KI-Investitionsausgaben treten in die Phase der Ertragsüberprüfung ein: Werden die drei großen Cloud-Anbieter vom Markt übermäßig diskontiert?

Zusammenfassung

Seit 2026 steigen die Investitionen in die Infrastruktur für künstliche Intelligenz weiter an, und der Fokus des Marktes hat sich entsprechend auf die großen Technologieunternehmen verlagert. In der Vergangenheit neigten Investoren eher dazu, KI-Investitionen als langfristige Wachstumsanlagen zu betrachten; heute verlagert sich die Kernfrage allmählich darauf, ob diese Investitionen in ausreichend hohe Umsätze, Bruttogewinne, freien Cashflow und eine ausreichende Kapitalrentabilität umgemünzt werden können.

Der jüngste Kursdruck auf die drei großen Cloud-Anbieter – Microsoft, Amazon und Alphabet/Google – spiegelt oberflächliche Sorgen über KI-Investitionen, den freien Cashflow und Token-Kosten wider. Eine tiefere industrielle Verschiebung könnte jedoch darin liegen, dass sich die KI in Unternehmen von einer „breiten Testphase“ hin zu einer „Epoche der präzisen Nutzungsberechnung“ entwickelt. In dieser Phase rufen Unternehmen die teuersten Modelle nicht mehr unbegrenzt ab, sondern verwalten Modelle, Rechenleistung, Daten, Sicherheit und Abrechnung präziser auf der Grundlage von Aufgabenwert, Kosten, Erfolgsquote, Latenz und Compliance-Anforderungen.

Dies bedeutet nicht zwangsläufig einen Einbruch der KI-Nachfrage. Vielmehr könnte es bedeuten, dass sich die KI von der experimentellen Phase in die Phase des formellen geschäftlichen Einsatzes bewegt. Für Unternehmen mit nur einem Modell könnte die Kontrolle der Token-Kosten durch die Betriebe Druck erzeugen; für Multi-Modell-Cloud-Plattformen wie Azure, AWS und Google Cloud könnte eine präzise Nutzungsberechnung dagegen deren Wert als Kostenkontroll-, Modell-Routing-, Data-Governance- und Abrechnungsebene für die KI in Unternehmen stärken.

I. Kerngründe für die Neubewertung der drei großen Cloud-Anbieter durch den Markt

Der jüngste Druck auf die Aktien der drei großen Cloud-Anbieter kann nicht einfach als Ablehnung der langfristigen KI-Nachfrage durch den Markt verstanden werden. Genauer gesagt verlagert der Markt seinen Fokus von der Frage „Gibt es eine Nachfrage nach KI?“ hin zu „Wie viel Kapital ist erforderlich, um diese KI-Nachfrage zu realisieren?“. Dies ist eine Änderung der Bewertungslogik. Zuvor wurden KI-Investitionen oft als Wachstumsinvestitionen angesehen; doch angesichts des rasanten Wachstums der Investitionen in Rechenzentren, GPUs, Netzwerke, Stromversorgung, Kühlung und Speicherung beginnen Investoren zu hinterfragen, ob es sich bei diesen Ausgaben um hochrentable Wachstumsanlagen oder um ein defensives Wettrüsten handelt, zu dem die Tech-Giganten gezwungen sind.

Die Daten von Microsoft veranschaulichen diese Beschleunigung der Investitionen. Die Ausgaben von Microsoft für Sachanlagen beliefen sich im dritten Quartal des Geschäftsjahres 2026 auf 30,876 Milliarden US-Dollar, verglichen mit 16,745 Milliarden US-Dollar im Vorjahreszeitraum; in den ersten neun Monaten des Geschäftsjahres 2026 betrugen diese Ausgaben 80,146 Milliarden US-Dollar, verglichen mit 47,472 Milliarden US-Dollar im gleichen Zeitraum des Vorjahres. Diese Veränderung verdeutlicht, dass der Aufbau der KI-Infrastruktur von normalen Cloud-Investitionen zu einem weitaus intensiveren Investitionszyklus heraufgestuft wurde.

