AI-Blase 17-mal so groß wie die Dotcom-Blase und viermal so groß wie Subprime

• Investitionen rund um AI sind, gestützt durch künstlich niedrig gehaltene Zinsen, explosionsartig gestiegen und haben die größte Blase der Geschichte gebildet
• Das unabhängige Research-Haus MacroStrategy Partnership behauptet, die AI-Blase sei 17-mal so groß wie die Dotcom-Blase und viermal so groß wie die Subprime-Krise
• Der Bericht erklärt auf Basis der Theorie des Ökonomen Knut Wicksell aus dem 19. Jahrhundert, dass niedrige Zinsen Kapital ineffizient verteilen und dadurch ein Teil des BIP fehlallokiert wird
• Kritisiert werden auch die Grenzen der Leistungssteigerung bei LLMs und die fehlende Profitabilität; als Beispiel wird angeführt, dass sich die Modellkosten jeweils verzehnfachen, die Verbesserungen jedoch minimal bleiben
• Der Analyst empfiehlt eine Reduzierung der Gewichtung von AI- und Plattformunternehmen, eine höhere Allokation in Rohstoffe und Schwellenländer (Indien, Vietnam) sowie eine Kaufstrategie für Gold, kurzlaufende US-Staatsanleihen und den Yen

---

Größe der AI-Blase und ihre Begründung

• Das jüngste Umfeld künstlich niedriger Zinsen hat den AI-Investitionsboom angeheizt
• MacroStrategy Partnership bewertet die aktuellen AI-Investitionen als die größte historische Blase
  • Berechnet als „Wicksellian deficit“, entsprechend dem 17-Fachen der Dotcom-Blase und dem Vierfachen der Immobilienkrise von 2008
  • Dies umfasst nicht nur AI, sondern den gesamten Bereich ineffizienter Kapitalallokation infolge niedriger Zinsen, darunter Immobilien, NFTs und Venture-Investments
• Nach der Theorie von Knut Wicksell erfolgt eine ideale Kapitalallokation, wenn die Fremdkapitalkosten von Unternehmen 2 Prozentpunkte über dem nominalen BIP liegen
  • Durch die quantitative Lockerung der Fed sei diese Bedingung über lange Zeit außer Kraft gesetzt worden, was zu Überinvestitionen geführt habe

Grenzen und Kritik an der LLM-Technologie

• Der Bericht weist auf Skalierungsgrenzen großer Sprachmodelle (LLMs) hin
  • Zitiert wird eine Studie, laut der die Erfolgsquote bei der Erledigung von Aufgaben in einem Softwareunternehmen nur bei 1,5 % bis 34 % lag und zudem inkonsistent war
  • Die Einführungsrate von AI in Großunternehmen sei in eine rückläufige Phase eingetreten; auch in realen Einsatzbeispielen träten zahlreiche logische Fehler auf
• Zwar sind die Kosten für das Modelltraining stark gestiegen, Effizienzverbesserungen seien jedoch gering geblieben
  • Die Trainingskosten von ChatGPT-3 beliefen sich auf 50 Mio. Dollar, GPT-4 auf 500 Mio. Dollar und GPT-5 auf 5 Mrd. Dollar
  • Selbst nach seiner verspäteten Veröffentlichung habe GPT-5 laut Einschätzung kaum Leistungssteigerungen gebracht
• Da Wettbewerber leicht aufholen können, gibt es praktisch auch keinen echten Moat

Profitabilitätsprobleme des LLM-Geschäftsmodells

• Hinzu kommt das Problem, dass sich mit LLMs nur schwer Apps mit kommerziellem Wert bauen lassen
• Die erzeugten Inhalte werden häufig für Spiele oder gemeinfreie Inhalte (z. B. Hausaufgaben) recycelt oder stoßen auf urheberrechtliche Beschränkungen
• Eine wirksame Werbeumsetzung ist schwierig; zugleich explodieren mit jeder neuen Generation die Trainingskosten, während die Genauigkeitsgewinne stark abnehmen
• Letztlich bleiben Probleme bei Preiswettbewerbsfähigkeit, Profitabilität und Differenzierung zwischen den Modellen bestehen
• Selbst bei Kundengruppen mit hoher Nutzung ist aus Sicht der Entwickler die Kostenlast im Verhältnis zur monatlichen Abogebühr höher

