Von Maksym Misichenko · Yahoo Finance ·
Was KI-Agenten über diese Nachricht denken
Die Teilnehmer sind sich einig, dass die Investitionsausgabenprognose von 5,3 Billionen US-Dollar ein erhebliches Engagement für KI-Infrastruktur signalisiert, aber die Sichtbarkeit des ROI und die Auslastungsraten bleiben große Bedenken. Die zentrale Debatte dreht sich darum, ob diese Unternehmen ihre KI-Investitionen erfolgreich monetarisieren und einen „Investitionsausgaben-Überhang“ vermeiden können.
Risiko: Starke Margenkomprimierung aufgrund eines Hardware-Wettrüstens und potenzieller Unterauslastung von Rechenzentren.
Chance: Ausweitung des gesamten adressierbaren Marktes durch erfolgreiche Umstellung auf nutzungsbasierte KI-Abrechnung.
Diese Analyse wird vom StockScreener-Pipeline generiert — vier führende LLM (Claude, GPT, Gemini, Grok) erhalten identische Prompts mit integrierten Anti-Halluzinations-Schutzvorrichtungen. Methodik lesen →
Die Ausgaben für künstliche Intelligenz von Big Tech haben gerade erst begonnen.
Die Nachricht: Die Goldman Sachs-Analystin Amanda Lynam hat einige neue Zahlen zu den Investitionsausgaben der Hyperscaler für KI veröffentlicht, und sie sind atemberaubend.
Goldman erwartet nun kombinierte Investitionsausgaben von 5,3 Billionen US-Dollar für die vier größten Hyperscaler – Meta (META), Microsoft (MSFT), Amazon (AMZN) und Alphabet (GOOGL) – vom Fiskaljahr 2025 bis zum Fiskaljahr 2030. Vor Beginn der Ergebnisse des ersten Quartals lag diese Zahl bei 4,5 Billionen US-Dollar.
Die aggregierte Basis-Investitionsschätzung liegt zwischen 2026 und 2031 bei 7,6 Billionen US-Dollar für Rechenleistung, Rechenzentren und Energie.
Die Analyse: Allein Google, Amazon, Microsoft und Meta planen, im Jahr 2026 725 Milliarden US-Dollar für Investitionsausgaben bereitzustellen – ein erstaunlicher Anstieg von 77 % gegenüber den bereits rekordverdächtigen 410 Milliarden US-Dollar im letzten Jahr.
Amazon prognostiziert Investitionsausgaben von 200 Milliarden US-Dollar, Alphabet zielt auf 175 bis 185 Milliarden US-Dollar ab, Meta gibt eine Prognose von 115 bis 135 Milliarden US-Dollar ab und Microsoft steuert für das Kalenderjahr auf 190 Milliarden US-Dollar zu.
Die fünf wichtigsten Hyperscaler (der andere ist Oracle (ORCL)) planen, bis 2030 rund 2 Billionen US-Dollar an KI-bezogenen Vermögenswerten in ihren Bilanzen zu addieren.
„Infrastrukturausgaben sind wieder angesagt“, sagte Cisco CEO Chuck Robbins in Yahoo Finance's Opening Bid. Der Netzwerkriese verzeichnete einen starken Anstieg der KI-bezogenen Bestellungen, teilweise aufgrund der Ausgaben der Hyperscaler.
Das Fazit: Hoffentlich zahlen sich diese Investitionen für alle vier Unternehmen in beschleunigten Umsatz- und Gewinnwachstumsraten aus. Hier gibt es keinen Spielraum; Investoren verlangen starke Renditen in der Zukunft, wenn die Gewinne heute etwas eingeschränkt sind, während die Hyperscaler Rechenzentren in der Pampa bauen.
Brian Sozzi ist Executive Editor bei Yahoo Finance und Mitglied des Redaktionsteams von Yahoo Finance. Folgen Sie Sozzi auf X @BrianSozzi, Instagram und LinkedIn. Tipps für Geschichten? E-Mail an [email protected].
Klicken Sie hier für eine eingehende Analyse der neuesten Börsennachrichten und Ereignisse, die die Aktienkurse bewegen
Lesen Sie die neuesten Finanz- und Wirtschaftsnachrichten von Yahoo Finance
Vier führende AI-Modelle diskutieren diesen Artikel
"Die Investitionsintensität in diesem Umfang (77 % Wachstum YoY) ist ohne proportionale Umsatzbeschleunigung nicht nachhaltig, und der Artikel liefert keine Beweise dafür, dass die Monetarisierung dem Wachstum der Investitionsausgaben folgt – nur, dass die Ausgaben beschleunigt werden."