Auch die Cashflow-Struktur von Amazon verdeutlicht den Investitionsdruck. Der Umsatz von AWS stieg im ersten Quartal 2026 im Jahresvergleich um 28 % auf 37,6 Milliarden US-Dollar, und das operative Ergebnis von AWS betrug 14,2 Milliarden US-Dollar, was zeigt, dass das Cloud-Geschäft selbst weiterhin kräftig wächst. Allerdings belief sich der operative Cashflow des Unternehmens für die letzten zwölf Monate auf 148,5 Milliarden US-Dollar, während der freie Cashflow auf 1,2 Milliarden US-Dollar sank. Dies ist hauptsächlich auf einen deutlichen Anstieg der Käufe von Sachanlagen zurückzuführen, von denen das Unternehmen ausdrücklich erklärte, dass sie im Wesentlichen KI-Investitionen widerspiegeln.

Alphabet/Google weist ähnliche Merkmale auf. Der Umsatz von Google Cloud wuchs im ersten Quartal 2026 um 63 % auf 20 Milliarden US-Dollar, was eine deutliche Beschleunigung des Wachstums im Cloud-Geschäft darstellt. Im selben Quartal erreichten die Ausgaben für den Kauf von Sachanlagen jedoch 35,674 Milliarden US-Dollar, und der freie Cashflow lag bei 10,116 Milliarden US-Dollar. Der Cashflow von Google hat sich zwar nicht in einen unkontrollierbaren Zustand verschlechtert, aber die Investitionskurve ist deutlich steiler geworden.

Die eigentliche Sorge des Marktes gilt daher nicht einer mangelnden Nachfrage bei den drei großen Cloud-Anbietern, sondern den Kapitalrestriktionen, die aus der starken Nachfrage selbst resultieren. Wenn die Investitionen in die KI-Infrastruktur weiter steigen, die entsprechende Umsatz- und Cashflow-Konversionsgeschwindigkeit jedoch hinter den Erwartungen zurückbleibt, werden die Bewertungsmultiplikatoren naturgemäß unter Druck geraten.

II. KI-Kosten halten Einzug in die Finanzberichte und verbleiben nicht mehr nur auf der narrativen Ebene

Einer der größten Unterschiede zwischen KI-Produkten und herkömmlichen Software-Abonnements liegt in der Kostenstruktur. Die Grenzkosten herkömmlicher Office- oder Unternehmenssoftware sind gering; schreibt ein Nutzer eine zusätzliche E-Mail, erstellt eine zusätzliche Tabelle oder generiert ein weiteres Dokument, erhöht dies die Stückkosten des Softwareunternehmens nicht wesentlich. Bei KI-Produkten verhält es sich jedoch anders. Jeder Modellaufruf, jede Inferenz und jede Ausführung eines KI-Agenten ist mit Kosten für Rechenleistung, Speicherung, Netzwerke und Modelldienste verbunden.

Microsoft hat diese Veränderung bereits in seinen Finanzberichten offengelegt. Im dritten Quartal des Geschäftsjahres 2026 fiel die Bruttomarge der Microsoft Cloud auf 66 %, was auf kontinuierliche Investitionen in die KI-Infrastruktur und eine steigende Nutzung von KI-Produkten zurückzuführen ist – teilweise ausgeglichen durch Effizienzverbesserungen bei Azure und Microsoft 365 Commercial Cloud. Mit anderen Worten: Die KI-Nutzung ist nicht mehr nur eine Geschichte auf der Umsatzseite, sondern hat auch die Kostenseite erreicht.

Im Segment „Productivity and Business Processes“ wies Microsoft einen Anstieg der Umsatzkosten um 680 Millionen US-Dollar aus, der in erster Linie auf Investitionen in die KI-Infrastruktur zur Unterstützung der Lizenzen für Microsoft 365 Copilot und das Nutzungswachstum zurückzuführen ist. Dies bedeutet nicht, dass Copilot die Fundamentaldaten von Microsoft beeinträchtigt hat; im Gegenteil zeigt es, dass die Bruttomargenstruktur von KI-Software zwar niedriger sein kann als bei herkömmlichem Office-SaaS, aber wenn das Unternehmen das Abrechnungsmodell durch ein „Lizenzen + Nutzung“-Modell neu gestaltet, bleibt Spielraum zur Bewältigung des Drucks auf die Bruttomarge.

