Damit künstliche Intelligenz (KI) ihr Versprechen einlösen kann und sich die Renditen über die Halbleiterunternehmen hinaus ausbreiten, müssen Unternehmen laut Goldman Sachs Research einen größeren Mehrwert aus der Technologie schöpfen. Letztendlich wird die erfolgreiche Einführung von KI in Unternehmen die Wirtschaftlichkeit der gesamten Lieferkette vorantreiben. Wir stellen die Analyse aus dem Blog von Goldman Sachs vor…
„Der allgemeine Gedanke ist, dass Chip-Unternehmen florieren sollten, wenn ihre Kunden florieren“, schreibt James Covello, Leiter von Global Equity Research. „Sie sollten nicht auf Kosten der ihnen weiter oben in der Kette vorgelagerten Unternehmen florieren.“
Erfüllt KI die Erwartungen?
Die Akzeptanz von KI-Chatbots bei den Verbrauchern „war spektakulär“, schreibt Covello im Bericht seines Teams. Laut dem Stanford Institute of Human-Centered AI* erreichte generative KI innerhalb von drei Jahren (gemessen ab der Veröffentlichung des ersten allgemein verfügbaren Produkts dieser Technologie) eine Akzeptanz von etwa 53 Prozent. Das liegt deutlich über den anfänglichen Entwicklungskurven von Personalcomputern und dem Internet in vergleichbaren Zeiträumen.
Abb. 1: Akzeptanzrate nach Technologie
Bereits in den ersten drei Jahren ihrer allgemeinen Verfügbarkeit erreichten KI-Modelle unter erwachsenen IT-Nutzern in den USA eine Akzeptanzrate von über 50 Prozent. Das ist eine Geschwindigkeit, die Personal Computer und Internet nach ihrer Einführung deutlich überbot.
Quelle: Generative AI Adoption Tracker. KI-Quelle: RPS; Internet-Quelle CPS, ITU; Computer-Quelle: CPS. Stand: 11.05.2026.
Die meisten Unternehmen haben laut Covello, der sich dabei auf eine Studie des Massachusetts Institute of Technology und andere Berichte beruft, noch keine Rendite aus ihren KI-Investitionen erzielt. Infolgedessen geraten auch andere Teile der KI-Lieferkette in Schwierigkeiten. Die Unternehmen, die die Modelle entwickeln, und die Hyperscaler, die die KI-Infrastruktur aufbauen, verbrennen Bargeld und nehmen immer mehr Kredite auf.
Abb. 2: Investitionsausgaben zehren am Cashflow
Die Investitionsausgaben der Hyperscaler könnten die Cashflowströme aus laufender Geschäftstätigkeit Konsensschätzungen zufolge in nächster Zukunft weitgehend aufbrauchen. Eine Möglichkeit, die Schwächephase zu überwinden, wäre, dass Hyperscaler ihre Investitionen zurückfahren.
Quelle: Compustat, FactSet, Goldman Sachs Research, Stand: 11.05.2026.
Während Halbleiterunternehmen Rekordumsätze und -gewinne verzeichnen, ist die Gesamtdynamik „beispiellos und nicht nachhaltig“, schreibt Covello.
Wo liegen die Investitionschancen im KI-Bereich?
Das Team weist darauf hin, dass es vor etwa zwei Jahren den Anlegern empfohlen hatte, beim KI-Boom einen „Picks-and-Shovels“-Ansatz („Spitzhacken und Schaufeln“) zu verfolgen und in Halbleiter- und Halbleiterausrüstungsunternehmen (englisch kurz: Semi-Caps) zu investieren. Seitdem haben sich diese Aktien besser entwickelt als der Markt, während dies bei den Hyperscalern größtenteils nicht der Fall war.
Allerdings könnten von nun an die Hyperscaler unter bestimmten Voraussetzungen besser abschneiden als Halbleiterunternehmen und Hersteller von Ausrüstung für die Halbleiterindustrie, schreibt Covello.
