AI winners & losers•Kapitel 10 von 10

Wer gewinnt? Wer verliert?

AI kann als Technologie gewinnen, während Unternehmen, Anleger und Nutzer trotzdem verlieren. Kapitel 9 zeigt die dauerhaften Gewinner, die fragilen…

Juli 19, 2026 11 min read Research-Schwerpunkt

AI wird gewinnen. Doch dieser Sieg verteilt sich nicht gerecht – und er macht nicht automatisch ihre Erfinder oder Anleger reich.

Die vorherigen Kapitel haben eine Technologie gezeigt, die zugleich Software, Infrastruktur, Kapitalzyklus, Datenregime und persönliches Gegenüber ist. Genau deshalb gibt es keinen einzelnen AI-Gewinner.

Kapitel 9 führt die Ebenen zusammen. Es fragt, wo dauerhafte Preissetzungsmacht entsteht, wer nur vorübergehend von Knappheit profitiert und warum die AI-Nachfrage weiter wachsen kann, während Bewertungen, Margen und einzelne Geschäftsmodelle fallen.

Die Technologie und die Aktie sind nicht dasselbe

AI kann immer leistungsfähiger, billiger und allgegenwärtiger werden. Daraus folgt nicht automatisch, dass jedes AI-Unternehmen hohe Margen erzielt oder jede AI-Aktie weiter steigt.

Die wirtschaftliche Kette besteht aus vielen Ebenen: Strom, Netze, Rechenzentren, Chips, Speicher, Clouds, Modelle, Datenkontrolle, Anwendungen und Vertrieb. Jede Ebene besitzt eine andere Knappheit, Kapitalintensität und Preissetzungsmacht.

Ein großer Teil des Börsenenthusiasmus behandelt diese Ebenen trotzdem wie eine einzige Wette. Steigt die AI-Nutzung, sollen gleichzeitig Hyperscaler, Chipanbieter, Modell-Labs, Softwareunternehmen und Rechenzentrumsbetreiber gewinnen.

Das ist unwahrscheinlich. Wettbewerb und sinkende Stückkosten verteilen den Wert neu. Manche Unternehmen liefern mehr Leistung und verdienen pro Aufgabe weniger.

AI-Nützlichkeit ist nicht dasselbe wie Profitabilität des Anbieters. Profitabilität ist nicht dasselbe wie Aktienrendite.

Der Wert wandert durch den Stapel

In der frühen Phase floss der größte Wert zu den knappsten Komponenten. GPUs und HBM waren schwer verfügbar, Cloudkapazität war ausgebucht und wenige Frontier-Modelle setzten den Leistungsstandard.

Mit wachsendem Angebot verschiebt sich der Engpass. Modelle werden vergleichbarer. Kunden routen Aufgaben. Caching, kleinere Systeme und lokale Inferenz senken die Kosten. Dann wandert Wert von der reinen Modellleistung zu Distribution, Datenintegration und produktiven Workflows.

Auch die physische Ebene verändert sich. Wenn Chips verfügbar sind, aber Stromanschluss und Kühlung fehlen, gewinnen Energie, Netze und geeignete Standorte an Bedeutung.

Die Gewinnerliste ist daher nicht stabil. Sie folgt dem jeweils knappsten und am schwersten ersetzbaren Teil der Kette.

Modellknappheit → Chipknappheit → HBM und Packaging → Strom und Netze → Datenzugang → Workflow und Vertrieb

Gewinner 1: Eigentümer physischer Knappheit

Unternehmen mit real verfügbaren Stromanschlüssen, Transformatoren, Schaltanlagen, Kühltechnik, Kraftwerkskapazität und geeigneten Rechenzentrumsstandorten besitzen einen Vorteil, den Software nicht kurzfristig kopieren kann.

Der IEA zufolge könnte sich der weltweite Stromverbrauch von Rechenzentren zwischen 2025 und 2030 annähernd verdoppeln. Damit wird die physische Versorgung zu einem zentralen Teil der AI-Wertschöpfung.

