Künstliche Intelligenz wird die Preislogik in der Softwareindustrie grundlegend verändern und damit Bewertungsmodelle für viele Tech-Aktien infrage stellen. Eine Analyse auf Seeking Alpha zeichnet den Bogen von den Anfängen der Informationstechnologie bis zur aktuellen KI-Welle und zeigt, warum traditionelle Kennziffern wie „Revenue per employee“ und klassische Software-Metriken an Aussagekraft verlieren könnten.
Von Lochkarten zur Cloud: Historische Kostendegression als Blaupause
Der Beitrag skizziert zunächst die Entwicklung von der Lochkartenära über Mainframes, Personal Computer und Client-Server-Architekturen bis hin zur Cloud. Im Zentrum steht die stetige Reduktion der Kosten pro Recheneinheit und pro gespeicherter Information. In jeder technologischen Welle verschob sich der Wertschöpfungsfokus: von Hardware zu Systemsoftware, weiter zu Anwendungssoftware und schließlich zu internetbasierten Plattformen. Gleichzeitig nahm der Margendruck in den zuvor dominanten Segmenten zu, sobald neue Abstraktionsebenen entstanden und Konkurrenz den Markt öffnete.
Preisbildung in der Softwareindustrie: Von Lizenzen zu Subscriptions
Mit dem Übergang vom Perpetual-Lizenzmodell zu Subscription- und SaaS-Modellen wandelte sich die Preislogik. Wiederkehrende Umsätze traten an die Stelle einmaliger Lizenzzahlungen. Kennzahlen wie ARR (Annual Recurring Revenue), Net Retention Rate, LTV/CAC-Verhältnisse und Rule-of-40 wurden zu zentralen Bewertungsgrößen. Der Artikel zeigt, dass diese Metriken stark von der Annahme leben, dass Software vor allem menschliche Arbeitszeit ersetzt und strukturelle Produktivitätsgewinne beim Kunden erzeugt, für die dieser bereit ist, einen stabilen Anteil seiner IT-Budgets aufzuwenden.
KI als neue Abstraktionsschicht: Tokens statt Seats
Mit generativer KI etabliert sich nun eine zusätzliche Abstraktionsschicht oberhalb der bisherigen Software-Ebene. Die operative Einheit verschiebt sich von Nutzern und Seats hin zu Tokens und Rechenoperationen, die über große Sprach- und Multimodalmodelle laufen. Die Analyse beschreibt, dass damit ein neues Preisgefüge entsteht, das stärker an Verbrauch und Inferenzkosten gekoppelt ist. Gleichzeitig entstehen neue Intermediärschichten: Model-Anbieter, Orchestrierungs- und Agenten-Frameworks, Vektordatenbanken und spezialisierte Dienste für Retrieval-Augmented Generation.
Margenverschiebungen entlang der KI-Wertschöpfungskette
Die Studie auf Seeking Alpha arbeitet heraus, dass ein erheblicher Teil der Wertschöpfung aktuell in der Hardware- und Infrastruktur-Schicht liegt. Hohe Nachfrage nach spezialisierter Rechenleistung und Speicher erzeugt Überrenditen bei führenden Chipproduzenten und Cloud-Anbietern. Gleichzeitig ist offen, wie nachhaltig Software- und Plattformanbieter Preissetzungsmacht behalten, wenn sich KI-Modelle und -Services zunehmend standardisieren oder als Commodity etabliert werden. Historische Analogien deuten darauf hin, dass Margen im Zeitverlauf von den frühen Pionieren zu den effizientesten Infrastrukturanbietern und später zu dominanten Plattformen mit Netzwerkeffekten wandern können.
Die Schwäche klassischer Kennziffern: „Revenue per employee“ unter Druck
Ein zentrales Argument der Analyse ist, dass Kennzahlen wie „Revenue per employee“ in einem KI-getriebenen Umfeld an Trennschärfe verlieren. Je mehr wertschöpfende Tätigkeiten von KI-Agenten übernommen werden, desto weniger spiegelt der Headcount die tatsächliche Servicekapazität eines Unternehmens wider. Unternehmen könnten bei stagnierender oder sinkender Mitarbeiterzahl ihre Output-Kapazität signifikant steigern, was traditionelle Produktivitätsmaße verzerrt. Gleichzeitig wird es schwieriger, zwischen zyklischer Effizienzsteigerung und struktureller Disruption zu unterscheiden.
Neue Revenue-Metriken: Nutzung, Kontext und Modellkosten
Die Preisbildung für KI-Dienste orientiert sich nach Darstellung des Beitrags zunehmend an Kontextfenstergrößen, Tokenvolumen, Modellvarianten und Latenzanforderungen. Statt Benutzerlizenzen und Modulgebühren könnten künftig verbrauchsabhängige Abrechnungsmodelle dominieren. Dies erschwert Planbarkeit und Vergleichbarkeit der Umsätze. Kennziffern wie „Revenue per token“ oder margenbereinigte Token-Erlöse könnten für Analysten relevanter werden, sobald sich ein standardisiertes Reporting etabliert.
Implikationen für Bewertung und Risikoabschätzung
Die Auswertung auf Seeking Alpha macht deutlich, dass etablierte Bewertungsansätze für Software- und Plattformwerte hinterfragt werden müssen. Die Unsicherheit betrifft sowohl die Dauer und Höhe der Überrenditen im KI-Zyklus als auch die Stabilität der Preissetzungsmacht entlang der Wertschöpfungskette. Aktien, deren Investment-Case auf dauerhaft hohen SaaS-Multiples und stabilen Subscriptions basiert, könnten unter Druck geraten, wenn verbrauchsabhängige, stärker kompetitive KI-Preismodelle diese Strukturen verdrängen. Hinzu kommt technologisches Klumpenrisiko, sofern sich wenige Basismodelle und Infrastrukturanbieter als Quasi-Standard etablieren.
Fazit: Handlungsspielraum für konservative Anleger
Für konservative Anleger legt die Analyse nahe, in der aktuellen Phase der KI-Euphorie auf eine nüchterne Bewertung der Ertragsströme und der Preisarchitektur zu achten. Im Fokus stehen Unternehmen mit robuster Bilanz, klar nachvollziehbaren Cashflows und nachweislicher Preissetzungsmacht über den gesamten Konjunkturzyklus. Eine selektive Beimischung etablierter Infrastrukturanbieter und diversifizierter Plattformunternehmen kann sinnvoll sein, während Engagements in hochbewerteten, reinen KI-Software-Pure-Playern zurückhaltend und positionsmäßig begrenzt bleiben sollten. Entscheidungsleitend ist, inwiefern ein Geschäftsmodell auch bei sinkenden Token-Preisen, intensiver Konkurrenz und sich wandelnden Metriken dauerhaft attraktive Cashflows generieren kann.
Aufrufe: 217
Audio
Teilen
Werbung
