← Zurück zur Ausgabe vom 29. April 2026

Reportage

Die KI-Bubble unter Stress-Test: Was OpenAIs Umsatz-Miss für die Lieferkette bedeutet

600 Milliarden Dollar Compute-Verpflichtungen, 60 bis 100 Milliarden gesamtes AI-Revenue, ein zirkuläres Finanzierungsgeflecht aus NVIDIA, OpenAI, CoreWeave und Oracle. Der WSJ-Bericht von gestern hat die Vertrauenskrise der KI-Lieferkette in den Mainstream gespült. Wir entwirren die Mechanik der Capex-Maschine, vergleichen mit der Telko-Bubble 2000 und destillieren konkrete Empfehlungen für Tech-Entscheider in SaaS-Unternehmen.

Von Stefan Lange-Hegermann · · ca. 10 Minuten Lesezeit

Der Tag, an dem die KI-Lieferkette ins Wanken geriet

Am Dienstag, 28. April 2026, gegen 7:30 Uhr Eastern Time, brachte das Wall Street Journal eine Story, die seit Monaten unter der Oberfläche kochte: OpenAI verfehlt seine eigenen Wachstumsziele. Konkret: Das Ziel von einer Milliarde wöchentlich aktiver ChatGPT-Nutzer zum Jahresende 2025 sei laut The Information-Vorabbericht bei rund 700 Millionen versandet — 30 Prozent unter Plan. Mehrere monatliche Umsatzziele Anfang 2026 wurden ebenfalls verpasst. CFO Sarah Friar warnte intern, OpenAI könne „möglicherweise nicht in der Lage sein, künftige Computing-Verträge zu finanzieren“, wenn das Wachstum nicht beschleunigt.

Die Marktreaktion war heftig: SoftBank verlor in Tokio rund zehn Prozent, Oracle zeitweise sieben, CoreWeave 5,4, AMD und Broadcom je vier. Microsoft drehte ins Plus — die drei Tage zuvor verkündete Lockerung der OpenAI-Cloud-Exklusivität verteilt das Risiko. Sam Altman und Friar veröffentlichten am späten Abend ein gemeinsames Statement: „This is ridiculous. We are totally aligned on buying as much compute as we can.“

Was sich an diesem Tag im Markt verdichtet hat, ist nicht nur eine OpenAI-Story. Es ist die erste seriöse Stresstest-Episode der gesamten KI-Lieferkette: Hyperscaler, Chip-Hersteller, Datacenter-REITs, Souveränitätsfonds, RL-Environment-Anbieter, AI-First-SaaS-Bewertungen — alles hängt mehr oder weniger transitiv an OpenAIs Trajektorie. Diese Reportage entwirrt die Mechanik, vergleicht mit der Telko-Bubble 2000 und destilliert sechs konkrete Empfehlungen für Entscheider.

Die Capex-Maschine: 600 Milliarden Dollar gegen 80 Milliarden Revenue

Beginnen wir mit den Größenordnungen. Die vier großen Hyperscaler haben für 2026 folgende Capital-Expenditures angekündigt:

Summe: 600 bis 640 Mrd. USD — gegenüber 460 Mrd. im Vorjahr ein Sprung von 36 Prozent. Davon entfallen rund 75 Prozent auf AI-spezifische Infrastruktur (Datacenter, GPUs, Netzwerk, Strom-Anbindung).

Auf der Einnahmen-Seite des AI-Stacks sieht es deutlich knapper aus. OpenAI: 24 bis 25 Mrd. USD ARR im April 2026. Anthropic: 19 bis 30 Mrd. USD ARR (je nach Brutto/Netto-Methodik — die Diskrepanz hat eine eigene Kontroverse zwischen den beiden Lab-Chefs ausgelöst, weil OpenAI Anthropic vorwirft, AWS- und Google-Cloud-Einnahmen brutto zu verbuchen). AWS AI Services: 15 Mrd. USD ARR (Andy Jassy hat die Zahl im April-Shareholder-Letter erstmals offiziell genannt). Microsoft Copilot: 15 Millionen bezahlte M365-Copilot-Seats — zwar viel, aber nur 3,3 Prozent des adressierbaren Marktes von rund 450 Millionen kommerziellen Nutzern. Google trennt seine AI-Einnahmen nicht öffentlich aus.

Realistische Gesamtsumme aller AI-spezifischen Revenues weltweit: 80 bis 100 Mrd. USD im Jahr. Das CapEx/Revenue-Verhältnis liegt damit bei 6:1 oder schlechter. Zur Einordnung: Microsofts Cloud-Geschäft (Azure, Office 365, Dynamics) hatte 2015, in der Hochphase des Cloud-Capex-Aufbaus, ein CapEx/Revenue-Verhältnis von etwa 0,3 bis 0,4. Die jetzige AI-Maschine läuft also auf einem Vielfachen der historischen Cloud-Investitionsdichte.