Auch NVIDIA, Samsung und SK hynix profitieren weiterhin von außergewöhnlicher Nachfrage nach Beschleunigern und Speicher. NVIDIA meldete für das erste Quartal des Geschäftsjahres 2027 einen Umsatz von 81,6 Milliarden Dollar. Samsung und SK hynix berichteten im ersten Quartal 2026 Rekordergebnisse, getragen von Memory, HBM und AI-Servern.

Diese Unternehmen bleiben jedoch zyklisch. Knappheit erzeugt hohe Margen, lädt aber zugleich zu neuen Kapazitäten ein. Der langfristige Gewinner ist nicht automatisch der Produzent mit dem höchsten aktuellen Preis, sondern derjenige mit Technologieführung, Kostenkontrolle und Disziplin beim Ausbau.

Gewinner 2: Plattformen mit Distribution

Microsoft, Google und Amazon besitzen etwas, das Frontier Labs erst aufbauen müssen: bestehende Kunden, Cloudverträge, Identitäten, Betriebssysteme, Datenbanken und globale Vertriebskanäle.

Microsoft investierte im dritten Quartal des Geschäftsjahres 2026 rund 31,9 Milliarden Dollar in Capex; etwa zwei Drittel entfielen nach Unternehmensangaben auf kurzlebigere Vermögenswerte wie GPUs und CPUs. Diese Größenordnung zeigt sowohl die Stärke der Nachfrage als auch die Belastung der Bilanz.

Alphabet stellte für 2026 Capex von 175 bis 185 Milliarden Dollar in Aussicht und erklärte anschließend, dass die Investitionen 2027 nochmals deutlich steigen könnten. Amazon berichtete im ersten Quartal 2026 ein AWS-Betriebsergebnis von 14,2 Milliarden Dollar; im Aktionärsbrief bezifferte der Konzern die annualisierte AI-Umsatzrate von AWS auf mehr als 15 Milliarden Dollar.

Die Hyperscaler können AI über mehrere Wege monetarisieren: Cloudverbrauch, Software-Abos, Werbung, Sicherheit, Datenbanken und Kundenbindung. Ein einzelnes Modell kann austauschbar werden, während der Kunde in der Plattform bleibt.

Ihr Risiko liegt nicht im fehlenden Zugang zu AI. Es liegt darin, dass die Investitionen schneller steigen als der daraus erzielbare Cashflow.

Gewinner 3: Anwendungen mit messbarem Nutzen

Die höchste dauerhafte Marge kann dort entstehen, wo AI eine konkrete Aufgabe besser, schneller oder billiger erledigt.

Ein medizinisches System, das Dokumentation reduziert, eine Industrieanwendung, die Ausfälle verhindert, oder ein Coding-Werkzeug, das eine überprüfbare Produktivitätssteigerung erzielt, kann einen Teil des geschaffenen Nutzens abschöpfen.

Der Anwendungserfolg hängt weniger davon ab, welches Modell gerade den Benchmark führt. Entscheidend sind Prozesswissen, Kundenzugang, Datenqualität, Integration und Haftung.

Anwendungen besitzen zudem die Möglichkeit, Modelle gegeneinander auszutauschen. Damit können sie sinkende Modellpreise annehmen, ohne den eigenen Verkaufspreis im gleichen Maß zu senken.

Die stärkste Anwendung ist keine dünne Chatoberfläche. Sie ist ein Arbeitsablauf, der ohne sie nicht mehr in gleicher Qualität funktioniert.

Gewinner 4: Kunden mit Verhandlungsmacht

Unternehmen und Nutzer können zu den größten Gewinnern gehören, wenn sie AI als austauschbare Ressource behandeln.

Multi-Model-Routing, exportierbare Daten, offene Schnittstellen, lokale Inferenz und klare Kostenkontrollen verhindern, dass ein einzelner Anbieter die gesamte Wertschöpfung abschöpft.

