Das große Abschalten: Warum Unternehmen ihre KI-Agenten wieder loswerden wollen – Wenn KI-Agenten mehr kosten als nutzen

Wenn autonome Agenten die Kontrolle überholen und Rechenzentren mehr Kapital verbrennen, als der Markt verdienen kann

Milliardeninvestitionen ohne Ertrag: KI-Agenten müssen ihren Nutzen beweisen

Die künstliche Intelligenz tritt in eine neue Phase ein. In der ersten Phase dominierten technische Durchbrüche, spektakuläre Demonstrationen und die Aussicht, Wissensarbeit in großem Umfang produktiver zu machen. In der zweiten Phase flossen enorme Budgets in Modelle, Rechenzentren, Grafikprozessoren, Cloudplattformen und erste Unternehmensanwendungen. Nun beginnt die dritte Phase: der ökonomische und organisatorische Realitätstest. Er entscheidet nicht nur darüber, welche Anbieter überleben, sondern auch darüber, ob Unternehmen aus KI tatsächlich dauerhaft messbaren Wert schaffen oder lediglich neue Kosten-, Kontroll- und Haftungsrisiken aufbauen.

Zwei Entwicklungen verdeutlichen diese Zäsur besonders deutlich. Auf der Anwendungsebene verbreiten sich autonome KI-Agenten schneller, als viele Unternehmen ihre Governance, Zugriffsrechte, Kostenkontrolle und Verantwortlichkeiten anpassen können. Auf der Infrastrukturebene entstehen gleichzeitig Rechenzentren und spezialisierte Cloudkapazitäten in einer Größenordnung, für deren wirtschaftliche Auslastung bislang kein hinreichend großer und zahlungsbereiter Endmarkt erkennbar ist. Damit treffen zwei unterschiedliche Übertreibungen aufeinander: Unternehmen überschätzen kurzfristig die organisatorische Reife autonomer Systeme, während Kapitalgeber und Infrastrukturbetreiber die Geschwindigkeit überschätzen könnten, mit der sich KI-Nachfrage in profitable Umsätze verwandeln lässt.

Die entscheidende Frage lautet deshalb nicht mehr, ob KI technisch funktioniert. Sie lautet, wo sie unter realen Bedingungen zuverlässig, kontrollierbar und rentabel funktioniert. Diese Verschiebung verändert die Marktlogik. Nicht maximale Autonomie, maximale Modellgröße oder maximale Rechenleistung werden allein über den Erfolg entscheiden. Wettbewerbsvorteile entstehen dort, wo technische Leistungsfähigkeit mit belastbarer Prozessgestaltung, klarer Haftung, prüfbaren Entscheidungen, realistischen Kostenmodellen und einem differenzierten Kundennutzen verbunden wird.

Die große Ernüchterung beginnt in den Unternehmen

Die Prognose, dass bis Ende 2027 mehr als 40 Prozent der Projekte mit agentischer KI eingestellt, zurückgestuft oder grundlegend neu ausgerichtet werden könnten, ist weniger als Urteil über die langfristige Bedeutung der Technologie zu verstehen denn als Kritik an ihrer gegenwärtigen Einführung. Viele Projekte starten als Machbarkeitsnachweis unter kontrollierten Bedingungen. In dieser Umgebung sind Daten ausgewählt, Aufgaben begrenzt, Nutzer wohlwollend und Fehler vergleichsweise folgenlos. Der Übergang in den produktiven Betrieb verändert jedoch sämtliche Rahmenbedingungen. Ein Agent muss dann mit unvollständigen Daten, widersprüchlichen Regeln, Altsystemen, Sonderfällen, wechselnden Berechtigungen und haftungsrelevanten Entscheidungen umgehen.

Genau an dieser Schwelle scheitert ein erheblicher Teil technologischer Pilotprojekte. Ein überzeugender Demonstrator beantwortet die Frage, ob eine Funktion grundsätzlich möglich ist. Er beantwortet nicht, ob sie mit vertretbaren Gesamtkosten, stabiler Qualität und kontrollierbarem Risiko millionenfach ausgeführt werden kann. Bei autonomen Agenten verschärft sich dieses Problem, weil sie nicht nur Inhalte erzeugen, sondern selbstständig Werkzeuge aufrufen, Daten verändern, Vorgänge auslösen und Entscheidungen miteinander verknüpfen können. Ein Fehler bleibt damit nicht zwingend auf eine falsche Textantwort begrenzt. Er kann sich als fehlerhafte Bestellung, unzulässiger Datenzugriff, falsche Kundenentscheidung oder Änderung eines produktiven Systems fortsetzen.

Die erwartete Projektbereinigung ist daher ökonomisch plausibel. Steigende Kosten, unklarer Geschäftswert und unzureichende Risikokontrollen sind keine voneinander getrennten Probleme. Sie verstärken sich gegenseitig. Je unzuverlässiger ein Agent arbeitet, desto mehr Kontroll-, Prüf- und Korrekturaufwand entsteht. Je mehr menschliche Nacharbeit erforderlich ist, desto geringer fällt die tatsächliche Produktivitätssteigerung aus. Je geringer der Produktivitätsgewinn, desto schwerer lassen sich zusätzliche Ausgaben für Modelle, Integrationen, Überwachung, Sicherheit und Compliance rechtfertigen. Ein ursprünglich als Automatisierung geplantes System kann so eine neue, schwer sichtbare Schicht manueller Kontrollarbeit erzeugen.

Aus Autonomie wird eine neue Kostenart

Die Kosten agentischer KI werden häufig zu eng betrachtet. Unternehmen vergleichen Modellpreise oder berechnen die Gebühren für Ein- und Ausgabetoken, erfassen damit aber nur einen Teil der wirtschaftlichen Belastung. Ein Agent zerlegt eine Aufgabe oft in mehrere Schritte, greift auf verschiedene Systeme zu, wiederholt fehlgeschlagene Versuche, prüft Zwischenergebnisse und hält längere Kontexte vor. Komplexe Arbeitsabläufe können dadurch deutlich mehr Rechenleistung beanspruchen als ein herkömmlicher Chatbot. Hinzu kommen Ausgaben für Orchestrierung, Datenaufbereitung, Schnittstellen, Protokollierung, Identitätsmanagement, Sicherheitskontrollen, Evaluierung und den Betrieb verschiedener Modelle.