Konjunkturausblick und politische Auswirkungen

• Wenn Investitionen in Rechenzentren und der Vermögenseffekt (wealth effect) ihren Höhepunkt überschreiten und zurückgehen,
  • droht der Wirtschaft laut Warnung mit hoher Wahrscheinlichkeit eine Rezession, ähnlich wie nach der Dotcom-Blase
• Dies könnte die US-Wirtschaft in eine vierstufige Deflationsphase (Zone 4 deflationary bust) drücken,
  • wobei die Fed und eine Trump-Regierung dann nur noch begrenzte Möglichkeiten für Stimulusmaßnahmen hätten
  • Ähnlich wie nach der S&L-Krise Anfang der 1990er Jahre wären langfristige Reflationsbemühungen nötig

Anlagevorschläge von MacroStrategy Partnership

• Overweight: Rohstoffe, insbesondere Schwellenmärkte wie Indien und Vietnam
• Underweight: AI- und Plattformunternehmen
• Portfolio-Empfehlungen:
  • Kauf von Goldminenaktien (GDX)
  • Kauf von kurzlaufenden US-Staatsanleihen
  • Long-Position in VIX (Volatilitätsindex)
  • Kauf des Yen, insbesondere mit Blick auf erwartete Stärke gegenüber Nicht-Dollar-Währungen

Markt- und weitere Kurznachrichten

• Der S&P 500 markierte im Jahr 2025 bereits sein 30. Allzeithoch, während der Goldpreis stark anzog
• Apple erhielt wegen überhitzter Erwartungen an ein faltbares iPhone von Jefferies ein „Underperform“-Rating
• Applied Materials erwartet wegen US-Exportbeschränkungen in den kommenden fünf Quartalen einen Umsatzrückgang von 710 Mio. Dollar
• BlackRock verhandelt über die Übernahme von Aligned Data Centers im Umfang von 40 Mrd. Dollar
• Die realen Unternehmensgewinne in den USA (nach NIPA) sind zwei Quartale in Folge gesunken,
  • und eine Analyse von Ned Davis Research legt nahe, dass die Gewinnschätzungen für den S&P 500 übermäßig optimistisch sein könnten

[GN⁺]

Hacker-News-Kommentare

• Der gesamte Artikel wirkt inhaltsleer. Selbst nach dem Lesen bis zum Ende wird kaum erklärt, was die im Titel erwähnten „17x“ überhaupt bedeuten, und es bleibt unklar, was genau 17-mal so groß sein soll.

  • Es gibt weder einen Link zur ursprünglichen Research-Note noch Details zur verwendeten Methodik. Stattdessen wird nur vom Fehlen eines AI-Geschäftsmodells gesprochen, was ähnlich klingt wie das, was man Ende der 90er über Suchmaschinen sagte. Es ist schwer vorstellbar, dass der Gesamtmarkt durch AI in ähnlicher Weise gefährdet ist wie der Kreditmarkt. Selbst wenn OpenAI scheitern würde, heißt das noch lange nicht, dass alle anderen Unternehmen mit untergehen.

  • Mit kurzem Googeln findet man, dass globale Finanzinstitute bei hypothekenbezogenen Wertpapieren Verluste von 1–2 Billionen Dollar erlitten haben, der US-Immobilienmarkt 6 Billionen Dollar verlor und der Aktienmarkt zusätzlich weitere 6 Billionen. Ich vertraue den Zahlen nicht blind, aber die Größenordnung liegt ungefähr dort. Dass die AI-Blase so groß sein soll wie die Subprime-Blase, ist schwer zu glauben. Allerdings waren die Zinsen lange niedrig, weshalb viele Vermögenswerte hoch bewertet wurden, und wenn die Blase platzt, könnte das zusammen mit einer massiven Korrektur auch in eine Rezession führen.

  • Die Quelle für „17x“ ist ein Bericht von jemandem namens Julien Garran. Das wird nun von spamartigen Artikeln zitiert. In diesem Video kann man die Forschung direkt sehen. Die „17x“ basieren auf einem makroökonomischen Modell namens „kumulativer Wicksell spread“, also auf der Annahme, dass der Aktienmarkt wegen des Zinseffekts überbewertet sein könnte. Das hat nichts mit AI zu tun. Der Wicksell-spread wird als Graph aus dem Integral von „jährliches BIP-Wachstum + 2 % - jährlicher Zinssatz“ berechnet. Der aktuelle Ausschlag ist 17-mal größer als während der Dotcom-Blase. Die wirtschaftliche Analyse an sich ist interessant.

  • Der ursprünglich verlinkte Inhalt scheint inzwischen durch einen Morningstar-Report ersetzt worden zu sein.