Die zirkuläre Finanzierung: Was Bloomberg „AI Circular Deals“ nennt

Die zweite, strukturell beunruhigendere Beobachtung: Ein erheblicher Teil dieser Capex-Aufstellungen ist nicht extern finanziert, sondern bewegt sich im Kreis innerhalb desselben kleinen Unternehmens-Netzwerks. Bloomberg hat dem Phänomen eine eigene interaktive Visualisierung gewidmet („AI Circular Deals“). Die wichtigsten Kreislaufe:

NVIDIA → CoreWeave → OpenAI → NVIDIA: NVIDIA investierte im Januar 2026 zwei Milliarden Dollar in CoreWeave (Class-A-Shares zu 87,20 USD) und sicherte sich Zugang zu überschüssiger CoreWeave-Kapazität bis 2032. CoreWeave verwendet die NVIDIA-GPUs als Sicherheit für Schulden-Finanzierungen. OpenAI mietet CoreWeave-Kapazität, was CoreWeave erlaubt, mehr NVIDIA-GPUs zu kaufen. NVIDIA seinerseits hat im September 2025 angekündigt, bis zu 100 Mrd. USD in OpenAI zu investieren — Jensen Huang relativierte das jedoch im März 2026 mit der Aussage, 30 Mrd. seien „möglicherweise das letzte Mal“, die volle 100-Mrd.-Tranche sei „not in the cards“.

OpenAI ↔ AMD: OpenAI vereinbarte im Oktober 2025 eine 250.000-Chip-Vereinbarung mit AMD — und erhielt parallel Aktien von AMD. Bloomberg-Kolumnist Matt Levine sezierte die Konstruktion in „Money Stuff“: „The deal boosted AMD's share price, and thus covered the price of the chips.“ Wer am Ende der Kette wirklich Cashflow hat, bleibt unklar.

Microsoft ↔ OpenAI: Microsoft hat über die Jahre 250 Mrd. USD an Azure-Cloud-Services an OpenAI verkauft, OpenAI zahlt einen Revenue-Share an Microsoft. Microsoft hält bis 2032 OpenAI-IP-Rechte (jetzt nicht mehr exklusiv).

Der renommierte Tech-Kritiker Ed Zitron hat das Phänomen am Dienstag in einem ausführlichen Substack-Essay zerlegt: „AI's Economics Don't Make Sense“. Seine Kernrechnung: Microsoft, Meta, Tesla, Amazon und Google haben in den letzten zwei Jahren über 500 Mrd. USD in AI-Infrastruktur investiert — gegen kombinierte AI-spezifische Einnahmen von rund 35 Mrd. USD. Zum Stargate-Projekt in Abilene/Texas (OpenAI/Oracle, geplant 4,5 GW): „The only way any of it makes sense is if OpenAI meets its ridiculous, cartoonish projections.“ Dass Stargate inzwischen auf 1,2 GW gedeckelt wurde, weil das Stromnetz Anschlussverzögerungen über ein Jahr meldet, untermauert seinen Punkt.

Acadian Asset Management formulierte das Risiko nüchtern: „The risk with these circular deals is that they can create skewed incentives that may lead to bad decision making and magnify losses if demand for AI fails to match today's lofty expectations.“

Wer verdient wirklich Geld? Die ROI-Lücke der Enterprise-AI

Die dritte Spannung ist die zwischen Hype und Realität auf der Käufer-Seite. McKinseys 2026er Enterprise-AI-Studie (Vorabreport April) liefert harte Zahlen: 88 Prozent der Unternehmen nutzen AI in mindestens einer Funktion. Aber: nur 29 Prozent sehen signifikanten ROI aus generativer AI. 42 Prozent haben die meisten AI-Initiativen abgebrochen — mehr als doppelt so viele wie im Vorjahr (17 Prozent). Der durchschnittliche Betrieb schrottet 46 Prozent aller Proof-of-Concepts vor der Produktionsreife.

Microsoft Copilot ist das prominenteste Diffusions-Datum: 15 Mio. bezahlte M365-Copilot-Seats nach zwei Jahren — bei einer adressierbaren Basis von 450 Mio. ist das eine Marktdurchdringung von 3,3 Prozent. Die Active Usage nach 90 Tagen liegt laut Microsofts eigenem AI Diffusion Report 2026 bei nur 28 Prozent. Wenn Nutzer die Wahl zwischen Copilot, ChatGPT und Gemini haben, wählen 76 Prozent ChatGPT als primäres Tool — ein Beleg, dass der Enterprise-Kanal die Konsumenten-Präferenz nicht überstimmt.

