen.

Schritt zwei, der Wert dieser Stunden. Bei angenommenen 22 € pro Stunde, Arbeitgeberkosten eingerechnet:

$$1.012 \times 22 = 22.264$$

Also sind $1.012$ Stunden zu $22$ Euro pro Stunde rund 22.264 € zurückgewonnene Zeit im Jahr.

Schritt drei, die Kosten, und zwar alle. Das Werkzeug bauen: 6.000 €, einmalig. Es betreiben (die Nutzung des Modells, Inferenz genannt): 40 € im Monat, 480 € im Jahr. Jemand, der die Ergebnisse prüft und korrigiert, was falsch ist: zwei Stunden pro Woche, über 46 Wochen zu 22 € also 2.024 € im Jahr.

Schritt vier, das erste Jahr:

$$22.264 - 6.000 - 480 - 2.024 = 13.760$$

Das erste Jahr lässt also $13.760$ Euro übrig.

Schritt fünf, jedes weitere Jahr, ohne die Baukosten:

$$22.264 - 480 - 2.024 = 19.760$$

Jedes spätere Jahr lässt also $19.760$ Euro übrig. Das ist eine solide Investition, und eine langweilige. Achte darauf, dass Prüfung und Betrieb in der Rechnung stehen. Lass sie weg, und der Fall sieht besser aus, als er ist.

Probleme, die an der Denkleistung scheiterten

Manche Probleme scheiterten nie an Geld oder Ehrgeiz. Sie scheiterten daran, dass ein menschliches Gehirn, oder ein großes Team davon, nicht genug Variablen auf einmal im Kopf behalten kann.

Die Proteinfaltung ist das Paradebeispiel. Herauszufinden, in welche Form sich ein Protein faltet, konnte eine Forscherin für eine einzige Struktur Jahre kosten. Mit mehr Doktoranden war das nicht zu gewinnen, weil es ein Problem der Mustererkennung in einem Suchraum war, weit größer, als irgendein Verstand erfassen kann. 2024 ging die Hälfte des Nobelpreises für Chemie an Demis Hassabis und John Jumper "for protein structure prediction", für die Vorhersage von Proteinstrukturen, die Arbeit hinter AlphaFold.¹³ Die AlphaFold Protein Structure Database, betrieben vom European Bioinformatics Institute des EMBL, bietet heute offenen Zugang zu mehr als 200 Millionen vorhergesagten Strukturen.¹⁴

Das ist kein Chatbot, der Mails schreibt. Es ist ein neuer Schlüssel für eine verschlossene Tür, und wo der Engpass das Muster ist und nicht die Mühe, ist KI eine neue Fähigkeit, kein etwas besseres Werkzeug.

Probleme, die an den Kosten scheiterten

Dann gibt es das große Mittelfeld der Dinge, die immer möglich waren, aber nie das Geld wert. Die Website und die Hilfeseiten einer kleinen Firma in viele Sprachen übersetzen. Jedem Kunden eine persönliche Antwort geben statt einer Vorlage. Jeden Vertrag lesen, den eine mittelgroße Firma unterschreibt, statt ein paar Stichproben zu ziehen und zu hoffen.

Wenn eine Aufgabe deutlich weniger kostet, sparst du nicht nur Geld, du schaltest Dinge frei, die vorher vom Tisch waren. Eine kleine Firma kann sich in mancher Hinsicht wie eine große verhalten. Diese Verschiebung von Fähigkeiten hinunter zu den Kleinen ist für mich eine der spannendsten und am meisten unterschätzten Geschichten in diesem Feld, und sie geht im Streit darüber unter, ob ein Chatbot ein Bewusstsein hat.

Ein Beispiel: Eine erfundene Töpferei in Hamburg, Elbtöpferei (elbtoepferei.example), hat ihre 400 Produktseiten nie übersetzt, weil die zu erwartenden Bestellungen keinen Übersetzer gerechtfertigt hätten. Maschinelle Übersetzung, die eine Muttersprachlerin prüft, ändert die Antwort von "nie" zu "einen Markt testen und messen".