  • Die Argumentation und die Beispiele wirken viel zu dünn. Die Behauptung des Forschungsinstituts lautet im Kern: „Künstlich niedrige Zinsen haben AI-Investitionen angeheizt, und diese Investitionen stoßen nun an ihre Expansionsgrenze.“ Tatsächlich sind die Zinsen seit 2022 jedoch auf den höchsten Stand seit Jahrzehnten gestiegen. Schon diese grundlegende Tatsache ist falsch, was das Vertrauen untergräbt. Auch das Narrativ, dass hohe Zinsen Vermögenspreise zwangsläufig drücken, ist fehlerhaft. Die führenden AI-Unternehmen erwarten Renditen von 40–100 % pro Jahr oder mehr, da macht der Unterschied zwischen 1-%- und 5-%-Zinsen für Venture-Capital-Entscheidungen kaum etwas aus. Auch in den 1980ern und Ende der 1990er gab es trotz hoher Zinsen sehr hoch bewertete Tech-Unternehmen. Die Beispiele 2001 und 1991 waren im Übrigen eher schwache Rezessionen. Nach der S&L-Krise Anfang der 90er folgte sogar ein Wirtschaftsboom. Für so etwas ist AI besser geeignet als nutzlose, überbezahlte Analysten.

• Dieser Artikel zitiert einen Newsletter nur für Abonnenten. Dieses Video scheint dieselbe Originalquelle zu sein. Zusammengefasst sagt Julien Garran, dass die Fehlallokation von US-Kapital — einschließlich Wohnungsmarkt, VC und Krypto — 17-mal so groß sei wie die Dotcom-Blase und viermal so groß wie die Immobilienblase von 2008. Wenn sich das entlädt, wäre es nicht nur eine gewöhnliche Rezession, sondern womöglich ein Ereignis, das die Grundlagen des Globalismus erschüttert, der in den Jahren 1979–82 unter Thatcher und Reagan begann und bis zur WTO und dem Aufstieg Chinas führte.

• Ich denke, all die Finanztechnik, mit der man eine Blase am Leben halten will, endet am Ende immer schlecht. Es läuft jedes Mal gleich. Illegale oder grenzwertige Unternehmenspraktiken schießen in jeder Blase wie Pilze aus dem Boden, verschwinden im Markt-Rausch unter dem Radar und kommen dann bei der Korrektur alle ans Licht.

  • Ich habe kürzlich den Podcast von Prof G Markets gehört, dort wird der Ablauf eines Blasenzusammenbruchs interessant erklärt. Kurz gesagt: Unternehmen beschaffen sich Geld über die Ausgabe von Schulden, dann folgen M&A, ein OpenAI-IPO usw., und sobald Umsatzaufblähungs-Tricks die Markterwartungen nicht mehr erfüllen, brechen sie zusammen.

  • Das eigentliche Problem ist die „Sozialisierung des Risikos bei Restrukturierungen“. Wenn der Staat immer wieder signalisiert, dass es am Ende ohnehin Bailouts gibt, gehen alle rücksichtslos Risiken ein. Je größer man ist, desto sicherer wird man gerettet.

  • Die beste Position in einer Blase ist die in der Mitte der Transaktionen.

• Die Bewertungen der Unternehmen im Verhältnis zu ihren Umsätzen sind beunruhigend hoch, aber weil AI eine General Purpose Technology ist, zögere ich noch, mich komplett aus dem Markt zurückzuziehen. In der Dotcom-Blase war es ähnlich, doch die Technologie selbst überlebte und daraus entstand Big Tech. Es gab enorme Schmerzen und Dinge wie pets.com verschwanden, aber wenn wir wieder in so einer Phase sind, frage ich mich, ob es wirklich richtig ist, ganz draußen zu bleiben.

  • Während der Dotcom-Blase fiel der NASDAQ um fast 80 %, und so einen Crash würde man natürlich gern vorher vermeiden. Aber der Einbruch kommt plötzlich, und rechtzeitig auszusteigen ist alles andere als leicht. Wenn man während eines Marktcrashs an einem Tag 20 % verliert, gerät man psychologisch ins Schwanken, ob man verkaufen oder noch warten soll. Heute kommen noch „Circuit Breaker“ hinzu, die den Markt zeitweise stoppen. Wenn man es nur ein paar Stunden zu spät merkt, ist der Handel womöglich schon ausgesetzt. Wenn dann alle gleichzeitig verkaufen wollen, könnte der Preis bei Wiederaufnahme des Handels noch viel tiefer liegen.

