Stephan-Andreas Casdorff ist kein vollpfostiger Lauch. Und doch steht er seit dieser Woche für eine Spezies, die uns einige düstere Jahre bescheren wird: Männer eines mittleren Alters, die der Massenpsychose Generative KI verfallen sind. (Und bevor einer dieser Männer „Sexismus!“ krakeelt – es sind in überwältigender Mehrzahl Männer).
Casdorff (67) war mal Chefredakteur des „Tagesspiegel“, zuletzt zeichnete er als Editor-at-Large und schrieb Meinungsbeiträge. Oder besser: Er promptete sie. Denn wie sich herausstellte, ließ er über 50 von der Generativen KI seines Vertrauens auswerfen. Warum fiel der Redaktion das nicht auf? Hat überhaupt noch jemand die Texte nochmal gelesen? Diese Fragen darf der „Tagesspiegel“, Heimat des chronisch alle anderen bekrittelnden Newsletters „Checkpoint“, bei Gelegenheit gern beantworten.
Der Ex-Chef gehört zu jenen Männern, die nicht verstanden haben, wie Generative Ki funktioniert – aber den absurden Versprechungen der Anbieter großer Sprachmodelle Glauben schenken. Aus diesem Glauben ist eine Massenpsychose geworden, die uns in eine globale Rezession führen wird. Eine, die heftiger werden dürfte, als nach dem Platzen der Dotcom-Blase.
Ich halte dieses Thema für so wichtig (und das Unwissen darüber noch immer so groß), dass nun ein langer Grundsatztext folgt. Aber da müssen wir alle mal durch, auch auf meinem Balkon sind gerade über 30 Grad.
Fangen wir also an bei Adam und Eva, oder besser bei Claude, John, Nathaniel and Marvin.
Künstliche Intelligenz ist nicht neu
Dies sind die Vornamen der vier Organisatoren eines Sommercamps für Informatiker am Dartmouth College, das in diesem Sommer 70 Jahre her ist. Die Gruppe sollte über die Intelligenz von Maschinen diskutieren, damals „Automata Theory“ genannt. John McCarthy wollte dafür Geld von der Rockefeller Stiftung und fürchtete der sperrige Begriff würde keine Zahlungsbereitschaft erzeugen. Deshalb erfand er eine geschmeidigere Vokabel „Artificial Intelligence“.
Dies ist der Geburtsfehler von KI. Denn ein Kranz teils sehr unterschiedlicher Technologien wurden über die Jahrzehnte unter diesem eingängigen Begriff subsummiert, ohne auf Details zu achten. Jeder von uns verwendet KI-gestützte Technologien seit Jahrzehnten, ohne dass wir es uns bewusst gemacht haben: Navigationssysteme, Videospiele, Digitalkameras, Abstandswarner. Am Morgen misst mein Kaffeevollautomat via Bilderkennung die Röstung der Bohnen und passt den Mahlgrad entsprechend an – auch das ist KI.
Wenn ich eine Statistik sehe, nach der soundsoviel Prozent der deutschen Unternehmen jetzt endlich KI nutzten, schmunzele ich: Höchstens der vollanaloge Änderungsschneider auf dem Land nutzt keine Technik, in der KI verbaut wurde.
Warum aber reden wir nun in dieser Zeit so viel davon?
Weil die Anbieter eines Subsets Künstlicher Intelligenz es geschafft haben, ihre Technik zur Gattungstechnologie zu machen.
GenAI – das Tempo der KI
Fast niemand redet heute von Generativer KI – nicht mal die Anbieter derselben. Das Adjektiv wird einfach gestrichen und das liegt ganz im Interesse der Produzenten. So fällt niemand auf, dass es andere, sehr viel spannendere KI-Varianten gibt, zum Beispiel Spatial AI, die wir für autonome Autos und Roboter brauchen. Vor allem soll und darf es nicht Geldgebern auffallen, denn Geld ist für GenAI-Firmen in absurden Mengen überlebensnotwendig. Stattdessen reden wir sogar fast ausschließlich von einem Subset des Subsets – den großen Sprachmodellen (Large Language Models – LLM).
Wer sich mit ihrer Funktionsweise beschäftigt, erkennt schnell: Sie sind so „intelligent“ wie sehr große Taschenrechner.
