Drei AI-Blasen kurz vor dem Platzen? Warum selbst Nvidia nicht immun sein könnte

Der aktuelle KI-Boom beruht nach Analyse von Seeking Alpha nicht auf einer, sondern auf drei sich überlagernden Blasen, die sich gegenseitig verstärken. Betroffen sind sowohl die Bewertung von Nvidia, die Marktkapitalisierung des AI-Sektors insgesamt als auch der zugrunde liegende Application-Layer. Das Risiko: Ein Rückgang in einer dieser Sphären könnte Kaskadeneffekte auf die übrigen auslösen.

Drei ineinandergreifende AI-Blasen

Die Kernthese: Es existiert nicht eine monolithische KI-Blase, sondern drei voneinander unterscheidbare, aber interdependente Übertreibungen. Erstens die Einzelaktie Nvidia. Zweitens die kollektive Überbewertung des gesamten AI-Sektors, sichtbar in der Konzentration der Gewinne auf wenige Large Caps. Drittens eine Blase im Application-Layer, der auf Large Language Models (LLMs), Retrieval-Augmented Generation (RAG) und sogenannten „Co-Pilot“-Anwendungen basiert.

Diese drei Ebenen seien kausal miteinander verknüpft. Übertreibungen im Application-Layer trieben die Nachfrage nach Rechenkapazität, stützten so die Umsatzerwartungen für Nvidia und andere AI-Hardwareanbieter und führten im Aggregat zur Überbewertung des Sektors. Umgekehrt könne bereits ein Dämpfer im Anwendungsbereich den Zufluss an Kapital und Nachfrage nach High-End-Chips abrupt reduzieren.

Nvidia: Hohe Abhängigkeit von AI-Hype und CAPEX-Zyklen

Nvidia steht im Zentrum dieser Entwicklung. Der Markt preist derzeit ein anhaltend hohes Wachstum durch Rechenzentrumsinvestitionen ein. Der Artikel weist jedoch darauf hin, dass diese CAPEX-Welle stark durch die aktuelle AI-Euphorie und die Hoffnung auf schnelle Monetarisierung von LLMs, RAG-Systemen und Co-Pilot-Anwendungen getrieben ist. Sollte sich herausstellen, dass viele dieser Projekte keinen nachhaltigen positiven Return on Investment (ROI) erzielen, bestehe die Gefahr, dass Unternehmen ihre AI-bezogenen Investitionsbudgets deutlich kürzen.

Damit wären die heutigen Umsatz- und Gewinnschätzungen für Nvidia anfällig für Revisionen. Gleichzeitig sei Nvidia in hohem Maße von einer kleinen Zahl hyperskalierender Kunden abhängig, deren Investitionsentscheidungen stark korrelieren. Sobald hier ein CAPEX-Stopp oder eine Verlangsamung einsetzt, könnte sich der aktuell extrem hohe Wachstumspfad rasch normalisieren oder sogar umkehren.

Systemische Überbewertung des AI-Sektors

Die zweite Blase liegt nach Einschätzung der auf Seeking Alpha veröffentlichten Analyse im AI-Sektor als Ganzem. Ein signifikanter Anteil der Kursgewinne an den Aktienmärkten der vergangenen Jahre konzentriert sich auf wenige Titel, die eng mit dem KI-Narrativ verknüpft sind. Dies gelte nicht nur für Nvidia, sondern auch für große Plattform- und Cloudanbieter, die als Profiteure des AI-Trends gelten.

Diese Konzentration erhöht das systemische Risiko: Fällt das Vertrauen in die Nachhaltigkeit der aktuellen AI-Investitionswelle, könnten Korrekturen nicht lokal auf einzelne Titel begrenzt bleiben. Vielmehr bestehe das Risiko, dass Bewertungsprämien im gesamten Technologie- und insbesondere im AI-Segment komprimiert werden. In der Folge könnten Korrelationen in Stressphasen stark ansteigen und Diversifikationseffekte im Portfolio verpuffen.

Application-Layer als fragiles Fundament

Besonders kritisch sieht die Analyse den Application-Layer, der die aktuelle AI-Investitionswelle unterfüttert. Im Zentrum stehen LLM-basierte Anwendungen, RAG-Architekturen und Co-Pilot-Lösungen, die in kurzer Zeit enorme Aufmerksamkeit und Kapitalzuflüsse auf sich gezogen haben. Viele dieser Anwendungen befänden sich allerdings in einem frühen, experimentellen Stadium mit unklarer oder negativer Wirtschaftlichkeit.

Das Problem: Unternehmen investieren erhebliche Ressourcen in die Integration und Nutzung dieser Technologien, ohne belastbare Nachweise für dauerhafte Effizienzgewinne oder neue, skalierbare Erlösquellen. Bleiben messbare Produktivitätsfortschritte aus, ist es wahrscheinlich, dass Budgets eingefroren oder reduziert werden. In diesem Fall würde die Nachfrage nach der zugrunde liegenden AI-Infrastruktur deutlich nachlassen.

Der Artikel verweist darauf, dass gerade Co-Pilot-Anwendungen häufig mit hohen laufenden Kosten verbunden sind, etwa durch fortlaufende Rechen- und Speicheranforderungen, während der Mehrwert im operativen Alltag vielfach noch unzureichend ist. Daraus ergibt sich ein inhärentes Spannungsverhältnis zwischen Innovationsdruck und Profitabilität.