  • Ich würde gern fragen, ob du dir jemals die Umsatzprognosen von OpenAI angesehen hast.

• Investoren aus dem Nahen Osten und der saudische Staatsfonds, Masayoshi Son, a16z, der Tesla-Vorstand und andere scheinen sich beim Investieren etwas von der Realität gelöst zu haben. Es wirkt nicht so, als würden sie sich um die Interessen von Investoren oder Aktionären kümmern. Ich frage mich, ob sie glauben, TBTF (Too Big To Fail) zu sein. Und ob JD Vance davon beeinflusst ist. Die Größe der Blase ist das eine, aber noch beängstigender ist die Haltung mancher Akteure, die ganz offensichtlich davon ausgehen, dass sie am Ende nicht zur Rechenschaft gezogen werden.

  • Wie immer werden sie, falls ihre Wetten schiefgehen, Angst damit schüren, dass „China uns (dem Volk) überholen wird“. Zum angeblichen „Wir“ gehört die Allgemeinheit allerdings nur dann, wenn Sam Altman öffentliches Geld braucht.

  • Das klingt vielleicht zynisch, aber am Ende werden diese Leute tatsächlich davonkommen. Die falschen Leute werden bestraft, und die anderen werden sich mit „Das konnte niemand vorhersehen“ aus der Affäre ziehen.

• Interessantes Gedankenexperiment. Was wäre, wenn es einen Durchbruch gäbe, der die Kosten für LLM-Training um 90 % senkt, bei gleicher Leistung? (Es gab zuletzt entsprechende Forschung aus China.) Wenn die GPU-Nachfrage stark zurückginge, wie würde sich dann die Ökonomie des AI-Booms verändern?

  • Wenn Training billiger wird, sinken die Kosten und Modelle werden günstiger und profitabler. Man kann größere Modelle schneller und häufiger bauen, und durch Distillation entstehen auch viele effizientere kleine Modelle. Training ist reiner Kostenblock, aber Inferenz ist — wenn man das Training ausblendet — hochprofitabel. Sinkende Trainingskosten helfen dem LLM-Business also enorm.

  • Das gilt nicht nur für AI, sondern für IT insgesamt. Rechenzentren können ebenfalls günstiger und effizienter gebaut werden, und Smartphones lassen sich länger nutzen. Unternehmen scheuen sich letztlich davor, an einem Markt mit fallenden Preisen und immer härterem Wettbewerb teilzunehmen — einem Race to the Bottom. Ich denke, ein billiger Durchbruch beim LLM-Training wird sich erst dann wirklich breit durchsetzen, wenn die Kapazität zur Expansion von Rechenzentren vollständig ausgeschöpft ist.

  • Wie beim Jevons-Paradoxon könnte die Nachfrage in Wirklichkeit gar nicht sinken. Nvidia oder große Forschungslabore würden zwar niedrigere Bewertungen sehen, stünden aber immer noch ziemlich gut da. Die jüngsten Ergebnisse aus China haben zwar Benchmarks bestanden, aber noch keine echte Wettbewerbsfähigkeit bewiesen.

  • So etwas ist tatsächlich schon in Anekdoten passiert. Wenn irgendjemand durch eine Optimierung gute Nachrichten auslöste, konnten auf einen Schlag 1 Milliarde Dollar an Wert verdampfen. Oberflächlich wirkt das lächerlich, aber es riecht sehr nach Blase.

  • Das Problem ist noch größer als das. Für Aufgaben mit nahezu null Fehlertoleranz sind LLMs ungeeignet. Sobald aber ein wenig Fehlertoleranz akzeptabel ist, kann man etwas wie deepseek lokal extrem günstig betreiben. Große Rechenzentren werden dann im Wesentlichen nur noch fürs Training gebraucht, und für die meisten Menschen sind Inferenz-Services wirtschaftlich gar nicht sinnvoll. Das könnte künftig massive finanzielle Kettenreaktionen auslösen.

• Was der Artikel übersieht, ist, dass das LLM-Scaling keine einzelne Kurve ist. RL (Reinforcement Learning) ist eher ein Spike, der nur bestimmte Fähigkeiten verbessert. Es steigert nicht die allgemeine Intelligenz des Modells, sondern flickt mit RL eher Lücken in einzelnen Bereichen. In der Realität gibt es nicht eine Skalierungskurve, sondern Tausende. Die „Spitzenintelligenz“ des Modells verbessert sich nur noch mit abnehmendem Grenznutzen, aber das Mindestniveau in vielen verschiedenen Bereichen steigt weiter. Wer Modelle nicht direkt in der Praxis evaluiert, bemerkt diesen Punkt leicht nicht.