Warum die Unternehmen, die KI bauen, immer noch so viele Menschen beschäftigen

Die Geschichte 2025 war sauber und beängstigend: KI schreibt jetzt Code, also braucht man weniger Leute, die Code schreiben, also die Entlassungen. Einiges davon war echt. Aber die eingereichten Zahlen der größten KI Investoren erzählen eine ruhigere Geschichte.

Alphabet hatte Ende März 2026 194.668 Beschäftigte, gegen 185.719 ein Jahr zuvor.³ Meta kam auf 77.986, 1 % mehr als im Vorjahr.⁶ Amazon meldete 1.575.000 Beschäftigte in Voll und Teilzeit, ebenfalls 1 % mehr.⁴ Microsoft beschäftigte Ende Juni 2025 rund 228.000 Menschen in Vollzeit, 80.000 davon in Produktforschung und Entwicklung.⁷

Rechenbeispiel: die Veränderung der Belegschaft bei Alphabet

Mit der Formel für die prozentuale Veränderung aus dem ersten Abschnitt, mit $x_{\text{old}} = 185.719$ und $x_{\text{new}} = 194.668$:

$$\Delta\% = \frac{194.668 - 185.719}{185.719} \times 100 = 4{,}8$$

Also ist $\Delta\% = 4{,}8$: Das Unternehmen, das jedes Quartal Dutzende Milliarden für KI ausgibt, hat seine Belegschaft im selben Jahr um 4,8 % vergrößert.

Für die Frage nach der Blase zählen hier zwei Dinge.

Erstens heißt eine gleichbleibende Zahl der Beschäftigten nicht, dass die Jobs gleich geblieben sind. Manche Routinearbeit lässt sich jetzt unterstützen oder automatisieren, und man darf vermuten, dass einige Entlassungen eine Korrektur der Einstellungen aus der Pandemiezeit waren, verpackt in modische KI Sprache. Gefragt bleibt die erfahrene Arbeit: Systeme entwerfen, reparieren, was KI kaputtmacht, und die eigentlichen Produkte bauen. Im Vereinigten Königreich fand das ONS, dass nur 4 % der britischen Unternehmen, die KI nutzen, angaben, ihre Gesamtzahl an Beschäftigten sei deswegen gesunken.¹⁰

Zweitens steckt in alldem ein leises Eingeständnis. Könnte KI Softwareentwickler im großen Stil ersetzen, wären die Unternehmen, die die Modelle bauen, die ersten, die keine mehr beschäftigen. Sie haben jeden Anreiz und die besten Werkzeuge. Stattdessen beschäftigen Alphabet, Amazon und Meta jeweils mehr Menschen als ein Jahr zuvor, und Microsoft meldet 80.000 in Produktforschung und Entwicklung. Die Werkzeuge sind sehr gut darin, einen fähigen Menschen zu unterstützen, und weit davon entfernt, ihn zu ersetzen. Wenn du ein ehrliches Signal willst, wie reif die Technologie ist, ignorier die Pressemitteilungen und schau, wen die Modellbauer auf der Gehaltsliste behalten.

Wo die wahren Kosten versteckt sind

Das ist der Teil, den die glänzenden Demos nie zeigen, und hier liegt ein großer Teil des Risikos, für den Markt und für dein eigenes Budget.

Die erste versteckte Kostenstelle ist die Inferenz, die Kosten, das Modell jedes Mal laufen zu lassen, wenn jemand es nutzt. Das Training macht die Schlagzeilen, aber die Inferenz hört nie auf. Ein Produkt, das unter seinen Kosten bepreist ist, wettet darauf, dass Chips weniger teuer werden oder die Preise später steigen können, ohne dass Kunden gehen. Dieselbe Wette haben viele Dotcom Firmen kurz vor dem Ende der Party abgeschlossen.