Wechselwirkungen und potenzielle Kaskadeneffekte

Die drei beschriebenen Blasen verstärken sich in beide Richtungen. Steigender Optimismus über LLM- und Co-Pilot-Anwendungen rechtfertigt wachsende Budgets für AI-Infrastruktur, was die Umsatzprojektionen für Nvidia befeuert und im weiteren Schritt die Bewertungen im breiten AI-Sektor hochhält. Umgekehrt kann das Platzen einer Blase die anderen mitreißen.

Beispielsweise könnte ein breites Eingeständnis, dass viele AI-Projekte den erhofften ROI verfehlen, zu einer Revision der CAPEX-Pläne der Hyperscaler führen. Dies würde direkt die Nachfrage nach GPUs und verwandter Hardware tangieren und die Gewinnerwartungen der Marktführer im AI-Chip-Segment dämpfen. In der Folge könnten Investoren auch die Bewertungsniveaus anderer AI-Profiteure neu kalibrieren.

Historische Parallelen und Bewertungsrisiken

Die Analyse auf Seeking Alpha zieht Parallelen zu früheren Technologiezyklen, in denen neue General-Purpose-Technologien zunächst überinvestiert wurden, bevor sich tragfähige Geschäftsmodelle herauskristallisierten. Während die strukturelle Bedeutung von KI als Technologie nicht infrage gestellt wird, liegt der Fokus auf der Diskrepanz zwischen realwirtschaftlicher Durchdringung und bereits eingepreisten Erwartungen an Wachstum und Margen.

Insbesondere wird hervorgehoben, dass die Bewertungen in Teilen des AI-Sektors bereits Szenarien reflektieren, in denen AI-Anwendungen in kurzer Frist breite, nachhaltige Produktivitätsgewinne liefern. Sollte sich der Diffusionsprozess langsamer und holpriger gestalten, könnten die derzeitigen Multiples nicht haltbar sein. Dies betreffe sowohl klassische Kennzahlen wie Kurs-Gewinn-Verhältnisse als auch Umsatzmultiples, die historisch nur in ausgeprägten Hype-Phasen zu beobachten waren.

Implizite Annahmen über Produktivitätsgewinne

Ein zentraler Unsicherheitsfaktor liegt in den impliziten Annahmen über künftige Produktivitätssteigerungen durch KI. Viele Business Cases für LLMs, RAG-Systeme und Co-Pilot-Lösungen unterstellen substanziell effizientere Arbeitsabläufe, reduzierte Personalkosten oder zusätzliche Umsatzpotenziale. Laut der Analyse ist derzeit aber unklar, in welchem Umfang sich diese Effekte tatsächlich materialisieren.

Der Artikel betont, dass bereits kleine Abweichungen von den zugrunde gelegten Effizienzannahmen erhebliche Auswirkungen auf die Wirtschaftlichkeit von Projekten haben können. Werden die versprochenen Kosteneinsparungen nicht realisiert, kippen viele Investitionen von vermeintlich wertsteigernd zu belastend. In einem solchen Szenario würden Vorstände und CFOs die Allokation von Kapital in AI-Projekte deutlich kritischer prüfen.

Risikofaktoren für den weiteren AI-Investitionszyklus

Die weitere Entwicklung des AI-Zyklus hängt aus Sicht der auf Seeking Alpha dargelegten Argumentation von mehreren Risikofaktoren ab. Dazu gehören eine mögliche regulatorische Verschärfung, etwa im Umgang mit Trainingsdaten, Datenschutz oder Haftungsfragen für AI-generierte Inhalte, sowie makroökonomische Rahmenbedingungen wie Zinsniveau und Refinanzierungskosten.

Steigende Kapitalkosten könnten den Druck auf Unternehmen erhöhen, nur solche AI-Projekte zu finanzieren, die kurzfristig zu Cashflow-Verbesserungen beitragen. Damit würde der Spielraum für experimentelle, langfristig ausgerichtete Anwendungen enger. Hinzu kommt die Gefahr technologischer Disruption innerhalb des Sektors selbst, falls etwa effizientere Architekturen oder alternative Hardwareplattformen bestehende Lösungen teilweise obsolet machen.

Konservative Anlagestrategie: Vorsicht vor Klumpenrisiken

Für konservative Anleger impliziert die Analyse von Seeking Alpha vor allem eines: das Risiko signifikanter Klumpenbildungen im Portfolio kritisch zu prüfen. Eine hohe Konzentration in Nvidia, eng korrelierten AI-Hardwarewerten oder breiten, stark AI-getriebenen Technologiefonds erhöht die Anfälligkeit für eine simultane Korrektur auf allen drei beschriebenen Ebenen.

Ein vorsichtiger Umgang könnte in einer schrittweisen Reduktion überhöhter AI-Exposures, einer stärkeren Diversifikation über Sektoren und Regionen sowie einer Fokussierung auf Titel mit robusten, nicht primär AI-getriebenen Cashflows bestehen. Zudem erscheint es sinnvoll, Bewertungskennzahlen und Gewinnannahmen im AI-Segment regelmäßig einem Stresstest zu unterziehen, der auch Szenarien mit deutlich geringerer AI-Durchdringung und verzögerter Monetarisierung abbildet.

Für sicherheitsorientierte Anleger wäre es konsequent, Gewinnmitnahmen in stark gelaufenen AI-Titeln zu prüfen, ohne die strukturelle Bedeutung von KI grundsätzlich zu negieren. Stattdessen könnte ein ausgewogenes Engagement angestrebt werden, das das Potenzial der Technologie anerkennt, gleichzeitig aber die Möglichkeit eines gleichzeitigen Platzens mehrerer, miteinander verknüpfter Blasen in der Portfoliosteuerung berücksichtigt.