Noch schwerer wiegen indirekte Kosten. Dazu gehören die Zeit von Fachkräften für die Überprüfung von Ergebnissen, die Bearbeitung fehlerhafter Vorgänge, zusätzliche interne Kontrollen, Schulungen, juristische Bewertungen und die Anpassung von Arbeitsabläufen. Wenn ein Agent eine Aufgabe für wenige Cent ausführt, das Ergebnis aber regelmäßig von einer qualifizierten Person geprüft werden muss, ist der Modellpreis als Kennzahl nahezu bedeutungslos. Relevant ist der vollständige Prozesspreis je korrekt abgeschlossenem Vorgang. Dieser muss auch Wiederholungen, Fehlerfolgen, Ausnahmen und die Kosten menschlicher Aufsicht einschließen.

Dass nur 21 Prozent der befragten CIOs vollständige Transparenz über die Kosten ihrer KI-Agenten und KI-Arbeitslasten besitzen, zeigt deshalb ein fundamentales Steuerungsdefizit. Ohne Kostenzuordnung nach Anwendungsfall, Geschäftsbereich und Prozess lässt sich weder der wirtschaftliche Nutzen bewerten noch ein belastbares Budget steuern. Die Gefahr besteht, dass KI-Ausgaben dezentral über Cloudkonten, Softwareabonnements und Fachbereichsbudgets wachsen, während die zentrale IT lediglich einen Teil der Gesamtkosten sieht. Die Rechnung erscheint dann erst mit Verzögerung, wenn Nutzung, Datenvolumen und Zahl der Agenten bereits stark gestiegen sind.

Für eine sachgerechte Bewertung müssen Unternehmen deshalb von der isolierten Betrachtung technischer Nutzungskosten zu einem vollständigen Wertmodell übergehen. Gemessen werden sollten die Kosten je erfolgreichem Prozessabschluss, die Quote korrekt erledigter Fälle ohne menschlichen Eingriff, die Fehler- und Wiederholungsrate, die Durchlaufzeit, der Kontrollaufwand und der tatsächlich realisierte finanzielle Nutzen. Erst wenn diese Größen über einen längeren Zeitraum stabil sind, lässt sich beurteilen, ob ein Agent skaliert werden sollte. Autonomie ist dabei kein Selbstzweck, sondern eine Investitionsvariable: Sie ist nur dann wirtschaftlich, wenn der zusätzliche Nutzen die steigenden Kontroll- und Fehlerrisiken übertrifft.

Die Schatten-IT bekommt Handlungsmacht

Die Ausbreitung von KI-Agenten verändert das klassische Problem der Schatten-IT. Früher beschafften Fachabteilungen nicht genehmigte Software oder speicherten Daten in unkontrollierten Diensten. Heute können Mitarbeitende innerhalb kurzer Zeit eigene Agenten erstellen, die auf Unternehmensdaten zugreifen und selbstständig Aktionen ausführen. Nach einer Befragung von 685 Enterprise-CIOs berichten 84 Prozent, dass Beschäftigte KI-Agenten schneller entwickeln, als die IT entsprechende Governance-Regeln einführen kann. Das Problem besteht somit nicht nur in einer steigenden Zahl von Anwendungen, sondern in einer steigenden Zahl digitaler Akteure.

Diese Akteure verfügen häufig über technische Identitäten, API-Schlüssel, Dienstkonten oder delegierte Nutzerrechte. Damit entsteht eine neue Klasse nichtmenschlicher Identitäten, die in vielen Unternehmen nicht denselben Regeln unterliegt wie Beschäftigte. 59 Prozent der untersuchten Organisationen haben KI-Agenten noch nicht vollständig in ihre bestehenden Richtlinien für Identitäts- und Zugriffsmanagement eingebunden. Zugleich berichten 72 Prozent über eine mittlere bis große Lücke zwischen dem Zugriff, den ein Agent theoretisch besitzen darf, und dem Zugriff, den das Unternehmen tatsächlich nachweisen kann.

Ökonomisch ist diese Lücke besonders gefährlich, weil sie das erwartete Verhältnis zwischen Effizienz und Risiko verschiebt. Ein Agent kann rund um die Uhr und in hoher Geschwindigkeit handeln. Dieselbe Eigenschaft, die Produktivität verspricht, erhöht im Fehlerfall die Reichweite des Schadens. Breit gefasste Berechtigungen, langlebige Zugangsschlüssel und unzureichende Protokollierung können dazu führen, dass eine falsche Entscheidung nicht nur einmal, sondern systematisch wiederholt wird. Die Grenzkosten einer weiteren falschen Aktion sind für den Agenten nahezu null, während die Folgekosten für das Unternehmen kumulieren.

Die Konsequenz ist eindeutig: Jeder produktive Agent benötigt eine formale Identität, einen dokumentierten Zweck, einen verantwortlichen menschlichen Eigentümer und begrenzte Rechte. Zugriffe sollten nach dem Prinzip der geringsten erforderlichen Berechtigung vergeben, zeitlich begrenzt und kontinuierlich überprüft werden. Besonders folgenreiche Aktionen müssen vor ihrer Ausführung menschlich bestätigt werden. Ebenso notwendig sind zentrale Abschaltmöglichkeiten, damit Agenten im Störungsfall nicht mühsam in mehreren Systemen einzeln deaktiviert werden müssen. Diese Maßnahmen reduzieren zwar einen Teil der kurzfristigen Geschwindigkeit, erhöhen aber die Skalierbarkeit des Gesamtsystems, weil sie Schäden, Unsicherheit und regulatorische Reibung begrenzen.

Verantwortung ohne tatsächliche Kontrolle

Die organisatorische Spannung wird durch eine globale Befragung von 3.200 CIOs sichtbar. 88 Prozent beobachten, dass die betriebliche Einführung von KI schneller voranschreitet als die Anpassung der Governance. Gleichzeitig gehen 90 Prozent davon aus, dass die zentrale IT für Sicherheits- oder Compliancefehler verantwortlich gemacht wird, selbst wenn die verursachenden Werkzeuge unabhängig von anderen Geschäftsbereichen beschafft wurden. Damit fallen Entscheidungsmacht und Rechenschaftspflicht auseinander.