Die zweite versteckte Kostenstelle stellt niemand auf eine Folie: die Kosten des Irrtums. Eine KI, die in 95 % der Fälle richtig liegt, klingt fantastisch, bis dir einfällt, dass die falschen 5 % im genau gleichen selbstsicheren Ton daherkommen. Also muss ein Mensch die Ergebnisse prüfen, und das frisst einen Teil der versprochenen Ersparnis. Bepreisen lässt sich das sinnvoll über die erwarteten Kosten der Fehler:

$$E[C] = n \times p \times c$$

Dabei ist $E[C]$ der Erwartungswert der Fehlerkosten, $n$ die Zahl der Stücke, die die KI erzeugt, $p$ der Anteil davon, der falsch ist, und $c$ die durchschnittlichen Kosten eines Fehlers, der bei einem Kunden ankommt. Die Idee des Erwartungswerts, eine Wahrscheinlichkeit mal Kosten, erklärt Grundlagen: Erwartungswert.

Rechenbeispiel: die falschen 5 % bepreisen

Ein erfundener Onlineshop für Tee in Dresden, Teehaus Löbtau (teehausloebtau.example), will 2.000 Produktbeschreibungen von KI schreiben lassen. Alle Zahlen sind Annahmen des Beispiels.

Schritt eins, ganz ohne Prüfung. Mit $n = 2.000$, $p = 0{,}05$ und angenommenen $c = 15$ Euro pro falscher Beschreibung (eine Retoure, eine Erstattung, eine Beschwerde über eine Aussage zum Koffein):

$$E[C] = 2.000 \times 0{,}05 \times 15 = 1.500$$

Also sind $E[C] = 1.500$ Euro erwarteter Schaden.

Schritt zwei, mit Prüfung. Eine Person braucht zwei Minuten pro Beschreibung, das sind 4.000 Minuten, rund 66,7 Stunden. Zu 25 € pro Stunde:

$$66{,}7 \times 25 = 1.667{,}5$$

Also kosten $66{,}7$ Stunden zu $25$ Euro pro Stunde rund 1.668 €, um alles zu prüfen, und das beseitigt den Großteil der 1.500 € Risiko.

Schritt drei, gegen das Schreiben von Hand. Bei 15 Minuten pro Stück brauchen 2.000 Beschreibungen 500 Stunden, zu 25 € also 12.500 €. KI plus Prüfung gewinnt hier immer noch deutlich.

Schritt vier, eine Zahl ändern. Jetzt entwirft die KI Vertragsklauseln für eine Kanzlei, und ein Fehler, der durchrutscht, kostet $c = 20.000$ Euro. Schon eine falsche Klausel unter tausend ($p = 0{,}001$, $n = 1.000$) ergibt:

$$E[C] = 1.000 \times 0{,}001 \times 20.000 = 20.000$$

Also sind $E[C] = 20.000$ Euro, aus einem einzigen erwarteten Fehler. In Recht, Medizin, Buchhaltung oder Ingenieurwesen ist die Prüfung nicht optional, und ihre Kosten entscheiden, ob KI überhaupt etwas spart.

Die dritte versteckte Kostenstelle sind Menschen und Abläufe. KI in ein Unternehmen zu bringen ist kein Einstecken und Loslegen, was auch immer der Anbieter sagt. Jemand muss die Daten bereinigen, die Systeme verbinden, die Leute schulen, die Abläufe umschreiben und das Ding beobachten, wenn es abdriftet. Die Lizenzgebühr ist oft die kleinste Zahl im Projekt.

Und dann gibt es die Kosten, die in keinem einzelnen Unternehmen in den Büchern landen: Strom. Die Internationale Energieagentur schätzt, dass Rechenzentren 2024 rund 415 Terawattstunden Strom verbraucht haben, etwa 1,5 % des weltweiten Verbrauchs, und erwartet, dass sich das bis 2030 auf rund 945 Terawattstunden mehr als verdoppelt.¹⁵ Einen Teil dieser Rechnung zahlen alle, über Energiepreise und belastete Netze vor Ort, ob sie KI nutzen oder nicht.

Warum Tokenmaxxing die Bestenlisten still verdirbt

Das hier ist technischer, also baue ich es behutsam auf. Die Anzeigetafeln, nach denen entschieden wird, welche KI die beste ist, lassen sich austricksen, und eine Art des Austricksens macht Modelle langsamer und teurer, aus Gründen, die nichts damit zu tun haben, dass sie dir mehr nützen.