Sinkende Tokenpreise und effizientere Modelle übertragen Produktivitätsgewinne an den Kunden. Genau dieser Erfolg kann jedoch die Margen der Modellanbieter unter Druck setzen.

Der ideale Kundenzustand lautet: mehr Automatisierung, niedrigere Kosten und keine irreversible Bindung an ein Modell, eine Cloud oder ein Erinnerungssystem.

Dazu benötigt der Kunde technisches Know-how und eigene Governance. Ohne diese Fähigkeiten verwandelt sich günstige Nutzung schnell in Daten-, Prozess- und Plattformabhängigkeit.

Bedingte Gewinner: die Frontier Labs

OpenAI, Anthropic und andere Frontier Labs können außergewöhnlichen Wert schaffen. Ob sie den Wert behalten, hängt von mehreren Bedingungen ab.

Sie benötigen einen dauerhaften Leistungsvorsprung, eine starke Marke, direkte Kundenbeziehungen und Anwendungen, die mehr sind als eine austauschbare API.

Gleichzeitig müssen sie Training, Inferenz, Forschung, Sicherheit und Vertrieb finanzieren. Sinkende Preise und Multi-Model-Routing treffen sie direkter als die Hyperscaler mit breiteren Einnahmequellen.

Der strategische Ausweg ist die Plattform. Eigene Agenten, Erinnerung, Unternehmensfunktionen und Geräte erhöhen die Bindung. Damit geraten die Labs jedoch in Konkurrenz zu den Clouds, die ihre Infrastruktur finanzieren.

Das Lab gewinnt dauerhaft nur, wenn es nicht auf die Rolle eines teuren Zulieferers reduziert wird.

Verlierer 1: Modelle ohne Preissetzungsmacht

Sobald mehrere Modelle ähnliche Qualität bieten, wird Intelligenz zu einer einkaufbaren Ware. Der Kunde wählt nach Kosten, Latenz, Datenschutz und Verfügbarkeit.

Ein Anbieter kann dann mehr Tokens ausliefern und trotzdem weniger pro Aufgabe verdienen. Der Jevons-Effekt erhöht das Gesamtvolumen, garantiert aber keine hohe Marge.

Besonders gefährdet sind Labs mit hohen Fixkosten, schwacher Distribution und fehlender Differenzierung. Sie tragen die Forschungsrechnung, während Plattformen und Anwendungen den Kundenzugang kontrollieren.

Auch offene und lokale Modelle erhöhen den Druck. Sie müssen nicht in jeder Disziplin führend sein. Es genügt, wenn sie Routineaufgaben ausreichend gut und wesentlich billiger erledigen.

Verlierer 2: Capex-Träger ohne ausreichenden ROIC

Der AI-Boom erzeugt eine historische Investitionswelle. Milliarden fließen in GPUs, Rechenzentren, Netze und Energie. Solange Nachfrage das Angebot übersteigt, wirkt jede zusätzliche Kapazität plausibel.

Die Bewertung ändert sich, sobald Investoren nach Rendite auf das investierte Kapital fragen. Kurzlebige Hardware wird schneller abgeschrieben als Leitungen oder Gebäude. Neue Generationen können ältere Cluster wirtschaftlich entwerten, bevor sie physisch unbrauchbar sind.

Ein Hyperscaler kann operativ wachsen und an der Börse trotzdem verlieren, wenn Capex, Abschreibungen und Finanzierung schneller steigen als AI-Umsatz und Free Cashflow.

Der gefährliche Satz lautet nicht: Die Nachfrage verschwindet. Er lautet: Die Nachfrage bleibt, aber sie rechtfertigt die bisherige Bewertung nicht.

Wenn die Nachfrage bleibt, aber die Bewertung fällt

Technologiezyklen enden selten nur durch vollständiges Scheitern. Häufig endet die Euphorie, weil Erwartungen zu hoch waren.