Diese Zahlen werden auf der Ankündigungs-Seite von Hyperscaler-Earnings-Calls regelmäßig durch Andy-Jassy-/Sundar-Pichai-/Satya-Nadella-Zitate ausbalanciert: „Wir sehen massive Adoption.“ Die offene Frage ist, ob die berichtete Adoption sich in Cashflow umsetzt, der die Capex-Maschine bezahlen kann — oder ob die Adoption primär in Form von „free trial“-Volumen erscheint, das nicht in Margen umgewandelt wird.

Die SaaS-Bewertungs-Logik: Wer hängt jetzt am OpenAI-Tropf?

Vier AI-First-SaaS-Companies illustrieren das Bewertungsproblem:

Bessemer Venture Partners formulierte es im April 2026 so: Private AI-backed Companies haben sich „arguably bubbled up again“. Der EMCLOUD-Index der Public-SaaS-Bewertungen handelt auf historischen Normalniveaus — der Spread zwischen privaten und öffentlichen Bewertungen ist kein Sanierungs-Signal, sondern ein Exit-Window-Signal: Wer Equity hält, sucht den geordneten Ausstieg.

Das strukturelle Risiko ist die Abhängigkeit zweiter Ordnung. Cursor, Lovable, Glean, Perplexity bauen alle ihre Margen auf API-Zugang zu OpenAI, Anthropic oder Gemini. Wenn diese Frontier-Anbieter Pricing-Anpassungen vornehmen (weil sie Compute-Verpflichtungen finanzieren müssen), werden die Margen der AI-First-SaaS unmittelbar getroffen. Anthropic akzeptiert nach Zitrons Recherche zeitweise bis zu 8 USD Compute-Kosten für jeden Dollar Subscription-Einnahmen — das ist eine vorübergehende Subvention, keine nachhaltige Margenstruktur.

Die Telko-Analogie: 2000 reloaded?

Die historisch nächstliegende Vergleichsperiode ist die Telekommunikations-Bubble 1996 bis 2003. Damals investierten Telkos über 500 Mrd. USD in Glasfaser-Infrastruktur, getrieben von Wachstumsprognosen, die das tatsächliche Internet-Verkehrsaufkommen um eine Größenordnung übertrafen. Das Peak-CapEx von 213 Mrd. USD jährlich (inflationsbereinigt) wurde 2000 erreicht. 2001 bis 2003 folgte der Crash: 90 Prozent des verlegten Glasfasers lag dunkel, WorldCom und Global Crossing waren bankrott. Die Infrastruktur war real — der Business Case nicht.

Die kritischen Parallelen heute (laut Analyse von 7gc.co und IntuitionLabs):

  1. CapEx/EBITDA-Ratio: Die fünf großen Hyperscaler laufen aktuell bei 50 bis 70 Prozent CapEx/EBITDA — das entspricht exakt dem AT&T-Niveau auf dem Telko-Bubble-Höhepunkt 2000 (72 Prozent).

  2. Konzentration: Die „Magnificent Seven“ machen aktuell rund 35 Prozent des S&P 500 aus. NVIDIA allein 8 Prozent. CAPE-Ratio bei 38 — über dem Dotcom-Peak.

  3. Zirkuläre Finanzierung: Während Cisco und Intel im Jahr 2000 keine strategischen Beteiligungen an Amazon oder Google hatten, sind die heutigen NVIDIA-OpenAI-CoreWeave-Oracle-Verflechtungen strukturell anfälliger.

Die Gegenargumente, formuliert unter anderem von Janus Henderson, VanEck und Noah Smith:

  1. Die heutigen Hyperscaler sind hochprofitabel — mit Debt-to-Equity-Ratios um 0,23. Anders als die Telkos 2000.
  2. NVIDIA verdient aktuell 120 Mrd. USD Nettogewinn jährlich. Das ist eine real existierende Cashflow-Maschine.
  3. Der Markt handelt bei 30x Forward Earnings — gegenüber 50x im Jahr 2000.
  4. Die Infrastruktur hat aktuelle Kunden, nicht nur spekulativen Bedarf — Andy Jassy hat im April-Letter zugesichert, dass „a substantial portion“ des Capex bereits durch Customer-Commitments gedeckt ist.

Wer hat recht? Beide Lager. Die Wahrheit liegt darin, dass die Telko-Bubble nicht über Nacht platzte, sondern über drei Jahre. Auch eine AI-Korrektur wird wahrscheinlich graduell verlaufen — mit lokalen Bubbles (etwa AI-First-SaaS mit 100x+-Multiples), die 2026 bis 2028 platzen, ohne den gesamten Stack mitzureißen.