Labore beweisen, dass ein Modell das beste ist, mit standardisierten Tests, den Benchmarks: Matheaufgaben, Programmieraufgaben, Prüfungsfragen. Das Ergebnis kommt in ein Diagramm, das Diagramm ins Marketing. Das Problem ist eine alte Beobachtung, meist Goodharts Gesetz genannt: Sobald eine Zahl zum Ziel wird, verbessern Menschen die Zahl statt der Sache, die sie messen sollte. Die Anthropologin Marilyn Strathern hat denselben Effekt bei der Bewertung britischer Universitäten nachgezeichnet, wo die Bewertung, in ihren Worten, "has a life of its own", also ein Eigenleben entwickelt.¹⁶

Kontamination: Die Prüfung lag bei den Lernunterlagen

Modelle lernen aus riesigen Teilen des Internets, und Benchmarkfragen samt Antworten stehen oft auch im Internet. Ein Modell hat die Prüfung also vielleicht schon gesehen, bevor es sie schreibt. Eine Studie hat in Multiple Choice Fragen aus dem Benchmark MMLU eine falsche Antwortoption verdeckt und die Modelle gebeten, die Lücke zu füllen. ChatGPT und GPT 4 trafen die exakte fehlende Option in 52 % und 57 % der Fälle, was schwer zu erklären ist, wenn die Fragen nicht in ihren Trainingsdaten standen.¹⁷ Gemessen hast du dann das Gedächtnis und es Intelligenz genannt.

Tokenmaxxing: laut denken für die Anzeigetafel

Das zweite Problem ist subtiler. Modelle schneiden oft besser ab, wenn sie vor der Antwort eine lange Kette von Zwischentext durchdenken dürfen. Forschung zu diesem "test time compute", der Rechenleistung zur Laufzeit, zeigt, dass mehr Rechenaufwand pro Frage die Ergebnisse so weit heben kann, dass ein kleineres Modell bei manchen Aufgaben eines schlägt, das 14 mal so groß ist.¹⁸ Der Name dafür, das so weit zu treiben wie möglich, ist Tokenmaxxing: die Tokens maximieren, die ein Modell durchkaut, um einen Benchmarkpunkt zu gewinnen.

Die Forschung hat einen höflicheren Namen für die Nebenwirkung, Overthinking, also Zerdenken: Modelle, die für einfache Aufgaben sehr viel Rechenleistung aufwenden, für wenig oder keinen Gewinn an Genauigkeit.¹⁹ Der Titel dieser Arbeit sagt es am besten: "Do NOT Think That Much for 2+3=?".

Und darum sollte dich das als Nutzer eher ärgern als beeindrucken. Jedes zusätzliche Token kostet Geld und Zeit. Die Kosten eines Monats an Antworten sind:

$$K = q \times t \times \frac{r}{1.000.000}$$

Dabei ist $K$ die monatliche Rechnung, $q$ die Zahl der Fragen im Monat, $t$ die durchschnittliche Zahl der Tokens, die das Modell pro Antwort erzeugt, sein Nachdenken eingeschlossen, und $r$ der Preis pro Million Tokens. Es ist eine einfache Rate, ausmultipliziert, wie in Grundlagen: Verhältnisse und Raten.

Rechenbeispiel: das geschwätzige Modell am Kundendienst

Das erfundene Teehaus Löbtau setzt einen KI Assistenten im Kundendienst ein, der 20.000 Fragen im Monat beantwortet. Es vergleicht zwei Modelle, für beide werden 8 € pro Million ausgegebener Tokens angenommen (ein angenommener Preis für das Beispiel, kein Angebot). Modell A, oben auf der Bestenliste, erzeugt 3.000 Tokens pro Antwort. Modell B erzeugt 800 und gibt bei Fragen wie "wo ist meine Bestellung" genauso gute Antworten.

Modell A:

$$K = 20.000 \times 3.000 \times \frac{8}{1.000.000} = 480$$

Also ist $K = 480$ Euro im Monat für Modell A.

Modell B:

$$K = 20.000 \times 800 \times \frac{8}{1.000.000} = 128$$

Also ist $K = 128$ Euro im Monat für Modell B. Das sind 480 € gegen 128 €, ein Unterschied von 352 € im Monat oder 4.224 € im Jahr, und die Kundschaft von Modell A wartet auch noch länger auf jede Antwort. Der Benchmark sagt, A sei besser. Die Rechnung und die Warteschlange sagen etwas anderes.