AI-Nutzung kann weiter wachsen, während Bewertungsmultiplikatoren sinken. Dafür genügen vier Entwicklungen:

langsamere Monetarisierung als erwartet
fallende Preise pro Aufgabe
höhere Abschreibungen und Energiekosten
stärkere Konkurrenz und niedrigere Margen

Ein Unternehmen kann Umsatz und Gewinn steigern und trotzdem einen fallenden Aktienkurs erleben, wenn der Markt zuvor noch schnelleres Wachstum eingepreist hatte.

Für Anleger ist dies besonders tückisch. Die fundamentale Geschichte klingt weiterhin richtig. Der Trade scheitert dennoch an Bewertung, Positionierung und Zeit.

Verlierer 3: gehebelte und konzentrierte Anleger

Kapitel 3 zeigte, wie Südkorea zu einem AI-Derivat wurde. Samsung und SK hynix erzielten reale Rekordgewinne. Gleichzeitig verwandelten Indexkonzentration, Margin-Kredite und gehebelte Einzelaktienprodukte die richtige These in eine fragile Marktstruktur.

Das Muster gilt weltweit. Passive Indizes konzentrieren Kapital in wenigen AI-Gewinnern. Optionen, gehebelte ETFs und Momentum-Strategien verstärken Bewegungen.

Bei der Umkehr verkaufen mechanische Systeme nicht, weil AI wertlos geworden ist, sondern weil Risikolimits, Sicherheiten und tägliche Rebalancing-Regeln es verlangen.

Der Investor kann mit seiner langfristigen Technologieprognose recht behalten und kurzfristig trotzdem liquidiert werden.

Der Zeithorizont einer Technologie ist länger als der Zeithorizont eines Margin-Kontos.

Verlierer 4: Unternehmen ohne Daten- und Prozesssouveränität

Ein Unternehmen kann kurzfristig produktiver werden und langfristig einen Teil seines institutionellen Gedächtnisses verlieren.

Wenn Agentenrollen, Prompts, Erinnerungen, Wissensgraphen und Arbeitsabläufe nicht exportierbar sind, steigt der Wechselpreis mit jedem erfolgreichen Einsatz.

Der Anbieter erhält Zugang zu immer mehr Kontext. Der Kunde verliert die Fähigkeit, Modelle und Clouds frei auszutauschen.

Zu den Verlierern gehören daher Organisationen, die AI schnell einführen, aber Kosten, Berechtigungen, Datenflüsse und Portabilität nicht kontrollieren.

Die technologische Abhängigkeit zeigt sich häufig erst dann, wenn Preise steigen, Regeln geändert werden oder ein Sicherheitsvorfall einen schnellen Wechsel erforderlich macht.

Verlierer 5: Berufsanfänger und ausgehöhlte Organisationen

Automatisierung trifft häufig zuerst die Aufgaben, an denen Einsteiger lernen. Werden diese Tätigkeiten vollständig entfernt, entsteht eine Lehrlingslücke.

Unternehmen können mehr Output mit weniger Personal erzeugen und zugleich ihre Fähigkeit schwächen, künftige Experten aufzubauen.

Erfahrene Mitarbeiter nutzen AI als Hebel. Unerfahrene Mitarbeiter können sich auf Ergebnisse verlassen, die sie nicht ausreichend prüfen können.

Der langfristige Verlierer ist nicht zwingend der Beruf, der verschwindet. Es kann die Organisation sein, die zu spät erkennt, dass ihre interne Urteilskraft und ihr Erfahrungswissen erodiert sind.

Verlierer 6: Nutzer, deren Autonomie zum Geschäftsmodell wird

Persönliche AI kann Orientierung, Bildung und Unterstützung bieten. Sie kann zugleich eine exklusive Beziehung fördern, Daten sammeln und den Nutzer an eine einzelne Oberfläche binden.

Ein System, das immer verfügbar ist, selten widerspricht und den gesamten Kontext kennt, kann menschliche Beziehungen im Vergleich anstrengender erscheinen lassen.

