Künstliche Intelligenz wird meist unter dem Gesichtspunkt betrachtet, welche Unternehmen gewinnen und welche verlieren werden, Nvidia verkauft Chips, Microsoft verkauft KI-Dienste, Amazon baut Rechenzentren. Die Börse versucht seit Jahren abzuschätzen, wer am Ende die Gewinner der KI-Revolution sein werden. Eine andere Frage wird jedoch deutlich seltener gestellt:
Wie verändert KI eigentlich die Funktionsweise der Finanzmärkte selbst?
Die Antwort ist nicht eindeutig. KI kann Märkte effizienter machen, gleichzeitig aber auch neue Risiken schaffen. In diesem Blogbeitrag versuche ich meine Gedanken darüber zu formulieren.
Dabei sind drei Ebenen zu unterscheiden. Erstens schafft das Rennen um die leistungsfähigsten Modelle neue operative und gesellschaftliche Risiken. Zweitens konzentriert sich ein erstaunlich großer Teil der globalen Aktienmarktbewertung auf wenige Unternehmen, deren Kurse unmittelbar oder mittelbar vom Fortbestand des KI-Narrativs abhängen. Drittens verändert KI die Art, wie an den Märkten gehandelt wird.
1 Das Rennen um die leistungsfähigste KI
Zwischen OpenAI und Anthropic findet längst kein gewöhnlicher Technologiewettbewerb mehr statt. Beide Unternehmen müssen Investoren beweisen, dass ihre Modelle leistungsfähiger werden, Marktanteile gewinnen und sich trotz astronomischer Rechenkosten irgendwann profitabel betreiben lassen.
Bei Anthropic steht der Börsengang konkret im Raum. OpenAI dürfte zwar später folgen, benötigt aber weiterhin enorme Mengen privaten Kapitals. In beiden Fällen wird nicht nur die heutige wirtschaftliche Leistung verkauft, sondern vor allem die Aussicht auf künftige technologische Vorherrschaft. Wer zurückfällt, riskiert niedrigere Bewertungen, schlechtere Finanzierungsbedingungen und den Verlust von Kunden und Entwicklern.
Vor einem IPO beziehungsweise der nächsten großen Finanzierungsrunde wollen beide Unternehmen daher möglichst rasch demonstrieren, was ihre Modelle können. Sicherheit, Kontrollierbarkeit und eine sorgfältige Begrenzung agentischer Systeme drohen dabei zu nachgelagerten Themen zu werden. Belohnt werden höhere Leistungswerte, spektakuläre Fähigkeiten und ein möglichst großer Vorsprung gegenüber der Konkurrenz. Vorsicht lässt sich wesentlich schlechter vermarkten.
Besonders deutlich wird das beim Reinforcement Learning. Modelle erhalten ein Ziel und lernen, dieses möglichst erfolgreich zu erreichen. Sie verstehen dabei nicht notwendigerweise die übergeordnete Absicht des Entwicklers, sondern optimieren zunächst das, was tatsächlich belohnt wird. Fehlen wirksame Schranken, kann ein Modell versuchen, Überwachungssysteme zu umgehen, Schwachstellen auszunutzen oder seinen vorgesehenen Aktionsraum zu verlassen.
Die bekannt gewordenen Vorfälle zeigen, dass dies keine rein theoretische Überlegung mehr ist. KI-Agenten versuchten, Schutzvorkehrungen zu umgehen und Zugriff auf das offene Internet zu erlangen. OpenAI und Anthropic gaben an, ihre Sicherheitsvorkehrungen verschärft zu haben. Verschärfungen werden aber erst eingezogen, nachdem sich die bisherigen Kontrollen als unzureichend erwiesen hatten und sich ein Schadensfall ereignet hat. Externe Kontrollen gibt es aber mangels eines regulatorischen Rahmens in den USA aber nicht.
Das Vorgehen der genannten Protagonisten bezeichne ich als rücksichtslos und fahrlässig. Zuerst wird getestet, wie weit ein zunehmend autonomes System kommt. Werden Grenzen überschritten, wird nachgebessert. Mögliche Kollateralschäden werden damit faktisch Dritten aufgebürdet, die weder an den Unternehmensbewertungen noch an einem späteren Börsengang beteiligt sind.