Verkürzt gesprochen sind LLM semantische Wahrscheinlichkeitsrechner. In ihrem Training analysieren sie die Zusammenhänge von Wortbestandteilen. Und dann werfen sie zur Lösung ihnen gestellter Aufgaben jeweils das am wahrscheinlichsten nächste Wortfragment aus. Hinzu kommt sogar eine Unsicherheitseinstellung, Temperature oder Heat genannt. Steht sie auf ihrem Extremwert, wirft das LLM jedes Mal das Gleiche aus. Damit das nicht passiert, und die Maschine kreativ wirkt, gibt es einen Unsicherheitsfaktor, der irgendwo zwischen 1 und 10 Prozent liegt. Das ist einer der Gründe, warum ein Modell auf eine scheinbar klare Frage eine falsche Antwort gibt.
Diese Funktionsweise macht das Thema Urheberrecht so komplex. Denn wenn ein Urheber nicht explizit die digitale Verwertung seiner Inhalte öffentlich ausgeschlossen hat, dürften Urheberrechtsklagen spannend werden. Schließlich „merkt“ sich ein LLM nicht eine bestimmte Information, sondern analysiert die Wortbestandszusammenhänge.
Doch das ist nicht die einzige Folge…
LLM werfen praktisch immer Mittelmaß aus
Das Wahrscheinlichste ist auf unserer Welt nie das Extrem – es ist praktisch immer die Mitte. Und so erzeugen die Dienste eben auch Mittelmaß. Das kann absolut gewollt sein, zum Beispiel, wenn es um die Beantwortung einer Wissensfrage geht. Wer aber glaubt, dass ein Sprachmodell ihm eine besonders kreative Idee für eine Werbekampagne oder eine Unternehmensstrategie auswirft, der sollte sich fragen, wie kompetent er selbst im jeweiligen Fach unterwegs ist – denn er bewundert Mittelmäßigkeit.
Im Schreiberischen hat das einen Vorteil: Aus schlechten Schreibern werden mittelmäßige – und das ist ein Gewinn. Ob das auf Tagesspiegler Casdorff zutrifft, kann ich nicht beurteilen.
LLM sind voreingenommen und konservativ
„Antwortmaschinen“ hat Axel Springer-Chef Mathias Döpfner LLM genannt. Nun wissen wir natürlich seit langen Jahren, dass er von nichts, was Technik betrifft Ahnung hat und jede seiner Vorhersagen uns den Weg in die Zukunft weist – weil genau das Gegenteil des Angekündigten eintreten wird.
Aber Döpfner ist nicht allein. Google hat die Antworten seines LLM Gemini auf die Spitze seiner Suchergebnisse platziert und trainiert damit nicht die Maschine, sondern die Nutzer: Sie sollen die KI als neues Google nutzen.
Das Problem ist, dass die Systeme voreingenommen bis zum Anschlag sind. Wie oben beschrieben: Sie werden ja nicht mit „Wissen gefüttert“, so wie man ein Buch in einer Bibliothek abstellt und dann immer mal nachschlägt. Sie analysieren die Abfolge von Wortbestandteilen.
Der Unterscheid: Wäre es möglich, Wissen einzupflegen, würde ein LLM schon allein mit dem Satz „Einstein erfand die Relativitätstheorie“ arbeiten können. Das System würde nur auf jede Anfrage diesen Satz auswerfen.
Für das, was LLM heute sind, braucht es das Training mit Textmengen, die das überstrapazierte Wort „unglaublich“ tatsächlich mal verdienen. Jedes LLM ist mit über 5 Petabyte Text trainiert worden. 1 Petabyte sind über den Daumen 1 Million mal 178 Millionen Worte. Würden wir jeden Tag das Gesamtwerk von Thomas Mann zufüttern – es hätte keine Wirkung.
Angesichts dieser Textmenge ist klar, dass die Anbieter nicht wählerisch sein konnten. Es kam alles rein: Wikipedia, Nachrichtentexte, rechtsradikale Foren, linksradikale Foren und mit hoher Wahrscheinlichkeit auch dieses Blog.
Deshalb ist es für eine neue Information schwer, sich durchzusetzen. Würden wir heute herausfinden, dass Orangen der Gesundheit schaden, ständen ein paar Dutzend Artikel zunächst abertausenden gegenüber, die das Gegenteil sagen – und letztere bekämen die höhere Wahrscheinlichkeit.