Die Auswirkungen dieser Veränderung für Investoren sind von Bedeutung. KI-Produkte können nicht allein nach traditioneller Softwarelogik bewertet werden, sondern müssen auch anhand von Umsatzwachstum, Nutzungsintensität, Inferenzkosten, Effizienz des Modell-Routings, Caching-Quoten und Abrechnungsfunktionen für die Nutzung analysiert werden. Was in Zukunft wirklich beobachtet werden sollte, ist nicht nur die Anzahl der Nutzer von KI-Produkten, sondern ob die Nutzung pro Einheit eine nachhaltige Bruttomarge generieren kann.

III. Unternehmen beginnen, Token zu kontrollieren: Nachfrageeinbruch oder präzise Nutzungsberechnung?

Dass Unternehmen beginnen, die KI-Nutzung zu kontrollieren, ist ein weiterer wichtiger Aspekt, der den Markt jüngst verunsichert hat. Dieses Phänomen sollte jedoch nicht direkt mit einem Wegfall der Nachfrage gleichgesetzt werden. Eine plausiblere Erklärung ist, dass Unternehmen vom Ansatz „KI nutzen, wann immer möglich“ zu einer Phase der präzisen Nutzungsberechnung übergehen: „Lohnt sich jeder KI-Einsatz?“

Der Fall von Uber ist repräsentativ. Medienberichten zufolge erschöpfte Uber das gesamte jährliche KI-Budget innerhalb von vier Monaten, nachdem die Mitarbeiter zur Nutzung von KI-Programmiertools ermutigt worden waren. Infolgedessen wurde eine Obergrenze von 1.500 US-Dollar pro Mitarbeiter, Tool und Monat für agentenbasierte Codierungstools wie Claude Code und Cursor eingeführt. Dieser Fall zeigt nicht, dass KI-Tools wertlos sind, sondern veranschaulicht vielmehr, dass Unternehmensbudgets schnell außer Kontrolle geraten können, wenn Tools nützlich genug sind und sich rasant verbreiten.

Der Kapazitätsengpass bei der Gemini-Rechenleistung zwischen Google und Meta zeigt ebenfalls, dass High-End-Rechenleistung knapp bleibt. Laut Medienberichten informierte Google Meta darüber, dass man nicht die gesamte von Meta geforderte Gemini-Rechenleistung bereitstellen könne, woraufhin Meta seine Mitarbeiter aufforderte, KI-Token effizienter zu nutzen. Dieser Bericht wurde von Reuters nicht unabhängig verifiziert und sollte daher als Medienbericht und nicht als offiziell bestätigte Tatsache behandelt werden. Der darin reflektierte Trend ist jedoch klar: Selbst während Big-Tech-Unternehmen weiterhin im großen Stil KI-Infrastruktur aufbauen, kann das Angebot an hochwertiger Rechenleistung möglicherweise immer noch nicht mit der Nachfrage Schritt halten.

Die interne Anpassung der Lizenzen für Claude Code bei Microsoft spiegelt dieselbe Logik wider. The Verge berichtete, dass Microsoft plane, die meisten Lizenzen für Claude Code zu streichen und viele Entwickler zur Nutzung von GitHub Copilot CLI zu bewegen. Dem Bericht zufolge hing diese Anpassung sowohl mit der Integration der Tools als auch mit finanziellen Faktoren zusammen. Dieser Fall verdeutlicht, dass selbst innerhalb großer Technologieunternehmen die Nutzung von KI-Tools zunehmend durch Kosten, Produktstrategie und Ökosystemkontrolle eingeschränkt wird.

Einige der Preisänderungen bei AWS spiegeln die Verknappung von KI-Rechenleistung auf der Angebotsseite wider. Laut Business Insider erhöhte AWS die Preise für EC2 Capacity Blocks für ML um rund 20 %, nachdem es bereits im Januar eine Preiserhöhung von etwa 15 % gegeben hatte. Es ist hervorzuheben, dass es sich hierbei nicht um eine allgemeine Preiserhöhung bei AWS handelt, sondern um eine Preisanpassung für spezifische KI/ML-Kapazitätsreservierungsdienste. Dies impliziert, dass High-End-KI-Rechenleistung weiterhin knapp ist und die führenden Cloud-Anbieter bei bestimmten Kapazitätsprodukten über eine gewisse Preismacht verfügen.

Diese Fälle deuten allesamt auf eine Schlussfolgerung hin: Unternehmen stellen die Nutzung von KI nicht ein, sondern beginnen, sie gezielt zu steuern. Token-Kosten, Rechenbudgets, Aufgabenwerte und Nutzungsrechte rücken zunehmend in den Fokus von IT- und Finanzabteilungen in Unternehmen. Genau das ist das industrielle Fundament für die „Epoche der präzisen KI-Nutzungsberechnung“.