Bei einem Chatbot mag dieses Risiko noch überschaubar erscheinen. Agentische KI kann jedoch Software schreiben, Cybersecurity-Aufgaben ausführen, externe Systeme bedienen und eigenständig im Internet handeln. Dann reicht es nicht mehr, dass ein Modell meistens sinnvolle Ergebnisse produziert. Die Unternehmen müssten nachweisen, dass ihre Agenten auch bei unerwarteten Situationen innerhalb verlässlicher Grenzen bleiben. Diesen Nachweis können sie bislang nicht erbringen.
2 Was ein wirklicher Zwischenfall auslösen könnte
Für die Aktienmärkte würde sich die Wahrnehmung von KI schlagartig verändern, wenn ein autonomes System einen materiellen Schaden verursacht, etwa einen erfolgreichen Cyberangriff, die Unterbrechung einer wichtigen digitalen Plattform oder im Extremfall eine Störung der Energie- oder Kommunikationsinfrastruktur.
Ein Blackout müsste keineswegs das beabsichtigte Ziel einer KI sein. Es würde genügen, wenn ein Agent im Zuge einer unzureichend begrenzten Aufgabe Schwachstellen ausnutzt, Systeme überlastet oder eine Kette unvorhergesehener Reaktionen auslöst.
Der Börsenschaden bestünde dann nicht nur in den unmittelbaren Kosten. Ein solcher Zwischenfall würde die Geschichte von der leistungsfähigen, produktivitätssteigernden und letztlich beherrschbaren KI grundsätzlich infrage stellen.
Die Folgen wären etwa:
strengere regulatorische Anforderungen,
Haftungsklagen gegen Entwickler und Betreiber,
Einschränkungen für autonome Agenten,
höhere Sicherheits- und Versicherungskosten,
Verzögerungen bei der kommerziellen Einführung,
eine Neubewertung der erwarteten KI-Gewinne.
Die Unternehmen müssten dann nicht mehr nur demonstrieren, was ihre Modelle können, sondern beweisen, dass sie deren Verhalten kontrollieren können. Das könnte zu einer Neubewertung des gesamten KI-Komplexes führen.
3 Investoren besitzen weniger Diversifikation, als sie glauben
Dieses technologische Risiko trifft auf Aktienmärkte, die bereits in außergewöhnlichem Maß von wenigen Unternehmen abhängig sind.
Auf die Magnificent Seven (Nvidia, Apple, Microsoft, Alphabet, Amazon, Meta und Tesla) entfielen Ende Oktober 2026 rund 34 Prozent des S&P 500. Ein Anleger, der einen S&P-500-ETF hält und damit in 500 Unternehmen investiert zu sein glaubt, hat somit tatsächlich rund ein Drittel seines Kapitals in nur sieben Konzernen angelegt.
Beim MSCI World ist die Konzentration geringer, aber keineswegs gering. Der Index umfasste Ende September 2026 rund 1.250 Unternehmen, wobei etwa 73 Prozent auf die USA entfielen. Allein Nvidia, Apple und Microsoft machten zusammen 15,22 Prozent des Index aus. Auf die gesamten Magnificent Seven entfallen circa 25 Prozent des MSCI World. Damit steckt auch in einem vermeintlich global diversifizierten Portfolio etwa jeder vierte investierte Euro in diesen sieben amerikanischen Unternehmen.
Noch interessanter ist der Anteil der Hyperscaler, also Microsoft, Amazon, Alphabet und Meta, jene vier börsennotierten Konzerne, die besonders umfangreiche Cloud- und Rechenzentrumsinfrastruktur aufbauen. Gemeinsam repräsentieren sie rund 17 Prozent des S&P 500 und schätzungsweise 13 Prozent des MSCI World. Die Werte sind Momentaufnahmen und verändern sich mit den Aktienkursen.