Aus dem gleichen Grund sind die Modelle auch, höflich gesprochen, konservativ. Über den weiteren Teil der Menschheitsgeschichte waren Frauen und Menschen nicht-weißer Hautfarbe minderwertig – dies spiegelt in den Ergebnissen wider.
Vielleicht ist das der Grund, warum Demokratiefeinde, Rechtsradikale und vor allem alte Männer LLM so toll finden? Weil sie sich wiederfinden und bestätigt fühlen. Und wer hat da gerade „Mathias Döpfner“ gesagt?
LLM haben keinen Kontext zur physischen Welt
Für ein Sprachmodell ist ein Fenster kein Fenster. Es ist die Aneinanderreihung der Zeichen F e n s t e r, die es mit Zahlenwerten versieht. Deshalb entstehen so oft merkwürdige Antworten, die physischen Gesetzen widersprechen.
Dies hat eine bedeutende Folge: Ein LLM kann zum Beispiel kein Auto autonom fahren oder einen Roboter steuern. Dafür braucht es ein zusätzliches Spatial AI-System, das diesen Kontext zur Kohlenstoff-Dimension hat und über die Spracherkennung des LLM Anweisungen erhält.
LLM können gut programmieren
Es gibt ein Feld, in dem Sprachmodelle gerade eine Branche tatsächlich umkrempeln: Coden. LLM sind in der Lage auf Sprachbefehl Programmiercodes und Webseiten-Designs auszuwerfen. Das macht Programmierer, behaupten diese, um ein Vielfaches effizienter.
Allerdings gibt es zwei offene Fragen, die noch nicht ausreichend geklärt sind.
Frage 1: Ist es nicht viel ineffizienter, Fehler im Code zu suchen oder Änderungen einzubauen, wenn jener Code von einer Maschine erschaffen wurde? Denn Code folgt einer Aufbaulogik, die Maschinen so nicht kennen. Wer also nach Fehlern sucht, muss sich sehr viel länger einarbeiten. Erste Studien deuten darauf hin, dass sich Programmierer effizienter fühlen, es aber nicht sind. So ergab eine Studie Anfang 2025, dass Open Source-Coder 19% langsamer sind, wenn sie KI einsetzen. Anthropic selbst veröffentlichte eine Studie, nach der Programmierer zunächst schneller sind, dann aber an Kompetenz verlieren.
Frage 2: Was ist mit der Sicherheit? Weil die Systeme keinen Kontext zur Realität haben, besteht die Gefahr, dass sie sicherheitsrelevante Einfallstore für Hacker nicht mitdenken. Dies betrifft verstärkt das Vibe Coding, also das sprachgesteuerte Erzeugen von Apps oder Webseiten durch Unkundige.
LLM sind nicht mehr maßgeblich ausbaufähig
Jede Technologie ist irgendwann ausentwickelt. Dann kann man noch hier ein wenig schrauben und da ein wenig drehen, die Zugewinne sind aber nur für Feinschmecker der Materie relevant. Ein Beispiel: der Verbrennungsmotor.
Und so ist das auch mit Sprachmodellen. Der aktuelle Stand ist der, mit dem wir auf Dauer leben. Das ergibt sich aus dem oben Erwähnten. Wollte man ein LLM im Training um 10 Prozent verbessern, bräuchte man 10% von 5 Petabyte an Daten und das sind immer noch mehr Worte, als eine deutsche Stadtbibliothek zu bieten hat. Und ob diese 10 Prozent Menge das Ergebnis um 10 Prozent besser machen, ist völlig offen.
Verbesserungen im Algorithmus hingegen sind praktisch gar nicht möglich, weil selbst die LLM-Anbieter nicht wissen, warum ihre Modelle den einzelnen Wortbestandteile welche Wahrscheinlichkeitswerte geben. Platt gesprochen, und, ja, das klingt völlig irre: Die Modell-Anbieter wissen nicht, wie ihre Modelle funktionieren. Anthropic, zum Beispiel, setzt eigene Studien auf um dies zu ergründen.
