Halbleiter: Durchschnaufen vor der nächsten Rally oder bröckelt das Fundament?

Die Warnungen vor einer Blase im KI- und Halbleitersektor sind nicht neu. Seit dem fulminanten Erfolg von ChatGPT und dem damit einhergehenden astronomischen Kursanstieg von Nvidia gibt es mal mehr, mal weniger Stimmen, die vor einer Blasenbildung warnen. Andererseits übertrifft die Nachfrage nach Halbleitern seit Jahren wiederholt die optimistischsten Schätzungen – wie erst gestern Abend mit den Nvidia-Quartalszahlen. Auch der erste Jahresausblick der Firmengeschichte für FY2028 passt zu einer optimistischen Sichtweise: Er lag mit +70 % deutlich über den Markterwartungen, und laut CEO Jensen Huang wären ohne Engpässe bei der Produktion sogar +100 % möglich gewesen. Was außer Frage steht, sind die historischen Dimensionen der aktuellen Investitionswelle. Die Hyperscaler (Microsoft, Google, Amazon, Meta) allein investieren 2026 zusammen rund 700–725 Mrd. USD in Rechenzentren und die zugehörigen Beschleuniger und Speicherchips. Morgan Stanley rechnet für 2027 mit einem weiteren Anstieg um rund 57 %; Moody’s hat seine Prognose auf knapp eine Billion USD angehoben, Nvidia selbst rechnet für 2027 mit 1,3 Billionen Capex der 5 größten Hyperscaler, also inklusive Oracle. Setzt man den aktuellen KI-Investitionsboom ins Verhältnis zur US-Wirtschaftsleistung, wirken die astronomischen Investitionen durchaus angemessen. Die Hyperscaler kommen laut Apollo-Schätzungen auf 2,4% des US-BIP in 2026, 2027-2029 dürften es rund 3 % des BIP werden. Bei der Eisenbahn wurden dagegen in Spitzenzeiten 10 % des BIP investiert, bei der Elektrifizierung und beim Internet jeweils rund 1–2 %. Absolut betrachtet also immense Summen – relativ und im historischen Vergleich aber durchaus machbar. Grund genug, einmal die aktuelle Faktenlage zu betrachten.

Mögliche Bruchstellen

Die Finanzierungsseite des KI-Booms liefert die klarste Angriffsfläche: Laut Bilanz zum zweiten Quartal hat Nvidia rund 94 Mrd. USD in börsennotierte und private Beteiligungen investiert, davon 50 Mrd. in Frontier-KI-Labs. Dazu kommen laut WSJ zwei separate Ohio-Vereinbarungen: eine Garantie für den Leasingvertrag von OpenAIs Rechenzentrum, die Nvidia nach Gegenwind von Investoren, die das Bilanzrisiko zu groß fanden, von ursprünglich 250 Mrd. USD auf bis zu 105 Mrd. USD reduzierte. Außerdem kommt eine weitere, davon unabhängige und noch nicht finalisierte Vereinbarung über bis zu 350 Mrd. USD zur Chip-Finanzierung für denselben Standort hinzu. Anfang August verkündete Nvidia gemeinsam mit sechs der größten Namen der Wall Street – Apollo Global Management, BlackRock, Blackstone, Brookfield Asset Management, Goldman Sachs und KKR – über 500 Mrd. USD an Drittkapital für den KI-Infrastrukturausbau zu mobilisieren. Laut Nvidia-CEO kann Nvidia bei ausgewählten Projekten eine Restwert-Unterstützung von bis zu 25 % des jeweiligen Volumens übernehmen. Damit wird ein Teil des Kreisfinanzierungsmechanismus – Chiphersteller garantiert Werthaltigkeit der eigenen Produkte gegenüber den Kreditgebern seiner Kunden – auch in die neue, drittkapitalbasierte Struktur übernommen. Sollte sich also etwas an der Wettbewerbsdynamik ändern – und hier gibt es mit zahlreichen Aufträgen für AMD, dem vermehrten Einsatz eigenentwickelter Chips der Hyperscaler sowie der Entwicklung chinesischer Chipkapazitäten gleich drei Beobachtungspunkte – dann wären Nvidia-Chips als Kreditsicherheit ein Risikofaktor.