Das Problem aber besteht nicht nur in den hohen Gewichten. Die Unternehmen sind über das KI-Investitionsgeschehen wirtschaftlich miteinander verbunden, wie wir schon öfter berichtet haben, Stichwort „Kreuz-Finanzierungen“. Neben dieser Cluster-Bildung ist dabei auch der Umstand von Bedeutung, dass die Besicherung der Finanzierungen in der Regel mit Halbleiterbausteinen erfolgen, die wiederum schnell veraltern und an Wert verlieren. Stockt das Wachstum, kann dies ein Glied einer Kettenreaktion sein.
Zusätzlich gilt: Die Magnificent Seven sind keine homogene Unternehmensgruppe, wohl aber ein gemeinsamer Erwartungskomplex. Korrigiert sich das KI-Narrativ, können die Kurse gleichzeitig fallen, obwohl ihre Geschäftsmodelle auf den ersten Blick unterschiedlich erscheinen.
Die Überbewertung der Tech-Unternehmen betrifft dabei eigentlich nur ein relativ enges Segment, das aber das Kapital und die Aufmerksamkeit auf sich gezogen hat. Viele andere Bereiche sind sogar eher unterbewertet, zum Beispiel Immobilien, Versorger, Rohstoffe, Industriewerte. Interessant ist auch die Entwicklung des S&P500 seit Anfang August: Der Index entwickelte sich fast flat, während sich darunter ein Sektorcrash (mit mehr als -20/-50%) und der Beginn einer Rotation verbirgt. Genaueres Hinsehen erklärt den Effekt.
4 Das physische Problem der vermeintlich virtuellen KI
KI wird gerne als digitale Technologie dargestellt. Tatsächlich ist sie außergewöhnlich physisch. Sie benötigt Chips (diese wiederum viele seltene Erden und andere Rohstoffe), Rechenzentren, Strom, Kühlwasser, Glasfaserverbindungen, Umspannwerke und zunehmend eigene Energiequellen.
Der gesellschaftliche Widerstand wächst, vor allem in den USA. Gemeinden und Bürgerinitiativen wenden sich gegen neue Rechenzentren, weil sie steigende Strompreise, hohen Wasserverbrauch, Lärm, Flächenverbrauch und eine Belastung der lokalen Infrastruktur befürchten. Der Engpass beim KI-Ausbau liegt daher nicht mehr ausschließlich bei Chips und Strom. Auch Genehmigungen und gesellschaftliche Akzeptanz werden zum Problem.
Für die Börse hat das konkrete Folgen:
Verlängerung der Bauzeit: Ein Rechenzentrum, das später ans Netz geht, generiert später Umsätze, während Finanzierungs-, Grundstücks- und Entwicklungskosten bereits anfallen.
Die Investitionskosten steigen: Zusätzliche Ausgaben für Stromerzeugung, Netzanbindung, Wasserversorgung, Lärmschutz und ökologische Ausgleichsmaßnahmen verschlechtern die Rentabilität.
Das regulatorische Risiko wächst: Staaten und Gemeinden könnten Verbrauchsobergrenzen, höhere Anschlussgebühren, Umweltauflagen oder besondere Abgaben einführen. Auch die Frage, wer den Ausbau der Stromnetze bezahlt, dürfte politisch an Bedeutung gewinnen.
Der Widerstand kann (paradoxerweise) die Marktkonzentration weiter verstärken: Microsoft, Amazon, Alphabet und Meta verfügen über die Finanzkraft, langwierige Genehmigungsverfahren und steigende Infrastrukturkosten zu tragen. Kleinere Anbieter haben diese Möglichkeiten nicht.
Für Nvidia zum Beispiel ist diese Entwicklung zweischneidig. Der Wettlauf um Rechenkapazität sorgt kurzfristig für eine enorme Nachfrage nach GPUs. Werden Rechenzentren aber wegen fehlender Stromanschlüsse, Wasserknappheit oder politischer Widerstände nicht gebaut, kann auch die Nachfrage nach Chips nicht unbegrenzt wachsen. Die Märkte würden entsprechen sensibel darauf reagieren.
5 Wie KI Marktmechanismen beeinflussen kann
Quantitative Modelle und algorithmischer Handel sind nicht neu. Banken, Hedgefonds und andere professionelle Investoren verwenden seit Jahrzehnten automatisierte Systeme, die Marktdaten auswerten, Handelsentscheidungen treffen und bei Überschreitung bestimmter Risikogrenzen Positionen reduzieren.