IV. Berichte über den Verkauf von Rechenleistung durch Meta: Auch die Angebotsseite beginnt, den ROI zu berechnen

Jüngste Berichte, wonach Meta ein Cloud-Geschäft plane und überschüssige KI-Rechenleistung verkaufen wolle, liefern zusätzliche Belege für diese Logik auf der Angebotsseite. Reuters berichtete unter Berufung auf Bloomberg, dass Meta ein Cloud-Geschäft aufbaut, um überschüssige KI-Rechenkapazitäten zu verkaufen. Der Plan befindet sich noch in der Entwicklung und die Strategien könnten sich ändern, wobei Reuters zudem angab, den Bericht nicht unabhängig verifizieren zu können. Daher sollten diese Informationen eher als Medienbericht und zu beobachtendes Signal denn als abgeschlossene offizielle strategische Offenlegung betrachtet werden.

Die Bedeutung dieses Ereignisses liegt nicht darin, ob Meta sofort zu einem direkten Ersatz für AWS, Azure oder Google Cloud wird, sondern darin, dass es verdeutlicht, dass auch große Tech-Unternehmen nach enormen Investitionen in die KI-Infrastruktur darüber nachdenken, wie sie Rechenleistung in einen extern abrechenbaren Vermögenswert umwandeln können. Der Bericht von Reuters erwähnte zudem, dass Analysten davon ausgehen, dass das erhöhte Angebot an Rechenleistung von Meta größere Auswirkungen auf Neo-Cloud-Unternehmen wie CoreWeave und Nebius haben könnte als auf die großen Hyperscaler, da diese Unternehmen teilweise vom Nachfragewachstum von Meta abhängen. Zudem wies der Bericht darauf hin, dass die Ausgaben von Meta für KI-Infrastruktur im Jahr 2026 bis zu 145 Milliarden US-Dollar betragen könnten.

Aus industrieller Sicht veranschaulicht der Fall von Meta, dass KI-Rechenleistung zu einem Vermögenswert wird. Rechenleistung is nicht mehr nur eine interne F&E-Investition, sondern kann auch zu einem Infrastrukturanlagegut werden, das vermietet, bepreist und verwaltet wird. Diejenigen, die langfristig tatsächlich Werte schöpfen können, zeichnen sich jedoch nicht nur dadurch aus, „wer die Rechenleistung besitzt“, sondern ob sie Rechenleistung, Modelle, Daten, Sicherheit, Abrechnung und Arbeitsabläufe in Unternehmen miteinander integrieren können. Dies ist auch ein wesentlicher Unterschied zwischen den drei großen Cloud-Anbietern und reinen Anbietern von Rechenleistungsleasing.

V. Die Epoche der präzisen KI-Nutzungsberechnung: Vom breiten Testen zum formellen geschäftlichen Einsatz

Die „Epoche der präzisen KI-Nutzungsberechnung“ kann als zweite Phase der Kommerzialisierung von KI in Unternehmen verstanden werden. Die erste Phase ist die Phase des breiten Testens, in der die Kernfrage für Unternehmen lautet, ob sie KI in ihre Produkte und Prozesse integrieren können. In dieser Phase werden KI-Funktionen rasch in Software, Suche, Büroanwendungen, Kundenservice und Programmiertools eingebettet, und der Markt konzentriert sich stärker auf die Nutzung, das Narrativ und die technische Machbarkeit.

Die zweite Phase ist die Phase der präzisen Nutzungsberechnung. Unternehmen beginnen sich zu fragen: Lohnt sich jeder KI-Aufruf? Erfordern alle Aufgaben modernste Spitzenmodelle? Bei welchen Aufgaben können günstigere Modelle verwendet werden? Welche Inhalte können zwischengespeichert werden? Welche Aufgaben eignen sich für die Stapelverarbeitung? Welche KI-Nutzung sollte in den Lizenzgebühren enthalten sein und welche sollte nutzungsabhängig abgerechnet werden? Dies deutet darauf hin, dass sich KI von Produktdemonstrationen zu formellen geschäftlichen Implementierungen entwickelt und Unternehmen beginnen, sie in Budgets, Compliance- und Kostenverrechnungssysteme einzubinden.