Anleger sind mittlerweile recht skeptisch, was die Renditen angeht, die die Hyperscaler voraussichtlich erzielen werden. Sollten Unternehmen beginnen, Renditen aus ihren KI-Ausgaben zu erzielen, könnten Anleger bereit sein, wieder höhere Bewertungskennzahlen für diese Aktien zu zahlen. Selbst wenn die Renditen aus den KI-Ausgaben von Unternehmen weiterhin eine Herausforderung darstellen, könnten die Hyperscaler beschließen, ihre Investitionsausgaben zu kürzen. Dies könnte das beste Szenario für solche Trades sein, schreibt das Team, was aufgrund besserer Cashflowaussichten zu einer Erholungsrally für die Hyperscaler und zu einem Ausverkauf bei Halbleitern führen würde.
Das schlimmste Szenario für solche Trades wäre, wenn der Status quo anhält und die Hyperscaler ihre enormen Kapitalausgaben trotz der Herausforderungen bei der erfolgreichen Einführung von KI in Unternehmen fortsetzen. In diesem Szenario würden Anleger bei derartigen Trades Geld verlieren, da der gesamte Wert der KI-Ausgaben weiterhin den Halbleiterunternehmen zufließen würde.
Wie können Unternehmen KI besser nutzen?
Die große Frage laut Goldman Sachs Research ist, wie Unternehmen aus ihren Ausgaben für KI wirtschaftlichen Wert schaffen können. Die Analysten weisen darauf hin, dass sie sicherstellen müssen, dass sie ihre agentenbasierte KI auf ordnungsgemäß strukturierten Daten aufbauen und dass sie KI-Modelle kosteneffizient einsetzen bzw. koordinieren müssen.
„Die Modelle werden sich weiterhin rasant verbessern, aber derzeit ist es nicht die Leistungsfähigkeit der Modelle, die erfolgreiche Anwendungsfälle in Unternehmen behindert“, schreibt Covello. „Wir glauben, dass Datenstruktur und Orchestrierung entscheidende Faktoren sind, um KI in Unternehmen nutzbar zu machen.“ Zwischen dem Unternehmen und den Modellentwicklern müsse eine neue Ebene hinzugefügt werden, fügt er hinzu.
Ein Ziel dieser „Orchestrierungs- und Bereitstellungsschicht“ wäre es, sicherzustellen, dass Workflows unter Berücksichtigung von Komplexität und Kosten richtig gesteuert werden. Workflows mit geringen Konsequenzen und hohem Volumen sollten an einfachere KI-Technologie weitergeleitet werden – Open-Source- oder „Leichtbau“-Modelle. Aufgaben mit tiefergehenden Konsequenzen könnten an die fortschrittlichsten (und teuersten) Modelle gehen, die für Umgebungen reserviert sind, in denen die Kosten eines Fehlschlags hoch sind.
Wie sollten Führungskräfte in ihren Unternehmen die KI-Nutzung angehen?
Die Experten führen ein Beispiel an, wie dies bei einem Hedgefonds aussehen könnte, der seinen Mitarbeitern KI-Tools zur Verfügung stellen möchte. Wenn jemand eine Anfrage an die KI richtet, die im Grunde genommen nichts anderes als eine ausgefeilte Websuche ist, würde diese an ein Modell der unteren Preisklasse weitergeleitet werden. Wenn hingegen ein neues Finanzmodell erstellt oder eine komplexe branchenübergreifende Bewertungsanalyse durchgeführt werden soll, könnte die Aufgabe an ein teureres, leistungsstärkeres Modell weitergeleitet werden.