Mit KI erhält diese Entwicklung allerdings eine neue Qualität. Modelle analysieren nicht mehr nur Preise, Volatilitäten und Korrelationen, sondern auch Unternehmensberichte, Analystenkonferenzen, Nachrichten und Beiträge in sozialen Medien quasi in Echtzeit. Agentische Systeme können darüber hinaus Aufgaben eigenständig planen, Entscheidungen treffen und Aktionen ausführen.
Das kann die Preisfindung verbessern und in normalen Marktphasen zusätzliche Liquidität schaffen. Problematisch wird es aber, wenn viele Modelle mit ähnlichen Daten, Optimierungsverfahren und Risikolimits zu denselben Ergebnissen kommen:
Was im einzelnen Modell wie rationale Risikoreduktion aussieht, kann auf aggregierter Ebene einen Verkaufsdruck erzeugen, dem plötzlich keine ausreichende Liquidität mehr gegenübersteht. KI beseitigt das Herdenverhalten der Anleger somit nicht, sie kann es automatisieren und sogar erheblich beschleunigen.
Die Gefahr liegt weniger in einer einzelnen „halluzinierenden“ Maschine als in der Interaktion zahlreicher Modelle, deren Verhalten für sich genommen plausibel erscheint, die aber gleichzeitig dasselbe tun oder vorschlagen.
Zusätzlich erleichtert KI die massenhafte Erzeugung glaubwürdig wirkender Falschinformationen. Gefälschte Unternehmensmeldungen, nachgebildete Stimmen von Vorstandsvorsitzenden oder manipulierte Videos können mittlerweile einfach und von jedermann produziert werden.
Die leichte Verfügbarkeit und Schwierigkeit falsche von echten Informationen zu unterscheiden kann eine rasch sich ausbreitende Marktdynamik noch beschleunigen.
Und noch ein Gedanke: Künstliche Intelligenz ist eher Simulierte Intelligenz, da die Sprachmodelle, auf denen immer noch alles aufbaut, auf Basis von menschlichen Informationen, Produkten und Artefakten lernen und menschliches Verhalten replizieren sollen. Damit erhöht KI noch weiter die Geschwindigkeit, mit der bekannte Schwächen der Märkte wirksam werden: Herdenverhalten, Gier, Angst und die Bereitschaft, unvollständige Informationen für wahr zu halten.
Fazit
Das Rennen zwischen OpenAI, Anthropic und anderen Entwicklern verläuft schneller als die Entwicklung geeigneter Kontrollen. Vor Börsengängen und Finanzierungsrunden besteht ein starker Anreiz, Fähigkeiten vor Sicherheit zu stellen und mögliche Kollateralschäden auf die Allgemeinheit abzuwälzen.
Gleichzeitig konzentriert sich rund ein Drittel des S&P 500 und etwa ein Viertel des MSCI World auf sieben Unternehmen, deren Bewertungen stark mit den Erwartungen an KI verbunden sind. Wer einen breit gestreuten Index kauft, investiert daher in erheblichem Ausmaß in dieselbe Geschichte: KI wird immer leistungsfähiger, die benötigte Infrastruktur kann schnell genug gebaut werden, die gesellschaftliche Akzeptanz bleibt erhalten und die daraus erzielten Einnahmen rechtfertigen irgendwann die heutigen Investitionen.
Diese Geschichte kann wahr werden. Ein großer Sicherheitsvorfall, wachsender Widerstand gegen den Strom- und Wasserverbrauch, verzögerte Rechenzentren oder schlicht enttäuschende KI-Erträge könnten jedoch genügen, um die Erwartungen deutlich zurückzusetzen.
Das größte Börsenrisiko der KI besteht möglicherweise aber nicht in einer Superintelligenz oder einem Aufstand der Algorithmen. Es besteht darin, dass sehr viele Investoren, Unternehmen und Indizes mittlerweile stark verwoben sind und gleichzeitig von der Annahme abhängen, dass beim weiteren Ausbau nichts Wesentliches schiefgeht.