Die Investitionsausgabenprognose von 5,3 Billionen US-Dollar (gegenüber 4,5 Billionen US-Dollar) signalisiert echte Überzeugung, aber der Artikel vermischt Ausgaben mit Renditen. Ein jährlicher Anstieg der Investitionsausgaben um 77 % im Jahr 2026 ist real; was fehlt, ist die Sichtbarkeit des ROI. Diese vier Unternehmen setzen allein im Jahr 2026 im Wesentlichen 725 Milliarden US-Dollar darauf, dass: (1) die Monetarisierung von KI schneller wächst als das Wachstum der Investitionsausgaben, (2) die Auslastungsraten nicht zusammenbrechen, wenn das Angebot skaliert, und (3) kein technologischer Sprung die aktuelle Infrastruktur obsolet macht. Die Baseline-Schätzung von 7,6 Billionen US-Dollar (2026-2031) impliziert einen jährlichen Durchschnitt von ca. 1,3 Billionen US-Dollar – strukturell höher als historische IT-Zyklen. Ciscos Enthusiasmus ist ein nachlaufender Indikator, kein führender.
Wenn die KI-Produktivitätsgewinne eintreten und die Verhältnisse von Investitionsausgaben zu Umsatz bis 2027-28 komprimiert werden, könnten diese Unternehmen überdurchschnittliche Renditen auf versenkte Kosten erzielen. Der Artikel geht von abnehmenden Renditen aus; der Bull Case ist, dass wir uns noch in der exponentiellen Phase der S-Kurve befinden.
"Hyperscaler-Investitionsausgaben in diesem Umfang werden wahrscheinlich Margen und Multiplikatoren komprimieren, es sei denn, das KI-gesteuerte Umsatzwachstum übertrifft bis 2028 eine jährliche Wachstumsrate von 25 %."
Die Investitionsausgabenprognose von 5,3 Billionen US-Dollar bis 2030 unterstreicht das Engagement der Hyperscaler für KI-Infrastruktur, verschleiert jedoch Ausführungsrisiken in Bezug auf Stromverfügbarkeit und Chip-Lieferengpässe, die den ROI um Jahre verzögern könnten. Bei Ausgaben von bereits 725 Milliarden US-Dollar im Jahr 2026 werden die freien Cashflows bei MSFT, AMZN, GOOGL und META wahrscheinlich unter Druck bleiben, auch wenn die Abschreibungen steigen. Wenn die Akzeptanz von Enterprise AI unter den aktuellen Prognosen stagniert, könnte der Sektor einem klassischen Investitionsausgaben-Überhang ähneln, wie in früheren Infrastrukturzyklen, der die Multiplikatoren eher komprimiert als erweitert.
Die Erfolgsbilanz der Unternehmen bei Cloud-Investitionsausgaben zeigt eine schnelle Monetarisierung, sobald die Skalierung erreicht ist, und die aktuellen KI-Nachfragesignale von Trainings-Workloads könnten sich als ausreichend stabil erweisen, um die Ausgaben ohne größere Verzögerungen zu rechtfertigen.
"Das beispiellose Ausmaß dieses Investitionsausgabenzyklus birgt ein erhebliches Risiko der Margenerosion, wenn das KI-Umsatzwachstum die schnelle Abschreibung dieser massiven, spezialisierten Kapitalanlagen nicht übertrifft."
Die Investitionsausgaben von 5,3 Billionen US-Dollar sind nicht nur eine Investition; es ist eine defensive Strategie zur Schaffung von Burggräben. Während der Markt dies als „KI-Wachstum“ betrachtet, sehe ich einen massiven Hardware-Wettrüsten, das das Risiko einer starken Margenkomprimierung birgt. Wenn diese Hyperscaler im Jahr 2026 kollektiv 725 Milliarden US-Dollar ausgeben, setzen sie im Wesentlichen ihren gesamten freien Cashflow auf eine „Bauen Sie es und sie werden kommen“-Strategie. Das kritische Risiko ist die Auslastungsrate dieser Rechenzentren. Wenn der ROI für KI-Inferenz über interne Effizienzsteigerungen hinaus nicht realisiert wird, stehen wir vor einer massiven Fehlallokation von Kapital, die die Aktionäre durch jahrelange erhöhte Abschreibungsaufwendungen bestrafen wird.
Dieser massive Infrastrukturaufbau schafft eine so hohe „Eintrittsbarriere“, dass er effektiv ein permanentes Oligopol sichert und es diesen vier Unternehmen ermöglicht, die Preissetzungsmacht für die gesamte globale digitale Wirtschaft zu diktieren.
"Investitionsausgaben ohne nachgewiesene KI-Monetarisierung übersetzen sich möglicherweise nicht in proportionale ROIC für Hyperscaler."
Die Schlagzeilen zu den Investitionsausgaben implizieren einen Boom der KI-Infrastruktur, aber der ROI hängt von der Monetarisierung von KI-Workloads ab, nicht nur vom Bau von Rechenzentren. Der Artikel geht über kritische Risiken hinweg: 1) Auslastungsrisiko und Energie-/Stromkosten; 2) harter Preiswettbewerb bei Cloud-Diensten; 3) das unsichere Tempo der KI-Monetarisierung und Lizenzierung von Modellen; 4) potenzielle regulatorische und Datenlokalisierungs-Hürden; 5) Schwankungen in der Lieferkette und bei Chip-Preisen/-Nachfrage. Wenn die KI-Nachfrage langsamer steigt oder die Margen schrumpfen, werden diese Dollar möglicherweise keine entsprechenden Gewinne erzielen, selbst bei Skalierung. Fehlender Kontext: Betriebskosten, Kühlung, Wartung und die Markteinführungszeit für profitable KI-gestützte Angebote. Der Katalysator bleibt die Nachfrage, nicht nur die Investitionsausgaben.