Eine solche Struktur setzt Fehlanreize. Fachbereiche erhalten den kurzfristigen Vorteil schneller Experimente, während ein erheblicher Teil des Risikos bei IT, Datenschutz, Informationssicherheit und Unternehmensleitung verbleibt. Die zentrale IT kann zum Engpass werden, wenn sie jede Anwendung einzeln genehmigen soll. Gibt sie die Kontrolle jedoch vollständig ab, entsteht eine unübersichtliche Landschaft aus Modellen, Agenten, Datenzugriffen und Verträgen. Beide Extreme sind ineffizient. Ein rein zentralistischer Ansatz bremst Innovation, ein völlig dezentraler Ansatz vervielfacht Risiken und Doppelarbeit.

Benötigt wird deshalb ein föderiertes Steuerungsmodell. Zentrale Funktionen definieren verbindliche technische und organisatorische Leitplanken, stellen genehmigte Plattformen bereit und überwachen Identitäten, Kosten sowie kritische Aktivitäten. Fachbereiche dürfen innerhalb dieses Rahmens Anwendungen entwickeln und betreiben, müssen jedoch Nutzen, Datenquellen, Risiken und verantwortliche Personen dokumentieren. Entscheidungen bleiben damit möglichst nah am operativen Geschäft, während gemeinsame Standards verhindern, dass jedes Team dieselben Sicherheits- und Integrationsprobleme erneut lösen muss.

Der persönliche Druck auf CIOs zeigt, wie stark sich KI inzwischen von einem Innovationsthema zu einem Karriere- und Governancefaktor entwickelt hat. 76 Prozent der befragten IT-Chefs glauben, ihre Position sei gefährdet, wenn ihr Unternehmen bis Ende 2027 keine messbaren Geschäftsergebnisse mit KI erzielt. Dieser Druck kann sinnvolle Priorisierung beschleunigen, birgt aber auch die Gefahr hektischer Skalierung. Wer unter kurzfristigem Erfolgszwang steht, könnte sichtbare Einführungszahlen höher gewichten als belastbare Prozessverbesserungen. Die paradoxe Folge wäre, dass gerade der Druck, schnell Rendite zu beweisen, die Wahrscheinlichkeit teurer Fehlentscheidungen erhöht.

Wenn der Kontrolleur selbst zum Kostenfaktor wird

Erste Erfahrungen aus Governance und Revision zeigen, dass die Risiken nicht nur theoretischer Natur sind. In einer Befragung von 417 Verantwortlichen für Governance, Risiko, Compliance und Prüfung berichteten 34 Prozent, dass ihre Organisation auf Grundlage einer ungenauen Agentenentscheidung gehandelt hatte. 30 Prozent beobachteten unbeabsichtigte Aktionen, 25 Prozent einen Kontrollausfall und 24 Prozent Auswirkungen auf Kunden. In 20 Prozent der Fälle gerieten zwei Agenten miteinander in Konflikt. Fast die Hälfte der Beschäftigten benötigte mehr Zeit für die Prüfung und Korrektur von KI-Ergebnissen als zuvor.

Diese Daten müssen vorsichtig interpretiert werden, weil Befragungen Wahrnehmungen und Erfahrungen der Teilnehmer abbilden, nicht aber automatisch die Häufigkeit sämtlicher Fehler im Gesamtmarkt. Dennoch zeigen sie ein klares Muster: Unternehmen übertragen Agenten Handlungskompetenz, bevor Prozesse, Daten und Kontrollsysteme für diese Form der Autonomie ausgelegt sind. Ein schlechter Prozess wird durch KI nicht automatisch gut. Er kann lediglich schneller, undurchsichtiger und in größerem Umfang ausgeführt werden.

Der zusätzliche Prüfaufwand ist wirtschaftlich besonders relevant. Automatisierung wird gewöhnlich mit sinkenden Personalkosten begründet. Wenn qualifizierte Fachkräfte jedoch fortlaufend Ergebnisse kontrollieren, Ausnahmen klären und Agentenentscheidungen rekonstruieren müssen, verlagert sich Arbeit lediglich. Sie verschwindet nicht, sondern wandert von der eigentlichen Sachbearbeitung in Überwachung und Fehlerbehebung. Diese Tätigkeiten können anspruchsvoller und teurer sein als der ursprüngliche Prozess, weil sie technisches, fachliches und regulatorisches Wissen gleichzeitig erfordern.

Daraus folgt nicht, dass menschliche Kontrolle grundsätzlich unwirtschaftlich wäre. In risikoreichen Bereichen ist sie unverzichtbar. Entscheidend ist, die Kontrollintensität am potenziellen Schaden auszurichten. Ein Agent, der interne Dokumente kategorisiert, benötigt andere Freigaben als ein System, das Zahlungen auslöst, Personalentscheidungen vorbereitet oder Kundenkonten verändert. Unternehmen sollten Autonomie daher abgestuft vergeben. Je irreversibler eine Aktion, je sensibler die Daten und je größer die mögliche Außenwirkung, desto stärker müssen Vorabfreigaben, Protokollierung und unabhängige Prüfungen sein.

Prüfpfade werden zur wirtschaftlichen Infrastruktur

Zwei Drittel der CIOs sind nicht sicher, ob sie einer Aufsichtsbehörde die Entscheidung eines Agenten lückenlos von Anfang bis Ende nachweisen könnten. Das ist mehr als ein Complianceproblem. Fehlende Nachvollziehbarkeit erhöht die Kosten jedes Vorfalls, weil Ursachen schwerer zu bestimmen, betroffene Vorgänge schwieriger einzugrenzen und Gegenmaßnahmen langsamer umzusetzen sind. Ohne belastbare Protokolle kann ein Unternehmen zudem kaum beweisen, dass ein Agent innerhalb seiner Befugnisse gehandelt hat oder dass ein menschlicher Verantwortlicher ordnungsgemäß eingegriffen hat.

Auditierbarkeit muss deshalb als produktive Infrastruktur verstanden werden, nicht als nachträglich aufgesetzte Dokumentationspflicht. Erfasst werden sollten die Identität des Agenten, die verwendete Modell- und Softwareversion, die aufgerufenen Datenquellen, die verfügbaren Rechte, die Zwischenschritte, externe Werkzeugaufrufe, Freigaben und das endgültige Ergebnis. Ebenso wichtig ist die Fähigkeit, einen Vorgang technisch zu reproduzieren oder zumindest plausibel zu rekonstruieren. Bei probabilistischen Modellen ist eine exakte Wiederholung nicht immer möglich, doch die relevanten Eingaben, Konfigurationen und Entscheidungspfade müssen erhalten bleiben.