Auch außerhalb der direkten Nvidia-Finanzierungsbeteiligung gibt es Warnsignale. Die Flut an KI-Emissionen führt bereits zu teureren Finanzierungen: Der Neocloud-Anbieter CoreWeave zahlte im August 2026 für eine neue Kreditfazilität eine effektive Rendite von über 10 % – der Spread weitete sich dabei um bis zu 125 Basispunkte gegenüber dem ursprünglichen Angebot aus. Galaxy Digital, das Rechenzentren an Neoclouds vermietet, musste für seine Anleihe ebenfalls fast 10 % Rendite bieten. Hinzu kommen sinkende Zeichnungsquoten bei Hyperscaler-Anleihen, laut Apollo-Chefökonom Torsten Slok von rund 5x auf unter 2x zwischen Februar und Juli 2026. Dass Nvidia die Zahlungsziele für seine Großkunden verlängert, passt ins Bild. Und dass die 30-jährige US-Staatsanleihenrendite Mitte August auf 5,33 % kletterte – ein 19-Jahres-Hoch –, dürfte neben Inflations- und Haushaltssorgen zu einem Teil auch mit dieser zusätzlichen Emissionswelle zusammenhängen. Hinzu kommen laut einer Analyse der SEC-Pflichtberichte durch das Wall Street Journal insgesamt rund 3 Billionen US-Dollar an außerbilanziellen Verpflichtungen, die größtenteils mit KI zusammenhängen und das tatsächliche Risiko schwerer nachvollziehbar machen. Grund zur Beunruhigung bei diesen Entwicklungen: bisher wurde ein Großteil der Investitionen aus Cashflow bzw. Cashbeständen bezahlt und die große Flut an Anleiheemissionen steht erst noch an – wenn der Markt hier höhere Risikoprämien fordert, dürfte das die Kosten und damit die Ausbaugröße ausbremsen. Gut für Halbleiteraktien wäre das nicht.

Ein weiteres Risiko für KI bzw. den Halbleitersektor liegt jenseits der Finanzierungsfrage bei den Frontier LLMs OpenAI und Anthropic. Ihre Preissetzungsmacht scheint kleiner als gedacht, der Markt entwickelt sich zum Race to the bottom. Chinesische Anbieter wie DeepSeek setzen die Preise bereits spürbar unter Druck, auch zwei US-Anbieter setzen auf Open Source: Meta mit „Muse Glimmer“ und Nvidia mit „Nemotron 4″. Mehr Volumen bedeutet damit nicht automatisch mehr Umsatz. Der Silicon Data LLM Token Expenditure Index – die tatsächlich ausgegebenen Dollar pro Mio. Token über den gesamten Markt hinweg – fällt kontinuierlich, von 2,04 USD Ende Mai auf 1,62 USD Anfang Juli 2026 und zuletzt 1,05 USD Ende August 2026. Anthropic hat auf den Preisdruck bereits reagiert und die ursprünglich befristete Einführungspreisstufe für Claude Sonnet 5 (2 USD je Mio. Input- bzw. 10 USD je Mio. Output-Token) dauerhaft belassen, statt wie geplant zum 1. September 2026 auf die höhere Standardpreisstufe zu wechseln. Ein weiteres Problem für die Wirtschaftlichkeit der LLMs ist, dass sie aufgrund der großflächigen kostenlosen Nutzung von Consumer-AI aktuell ein Vielfaches an Infrastruktur bereitstellen, davon aber nur einen Bruchteil über Enterprise-AI monetarisieren können. Die Quersubventionierung funktioniert jedoch nicht, auch weil Unternehmen in der Adoption deutlich langsamer und träger sind, als es die hohen Investitionen nötig machen würden. Inwiefern der stärkere Einsatz von Werbung dieses Dilemma lösen kann, muss die Zukunft erst noch zeigen. Gerät jedoch die Wirtschaftlichkeit der Frontier LLMs unter Druck, dürften sie auch bei den eigenen Infrastruktur-Investitionen kürzertreten. Das wiegt besonders schwer, weil die Nachfrage hochkonzentriert ist: Marktbeobachter schätzen, dass inzwischen rund die Hälfte der kombinierten Auftragsbestände der großen Cloud-Anbieter (in Summe rund 2 Bio. USD) allein auf OpenAI und Anthropic entfällt. Klar belegt ist die Relevanz bei Microsoft und Amazon: Hier gehen rund zwei Drittel des Wachstums beim Auftragsbestand auf OpenAI bzw. Anthropic zurück. Wohin die Reise für LLMs gehen könnte, zeigt ein Deal vor rund zwei Wochen: Stripe übernahm für über 7 Mrd. USD die Modell-Vermittlungsplattform OpenRouter, über die Entwickler je nach Preis, Geschwindigkeit und Aufgabe zwischen mehr als 400 KI-Modellen wählen können – ein Fingerzeig darauf, dass LLMs zur Commodity werden und sich die eigentliche Wertschöpfung in die Anwendungsschicht verschiebt, ganz ähnlich wie Stripe im Zahlungsverkehr längst nicht mehr Visa oder Mastercard, sondern die Abstraktionsschicht darüber verkauft. Für die Modell-Anbieter selbst dürfte das den eingangs beschriebenen Margendruck noch verschärfen – müssen OpenAI und Anthropic deshalb bei ihren Infrastruktur-Investitionen kürzertreten, trifft das über die Cloud-Partner mit Verzögerung auch die Chip-Nachfrage.