Bliebe noch das Post-Training. Es ist möglich, Informationen fest im System zu verankern. Das ist einigermaßen aufwendig und nicht gerade günstig. Letzteres, obwohl diese Arbeit in Umständen erfolgt, denen keiner von uns sich aussetzen möchte. Die Klickworker, die dies erledigen, sind jene in Asien (oder verstärkt in Afrika) Beschäftigten, die in mieser Bezahlung und Akkordarbeit bisher das erledigten, was Meta & Co. „Community Management“ nennen. Günstiger wird diese Tätigkeit nicht, vielmehr steigen die Preise aktuell.
Diese gesamte Melange erzeugt viele Absurditäten und verbrennt Geld.
Dass Buch-Bestsellerlisten überschwemmt werden mit KI-erzeugter Unfug-Literatur ist fast noch hinnehmbar. Oder dass KPMG seine Beratung in Sachen KI verkauft mit einer von KI geschriebenen Studie, die fantasiert, dass große Unternehmen KI-Agenten einsetzten, was von den Genannten bestritten wird.
Schlimmer dagegen: Gerichte sind überlastet, weil Privatleute auf Rat von KI Klagen einreichen, die von KI geschrieben werden und entsprechend unfugig sind. Zumindest in den USA sind Kanzleien aber auch kein guter Ratgeber: Es gibt etliche Fälle renommierter Juristen, die KI-geschriebene Klageschriften mit erfundenen Grundsatzurteilen einreichten. Wer ein wenig stöbern möchte: Es gibt eine internationale Datenbank mit entsprechenden Fällen.
Und was ist dem Einsatz in Unternehmen? Nicht besser.
Klarna, zum Beispiel, ersetzte erst 700 Callcenter-Mitarbeiter mit KI – um ein Jahr später 1.000 von ihnen einzustellen. Starbucks wollte die Lagerhaltung in den Filialen mit KI steuern. Mehrere Jahre testete der Konzern und führte das System im vergangenen September ein – ein vier Monate später riss er es wegen Fehlerhaftigkeit heraus. Das „Wall Street Journal“ testete, ob Anthropic den Kiosk des Verlags führen kann – das Experiment endete im Real Life-Gegenstück eines Monty Python-Sketches. Solche Geschichten gibt es en mass. Auch makroökonomisch passiert herzlich wenig. Drei Jahre nach Öffentlichstellung von ChatGPT lassen sich keine ernsthaften Produktivitätsgewinne nachweisen.
Die KI-Propheten behaupten dann gern, dass die Prozesse sich anpassen müssten. Sprich: Die Unternehmen sollen ihre gesamten Arbeitsweisen über den Haufen werfen in der kühnen Hoffnung, dann spektakuläre Ergebnisse zu erreichen. Tja, und wenn die nicht kommen?
Dieser Vorschlag zeigt das Ausmaß der Irrationalität. Denn:
Generative KI ist eine Massenpsychose
Das ist keine Übertreibung. Längst haben wir ja die wissenschaftlichen Studien über psychische Auswirkungen beim Einsatz von KI. Die regelmäßige Verwendung führe zu „kognitiver Verkümmerung“, sagt eine Studie aus Harvard, jüngst wurde dies durch eine aus Oxford bestätigt – sie ergab bereits Veränderung nach 10 Minuten GenAI-Nutzung. Nun darf jeder sein Hirn niederrichten, wie er mag – ich persönlich finde dafür ambitioniert bepreiste Weine aber genussvoller.
Hinzu kommen jene Fälle, da vulnerable Personen – auch hier: vor allem Männer – in Verschwörungstheorien, psychische Krisen bis hin zum Selbstmord getrieben wurden.
Noch schlimmer sind die Auswirkungen bei Kindern. Norwegen zog gerade als erstes Land die richtigen Konsequenzen und untersagte weitestgehend den Einsatz Generativer KI in Grundschulen.