Die Herausforderung wächst in Multi-Agenten-Systemen. Wenn mehrere Agenten Aufgaben verteilen, Ergebnisse gegenseitig prüfen oder nacheinander verschiedene Unternehmenssysteme verändern, entsteht eine Kette verteilter Verantwortung. Ein Fehler kann aus dem Zusammenspiel mehrerer jeweils plausibler Teilentscheidungen entstehen. Herkömmliche Kontrollsysteme, die einzelne Nutzeraktionen oder isolierte Softwaretransaktionen betrachten, reichen dafür nicht aus. Unternehmen benötigen eine durchgängige Beobachtung der gesamten Prozesskette.

Die regulatorische Entwicklung verstärkt diesen Handlungsdruck. Der europäische Rechtsrahmen für künstliche Intelligenz, Datenschutzvorgaben und branchenspezifische Aufsichtspflichten erhöhen die Anforderungen an Risikomanagement, Dokumentation und menschliche Aufsicht. Auch Datenschutzbehörden außerhalb der Europäischen Union achten stärker darauf, wie automatisierte Systeme personenbezogene Informationen verarbeiten. Die ökonomische Schlussfolgerung lautet: Governance ist keine Zusatzkostenstelle, die nach erfolgreicher Skalierung ergänzt werden kann. Sie ist eine Vorbedingung dafür, dass Skalierung rechtssicher und dauerhaft möglich wird.

KI-Risiken rücken in die Spitzengruppe

In einer Befragung von 1.330 Vorstandsmitgliedern und Führungskräften stehen neue Risiken aus der Einführung von KI für den Zeitraum ab 2027 bereits an zweiter Stelle der kurzfristigen Unternehmensrisiken, unmittelbar hinter Cyberbedrohungen. Diese Einordnung zeigt, dass KI nicht länger als isolierte IT-Initiative betrachtet wird. Sie berührt operative Stabilität, Regulierung, Datenschutz, Drittparteien, Personal, Reputation und Kapitalallokation zugleich.

Dabei sollten KI- und Cyberrisiken nicht getrennt analysiert werden. Agenten vergrößern die digitale Angriffsfläche, weil sie Zugang zu Daten, Anwendungen und Werkzeugen benötigen. Angreifer können versuchen, Eingaben zu manipulieren, Agenten zu unerlaubten Handlungen zu bewegen oder ihre Zugangsdaten zu missbrauchen. Gleichzeitig kann ein ordnungsgemäß authentifizierter Agent selbst riskante Aktionen ausführen, wenn sein Ziel falsch formuliert, sein Kontext manipuliert oder seine Berechtigung zu weit gefasst ist. Klassische IT-Sicherheit beantwortet daher nur einen Teil des Problems. Neben der Frage, ob ein Akteur zugreifen darf, muss geprüft werden, ob die beabsichtigte Aktion im konkreten Kontext zulässig und sinnvoll ist.

Für Unternehmensleitungen folgt daraus eine erweiterte Verantwortung. Sie müssen nicht jedes Modell technisch verstehen, aber sie müssen sicherstellen, dass für wesentliche KI-Anwendungen klare Eigentümer, Risikoklassen, Eskalationswege und wirtschaftliche Zielgrößen bestehen. Die Aufsicht darf sich nicht auf die Zahl gestarteter Projekte oder die Höhe des Budgets beschränken. Entscheidend sind belastbare Informationen darüber, welche Prozesse produktiv automatisiert werden, welche Daten betroffen sind, wie häufig Menschen eingreifen, welche Schäden möglich sind und ob der erwartete Nutzen tatsächlich eintritt.

Xpert.Digital ist ein von Konrad Wolfenstein geführter, datengetriebener B2B-Industry-Hub. Das Unternehmen agiert als externe Quasi-Inhouse-Lösung für Industriepartner und schließt operative Lücken in Marketing, Content und Vertrieb – ohne zusätzlichen Ressourcenaufbau auf Kundenseite.

Mehr dazu hier:

• Die Quasi-Inhouse-Lösung: Wie Xpert.Digital operative Lücken in B2B-Marketing und Vertrieb schließt – Smart Content-Driven Business

Unterhalb der Software wächst ein Kapitalproblem

Während Unternehmen mit der Kontrolle ihrer Agenten kämpfen, baut die Technologiebranche die physische Grundlage der KI in historischem Umfang aus. Für 2026 werden Investitionen von nahezu einer Billion US-Dollar in KI-Infrastruktur erwartet. Zwischen 2027 und 2030 könnten weitere sechs Billionen US-Dollar hinzukommen. Diese Beträge fließen in Rechenzentren, Grafikprozessoren, Netzwerktechnik, Speicher, Kühlung, Energieversorgung und Grundstücke. Der Ausbau folgt der Erwartung, dass der Bedarf an Training und Ausführung von KI-Modellen über Jahre stark wachsen wird.

Wachstum allein garantiert jedoch keine angemessene Kapitalrendite. Betreiber von KI-Rechenzentren müssten bis 2030 kumulierte Umsätze von etwa 8,5 Billionen US-Dollar erzielen, um angekündigte Investitionen, Finanzierungskosten und eine angenommene Kapitalrendite von 12 Prozent zu decken. Die potenziell zurechenbaren Umsätze aus Unternehmens- und Privatkundengeschäft mit KI werden für denselben Zeitraum auf höchstens 3,6 Billionen US-Dollar geschätzt. Selbst wenn diese Zahlen wegen ihrer langen Prognosehorizonte mit erheblicher Unsicherheit behaftet sind, ist die Größenordnung der Lücke bemerkenswert.

Es wäre allerdings falsch, Investitionen und KI-Umsätze unmittelbar gegeneinander aufzurechnen. Rechenzentren besitzen Nutzungsdauern über mehrere Jahre, Infrastruktur kann verschiedene Arbeitslasten bedienen, und ein Teil des wirtschaftlichen Nutzens fällt bei Anwenderunternehmen statt beim Infrastrukturbetreiber an. Außerdem können sinkende Rechenkosten neue Nachfrage erzeugen. Dennoch bleibt die zentrale Aussage gültig: Der Markt muss nicht nur stark wachsen, sondern außergewöhnlich schnell monetarisierbare Anwendungen hervorbringen, damit sämtliche geplanten Kapazitäten die erwartete Rendite erzielen.