Sechs Empfehlungen für SaaS- und Tech-Entscheider

Aus der Analyse leiten sich konkrete Handlungsempfehlungen ab — geordnet nach Eindringlichkeit:

1. Vendor-Diversifikation ist nicht mehr optional. Wer einseitig auf OpenAI-APIs aufbaut, hat ab dieser Woche ein dokumentiertes Cashflow-Risiko des Anbieters in den Modell-Entscheidungen zu verarbeiten. Multi-Cloud-Architekturen mit mindestens zwei Frontier-Anbietern (etwa OpenAI auf Bedrock plus Anthropic auf Bedrock) plus Open-Source-Fallback (DeepSeek V4, Llama 4, Qwen 3.5, Gemma 4) sind 2026 die strukturelle Default-Konfiguration. OpenRouter und LiteLLM bieten dafür den nötigen Routing-Layer.

2. Pricing-Verträge auditieren — und Eskalationsklauseln einbauen. Wer aktuell Token-Pricing zu OpenAI- oder Anthropic-Konditionen verarbeitet, sollte vertragliche Pricing-Garantien (Cap-and-Floor) bis Ende 2027 verhandeln. Anbieter, die unter Compute-Druck stehen, werden Margen erhöhen müssen — die jetzt scheinbar attraktiven Token-Preise sind eine Subvention, die nicht ewig hält.

3. Open-Source-Inferenz strategisch evaluieren. Der Open-Source-AI-Markt ist 2026 um 340 Prozent gewachsen; 67 Prozent der Enterprises deployen Open-Weights in Produktion (gegenüber 23 Prozent im Vorjahr). DeepSeek V4, Llama 4 Scout, Qwen 3.5 und das gestern gelaunchte NVIDIA Nemotron 3 Nano Omni schlagen bei den meisten Enterprise-Tasks die Closed-Source-Premium-Modelle. Ein Llama-4-70B-Deployment auf eigener Infrastruktur kostet rund 1.450 USD pro Monat — gegenüber API-Preisen, die 50 bis 80 Prozent darüber liegen.

4. AI-First-SaaS-Bewertungen bei M&A skeptisch betrachten. Wenn das Akquisitionsziel ein 50x+-ARR-Multiple hat, sollte die Due-Diligence das Anbieter-Risiko des Tools (welches Modell? welcher Vertrag? welche Pricing-Stabilität?) als eigenständigen Risikoblock auswerten. Cursor mit 1 Mrd. ARR und 20 Mrd. Bewertung ist solide; Perplexity mit 148 Mio. ARR und 20 Mrd. Bewertung trägt strukturelles Bubble-Risiko.

5. Eigene Skill- und Prompt-Layer aufbauen. Wie der gestrige Codex-Goblins-Vorfall zeigt, ändern Anbieter ihre System-Prompts und damit ihr Modell-Verhalten wöchentlich. Eigene Skill-Definitionen (Claude Skills, Codex Skills, Custom-System-Prompts) geben Engineering-Teams die Möglichkeit, Anbieter-Volatilität abzufangen, ohne auf die nächste Modell-Version zu warten.

6. Finanz-Stresstest auf 30-Prozent-API-Preiserhöhung durchspielen. Was passiert mit der Margenstruktur des Produkts, wenn Frontier-Anbieter bis Ende 2027 ihre Pricing um 30 Prozent erhöhen? Wenn die Antwort „Produkt nicht mehr profitabel“ lautet, ist die strukturelle Abhängigkeit zu hoch — und die Architektur muss bevor das Szenario eintritt umgebaut werden, nicht danach.

Schluss: Die Entscheidung ist binär nicht entscheidbar

Die zwei Fragen, die nach dem 28. April im Raum stehen, bleiben offen. Wird OpenAI seine Compute-Verpflichtungen mit dem aktuellen Wachstumstempo finanzieren können? Niemand weiß es — auch Sarah Friar nicht. Werden die KI-Capex-Aufstellungen der Hyperscaler in tatsächlich durchsetzungsfähige Margen umgewandelt? Die McKinsey- und Microsoft-Daten lassen Zweifel zu.

Was klar ist: Die Phase, in der sich Tech-Entscheider hinter dem Argument „AI ist die Zukunft, also ist die Investition richtig“ versteckten, ist vorbei. Wer 2026 substantielle AI-Architektur-Entscheidungen trifft, muss explizit die Vendor-Risiken, die Pricing-Stabilität und die Bubble-Komponente in der Bewertung berücksichtigen.

Die KI-Bubble platzt nicht heute, möglicherweise nicht 2026, vielleicht überhaupt nicht im klassischen Sinn. Aber der WSJ-Bericht vom 28. April hat etwas verändert: Er hat die Frage, ob die Capex-Maschine durch reale Margen gedeckt ist, aus den Substacks und Fachforen in den Mainstream gespült. Und er hat gezeigt, dass selbst Sam Altman und Sarah Friar nicht synchron darüber sprechen können, ob das Tempo durchhaltbar ist. Für Entscheider in SaaS- und Tech-Unternehmen ist das das eigentliche Signal: nicht Panik, aber das Ende der Naivität.

Quellen