Die dritte Phase ist die Optimierung der Kosten pro Aufgabe (Cost-per-Task). Im KI-Zeitalter darf man nicht nur auf den Preis pro Million Token blicken, denn was Unternehmen tatsächlich kaufen, sind nicht die Token selbst, sondern die effektiven Ergebnisse innerhalb eines bestimmten Arbeitsablaufs. Beispielsweise kann beim Programmieren eine Aufgabe darin bestehen, einen Codefehler zu beheben oder eine vom Team akzeptierte Codeänderung abzuschließen; im Kundenservice kann eine Aufgabe das Lösen eines Tickets sein; in der Finanzanalyse kann eine Aufgabe darin bestehen, eine Zusammenfassung zu erstellen, die von Analysten übernommen werden kann. Was wirklich zählt, sind die Gesamtkosten zur Erzielung eines effektiven Ergebnisses – d. h. Modellkosten, Toolkosten, Wiederholungskosten und manuelle Überprüfungskosten geteilt durch die Erfolgsquote.

Die vierte Phase ist die ergebnisbasierte Bezahlung (Pay-for-Outcome). Unternehmen werden letztlich eher für Ergebnisse als rein für Token bezahlen wollen. Beispielsweise die Abrechnung auf der Grundlage gelöster Kundenservice-Tickets, abgeschlossener Compliance-Prüfungen, generierter qualifizierter Vertriebs-Leads oder fertiggestellter Softwarefunktionen. Wenn die KI-Kommerzialisierung diese Phase erreicht, wird sich der Wert vom „Verbrauch von mehr Token“ hin zum „Erzeugen von mehr effektiven Ergebnissen zu niedrigeren Kosten“ verschieben.

VI. Warum die präzise Nutzungsberechnung den Wert der drei großen Cloud-Plattformen stärken könnte

Wenn Unternehmen nur die stärksten Modelle anstreben, könnte sich der Wert in den Händen von Unternehmen konzentrieren, die nur ein Modell anbieten. Wenn Unternehmen jedoch beginnen, die effektivste Erledigung von Aufgaben zu den geringsten Kosten anzustreben, wird der Wert verstärkt den Multi-Modell-Cloud-Plattformen zufließen. Der Grund dafür ist, dass Unternehmen, die KI formell einsetzen, nicht nur das Modell selbst benötigen; sie brauchen auch Berechtigungsmanagement, Datengrenzen, Modellauswahl, Kostenüberwachung, Abrechnungszuweisung, Latenzkontrolle, Compliance-Prüfungen und die Integration in Geschäftsabläufe.

Der gemeinsame Vorteil von Microsoft, Amazon und Google besteht darin, dass sie nicht nur GPUs vermieten oder ein einzelnes Modell verkaufen, sondern eine KI-Laufzeitumgebung für Unternehmen bereitstellen. Azure, AWS und Google Cloud verfügen jeweils über Rechenleistung, Speicher, Netzwerke, Datenbanken, Sicherheit, Identitätsmanagement, Modell-Marktplätze, Modell-Routing, Kostenüberwachung, Abrechnung, Compliance und Vertriebskanäle für Unternehmen. Diese Fähigkeiten lassen sie in der Epoche der präzisen KI-Nutzungsberechnung eher wie KI-Plattformen für Unternehmen als wie reine Anbieter von Rechenleistung wirken.

Die Cloud-Anbieter machen sich diese Fähigkeit in Form von Produkten zunutze. Der Modell-Router von Microsoft Azure AI Foundry soll Kosten und Latenz optimieren, indem er einfache Aufgaben an kleinere, günstigere Modelle und komplexe Aufgaben an leistungsstärkere Modelle weiterleitet, während die Qualität nahezu unverändert bleibt. AWS Bedrock Intelligent Prompt Routing kann basierend auf jeder Anfrage Modelle innerhalb derselben Modellfamilie auswählen, wodurch laut offiziellen Angaben von AWS die Kosten ohne Genauigkeitseinbußen um bis zu ca. 30 % gesenkt werden können. Model Garden von Google Cloud bietet mehr als 200 Modelle von Google und Partnern und unterstützt Kunden dabei, Modelle auf derselben Plattform zu entdecken, anzupassen und bereitzustellen.