Diese Bedingung ist anspruchsvoll. Viele heutige KI-Anwendungen senken Kosten oder verbessern bestehende Produkte, erzeugen aber nicht automatisch zusätzliche Umsätze in derselben Höhe wie die zugrunde liegenden Infrastrukturinvestitionen. Produktivitätsgewinne können zudem zwischen Anbietern und Kunden verteilt werden. Intensiver Wettbewerb drückt Preise, Open-Source-Modelle senken Eintrittsbarrieren und effizientere Modelle reduzieren den Rechenbedarf je Aufgabe. Was volkswirtschaftlich positiv ist, kann die Rendite einzelner Rechenzentrumsbetreiber belasten.

Die Abschreibungsuhr tickt schneller als die Nachfrage

KI-Hardware unterscheidet sich von langlebiger Basisinfrastruktur durch kurze Innovationszyklen. Neue Generationen von Beschleunigern bieten häufig deutlich mehr Leistung oder bessere Energieeffizienz. Dadurch kann ältere Hardware wirtschaftlich an Wert verlieren, obwohl sie technisch weiterhin funktioniert. Ein Betreiber muss seine Investition deshalb möglichst schnell durch hohe Auslastung und attraktive Preise zurückverdienen. Bleibt die Nachfrage hinter den Erwartungen zurück, geraten Buchwerte und Finanzierungsmodelle unter Druck.

Bis 2030 könnten rund 3,5 Billionen US-Dollar an KI-Anlagen einem Wertminderungsrisiko ausgesetzt sein; bis 2032 könnte sich dieser Betrag auf mehr als vier Billionen US-Dollar erhöhen. Eine Wertberichtigung bedeutet nicht, dass die Server physisch verschwinden. Sie zeigt vielmehr, dass die erwarteten zukünftigen Zahlungsströme den angesetzten Vermögenswert nicht mehr rechtfertigen. Für hoch verschuldete Betreiber kann dies Kreditbedingungen verschärfen, Eigenkapital vernichten und weitere Investitionen erschweren.

Die Dynamik ähnelt früheren Infrastrukturzyklen. Neue Basistechnologien lösen häufig einen Ausbau aus, bei dem zunächst zu viel Kapazität entsteht. Eisenbahnen, Telekommunikationsnetze und Glasfaser haben vergleichbare Phasen erlebt. Ein Teil des investierten Kapitals ging verloren, während die günstig verfügbare Infrastruktur später neue Geschäftsmodelle ermöglichte. Deshalb können gleichzeitig zwei Aussagen richtig sein: KI kann eine tiefgreifende wirtschaftliche Transformation auslösen, und ein beträchtlicher Teil der heutigen Investoren kann dennoch unzureichende Renditen erzielen.

Für die Gesamtwirtschaft muss eine Marktbereinigung nicht ausschließlich negativ sein. Abschreibungen und Insolvenzen können Rechenkapazität verbilligen und effizienteren Käufern Zugang zu Infrastruktur verschaffen. Unternehmen profitieren möglicherweise von niedrigeren Preisen, auch wenn ursprüngliche Kapitalgeber Verluste tragen. Problematisch wird die Situation, wenn Überinvestitionen mit hoher Verschuldung, langfristigen Energieverträgen oder regional konzentrierten Kapazitäten verbunden sind. Dann können Korrekturen Banken, Energieversorger, Immobilienmärkte und lokale öffentliche Haushalte berühren.

Neoclouds zwischen Wachstum und Auslese

Am stärksten gefährdet sind spezialisierte Neocloud-Anbieter, die Rechenleistung für KI-Arbeitslasten bereitstellen. Ihr Vorteil liegt in hoher technischer Spezialisierung, schnellem Zugang zu begehrten Grafikprozessoren und oft flexibleren Angeboten als bei großen, breit aufgestellten Cloudkonzernen. Unternehmen wie CoreWeave oder Nebius stehen exemplarisch für dieses Segment. Der adressierbare Markt für KI-optimierte Infrastructure-as-a-Service-Angebote könnte von 66 Milliarden US-Dollar im Jahr 2027 auf 174 Milliarden US-Dollar im Jahr 2030 wachsen. Das wäre ein beeindruckender Zuwachs, könnte aber dennoch nicht ausreichen, um die gleichzeitig aufgebauten Kapazitäten profitabel auszulasten.

Die Prognose, dass mehr als 80 Prozent der Neoclouds bis 2030 ihren unabhängigen Betrieb einstellen könnten, beschreibt deshalb nicht zwingend ein vollständiges Verschwinden ihrer Rechenressourcen. Möglich sind Insolvenzen, Übernahmen, Zusammenschlüsse, langfristige Partnerschaften oder die Integration in größere Plattformen. Der ökonomische Kern ist eine starke Konsolidierung. Anbieter ohne günstige Finanzierung, gesicherte Energieversorgung, hohe Auslastung und klar differenziertes Leistungsangebot werden Schwierigkeiten haben, unabhängig zu bleiben.

Das Geschäftsmodell ist aus mehreren Gründen fragil. Erstens erfordert es enorme Vorleistungen für schnell alternde Hardware. Zweitens kann die Kundenbasis konzentriert sein, sodass der Verlust weniger Großkunden die Auslastung stark verändert. Drittens stehen Neoclouds zwischen Chipherstellern und Kunden, ohne in jedem Fall über eine ebenso starke Verhandlungsmacht zu verfügen. Viertens können Hyperscaler mit umfassenden Plattformdiensten, globaler Infrastruktur und bestehenden Kundenbeziehungen konkurrieren. Fünftens droht Preisdruck, sobald mehr Kapazität verfügbar ist oder Modelle effizienter werden.

Nicht alle Neoclouds sind deshalb gleich zu bewerten. Überlebensfähig sind vor allem Anbieter mit strukturellen Vorteilen: langfristig günstiger Energie, besonders hoher technischer Auslastung, Zugang zu knappem Kapital, spezialisierten Dienstleistungen oder einer starken Position in bestimmten Regionen und regulierten Branchen. Auch souveräne, national oder europäisch kontrollierte Infrastruktur kann ein Differenzierungsmerkmal sein, wenn Kunden Datenschutz, Datenresidenz und strategische Unabhängigkeit höher gewichten als den niedrigsten Preis.