Dazu beginnt mit den aktuellen Ausbauplänen von SK Hynix, Samsung & Co der klassische Halbleiterschweinezyklus: Hohe Preise führen zu höheren Investitionen in Produktionskapazitäten, wodurch sich Preise und Gewinne über kurz oder lang normalisieren dürften. Beispiele dafür sind die Speicherchip-Abschwünge von 2018/19 und 2022/23, als genau dieses Muster – Kapazitätsausbau nach Preishochs, gefolgt von Preis- und Gewinneinbrüchen – bereits zu beobachten war. Verschärft wird dieses Risiko durch chinesische Anbieter, die zumindest im Low-End-Bereich zunehmend eigene Chips auf den Markt bringen. Eine weitere Unbekannte ist die technologische Entwicklung: Sollten neuere LLMs deutlich weniger rechenintensiv sein, könnte die Halbleiternachfrage schlagartig einbrechen – mit entsprechendem Preisdruck. Wie LLM-Nachrichten die Märkte in die eine wie andere Richtung bewegen können, durften wir in den letzten 2 Jahren wiederholt beobachten: DeepSeek-Abverkauf, Claude-Rally, Kimi-K3-Abverkauf.

Schließlich haben technologische Innovationen stets bestehende Märkte disruptiert: Google den Printwerbemarkt, Amazon den stationären Einzelhandel. Der naheliegende Zielmarkt für KI wäre der Arbeitsmarkt – doch ob diese Disruption tatsächlich eintritt, ist alles andere als sicher. Unternehmen stecken hier in einem strukturellen Dilemma: KI ersetzt am ehesten Einstiegspositionen – braucht aber Mitarbeiter mit genug Erfahrung, um KI-Ergebnisse einzuordnen. Und genau diese Erfahrung entsteht an den Einstiegsstellen, die KI verdrängt. Ein massiver Jobabbau würde außerdem die bereits KI-feindliche Stimmung weiter anheizen. 833 aktive Oppositionsgruppen in 49 Bundesstaaten, Morddrohungen gegen Tech-Manager. Proteste richten sich bisher vor allem gegen den Wasserverbrauch der Anlagen und steigende Energierechnungen. Vor diesem Kontext darf Mark Zuckerbergs Ankündigung des ‚Future Is For Everyone Fund‘, der betroffene Standortgemeinden unterstützen soll, als Versuch zur Beruhigung gesehen werden. Sollte der politische Gegenwind in Genehmigungsverzögerungen oder schärfere Auflagen für neue Rechenzentren münden, würde das die Investitionspläne der Hyperscaler – und damit die Chipnachfrage – unmittelbar bremsen. Erste Anzeichen dafür, dass zumindest die Energiefrage auf der politischen Agenda steht, liefern Texas‘ Direktive für Einzelfall-Audit-Pflicht bei neuen Rechenzentren, das einjährige Moratorium in New York sowie weitere Maßnahmen in einem guten Dutzend weiterer Bundesstaaten. Und selbst wer all das für überwindbar hält, sollte die Zeitachse im Blick behalten. Bei der Digitalisierungswelle der 1990er, die das US-Produktivitätswachstum um rund einen Prozentpunkt jährlich hob, lagen zwischen Investition und messbarem Produktivitätseffekt gut 15 Jahre. Bei aktuellen KI-Bewertungen ist das eine Ewigkeit. Die Frage ist also vielleicht weniger, ob KI den Durchbruch bringt – sondern wann.