Dies ist auch der Grund, warum Berichte über den Verkauf von KI-Rechenleistung durch Meta nicht zwangsläufig ein direktes Negativszenarium für die drei großen Cloud-Anbieter darstellen. Kurzfristig mag dies das Angebot auf dem Markt für KI-Rechenleistung erhöhen und insbesondere für einige Unternehmen, die ausschließlich Rechenleistung vermieten, eine Konkurrenz darstellen. Langfristig beweist es jedoch vielmehr, dass Rechenleistung zu einem mietbaren und bepreisbaren Infrastruktur-Vermögenswert wird. Was langfristig wirklich zählt, ist nicht das Angebot einzelner Rechenkapazitäten, sondern ob die Plattform Rechenleistung, Modelle, Daten und Arbeitsabläufe von Unternehmen miteinander integrieren kann.

VII. Unterschiedliche Wege der drei großen Cloud-Anbieter

Der Vorteil von Microsoft liegt in seinem Einstiegspunkt in die Arbeitsabläufe von Unternehmen. Office, Teams, Outlook, Excel, PowerPoint, GitHub, Dynamics, Security und Azure bilden zusammen das tägliche Arbeitsumfeld von Unternehmen. Für Anthropic oder andere Modellhersteller ist es kurzfristig schwer, das Kerngeschäft von Microsoft direkt anzugreifen, da Arbeitsabläufe, Identitätssysteme, Berechtigungen, Dateien, Zusammenarbeit und Compliance-Systeme in Unternehmen mit hohen Migrationskosten verbunden sind. Was Microsoft wirklich steuern muss, ist die Bruttomargenstruktur von Copilot. Wenn Copilot vollständig auf festen Lizenzgebühren basiert und unbegrenzte, kostspielige Abrufe zulässt, wird der Druck auf die Bruttomarge erheblich sein; wenn Microsoft jedoch schrittweise das „Lizenz + Nutzung“-Modell vorantreiben kann, bei dem die kostenintensive KI-Nutzung an Szenarien mit höherem Wert weitergegeben wird, könnte der Druck auf die Bruttomarge beherrschbar bleiben.

Der Vorteil von Amazon liegt in der Positionierung von AWS als neutrale Multi-Modell-Plattform. AWS muss nicht alles auf ein einziges Modell setzen; Kunden können Claude, das von Amazon selbst entwickelte Nova, Meta, Mistral oder andere Modelle in Bedrock nutzen. Selbst wenn einige Aufgaben von Claude auf günstigere Modelle verlagert werden: Solange die Arbeitslast im AWS-Ökosystem verbleibt, kann Amazon weiterhin Einnahmen aus Infrastruktur, Datenzugriff, Sicherheits-Governance und Plattformdiensten erzielen. Medienberichten zufolge könnten sich einige Bedingungen der Partnerschaft von Amazon mit Anthropic von einer Abrechnung nach Rechenzeit hin zu einer Abrechnung verschieben, die näher am Token-Verbrauch liegt; diese Informationen stellen noch keine offizielle vollständige Offenlegung dar und können nur als Beobachtungssignal dienen. Sollte sich dieser Trend bestätigen, werden die Kosten für die Nutzung von Claude linearer mit der Nutzung steigen, was AWS dazu veranlassen könnte, das Modell-Routing und die Nutzung seiner selbst entwickelten Modelle aktiver zu fördern.

Der Weg von Google betont die Integration von Modellen, Chips und der Cloud. Google verfügt über Ressourcen wie Gemini, TPUs, Google Cloud, Model Garden, die Suche und multimodale Daten. Der Umsatz von Alphabet im Bereich Google Cloud wuchs im ersten Quartal 2026 um 63 % auf 20 Milliarden US-Dollar, womit sich das Wachstum des Cloud-Geschäfts deutlich beschleunigte. Das Unternehmen gab außerdem bekannt, dass der Auftragsbestand von Google Cloud die Marke von 460 Milliarden US-Dollar überschritten hat. Wenn sich die Kosten- und Leistungsvorteile von Gemini und TPUs in Marktanteile für Google Cloud im Unternehmensbereich und in einen hochwertigen Cashflow ummünzen lassen, dürfte Google Cloud in der Epoche der präzisen KI-Nutzungsberechnung ebenfalls profitieren.