Für das ganze Feld ist es außerdem ein schlechter Anreiz: Modelle werden dahin gedrängt, im Betrieb teurer zu werden, genau dann, wenn die offene Frage ist, ob irgendjemand sie mit Gewinn betreiben kann. Wenn das nächste Diagramm zeigt, dass Modell X Modell Y um zwei Punkte schlägt, ist die richtige Reaktion ein Achselzucken und drei Fragen: besser worin, gemessen von wem, und zu welchen Kosten pro Antwort?

Also, Blase oder nicht? Ein erwachsenes Urteil

Ja, in Teilen des Marktes gibt es sehr wahrscheinlich eine Blase. Die Bewertungen am amerikanischen Markt lagen im Mai 2026 näher am Gipfel von 1999 als an ihrem langjährigen Durchschnitt. Die Ausgaben laufen dem gemeldeten KI Umsatz weit voraus, ein Teil des Geldes läuft im Kreis, und eine Menge Wrapper Firmen wird eine Korrektur nicht überleben. Wenn sie kommt, werden viele, die gesagt haben, KI könne nicht scheitern, merken, dass sie einen Aktienkurs beschrieben haben, keine Technologie.

Und nein, es ist nicht nur eine Blase. Unter dem Schaum liegt eine Technologie, die Unternehmen und Menschen jeden Tag nutzen und nicht mehr hergeben werden, ein Kern von Problemen in der Wissenschaft und in Tausenden gewöhnlicher Unternehmen, die KI zum ersten Mal lösbar gemacht hat. Dieser Kern verschwindet nicht, wenn die Kurse fallen. Er wird still wertvoller, während alle auf den Absturz starren.

Die Dotcom Zeit ist genau deshalb der richtige Wegweiser, weil beide Hälften stimmten. Der Absturz war echt und hat Menschen ruiniert. Das Internet war auch echt und hat danach die Wirtschaft umgebaut. Das Platzen der Blase und die Bedeutung der Technologie sind keine gegensätzlichen Vorhersagen. Sie sind dieselbe Geschichte, in zwei verschiedenen Geschwindigkeiten erzählt.

Für ein Unternehmen, das entscheiden muss, wofür es Geld ausgibt, wird aus der Geschichte ein praktischer Filter.

Das Diagramm liest sich von oben nach unten. Die erste Frage trennt Ideen, die etwas verändern, von Ideen, die einen alten Ablauf schmücken. Die zweite bepreist die versteckten Kosten, bevor du Geld ausgibst. Eine Idee, die beide besteht, lohnt sich, egal, was die Aktienkurse als Nächstes tun, und eine, die an einer der beiden scheitert, hat sich nie gelohnt, Blase hin oder her.

Gewinnen werden die, die aufgehört haben zu fragen, wie man KI über das streut, was es schon gibt, und angefangen haben zu fragen, was möglich geworden ist, das es nie war. Alle anderen verlegen Glasfaser, die niemand je beleuchtet, und kaufen sich einen teuren Platz in der ersten Reihe für den großen Knall.

Footnotes

1. Nasdaq OMX Group, NASDAQ Composite Index (NASDAQCOM), tägliche Schlusskurse 1995 bis 2016, abgerufen über FRED, Federal Reserve Bank of St. Louis, https://fred.stlouisfed.org/series/NASDAQCOM

2. Robert J. Shiller, Online data: US stock market prices, earnings and the cyclically adjusted price earnings ratio (CAPE), monatlich seit 1871, Datei ie_data.xls, Werte für Dezember 1999 und Mai 2026, https://shillerdata.com/

3. Alphabet Inc., Alphabet Announces First Quarter 2026 Results, Ergebnismitteilung, 29. April 2026, https://s206.q4cdn.com/479360582/files/doc_financials/2026/q1/2026q1-alphabet-earnings-release.pdf

4. Amazon.com, Inc., Amazon.com Announces First Quarter Results, Ergebnismitteilung, 29. April 2026, https://ir.aboutamazon.com/news-release/news-release-details/2026/Amazon-com-Announces-First-Quarter-Results/