Hyperscaler kaufen sich Zeit

Große Cloud- und Technologiekonzerne besitzen gegenüber spezialisierten Anbietern einen entscheidenden Vorteil: Sie finanzieren den KI-Ausbau aus breiten und profitablen Geschäftsbereichen. Cloudplattformen, Werbung, Handel, Softwareabonnements, soziale Netzwerke und bestehende Unternehmensdienste erzeugen Zahlungsströme, mit denen Investitionen über längere Zeit getragen werden können. Dadurch können Amazon, Google, Microsoft, Meta und andere Großanbieter eine Phase niedriger direkter KI-Renditen eher überstehen.

Diversifikation beseitigt das Renditeproblem jedoch nicht. Auch große Konzerne müssen langfristig erklären, wie ihre Investitionen Wert schaffen. Sie verfügen lediglich über mehr Zeit und zusätzliche Monetarisierungswege. KI kann bestehende Cloudnutzung erhöhen, Werbeprodukte verbessern, Kunden an Plattformen binden, Entwicklungsprozesse beschleunigen und andere Geschäftsbereiche verteidigen. Ein Teil des Nutzens erscheint daher nicht als separat ausgewiesener KI-Umsatz. Diese strategischen Nebeneffekte erschweren einen direkten Vergleich mit Neoclouds, deren wirtschaftlicher Erfolg stärker an der Vermietung von Rechenleistung hängt.

Die Marktmacht der Hyperscaler könnte durch die Bereinigung weiter wachsen. Wenn kleinere Anbieter ausscheiden, übernehmen große Plattformen Kunden, Fachkräfte und günstig bewertete Infrastruktur. Das kann Skaleneffekte erhöhen, zugleich aber Abhängigkeiten verschärfen. Unternehmen und Staaten müssen deshalb zwischen Effizienz und Resilienz abwägen. Eine hoch konzentrierte Infrastruktur ist kurzfristig häufig günstiger, kann langfristig jedoch Preisgestaltung, Innovationspfade und digitale Souveränität beeinflussen.

Für Europa entsteht daraus ein strategisches Dilemma. Der Aufbau eigener KI-Kapazitäten ist energie- und kapitalintensiv, während amerikanische und asiatische Anbieter bereits erhebliche Größenvorteile besitzen. Ein bloßes Kopieren der Hyperscaler wäre kaum erfolgversprechend. Sinnvoller sind gezielte Schwerpunkte auf industrielle Anwendungen, vertrauenswürdige Datenräume, regulierte Branchen, Energieeffizienz, europäische Sprach- und Fachmodelle sowie souveräne Betriebsangebote. Die wirtschaftliche Rechtfertigung muss aus differenziertem Nutzen entstehen, nicht aus dem Versuch, globale Kapazitätsrennen undifferenziert nachzuahmen.

Sechs Billionen Dollar sind keine Nachfrageprognose

Eine weitere Modellrechnung verdeutlicht die Dimension der Herausforderung. Wenn die jährlichen Ausgaben für KI-Infrastruktur bis 2031 auf etwa 1,5 Billionen US-Dollar steigen und Investitionen rund ein Viertel des Branchenumsatzes ausmachen sollen, müsste der globale KI-Markt jährlich nahezu sechs Billionen US-Dollar erlösen. Bestehende Verbraucher- und Unternehmensanwendungen könnten davon voraussichtlich 1,2 bis 1,8 Billionen US-Dollar beitragen. Damit bliebe eine Lücke von ungefähr 4,2 Billionen US-Dollar, die durch neue Märkte geschlossen werden müsste.

Diese sechs Billionen US-Dollar sind als wirtschaftliche Hürde zu verstehen, nicht als sichere Umsatzprognose. Die Zahl beschreibt, welche Größenordnung nötig wäre, um den Ausbau unter bestimmten Rendite- und Investitionsannahmen nachhaltig zu finanzieren. Sie sagt nicht voraus, dass dieser Umsatz tatsächlich entstehen wird. Gerade diese Unterscheidung ist wichtig, weil hohe potenzielle Marktvolumina in Technologiedebatten häufig wie erwartete Einnahmen behandelt werden.

Als zusätzliche Wachstumsmärkte gelten KI-gestützte Suche und Werbung, autonome Fahrzeuge, Lastwagen und Drohnen, industrielle Automatisierung, Robotik, digitale Zwillinge, Wirkstoffentwicklung, medizinische Dienste, Materialforschung und Energie. Für autonome Systeme wird ein Potenzial von rund 400 Milliarden US-Dollar genannt, für Physical AI mit Simulationen, digitalen Zwillingen und Robotik etwa 900 Milliarden US-Dollar. Diese Felder besitzen erheblichen wirtschaftlichen Wert, entwickeln sich aber langsamer als reine Softwareprodukte. Sie benötigen Hardware, Zulassungen, Sicherheitstests, Integration in physische Prozesse und oft neue Haftungsregeln.

Die zeitliche Lücke ist damit möglicherweise wichtiger als das langfristige Marktpotenzial. Selbst wenn Robotik und industrielle KI enorme Umsätze erzeugen, müssen sie schnell genug skalieren, um heutige Investitionen zu tragen. Rechenzentren, Chips und Finanzierungskosten fallen sofort an; neue physische Anwendungen benötigen häufig Jahre bis zur breiten Marktreife. Eine grundsätzlich richtige Zukunftserwartung kann daher trotzdem zu einer schlechten Investition werden, wenn Preis, Finanzierungsstruktur oder Zeitpunkt falsch gewählt sind.

Physical AI entscheidet über die zweite Hälfte des Booms

Die bisherigen Erfolge generativer KI konzentrieren sich stark auf digitale Wissensarbeit. Texte, Bilder, Softwarecode, Recherche und Kundenkommunikation lassen sich vergleichsweise schnell in bestehende Anwendungen integrieren. Der mögliche Umsatz dieser Märkte ist groß, reicht aber allein kaum aus, um sämtliche geplanten Infrastrukturinvestitionen zu rechtfertigen. Die nächste Wachstumsphase muss deshalb tiefer in die physische Wirtschaft reichen.

