Dieser Artikel ergänzt den Beitrag vom Oktober: Starfondsmanager warnt vor KI-Blase und Kapital-Kollaps
Der nachfolgende Faktencheck basiert auf der Auswertung von einigen Dutzenden Fachartikeln, aktuellen Studien und Analysen mit mehreren KI. Aus Sicht eines Value-Investors soll geklärt werden, inwieweit die Kritik an mutmaßlich übertriebenen Investitionen im Bereich KI gerechtfertigt ist.
1) Faktencheck zu Peter Frechs Kritikpunkten
Hier die Kernbehauptungen und ihre sachliche Einordnung:
| Frechs Punkt | Faktische Einordnung |
|---|---|
| „KI verbraucht extrem viel Energie und Wasser“ | Stimmt grundsätzlich. Große Rechenzentren und Trainingsläufe benötigen erhebliche Energie. Parallel laufen aber Investitionen in Energieeffizienz und erneuerbare Energie. |
| „Output ist oberflächlich, keine echte Intelligenz“ | Formal richtig: LLMs ‚verstehen‘ nicht wie Menschen. Praktisch erzeugen sie jedoch wertschöpfende Ergebnisse in Code, Texten, Forschung und Automatisierung. |
| „Kein Marktwert … nur für Hausaufgaben zu gebrauchen“ | Zu kurz gefasst. Monetarisierung existiert bereits: Cloud-Abonnements, Enterprise-Lizenzen, spezialisierte AI-Tools zeigen wachsende Umsätze. |
| „Größter Kapital-Kollaps droht“ | Übertrieben. Korrekturen in überbewerteten Segmenten sind möglich; ein totaler Kollaps erscheint unwahrscheinlich, weil reale Cash-Generatoren existieren. |
2) Ökonomische Realität: Wo der Wert sichtbar ist
- Halbleiter / Infrastruktur: Chip-Hersteller erzielen heute bereits signifikante Data-Center-Umsätze und Margen.
- Cloud-Provider / Plattformen: Monetarisierung über AI-Services, Abomodell und Enterprise-Lösungen ist in den Ergebnissen sichtbar.
- Software / Produktivitätslayer: AI-gestützte Features steigern ARPU, senken Kosten im Support und beschleunigen Entwicklungszyklen.
Studien schätzen das makroökonomische Potenzial generativer KI auf mehrere Billionen USD weltweit. Die Monetarisierung ist bereits im Gang, aber heterogen.
3) Risiken
- Technologierisiko & Konkurrenz: Schnelllebigkeit, Substitute, neuer Hardware-Wettbewerb.
- Bewertungsrisiko: Hype treibt Multiples, besonders bei jungen Unternehmen ohne stabile Cashflows.
- Regulatorik & ESG: Energieverbrauch, Emissionen, Datenschutz, lokale Auflagen.
- Operational/Adoption-Risiko: Implementationsprobleme und mangelnde Integration in Kerngeschäftsprozesse.
- Systemische Marktstimmung: Rasche Sentiment-Schwankungen können Kurse stark bewegen.
4) Bewertungslogik: Wie ein Value-Investor KI-Werte prüfen könnte (Checkliste)
A) Kategorisierung der KI-Exponierung (erstes Filterkriterium)
- Infrastruktur (Chips, Rechenzentren): hohe Kapitalintensität, direkte Cashflows möglich.
- Cloud/Plattformen: wiederkehrende Umsätze, Cross-sell-Potenzial.
- Produkt-/SaaS-Anbieter mit AI-Mehrwert: prüfe ARPU, Churn, Margen.
- Reine „AI-Story“ Startups: nur investierbar, wenn robuste Monetarisierungs-KPIs vorliegen.
B) Fundamentale Kennzahlen (quantitativ)
- Free Cash Flow / Umsatzwachstum (Trend wichtiger als punktuelle Sprünge).
- Operating Margins und Margentreiber: Software vs. hohe R&D/CapEx bei Hardware.
- Customer Metrics: Net-Dollar-Retention, ARPU, Vertragsqualität.
- CapEx vs. ROIC: besonders relevant bei Chip- und DC-Betreibern.
C) Bewertungsaufschlag / Abschlag
Bei klar monetarisierbaren Geschäftsmodellen: Standard-DCF mit konservativen Annahmen und Sensitivitätsanalyse. Bei Story-Werten: hoher Abschlagsfaktor und mehrere Proof-Points verlangen.
D) Katalysatoren & Warnsignale
- Katalysatoren: nachhaltige Abo-Umsätze, Enterprise-Verträge, technisch bedingte Skalenvorteile.
- Warnsignale: schrumpfende Gross Margins, ausbleibende Enterprise-Adoption, verschärfte Regulierungen.
5) Mögliche Praxis-Empfehlungen fürs Portfolio
- Segmentiere Exposure: Bevorzuge etablierte Cash-Generatoren (Infra, Cloud) gegenüber reinen Story-Werten.
- Use-case-First: Investiere in Firmen, deren KI-Funktion konkrete Kosten spart oder Umsatz erzeugt.
- Hedge / Diversify: Kleine, gestaffelte Positionen statt großer Konzentration.
- Bewerte ESG-Kosten: Internalisiere Energie-/CO2-Risiken in die Discount-Rate.
- KPI-getriebene Nachsteuerung: Lege 2-3 messbare Meilensteine pro Position fest.
6) Wie sich Frechs Haltung in Investmententscheidungen umsetzen ließe
Wenn du strikt Value bleiben willst: Beschränke KI-Exposure auf Unternehmen mit positivem, stabilen FCF (Free Cash Flow) und vernünftigen Preisen (z. B. führende Cloud-Anbieter, selektierte Hardware-Anbieter mit Pricing Power).
Wenn du selektiv Chancen nutzen willst: Kleine opportunistische Allokation in skalierbare AI-Software-Player mit klarer Monetarisierung (Copilot-/AI-SaaS-Modelle).
7) Zusammenfassung
KI-Investitionen sind kein reines Luftschloss, aber sie sind heterogen: Teile des Markts liefern bereits echte Umsätze und Margen (Infrastruktur, Cloud-Monetarisierung, Software-Produkte), andere Teile sind spekulativ und anfällig für Bewertungsübertreibung. Energie- und Umweltrisiken sowie Governance-Probleme sind reale Wachstumsbremsen, rechtfertigen aber nicht die pauschale Abwertung aller KI-Investitionen.
8) Lesenswerte Fachartikel
Janus Henderson: KI gegen Dotcom-Blase: 8 Gründe, warum die KI-Welle anders ist
Franklin Templeton: Blase oder Boom?
9) Fazit
Frechs Warnruf trifft legitime Risiken: Energiehunger, kurzfristige Überbewertungen und Monetarisierungsfragen sind real. Seine pauschale Schlussfolgerung, KI sei ökonomisch wertlos und drohe einen alles vernichtenden Kollaps herbeizuführen, ist dagegen zu extrem. Die Realität ist heterogen: Einige KI-Investitionen sind bereits Cash-Generatoren, andere sind reine Spekulation. Entscheidend ist selektive, KPI-getriebene Bewertung.
Copyright © 2025 investmentfonds.blog – alle Rechte vorbehalten
Hinweis: Alle Angaben basieren auf öffentlich zugänglichen Daten. Dieser und andere Beiträge stellen KEINE Anlageberatung dar, sind keine Empfehlungen und geben ausschließlich meine persönliche und private Meinung wieder. Zu möglichen Interessenkonflikten u.v.a.m. siehe ausführliche Hinweise unter https://investmentfonds.blog/disclaimer/