VIII. Warum die Geschichte von Oracle eine andere ist

Oracle profitiert zwar ebenfalls von der Knappheit an KI-Rechenleistung, aber seine Investment-Story unterscheidet sich von der von Microsoft, Amazon und Google. Der Kern der drei großen Cloud-Anbieter ist die Integration von Modellen, Rechenleistung, Daten, Sicherheit, Abrechnung und Arbeitsabläufen in Unternehmen zu einer Plattform; die Geschichte von Oracle gleicht eher einem massiven KI-Auftragsbestand, der mit höheren Investitionen, Finanzierungsbedarf und Druck auf den freien Cashflow einhergeht.

Oracle gab offiziell bekannt, dass seine verbleibenden Leistungsverpflichtungen im Geschäftsjahr 2026 einen Wert von 638 Milliarden US-Dollar erreichten, was einem Anstieg von 363 % gegenüber dem Vorjahr entspricht. Der freie Cashflow für dasselbe Geschäftsjahr war jedoch mit minus 23,7 Milliarden US-Dollar negativ, da das Unternehmen weiterhin massiv investierte, um das Wachstum seines Cloud-Infrastructure-Geschäfts zu unterstützen. Oracle legte außerdem offen, im Geschäftsjahr 2026 Fremdkapital in Höhe von 43 Milliarden US-Dollar und Eigenkapital in Höhe von 5 Milliarden US-Dollar aufgenommen zu haben, und erwartet, im Geschäftsjahr 2027 weitere rund 40 Milliarden US-Dollar über Fremd- und Eigenkapital aufzubringen.

Daher erinnert die Existenz von Oracle die Anleger daran, dass die Sorgen des Marktes hinsichtlich der KI-Investitionen nicht unbegründet sind. Dieses Risiko tritt lediglich bei KI-Infrastruktur-Szenarien mit hoher Kapitalintensität, hohem Finanzierungsbedarf und hoher Kundenkonzentration deutlicher zutage, während bei plattformbasierten Cloud-Unternehmen wie Microsoft, Amazon und Google das Risiko und der Plattformwert separat bewertet werden müssen.

IX. Implikationen für die Bewertung: Werden die drei großen Cloud-Anbieter übermäßig stark diskontiert?

Auf Bewertungsebene kann das erwartete Kurs-Gewinn-Verhältnis (Forward KGV) als grobes, aber nützliches Beobachtungsinstrument dienen. Microsoft wird derzeit mit einem erwarteten KGV von etwa 19 gehandelt, verglichen mit einem Fünfjahresdurchschnitt von fast 30; Amazon wird derzeit mit etwa 27 gehandelt, verglichen mit einem Fünfjahresdurchschnitt von etwa 45; Alphabet wird derzeit mit etwa 24–25 gehandelt, verglichen mit einem Fünfjahresdurchschnitt von etwa 22. Wenn sich die KI-Investitionen letztendlich als defensive Ausgaben mit geringer Rendite herausstellen, sind die drei großen Cloud-Anbieter selbst bei einer Rückkehr zu erwarteten KGVs im niedrigen Zwanziger- oder gar Zehnerbereich nicht zwingend günstig genug. Wenn umgekehrt eine präzise KI-Nutzungsberechnung die Unverzichtbarkeit der Cloud-Plattformen in KI-Systemen von Unternehmen stärkt, spiegeln die aktuellen Bewertungen die kurzfristigen Cashflow-Belastungen möglicherweise übermäßig wider, während sie die künftigen Cashflows der Plattformen unterschätzen.

Für Anleger kommt es nicht einfach darauf an, zu beurteilen, ob die drei großen Cloud-Anbieter „günstig“ oder „teuer“ sind, sondern darauf, ob ihre Investitionen in langfristige Plattformeinnahmen umgemünzt werden können. Dies erfordert eine kontinuierliche Beobachtung des Wachstums der Cloud-Umsätze, der Bruttomargen von KI-Produkten, der Wachstumsraten der Investitionen, des Abschreibungsdrucks, der Geschwindigkeit der Erholung des freien Cashflows, der Effizienz des Modell-Routings, der Zahlungsbereitschaft von Unternehmen für KI und der Abrechnungsstrukturen für die Nutzung.