Für den Anbieter besitzt diese Bindung einen wirtschaftlichen Wert: mehr Nutzung, mehr Daten, stabilere Abos und Zugang zu weiteren Transaktionen.

Der Nutzer verliert nicht zwingend durch eine dramatische Manipulation. Der Verlust kann schrittweise erfolgen: weniger eigene Prüfung, weniger externe Beratung und höhere Wechselkosten.

Vier mögliche Endspiele

Die AI-Ökonomie kann sich in mehrere Richtungen entwickeln:

Skalierungsregime: Nutzung und Umsatz wachsen schneller als Capex; Hyperscaler, Chips und Infrastruktur bleiben hochprofitabel.
Überflussregime: Modelle und Tokens werden billig; Nutzer und Anwendungen gewinnen, während Frontier-Margen sinken.
Capex-Bereinigung: reale Nachfrage bleibt, doch Überbau, Abschreibungen und Finanzierung lösen einen starken Bewertungsrückgang aus.
Souveränitätsregime: Regionen und Unternehmen verlagern sensible Workloads in lokale, private und offene Systeme; der Markt fragmentiert.

Diese Szenarien schließen sich nicht vollständig aus. Verschiedene Teile der Welt und des Stapels können gleichzeitig in unterschiedlichen Regimen leben.

Die Gridizer-Research-Entscheidungsregel

Für jede AI-Position sollten fünf Fragen beantwortet werden:

Knappheit: Kontrolliert das Unternehmen einen schwer ersetzbaren Engpass?
Monetarisierung: Wer bezahlt für welchen messbaren Nutzen?
Kapitalintensität: Wie viel Capex, Energie und Abschreibung sind nötig?
Portabilität: Kann der Kunde wechseln oder bleibt der Wert im Ökosystem gefangen?
Bewertung: Welche Zukunft ist im Kurs bereits enthalten?

Danach folgt die Positionierung: Core, Qualitätssatellit, taktischer Regime-Trade oder Spekulation. Gewinnmitnahmen, Pflicht-Reviews bei Verlust und ein klarer Thesis-Bruch gehören zur Position, bevor der Kurs sie erzwingt.

Die Gridizer-Research-Watchlist

AI-Umsatz, Free Cashflow und ROIC im Verhältnis zu Capex und Abschreibungen
Preise pro erledigter Aufgabe statt nur pro Token
Anteil kleiner, offener und lokal ausgeführter Modelle
Hyperscaler-Auslastung und Energiekosten neuer Rechenzentren
HBM-, DRAM-, GPU- und Packaging-Lieferzeiten
Wachstum von Model-Routing, Caching und Multi-Cloud-Nutzung
Bruttomargen und Finanzierungsbedarf der Frontier Labs
Indexkonzentration, Optionen, Margin-Kredite und gehebelte Produkte
Portabilität von Daten, Erinnerung, Agenten und Unternehmenswissen
Produktivitätsgewinne im Verhältnis zu Kompetenzverlusten und sozialen Nebenwirkungen

Die Maschine kann gewinnen, ohne ihre Eigentümer reich zu machen

AI kann produktiver, billiger und wichtiger werden. Ihre Nutzung kann sich vervielfachen. Gleichzeitig können Modelle zur Ware werden, Capex-Renditen enttäuschen, gehebelte Märkte einbrechen und Nutzer einen Teil ihrer Daten- oder Entscheidungssouveränität verlieren.

Der Gewinner ist deshalb nicht automatisch das Unternehmen mit dem größten Modell, der größten Investitionssumme oder der lautesten Story. Dauerhafter Wert entsteht dort, wo reale Knappheit, Kundenkontrolle, messbarer Nutzen und Kapitaldisziplin zusammenkommen.

AI wird gewinnen. Doch wer verliert, entscheidet sich nicht erst am Ende. Es entscheidet sich an jedem Engpass, jeder Rechnung, jedem Vertrag, jedem Datenzugriff und jeder Entscheidung, die der Mensch an das System abgibt.