5. Microsoft Corporation, Earnings Release FY26 Q3, Pressemitteilung, 29. April 2026, https://www.microsoft.com/en-us/investor/earnings/fy-2026-q3/press-release-webcast

6. Meta Platforms, Inc., Meta Reports First Quarter 2026 Results, Pressemitteilung, 29. April 2026, https://investor.atmeta.com/investor-news/press-release-details/2026/Meta-Reports-First-Quarter-2026-Results/default.aspx

7. Microsoft Corporation, 2025 Annual Report (Jahresbericht nach Formular 10 K für das Geschäftsjahr bis 30. Juni 2025), Abschnitte Human capital resources und Property and equipment, https://www.microsoft.com/investor/reports/ar25/index.html

8. NVIDIA, OpenAI and NVIDIA Announce Strategic Partnership to Deploy 10 Gigawatts of NVIDIA Systems, Pressemitteilung, 22. September 2025, https://nvidianews.nvidia.com/news/openai-and-nvidia-announce-strategic-partnership-to-deploy-10gw-of-nvidia-systems

9. AMD, AMD and OpenAI Announce Strategic Partnership to Deploy 6 Gigawatts of AMD GPUs, Pressemitteilung, 6. Oktober 2025, https://ir.amd.com/news-events/press-releases/detail/1260/amd-and-openai-announce-strategic-partnership-to-deploy-6-gigawatts-of-amd-gpus

10. Office for National Statistics (Vereinigtes Königreich), Business insights and impact on the UK economy: 8 January 2026, Business Insights and Conditions Survey Welle 147, 15. bis 28. Dezember 2025, https://www.ons.gov.uk/businessindustryandtrade/business/businessservices/bulletins/businessinsightsandimpactontheukeconomy/8january2026

11. Statistisches Bundesamt (Destatis), Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrößenklassen, Berichtsjahr 2025, Stand 24. November 2025, https://www.destatis.de/DE/Themen/Branchen-Unternehmen/Unternehmen/IKT-in-Unternehmen-IKT-Branche/Tabellen/ikti-unternehmen-kuenstliche-intelligenz.html

12. Warren D. Devine Jr., From Shafts to Wires: Historical Perspective on Electrification, The Journal of Economic History 43(2), Cambridge University Press, 1983, https://www.cambridge.org/core/journals/journal-of-economic-history/article/from-shafts-to-wires-historical-perspective-on-electrification/500078D9B4764BA1109A7967437CF226

13. The Nobel Prize, The Nobel Prize in Chemistry 2024, Zusammenfassung, NobelPrize.org, 2024, https://www.nobelprize.org/prizes/chemistry/2024/summary/

14. EMBL European Bioinformatics Institute und Google DeepMind, AlphaFold Protein Structure Database, https://alphafold.ebi.ac.uk/

15. Internationale Energieagentur (IEA), Energy and AI, Executive Summary, IEA, 2025, https://www.iea.org/reports/energy-and-ai/executive-summary

16. Marilyn Strathern, Improving ratings: audit in the British University system, European Review 5(3), Cambridge University Press, 1997, Seiten 305 bis 321, https://www.cambridge.org/core/journals/european-review/article/improving-ratings-audit-in-the-british-university-system/FC2EE640C0C44E3DB87C29FB666E9AAB

17. Chunyuan Deng, Yilun Zhao, Xiangru Tang und andere, Investigating Data Contamination in Modern Benchmarks for Large Language Models, arXiv:2311.09783, 2023, https://arxiv.org/abs/2311.09783

18. Charlie Snell, Jaehoon Lee, Kelvin Xu und Aviral Kumar, Scaling LLM Test Time Compute Optimally can be More Effective than Scaling Model Parameters, arXiv:2408.03314, 2024, https://arxiv.org/abs/2408.03314

19. Xingyu Chen, Jiahao Xu, Tian Liang und andere, Do NOT Think That Much for 2+3=? On the Overthinking of o1 Like LLMs, arXiv:2412.21187, 2024, https://arxiv.org/abs/2412.21187