Das liegt auch am Automation Bias. Es ist wissenschaftlich nachgewiesen, dass Menschen den Ergebnissen einer Maschine eher trauen, als denen anderer Menschen. Und dass sie andererseits die Ergebnisse einer Maschine weniger intensiv prüfen. Das treibt in Zeiten Generativer KI solche Blüten wie automatisch erzeugte Meetingprotokolle, auf die niemand mehr blickt. In denen finden sich dann Formulierungen wie „Am Anfang wurde die Bedeutung von Bananen diskutiert“. Tatsächlich wurde im Small Talk Obst erwähnt, die KI konnte nicht einordnen, in welche Richtung es ging – aber sie muss eben was auswerfen. Kontrolliert wird das nicht, weshalb dann auch mitten im Protokoll mal die Formulierung auftauchen kann „Es wurde die Bedeutung von Stellenabbau diskutiert.“
Management Summary: Wir demolieren mit Generativer KI unsere Hirne und überlassen den schädigenden Elementen die Hoheit. What could possibly go wrong? Wie schräg manches läuft, zeigte mir das Gespräch mit einem Werber. Er bejubelte seine KI und was für sensationelle Kampagnenideen sie auswerfe. Na gut, da müsse man auch schon mal 100 Seiten Prompts schreiben und immer wieder nacharbeiten…
Doch die Massenpsychose grassiert auch an anderer Stelle – der Finanzwelt. Denn:
Große Sprachmodelle sind nicht mal annähernd profitabel zu betreiben
Ed Zitron ist ein bestens vernetzter Techjournalist, dessen Newsletter und Podcast anscheinend nur wenige deutsche Journalisten beachten. Denn seine Exklusivmeldung von vergangener Woche blieb fast unbeachtet.
Ihm wurden die Jahreszahlen 2025 von OpenAI zugespielt – und die sind ein Schlag ins Kontor.
Die Verluste haben sich innerhalb eines Jahres verachtfacht, der Verlust aus dem operativen Tagesgeschäft ist 1,6 mal so hoch wie die Einnahmen.
Zitron will in Kooperation mit der „Financial Times“ in Kürze noch weitere Details analysieren, auch weil Kategorien auftauchen, die nicht zum normalen Vokabular von Bilanzen zählen (was nie ein gutes Zeichen ist).
Schon so bewegt sich all das am Rande des Irrsinns. Selbst wenn es OpenAI gelänge, die Preise zu verdoppeln ohne, dass ein Kunde abspränge (was nicht passieren wird), würde das Unternehmen nicht kostendeckend arbeiten. Somit vergrößert jeder neue Kunden den Verlust. Und die Kosten sinken ja nicht, Energie, Wasser zur Kühlung und Computerchips kosten immer mehr.
Geht es der Konkurrenz anders? Nope. Anthropic posaunte groß heraus, man habe das erste profitable Quartal – dahinter aber stecken wilde Bilanztricks und die Aussage betrifft eben nur das eine Quartal. Stattdessen sind die Rechenkosten aktuell 23% höher, als das Unternehmen erwartet hatte. Das sagenumwobene neue Modell Mythos, so urteilen Fachleute wie der Security-Experte Bruce Schneier, sei gar nicht so eine große Gefahr für die IT-Security, wie behauptet – es wurde nicht öffentlich ausgerollt, weil es so hohe Rechenleistungen erfordert, dass es Anthropic noch schneller in den Ruin getrieben hätte.
Deshalb stellen die Anbieter ihr Bezahlmodell um. Statt eines Monatsbetrags werden nun Token berechnet, ganz so wie am einarmigen Banditen oder in meiner Kindheit auf der Kirmes beim langsamen, aber faszinierenden Spiel „Mondschieber“: Man wirft immer neu nach, sieht, wie die Münzen langsam in den Orkus rutschen und alle Jubeljahre gibt es dann einen kitschigen Gewinn.
Münschieber, in meiner Kindheit hießen sie wegen der Weltraum-Motive „Mondschieber“. Foto: Archimëa, CC BY-SA 3.0, https://commons.wikimedia.org/w/index.php?curid=31830299
Diese Token werden angeprisen wie bewusstseinserweiternde Substanzen im Drogenmilieu oder Nahrungsergänzungsmittel in halbseidenen Multilevel-Marketing-Systemen.
Beispiel: NVDIA-Chef Jensen Huang. Er verkündet allen Ernstes, dass die Verwendung von Token gleichzusetzen sei mit Produktivität. Das ist ungefähr so logisch wie sich im Auto in die Garage zu setzen, den Leerlauf einzulegen, den Motor hochzujagen und zu behaupten, man sei auf der Reise.
Aber die Hyperscaler, also die Betreiber jener großen Rechenzentren, die werden sich doch eine goldene…
Nein.