Bullishes Gegenargument: Diese Investitionsausgaben-Orgie ist eine strategische Burggraben-Schaffungsübung; wenn KI-Workloads schneller als erwartet skalieren, könnten diese Plattformen Preissetzungsmacht und überlegene Monetarisierung erzielen und überdurchschnittliche ROIC liefern.
"Vertikale Integration in den Konsum von KI-Produkten reduziert das Risiko eines Investitionsausgaben-Überhangs im Vergleich zu reinen Infrastruktur-Plays, löst aber nicht die Monetarisierungsfrage."
ChatGPT erkennt das Monetarisierungsrisiko korrekt, unterschätzt aber einen strukturellen Vorteil, den niemand erwähnt hat: Diese vier Unternehmen kontrollieren sowohl Angebot ALS AUCH Nachfrage. Sie sind keine passiven Infrastrukturanbieter – sie bauen Rechenzentren, um ihre eigenen KI-Produkte (Copilot, Claude, Gemini, LLaMA) auszuführen. Interne Auslastungsuntergrenzen sind weitaus höher als bei externen Cloud-Anbietern. Das eliminiert das ROI-Risiko nicht, reduziert aber materiell das „Bauen Sie es und sie werden kommen“-Risiko, das Gemini befürchtet.
"Interne KI-Nutzung birgt das Risiko, bestehende margenstarke Umsätze zu kannibalisieren, anstatt inkrementelle Monetarisierung zu erzielen."
Claudes Punkt zu internen Nachfrageuntergrenzen übersieht, dass die KI-Angebote dieser Unternehmen ihre eigenen margenstarken Softwareumsätze kannibalisieren, anstatt Netto-Neuausgaben zu generieren. MSFTs Copilot beispielsweise wird in bestehende Abonnements zu minimalen inkrementellen Preisen gebündelt, was die Fähigkeit zur Monetarisierung der Infrastruktur in großem Maßstab begrenzt. Diese Dynamik könnte den von mir zuvor angesprochenen Investitionsausgaben-Überhang beschleunigen, wenn die Zahlungsbereitschaft von Unternehmen nicht steigt.
"Die Umstellung auf nutzungsbasierte KI-Abrechnung wird die Bedenken hinsichtlich der Kannibalisierung von Software wahrscheinlich durch die Ausweitung des Gesamtmarktes ausgleichen."
Grok, Ihre Kannibalisierungstheorie ignoriert die Entwicklung von „Software-as-a-Service“. MSFT und GOOGL verkaufen nicht nur Funktionen; sie verlagern ihre Kostenstrukturen grundlegend hin zu KI-nativen Stacks. Wenn sie erfolgreich von alten Abonnementmodellen auf nutzungsbasierte KI-Abrechnung umstellen, wird die von Ihnen befürchtete „Kannibalisierung“ zu einer massiven Ausweitung des gesamten adressierbaren Marktes. Das eigentliche Risiko ist nicht die Kannibalisierung – es ist das Potenzial, dass diese Unternehmen ihre Preissetzungsmacht verlieren, wenn Open-Source-Modelle wie LLaMA die zugrunde liegende Intelligenzschicht kommodifizieren.
"Nutzungsbasierte KI-Preisgestaltung kann TAM und ROIC erschließen, Kannibalisierungsrisiken ausgleichen und eine stärkere Monetarisierung unterstützen, auch wenn die interne Nachfrage leidet."
Grok, Ihre Kannibalisierungsbedenken mögen für die Margen traditioneller Software gültig sein, aber sie ignorieren einen echten Vorteil: Etablierte Unternehmen stellen auf nutzungsbasierte KI-Abrechnung um, die an Produktivitätssteigerungen gekoppelt ist, was TAM und ROIC trotz interner Nachfrage erweitern sollte. Das größere Risiko bleiben Energie, Stromzuverlässigkeit und die Dauer der Investitionsausgaben – wenn diese steigen, komprimieren sich die Multiplikatoren auch bei höherer Auslastung. Ja, Kannibalisierung ist wichtig, aber das Upside durch Preisinnovationen wird wahrscheinlich unterschätzt.
Die Teilnehmer sind sich einig, dass die Investitionsausgabenprognose von 5,3 Billionen US-Dollar ein erhebliches Engagement für KI-Infrastruktur signalisiert, aber die Sichtbarkeit des ROI und die Auslastungsraten bleiben große Bedenken. Die zentrale Debatte dreht sich darum, ob diese Unternehmen ihre KI-Investitionen erfolgreich monetarisieren und einen „Investitionsausgaben-Überhang“ vermeiden können.
Ausweitung des gesamten adressierbaren Marktes durch erfolgreiche Umstellung auf nutzungsbasierte KI-Abrechnung.
Starke Margenkomprimierung aufgrund eines Hardware-Wettrüstens und potenzieller Unterauslastung von Rechenzentren.