Physical AI verbindet lernende Systeme mit Maschinen, Fahrzeugen, Produktionsanlagen und realen Umgebungen. In Fabriken können digitale Zwillinge neue Produktionsabläufe simulieren, bevor teure Anlagen verändert werden. Roboter können flexibler auf wechselnde Werkstücke reagieren. In Logistikzentren lassen sich Materialflüsse, Kommissionierung und autonome Transporte koordinieren. In der Fahrzeugindustrie können Entwicklungszeiten sinken, während autonome Systeme neue Dienstleistungen ermöglichen. Der wirtschaftliche Wert entsteht nicht nur durch weniger Personalaufwand, sondern durch höhere Anlagenverfügbarkeit, geringere Ausschussquoten, schnellere Fabrikanläufe und neue Produkte.

Gerade für Deutschland und Europa liegt hier eine strategische Chance. Die industrielle Basis, das Prozesswissen, spezialisierte Maschinenbauer und komplexe Lieferketten bieten wertvolle Daten und Anwendungsfelder. Allerdings entsteht dieser Vorteil nicht automatisch. Viele Industriedaten sind fragmentiert, proprietär oder unzureichend strukturiert. Unternehmen müssen Datenarchitekturen modernisieren, Schnittstellen standardisieren und Betriebswissen digital abbilden. Ohne diese Vorarbeit bleibt Physical AI auf Demonstratoren begrenzt.

Die Monetarisierung unterscheidet sich ebenfalls von typischer Cloudsoftware. Industrieunternehmen erwarten nachweisbare Zuverlässigkeit, lange Lebenszyklen und klare Verantwortung. Sie akzeptieren keine dauerhafte Versuchsumgebung in sicherheitskritischen Prozessen. Anbieter müssen deshalb robuste Gesamtsysteme liefern, die Modelle, Sensorik, Steuerung, Cybersicherheit und Wartung verbinden. Genau hier kann sich ein Markt für spezialisierte europäische Anbieter entwickeln, der weniger von maximaler Modellgröße und stärker von Domänenwissen, Integration und Vertrauen geprägt ist.

Der gemeinsame Kern beider Krisen

Die Probleme bei KI-Agenten und Neoclouds erscheinen zunächst getrennt. Auf der einen Seite stehen Unternehmensprozesse, Governance und Fehlentscheidungen; auf der anderen Seite Rechenzentren, Finanzierung und Abschreibungen. Tatsächlich beruhen beide auf derselben ökonomischen Fehlannahme: technische Fähigkeit werde sich nahezu automatisch in profitablen, skalierbaren Nutzen verwandeln.

Bei Agenten wird ein erfolgreicher Pilot mit produktiver Reife verwechselt. Bei Infrastruktur wird stark wachsender Rechenbedarf mit ausreichender Zahlungsbereitschaft und nachhaltiger Kapitalrendite gleichgesetzt. In beiden Fällen fehlt häufig die vollständige Betrachtung der Zwischenstufen. Zwischen Modellleistung und Unternehmensnutzen liegen Datenqualität, Prozessneugestaltung, Integration, Sicherheit, menschliche Kontrolle und Akzeptanz. Zwischen Rechenkapazität und Investorenrendite liegen Auslastung, Preise, Energiekosten, Hardwarealterung, Finanzierung und Wettbewerb.

Diese Erkenntnis spricht nicht gegen KI. Sie spricht für eine professionellere Kapitalallokation. Technologische Revolutionen verlaufen selten linear. Übertreibungen finanzieren Experimente und Infrastruktur, führen aber anschließend zu Bereinigung und Konzentration. Gewinner sind nicht zwangsläufig die Unternehmen, die zuerst oder am meisten investieren. Häufig setzen sich diejenigen durch, die Kosten diszipliniert steuern, aus frühen Fehlern lernen und ihre Angebote an reale Zahlungsbereitschaft anpassen.

Aus dem Hype muss Betriebswirtschaft werden

Unternehmen sollten KI-Agenten nur dort einsetzen, wo ein klar abgegrenzter Prozess, verlässliche Daten und eine messbare Zielgröße vorhanden sind. Ausgangspunkt darf nicht die Frage sein, wo sich möglichst viel Autonomie demonstrieren lässt. Entscheidend ist, wo ein konkreter Engpass beseitigt, eine Durchlaufzeit verkürzt, Qualität verbessert oder zusätzlicher Umsatz erzielt werden kann. Für jeden Anwendungsfall sollte vor Beginn feststehen, welche Kosten und Fehlerquoten akzeptabel sind und unter welchen Bedingungen das Projekt gestoppt wird.

Der Einsatz sollte stufenweise erfolgen. Zunächst kann ein Agent Vorschläge liefern, anschließend unter menschlicher Bestätigung handeln und erst nach stabiler Bewährung begrenzte Aufgaben autonom ausführen. Diese Reifegrade ermöglichen es, Nutzen und Risiko getrennt zu beobachten. Ein System, das bereits als Assistent keinen messbaren Wert erzeugt, wird nicht dadurch wirtschaftlich, dass es mehr Rechte erhält.

Parallel ist eine zentrale Bestandsaufnahme erforderlich. Unternehmen müssen wissen, welche Agenten existieren, welche Modelle sie verwenden, auf welche Systeme sie zugreifen und wer verantwortlich ist. Kosten sollten einzelnen Prozessen und Geschäftseinheiten zugeordnet werden. Kritische Aktionen benötigen Freigabeschwellen, und jede produktive Anwendung braucht eine funktionierende Abschaltmöglichkeit. Governance darf dabei nicht als starres Dokument verstanden werden. Sie muss technisch in Plattformen, Identitäten, Protokolle und Entwicklungsabläufe eingebaut sein.

Auch die Beschaffung verändert sich. Verträge mit KI- und Cloudanbietern sollten Regelungen zu Datenverwendung, Modelländerungen, Protokollzugriff, Sicherheitsvorfällen, Leistung, Haftung und Wechselmöglichkeiten enthalten. Unternehmen müssen vermeiden, dass zentrale Prozesse von einem Anbieter abhängen, dessen Preise, Modelle oder Geschäftsstrategie sich kurzfristig ändern können. Wo möglich, erhöhen modulare Architekturen und austauschbare Modelle die Verhandlungsmacht.