Von 2023 bis 2025 haben allein die US-Hyperscaler 800 Mrd. $ investiert, weitere 700 Mrd. kommen dieses Jahr dazu, für 2027 wird aktuell mit einer Billion gerechnet. Das bedeutet, die defizitäre Branche müsste 2,5 Billionen GEWINN machen, um den Break-even der Investitionen zu schaffen. Wo holen sie sich den Gewinn? Bei den großen Sprachmodellen. Und die machen – ebenfalls Verlust. Und OpenAI setzt gerade mal 13 Milliarden um. Selbst wenn das schon der Gewinn wäre, wären es nur 0,5 Prozent der nötigen Summe. Der Break-even träfe also in ungefähr 200 Jahren ein, zwischendurch müssen aber wahrscheinlich 100 Mal die Chips ausgetauscht werden, was neue Investitionen erfordert.
All dies ist hirnverbrannter Unfug.
Viele Geldgeber haben das längst erkannt, es fällt den LLM-Anbietern immer schwerer, frisches Kapital zu bekommen. Weshalb sie auf den letzten Exit zusteuern: den Börsengang.
Letzte Ausfahrt IPO
Im digitalen Zeitalter, in dem jedes Unternehmen, unterhalb der Börsennotierung „Startup“ genannt wird, ist das Leben eine stetige Wanderung zum Gipfel des Mount Mammon. Erste, an den Erfolg Glaubende investieren, dann werden die Geldgeber immer institutioneller, erst kommt Venture Capital, dann vielleicht Private Equity. Organisiert wird das in Finanzierungsrunden, denn jeder neue Investor hat ja Folgen für die Bestehenden, ihre Anteile müssen angepasst werden, oft müssen sie neues Geld reinlegen, wenn ihr Anteil gleichbleiben soll.
Am Ende steht die Hoffnung auf einen Exit – also den Verkauf der Anteile. Käufer können große Unternehmen sein, große Investoren oder aber im Fall eines Börsengangs Fonds und Privatanleger.
Der Börsengang war einst eine Zwischenstation in der Vita eines Unternehmens. Er ist im Menschenleben vergleichbar mit dem ersten, richtig guten Job im Angestelltendasein: Jetzt hat man es geschafft, man ist gesetzt, nun kann man erstmal in Ruhe vor sich hinwerkeln, bis sich etwas Dramatisches ändert, wird es dauern.
Bei GenAI-Anbietern ist das anders. Für OpenAI & Co ist der Börsengang so was wie eine Antarktis-Expedition im frühen 20. Jahrhundert. Das Schiff ist festgefroren, nun werden die Vorräte ausgeladen, es geht in eine Winterhütte oder vielleicht gar hinaus in die Weite des Eises in der Hoffnung, das Ganze zu überleben. Mit frischem Proviant darf man nicht rechnen, man schlachtet Pinguine und verbrennt deren Körperfett im offenen Feuer.
Der Haken: Ein Börsengang erfordert die Offenlegung von Zahlen, die bisher sorgsam gehütet wurden. Da bleibt nur die Hoffnung, dass genug Menschen sich für die LLM-Meme-Stocks begeistern wie im Fall von SpaceX. Diesen IPO bezeichnet Sascha Pallenberg in seinem Blog und Podcast als „größten Bankraub der Geschichte“ (und sie sollten seine Recherche lesen/hören. Ich sehe das anders, ich finde diese Formulierung zu milde.
Nur eine der zahlreichen Absurditäten: Da rennt Elon Musk umher und schwärmt von Servern im Weltall. Die kann nur für eine gute Idee halten, wer in der Schule statt Physik Singen & Klatschen belegt hatte – bei geringem Gesangsanteil. Der Börsenprospekt dämpft die Hoffnungen des großen Elon erheblich und weist auf die Fraglichkeit einer Umsatzung hin.
Für SpaceX ist der Börsengang auch nicht der Weg in eine ruhigere Zeit – im Gegenteil. Schon zehn Tage nach dem Börsengang verkündete das Unternehmen, es wolle Anleihen im Wert von 20 Milliarden Dollar begeben.