Ein vielversprechender Ansatz ist der Einsatz kleiner Sprachmodelle (SLMs), schreibt Covello. Im Gegensatz zu den grundlegenden großen Sprachmodellen (LLMs), die derzeit im Fokus stehen, lassen sich SLMs auf Geschwindigkeit und geringere Kosten optimieren und an einen bestimmten Arbeitsablauf anpassen. Kleine Modelle können schneller sein und die Genauigkeit erhöhen, obwohl ihr Training und ihre Nutzung deutlich kostengünstiger sind – was die für eine erfolgreiche KI-Implementierung in Unternehmen erforderliche Kosteneffizienz demonstriert.
Die neue Ebene zwischen dem Unternehmen und den Modellanbietern würde auch Datenprobleme angehen. Ein einfaches Beispiel wäre, sicherzustellen, dass die Daten eines Einzelhändlers aufeinander abgestimmt und zugänglich sind, damit ein KI-Tool hilfreiche Kundenvorschläge geben kann. Das ist nur möglich, wenn die Datenbanken für Empfehlungsalgorithmen, Kundenverhaltensprofile und den aktuellen Lagerbestand alle ordnungsgemäß organisiert und nicht isoliert sind.
„Wir glauben, dass Unternehmen, die diese Bausteine einführen, den Schlüssel zur Erschließung der wirtschaftlichen Vorteile von KI im Unternehmen in der Hand halten“, schreibt Covello.
Die Analysten empfehlen Führungskräften der obersten Ebene, langfristig zu denken, da einige der Voraussetzungen für den Erfolg von KI in Unternehmen noch nicht gegeben sind. „Verlangsamen Sie jetzt das Tempo, damit Sie später beschleunigen können“, schreibt Covello. Er räumt ein, dass dies nicht einfach sein wird, angesichts des immensen Drucks, der von Führungskräften verlangt zu zeigen, dass sie eine überzeugende KI-Strategie haben – und angesichts der Angst, den Anschluss zu verpassen, die Aktionäre und Märkte anzutreiben scheint.
Welche Berufe und Branchen werden wahrscheinlich durch KI verdrängt?
Ein Bereich, in dem die Märkte auf die Auswirkungen von KI auf Unternehmensebene achten, ist die großangelegte Ersetzung von Arbeitsplätzen – und diese ist noch nicht eingetreten. Untersuchungen von Goldman Sachs Research haben gezeigt, dass KI zwar einige Arbeitnehmer ersetzt, dass diese Arbeitsplatzverluste jedoch teilweise durch steigende Beschäftigung dort ausgeglichen werden, wo KI menschliche Arbeitskräfte ergänzt und deren Produktivität steigert.
Abb. 3: Beschäftigtenzahlen und Substitution bzw. Augmentation durch KI
Branchen mit hohen KI-Substitutionswerten, d.h. einer hohen Verdrängung durch KI, verzeichneten im Durchschnitt einen Anstieg der Arbeitslosigkeit. Bei einer überwiegenden Ergänzung (Augmentation) durch KI hingegen wuchsen die Beschäftigtenzahlen.
Quelle: Goldman Sachs Research, Arbeitsministerium, Stand: 11.05.2026. Gesundheitswesen, Bildungsdienstleistungen und öffentlicher Sektor sind ausgeschlossen, da sie aufgrund von Aufholeffekten nach der Pandemie ein starkes Beschäftigungswachstum verzeichneten.
„Wir glauben, dass der Markt über den Bereich einzelner Arbeitsplätze hinausblicken muss, um beurteilen zu können, ob sich die Investitionen letztendlich auszahlen können“, schreibt Covello. Das bedeute, nach Gewinnquellen zu suchen, die in den kommenden Jahren reif für eine Disruption durch KI sein könnten, erklärt er. Die Aktienanalysten von Goldman Sachs Research haben eine Reihe von Branchen identifiziert, in denen eine großangelegte Disruption der Gewinnstrukturen wahrscheinlicher erscheint, darunter Werbung, Software, Cybersicherheit und Transportwesen.
* Quelle: Stanford Institute of Human Centered AI, Artificial Intelligence Index Report 2026