Was dem Sektor Halt gibt

Es gibt aber auch eine positive Lesart der aktuellen Entwicklungen. Die erzielten Produktivitätsgewinne bei Coding, Datenverarbeitung und Kundenservice sind messbar und real. Geht man vereinfacht von den für 2026 erwarteten 700 Mrd. USD Capex der Hyperscaler und 10–13 % Kapitalkostensatz aus, ergibt sich ein Produktivitätsgewinn-Bedarf von 70–90 Mrd. USD, um die Kapitalkosten zu decken. Bei US-Arbeitskosten von rund 16 Billionen USD entspräche dies lediglich 0,4–0,6 % Effizienzgewinn. Dieses Ziel wird mit jedem Preisverfall realistischer, da dann mehr Unternehmen überhaupt erst anfangen, KI einzusetzen. Sinkende Tokenpreise drücken zwar auf die Marge pro Einheit — aber in der Cloud-Geschichte hat jeder Preisverfall mehr Nachfrage ausgelöst als er Revenue vernichtet hat. AWS hat seine Preise seit 2006 wiederholt und teils drastisch gesenkt. Der Umsatz dürfte dennoch annualisiert mittlerweile bei ungefähr 170 Mrd. USD liegen. Günstigere Preise haben den Markt nicht geschrumpft — sie haben ihn erst geschaffen. Die entscheidende Frage ist also nicht, ob die KI-Preise fallen — sondern ob das Volumenwachstum schnell genug folgt. Indizien, dass das gelingen kann, gibt es genug: Die Hyperscaler verzeichnen in ihren KI-Einheiten hohe Wachstumsraten, bei Anthropic lag die annualisierte Run-Rate im Juli bereits bei 65 Mrd. USD. Mehr Volumen bedeutet dabei auch mehr Nachfrage nach Rechenleistung – und damit nach Chips.

Auch war die Finanzierung bisher ein Engpass für KI-Projekte, der mit der Nvidia-Finanzierungspartnerschaft jetzt behoben wird. Marktschätzungen zufolge könnte Nvidia über die kommenden Jahre einen erheblichen Teil des mobilisierten Kapitals von über 500 Mrd. USD als eigenen Umsatz vereinnahmen – wobei sich der volle Effekt wegen langer Vorlaufzeiten wohl erst mit einiger Verzögerung entfalten dürfte.

Von Überkapazitäten ist aktuell ebenfalls wenig zu sehen, so haben sowohl Nvidia- als auch Samsung-CEO vor sich 2027 verschärfenden Engpässen im Speichermarkt gewarnt. Der DRAM für Nicht-KI-Anwendungen wie Handys oder Rechner soll 2027 nur noch zu 60% gedeckt werden können. Außerdem ist die Preissetzungsmacht des SK-Hynix/Samsung/Micron-Oligopols strukturell höher als in früheren Speicherzyklen – die vertraglich vereinbarten Preisuntergrenzen liegen bereits über den Hochpunkten des vorigen Zyklus. Ob sich das historische Schweinezyklus-Muster wiederholt, ist damit nicht ausgemacht.

Auch sonst gibt es aus der laufenden Berichtssaison viel Positives für das KI-Ökosystem. Die Nachfrage bei den Cloud-Anbietern beschleunigt sich weiter und übersteigt laut Management weiterhin das verfügbare Angebot. Und selbst wenn ein großer Teil davon auf OpenAI und Anthropic zurückzuführen ist, sind selbst bei einem Totalausfall beider LLMs noch beachtliche Wachstumsraten möglich: Nach Analystenschätzungen würden sowohl Azure als auch AWS auch ohne den OpenAI- bzw. Anthropic-Beitrag weiterhin mit soliden zweistelligen Raten wachsen. Die Monetarisierung verbreitert sich zudem über Copilot, Bedrock und eigene Agenten-Tools auf eine breitere Kundenbasis. Laut Amazon-Management amortisiert sich die Investition in Server- und Netzwerktechnik im Schnitt in unter drei Jahren, bei einer Nutzungsdauer von mindestens fünf bis sechs Jahren und Vertragslaufzeiten von in der Regel mindestens fünf Jahren; das Rechenzentrum selbst lässt sich anschließend über 30 Jahre monetarisieren, ohne dass das ursprüngliche Anschub-Capex erneut aufgewendet werden muss. Das stützt die These, dass ein relevanter Teil des Capex-Booms auf nachvollziehbarer Kapitalrendite und nicht auf reiner Kreisfinanzierungs-Fiktion beruht. Agentic AI erhöht zudem den Rechenbedarf: Laut Deloitte entfällt inzwischen rund zwei Drittel des KI-Rechenbedarfs 2026 auf Inferenz statt Training – hoch von einem Drittel 2023 bzw. der Hälfte 2025. Agentenbasierte Workflows mit vielen Inferenzschritten benötigen ein Vielfaches der Rechenleistung einfacher Anfragen, verteilt auf eine breitere Kundenbasis, was die Nachfrage nach Chips stützt und verbreitert.