Für Infrastrukturinvestoren zählt der Abnehmer, nicht der Chip

Bei Rechenzentren und Neoclouds reicht der Zugang zu aktueller Hardware nicht als Geschäftsmodell. Investoren sollten vor allem die Qualität und Dauer der Nachfrage prüfen. Langfristige Verträge sind nur dann wertvoll, wenn die Kunden kreditwürdig sind und Mindestabnahmen tatsächlich durchgesetzt werden können. Ebenso wichtig sind Energiepreise, Netzanschlüsse, Kühlung, Auslastungsprofile, Refinanzierung und der Restwert älterer Hardware.

Besondere Vorsicht ist geboten, wenn Wachstum weitgehend durch zusätzliche Schulden finanziert wird und die erwartete Auslastung auf wenigen Kunden basiert. Ein Nachfragerückgang kann dann gleichzeitig Umsatz, Vermögenswert und Finanzierungsspielraum treffen. Stressszenarien sollten niedrigere Preise, verzögerte Inbetriebnahmen, sinkende Auslastung, schnellere Hardwarealterung und höhere Kapitalkosten kombinieren. Erst wenn ein Geschäftsmodell auch unter ungünstigeren Annahmen tragfähig bleibt, ist die Rendite belastbar.

Für spezialisierte Anbieter führt der Weg aus der Austauschbarkeit über Differenzierung. Denkbar sind besonders effiziente Rechenzentren, souveräne europäische Betriebsmodelle, branchenspezifische Plattformen, garantierte Datenresidenz, integrierte Sicherheitsdienste oder eine enge Verbindung von Infrastruktur und Anwendungswissen. Reine Kapazität wird mit zunehmendem Angebot zur handelbaren Ware. Vertrauen, Integration und nachweisbare Leistung bleiben dagegen knapper.

Die bevorstehende Bereinigung ist kein Ende der KI

Die erwarteten Projektabbrüche und die mögliche Konsolidierung der Neoclouds markieren keine Widerlegung künstlicher Intelligenz. Sie sind vielmehr typisch für den Übergang von einer technologiegetriebenen Expansionsphase zu einem Markt, in dem Rendite, Zuverlässigkeit und institutionelle Reife zählen. Ein großer Teil der frühen Projekte wird verschwinden, weil er falsch abgegrenzt, schlecht integriert oder wirtschaftlich nicht überzeugend ist. Gleichzeitig werden erfolgreiche Anwendungen tiefer in zentrale Prozesse vordringen.

Auch bei der Infrastruktur werden Vermögenswerte nicht einfach wertlos. Rechenkapazität kann nach Abschreibungen, Übernahmen oder niedrigeren Preisen weiter genutzt werden. Für Anwender kann die Marktbereinigung sogar vorteilhaft sein, wenn Wettbewerb und Überkapazitäten die Kosten senken. Die Verteilung der Gewinne verändert sich jedoch: Kunden und spätere Käufer können profitieren, während frühe Eigen- und Fremdkapitalgeber einen Teil der Verluste tragen.

Der wahrscheinlichste Entwicklungspfad ist daher weder ein vollständiges Platzen der KI-Erwartungen noch eine reibungslose Fortsetzung des Booms. Wahrscheinlicher ist eine zweigeteilte Entwicklung. Hochwertige, klar kontrollierte Anwendungen wachsen weiter und werden zu normaler Unternehmensinfrastruktur. Undifferenzierte Agentenprojekte, schwach abgesicherte Geschäftsmodelle und überteuerte Kapazitäten geraten dagegen unter Druck. Der Markt trennt technologische Möglichkeit von wirtschaftlicher Tragfähigkeit.

Die eigentliche KI-Revolution beginnt damit nicht beim nächsten spektakulären Modell, sondern bei der nüchternen Fähigkeit, Technik in verlässliche Wertschöpfung zu übersetzen. Unternehmen, die Kosten, Kontrolle und Nutzen gemeinsam steuern, werden aus der Bereinigung gestärkt hervorgehen. Wer Autonomie ohne Verantwortung oder Rechenleistung ohne zahlungsfähige Nachfrage skaliert, finanziert dagegen vor allem die nächste Abschreibungswelle.

Im industriellen B2B entstehen tragfähige Geschäftsbeziehungen selten über Nacht. Sie entwickeln sich Schritt für Schritt – über Sichtbarkeit, fachliche Relevanz, wiederkehrende Berührungspunkte und wachsendes Vertrauen. Das 4-Stufen-Modell von Xpert.Digital setzt genau hier an: Es bietet einen strukturierten Weg, der mit einem überschaubaren Einstieg beginnt und sich bei Bedarf zu einer vertieften Zusammenarbeit im Business Development entwickeln kann.

Statt auf laute Marketingversprechen zu setzen, rückt dieses Modell die Beziehung in den Mittelpunkt. Unternehmen steigen mit klar umrissenen, gut kalkulierbaren Maßnahmen ein und entscheiden dann auf Basis eigener Erfahrung, wie weit sie die Zusammenarbeit ausbauen möchten. Ein wesentlicher Faktor für diesen ungestörten Vertrauensaufbau: Die Plattform verzichtet komplett auf nervige Werbe-Ads, sodass der redaktionelle Fokus allein auf der Expertise der Unternehmen liegt.

Mehr dazu hier:

• Von Sichtbarkeit zu Vertrauen: Ihr skalierbarer Weg mit Xpert.Digital

☑️ Unsere Geschäftssprache ist Englisch oder Deutsch

☑️ NEU: Schriftverkehr in Ihrer Landessprache!

 

Gerne stehe ich Ihnen und mein Team als persönlicher Berater zur Verfügung.

Sie können mit mir Kontakt aufnehmen, indem Sie hier das Kontaktformular ausfüllen oder rufen Sie mich einfach unter +49 7348 4088 965 an. Meine E-Mail Adresse lautet: wolfenstein∂xpert.digital

Ich freue mich auf unser gemeinsames Projekt.

 

 

☑️ KMU Support in der Strategie, Beratung, Planung und Umsetzung

☑️ Erstellung oder Neuausrichtung der Digitalstrategie und Digitalisierung

☑️ Ausbau und Optimierung der internationalen Vertriebsprozesse

☑️ Globale & Digitale B2B-Handelsplattformen

☑️ Pioneer Business Development / Marketing / PR / Messen