Der Börsengang ist in dieser Branche nur noch eine Zwischenstation, ohne die ein Überleben nicht möglich ist. Siehe: OpenAI. Der Konzern hatte Ende 2025 noch 50 Mrd. $ Kapital. Der Nettoverlust 2025 lag bei 38,5 Mrd. Und: Der Verlust hatte sich verachtfacht. Somit ist es keine kühne Annahme, eine Insolvenz im kommenden Jahr in den Bereich des Möglichen zu rücken, ginge der IPO in die Hose.
Käme es nur bei einem einzelnen der Anbieter so, würde der gesamte Markt schon kollabieren. Denn all die Konzerne sind via NVIDIA miteinander verwoben. NVIDIA hat seine Chips ja nicht klassisch verkauft, sondern zu einem gehörigen Prozentsatz gegen Anteile der Kunden abgegeben. Würde einer dieser Kunden den Köpper machen, müsste NVIDIA die Beteiligung in seiner Bilanz auf 0 abschreiben. Dies ließe den NVIDIA-Kurs abschmieren, beides zusammen würde Kredite teurer machen, die das Unternehmen im laufenden Geschäft benötigt. Und der fallende Kurs würde viele Anleger ihre Tech-Aktien verkaufen lassen.
Solche Effekte würden weltweit einsetzen. Zum Beispiel müsste der Mittelständler im Münsterland, der sich vom regionalen IT-Dienstleister ein auf OpenAI basierendes KI-System bauen ließ, dieses abschreiben. Data Center-Betreiber würden ihre geplanten Center einstampfen, viele bestehende würden sich in mit Blechregalen gefüllte Lagerhallen verwandeln.
All dies trifft auf eine unschöne Umgebung. Denn das chinesische Wirtschaftsmodell, von so vielen LinkedIn-Viralexperten noch durch die Deck gehypet, ist laut des „Economist“ „a mess“, weil hochgradig mit Schulden von Kommunen finanziert. Der Boom des amerikanischen Finanzmarktes dagegen ist zu einem signifikanten Teil finanziert mit Krediten privater Anleger, die glauben, es sei eine gute Idee, sich zu verschulden, um Aktien zu kaufen: In den vergangenen 12 Monaten sind die Kredite von Privatpersonen bei Brokern um 40 Prozent auf 1,4 Billionen Dollar gestiegen.
Sprich:
Wir stehen vor einer globalen Rezession
„Lang anhaltende, ununterbrochene Boomphasen… rufen eine kollektive Wahnvorstellung hervor. Optimismus wird zu einer Droge oder einer Religion – oder zu einer Kombination aus beidem. Angetrieben von einer Kultur aus ‚heißen Tipps‘, einmaligen Gelegenheiten, mörderischen Verkaufsargumenten und unwiderstehlichen Slogans verlieren die Menschen ihre Fähigkeit, Risiken zu kalkulieren und zwischen guten und schlechten Ideen zu unterscheiden. Und an der Spitze von Industrie und Regierung stehen während einer solchen Manie Menschen, die sich oft nicht von allen anderen unterscheiden – fehlerhaft, eigennützig, kompliziert. Sie treiben die Ereignisse voran, manchmal kühn, manchmal blind, oft ohne die Konsequenzen ihres Handelns vollständig zu begreifen. Es ist ein langsames Aufkochen – bis alles überkocht. Einige nutzen den Moment aus, ohne es überhaupt zu merken. Andere rationalisieren es und reden sich ein, sie würden einem höheren Zweck dienen. Ob sie nun nach Macht, Anerkennung oder einfach dem Nervenkitzel suchen, die Wahrscheinlichkeiten zu schlagen – sie glauben selten daran, dass das Schlimmste erst noch bevorsteht.“
Doch wie ein oft wiederholtes Zitat, das John Maynard Keynes zugeschrieben wird (und wahrscheinlich apokryph ist), beschreibt: ,Märkte können länger irrational bleiben, als Sie liquide bleiben können‘ – insbesondere dann, wenn diese Irrationalität das Handwerk eines hochqualifizierten Marktmanipulators mit tiefen Taschen ist.“
Diese Passage handelt nicht von KI im Jahr 2026. Sie stammt aus dem höchst lesenswerten Buch „1929“ von Andrew Ross Sorkin, dem Finanzkolumnisten der „New York Times“. Es beschreibt, wie es zum großen Crash jenes Jahres kam
Die Parallelen zum Jahr 2026 sind erschlagend.
Keine Kommentare vorhanden