• Ich habe dieses Wochenende das Modell Llama 3.2-3B laufen lassen; ich muss die Grenzen noch genauer verstehen, aber es wirkt brauchbar. Selbst auf einer Intel-Arc-GPU für 100 Pfund läuft es mit ungefähr „Lesegeschwindigkeit“. Ich würde gern auch eine Arc770 (250 Pfund) kaufen und testen, ob sich darauf OpenAIs Open-Weight-Modell ausführen lässt. So betrachtet könnte man denken, dass diese massiven Investitionen durch die Kommerzialisierung von LLMs ziemlich leicht aufgezehrt werden.

• Es gibt auch Schätzungen, wonach die AI-Blase inzwischen 20–30 % des Aktienmarkts ausmacht. Zur Erinnerung: Die Große Depression begann mit einem Rückgang des Aktienmarkts um 24 %. Die Leute, die dieses AI-Spiel steuern, wissen, dass bei einem freien Lauflassen durch den Staat eine weitere Große Depression drohen würde — deshalb ist praktisch sicher, dass der Staat wieder rettend eingreifen wird. Normale Menschen tragen dann die Last über Inflation, höhere Steuern und mehr Staatsschulden, während die Herrschenden in der Zwischenzeit ihre Yachten und Lamborghinis genießen. Diese AI-Blase versteckt sich fast vollständig hinter Private Equity, sodass die breite Bevölkerung kaum einmal überhaupt die Chance bekommt, mitzumachen. Nvidia-Aktien sind vielleicht eine Ausnahme. Es fühlt sich an, als könnte die Blase bald platzen. Dass Nvidia OpenAI-Rechenzentren über zirkuläre Investments finanziert, bei denen man andere mit eigenem Geld die eigenen Produkte kaufen lässt, sieht nach der letzten Phase von Schulden-Rollovers aus. Das erinnert an den WeWork-CEO, der dem Unternehmen Geld lieh und ihm dann eigene Produkte vermietete. Auch AMD betreibt jüngst ähnliche zirkuläre Geschäfte mit OpenAI und schiebt so Geld im Kreis. Dazu gibt es auch diesen Beitrag. Man fragt sich fast, ob die Diskussion über eine Blase überhaupt noch etwas bedeutet. Dieses Verhalten nach dem Motto aus dem Film „Boiler Room“ — „Lass sie niemals auszahlen, dann ist es nicht real“ — scheint sich in der ganzen Branche auszubreiten.

  • Dieses Phänomen des „gegenseitigen Über-Wasser-Haltens durch zirkuläre Investments unter den Playern“ kam mir auch in den Sinn, als AMD und OpenAI ihre strategische Partnerschaft angekündigt haben. Allein diese Nachricht ließ AMD an einem Tag um fast 35 % steigen.

  • AI ist nicht die einzige Blase. SpaceX ebenso. Falcon 9 ist zwar ein erfolgreiches Geschäft, aber 2/3 der Starts entfallen auf Starlink und sind damit interne Transaktionen ohne externe Umsätze. Trotzdem ist SpaceX trotz nur 25-mal mehr Starts als ULA mit dem 200-Fachen von ULA bewertet.

  • Ich glaube, dieses Muster von „Ich leihe dir Geld, damit du meine Produkte kaufst“ wird auch zwischen Staaten stattfinden. Die USA leihen Japan Geld, Japan investiert das Geld wieder in die USA, und alles wird so dargestellt, als wäre es vollkommen legal.

  • Ich frage mich, ob die Aussagen „Die AI-Blase macht 20–30 % des Aktienmarkts aus“ und „Sie versteckt sich fast vollständig hinter Private Equity“ wirklich beide zugleich stimmen können.

• Ich wusste bisher nicht, dass es so etwas wie GPU-besicherte Kredite gibt, aber das wirkt extrem riskant.

  • Nicht nur riskant, sondern geradezu verrückt. Der Wert von GPUs fällt in dem Moment stark, in dem sie installiert werden.

  • Ehrlich gesagt wäre es mir egal, wenn Banken die Verluste selbst tragen müssten und kein Bailout über meine Steuern käme — aber in der Realität läuft es eben nicht so.