X. Risikofaktoren

Erstens könnte die Amortisationszeit für KI-Investitionen länger sein, als der Markt erwartet. Rechenzentren, GPUs, Netzwerke, Stromversorgungs- und Kühlanlagen sind allesamt hochgradig kapitalintensive Wirtschaftsgüter; falls das KI-Umsatzwachstum hinter den Erwartungen zurückbleibt, könnten Abschreibungs- und Cashflow-Druck die Bewertungen weiterhin dämpfen.

Zweitens könnte ein Rückgang der Token-Preise zweifache Auswirkungen auf die Stückkostenrechnung (Unit Economics) haben. Geringere Token-Kosten tragen zur Verbreitung der KI-Nutzung bei; sinken die Preise jedoch schneller als das Nutzungswachstum und die Verbesserungen der Kosteneffizienz, könnte der Bruttogewinn, den Cloud-Anbieter pro Einheit Rechenleistung erzielen, unter Druck geraten.

Drittens könnte die KI-Einführung in Unternehmen hinter den optimistischen Erwartungen zurückbleiben. Wenn Unternehmen die Token-Nutzung kontrollieren, Budgetobergrenzen festlegen und das Berechtigungsmanagement verschärfen, deutet dies möglicherweise darauf hin, dass einige KI-Anwendungen noch keinen ausreichend klaren ROI nachgewiesen haben. Sollten KI-Agenten bei Erfolgsquoten, Stabilität, Compliance und Kontrollierbarkeit hinter den Erwartungen zurückbleiben, könnte sich das Tempo der formellen Implementierung im Geschäftsbetrieb verlangsamen.

Viertens könnten Modellanbieter und aufstrebende Anbieter von Rechenleistung die Wertschöpfungsverteilung verschieben. OpenAI, Anthropic, Google, Meta und aufstrebende Neoclouds konkurrieren allesamt um KI-Infrastruktur und den Wert von Modell-APIs. Gerüchte, wonach Meta Rechenkapazitäten verkauft, deuten darauf hin, dass sich die Angebotslandschaft im Compute-Bereich verändern könnte, obgleich die langfristigen Auswirkungen noch abzuwarten bleiben.

Fazit: Die Frage ist nicht, ob eine Nachfrage nach KI besteht, sondern ob die Investitionsausgaben in Plattform-Cashflow umgewandelt werden können.

Das Kernproblem, vor dem die drei großen Cloud-Anbieter derzeit stehen, ist nicht, ob eine KI-Nachfrage existiert, sondern ob sich die KI-Investitionsausgaben in einen nachhaltigen Plattform-Cashflow übersetzen lassen. Die Haltung des Marktes gegenüber KI-Investitionen wandelt sich von „je mehr Investitionen, desto besser“ hin zu „können Investitionen Rendite erwirtschaften“. Dies erklärt, warum die Bewertungen von Microsoft, Amazon und Google allmählich kollektiv von den KI-Investitionsausgaben, dem freien Cashflow und den Token-Kosten beeinflusst werden.

Dass Unternehmen beginnen, die KI-Nutzung zu kontrollieren, ist jedoch nicht zwangsläufig mit einem Einbruch der KI-Nachfrage gleichzusetzen. Es kann auch darauf hindeuten, dass KI von der Phase des breiten Experimentierens in die formelle geschäftliche Implementierung übergeht. Die Phase der formellen Implementierung erfordert eine komplexere Modellauswahl, Data Governance, Berechtigungskontrollen, Kostenüberwachung, Abrechnungssysteme und die Integration in Geschäftsprozesse – genau das sind die Stärken von Azure, AWS und Google Cloud.

Gerüchte über den Verkauf von Rechenkapazitäten durch Meta deuten darauf hin, dass auch die Angebotsseite beginnt, Renditen auf ihre KI-Investitionsausgaben anzustreben; das Beispiel von Oracle erinnert den Markt daran, dass eine starke Nachfrage nach KI-Infrastruktur nicht automatisch zu einem qualitativ hochwertigen freien Cashflow führt. Für Investoren gilt es vor allem zu verstehen, dass verschiedene KI-Infrastrukturunternehmen die Risiken ihrer Investitionsausgaben auf unterschiedliche Weise tragen. Der Anlagewert von Microsoft, Amazon und Google hängt letztlich von ihrer Fähigkeit ab, Investitionen in KI-Infrastruktur im Zeitalter der Unternehmens-KI in langfristige Plattform-Cashflows umzuwandeln, und nicht bloß vom Umfang der kurzfristigen Investitionsausgaben.