Der KI-ROI-Realitätscheck: Von der Infrastruktur-Hype zum europäischen Unternehmenswert

Drei Jahre lang hat die Branche auf der Annahme gearbeitet, dass die Nachfrage nach Rechenleistung irgendwann mit den Investitionen Schritt halten würde. Die nächste Phase wird schwieriger. Technologieunternehmen müssen Kunden davon überzeugen, in großem Maßstab für KI zu bezahlen, statt einfach nur zu zeigen, was ihre Modelle leisten können. Das verändert, wie sie ihre Produkte verkaufen, wen sie einstellen und woher sie die nächste Wachstumswelle erwarten.

Die Kosten des Glaubens an die Zukunft

Die Größenordnung der Investitionen macht das Problem schwer zu ignorieren. Amazon, Microsoft, Alphabet und Meta steuern auf kombinierte Investitionsausgaben von 720 bis 745 Milliarden Dollar im Jahr 2026 zu. Weiter gefasste Schätzungen für die Technologiebranche beziffern den Wert auf 971 Milliarden Dollar, steigend auf 1,3 Billionen Dollar 2027 und 1,4 Billionen Dollar 2028.

Ein Großteil dieses Geldes fließt in Rechenzentren, Computerausrüstung und die Infrastruktur, die für das Training und den Betrieb immer leistungsfähigerer KI-Systeme nötig ist. Diese Anlagen sind teuer im Bau und erfordern erhebliche Finanzierung, bevor ihr kommerzieller Wert überhaupt feststeht.

Die Inflation verkompliziert die Rechnung. Die US-Verbraucherpreisdaten für September haben die Erwartung verstärkt, dass die Zinsen länger höher bleiben werden, was die Anleiherenditen nach oben treibt und die Kreditkosten erhöht. Für Unternehmen, die Milliarden in Infrastruktur stecken, deren Rendite erst in Jahren anfallen dürfte, verändert teureres Kapital die Ökonomie der Expansion.

Höhere Zinsen machen KI nicht weniger nützlich. Sie machen den Zeitpunkt und die Größenordnung ihres kommerziellen Nutzens wichtiger.

Ein Infrastrukturprojekt, das bei billiger Finanzierung attraktiv wirkt, kann erheblich an Überzeugungskraft verlieren, wenn die Kapitalkosten steigen und Kunden die Technologie langsamer annehmen als erwartet. Rechenzentren lassen sich nicht auf Dauer mit der Aussicht auf künftige Nachfrage rechtfertigen. Irgendwann muss sich die Investition in Umsatz und Cashflow niederschlagen.

Die Marktreaktion deutet darauf hin, dass Anleger Ausgaben weniger bereitwillig als Beleg für künftigen Erfolg werten. Die Herabstufungen von Dell und HPE durch Barclays, begründet mit dem Ausbleiben einer substanziellen KI-getriebenen Beschleunigung trotz wachsender Server-Umsätze, verweisen auf dieselbe Spannung. Mehr Hardware zu verkaufen ist nicht zwangsläufig dasselbe wie den von KI geschaffenen wirtschaftlichen Wert abzuschöpfen.

Dieser Unterschied ist in der gesamten Lieferkette von Bedeutung. Die Unternehmen, die Chips, Server und Cloud-Kapazität liefern, können vom ersten Investitionszyklus profitieren, doch ihr Schicksal bleibt an die Bereitschaft der Kunden gebunden, weiter Geld auszugeben. Enttäuschen die finanziellen Erträge, wandert der Druck von den Unternehmensbudgets zurück zu den Infrastrukturanbietern.

Das fehlende Bindeglied zwischen Modellen und Geld

Die Reaktion der Branche ist aufschlussreich. Statt sich ausschließlich auf größere Modelle und mehr Rechenkapazität zu konzentrieren, bauen KI-Unternehmen Teams auf, die ihre Produkte in normalen Unternehmen funktionsfähig machen sollen.

Die Rolle im Zentrum dieses Wandels ist der Forward-Deployed Engineer, kurz FDE. Diese Ingenieure arbeiten direkt mit Kundenorganisationen zusammen und helfen ihnen, KI-Systeme an bestehende Software, Daten, Sicherheitsanforderungen und Geschäftsprozesse anzupassen. Ihre Aufgabe besteht nicht einfach darin, ein Modell zu liefern oder Zugang zu einer Programmierschnittstelle zu verschaffen. Sie besteht darin, ein funktionierendes System in den Produktivbetrieb zu bringen und es nützlich genug zu machen, um seine Kosten zu rechtfertigen.

Der Unterschied klingt simpel, legt aber eine der hartnäckigsten kommerziellen Schwierigkeiten der Branche offen. Ein leistungsfähiges Modell macht ein Unternehmen nicht automatisch effizienter. Eine Organisation muss nach wie vor entscheiden, welche Aufgaben automatisiert werden sollten, wie ihre Systeme mit dem Modell interagieren sollen, welche Schutzmaßnahmen nötig sind und ob die daraus resultierenden Veränderungen die Leistung verbessern.

Die technische Demonstration ist oft der leichte Teil. Die Integration ist der Punkt, an dem Kosten, Verzögerungen und organisatorischer Widerstand auftreten.

In den USA überstieg die Zahl der Stellenausschreibungen für Forward-Deployed-Engineers in den ersten neun Monaten des Jahres 2026 die Marke von 7.300, verglichen mit weniger als 200 im Jahr 2023, so die dem Arbeitsmarktanalyseunternehmen Lightcast zugeschriebenen Zahlen. Die mittleren ausgeschriebenen Gehälter sind auf über 188.000 Dollar gestiegen, gegenüber rund 145.000 Dollar für traditionelle Softwareentwickler.

Der Aufschlag spiegelt eine Rolle, die technisches Fachwissen mit der Fähigkeit verbindet, sich in den Abläufen eines Kunden zurechtzufinden. Ingenieure müssen nicht nur verstehen, was ein Modell leisten kann, sondern auch, wie ein Unternehmen tatsächlich funktioniert und was dessen Management davon überzeugen würde, für das Ergebnis zu bezahlen.

Für KI-Anbieter ist das eine erhebliche Veränderung in der Beziehung zu den Kunden. Ein Cloud-Dienst lässt sich aus der Ferne verkaufen und über die Nutzung messen. Ein eingebettetes Engineering-Team erfordert eine engere Beziehung, ein besseres Verständnis der internen Abläufe des Kunden und mehr Verantwortung für das Ergebnis.

Der Anbieter rückt näher an das Geschäft des Kunden heran. Er übernimmt zugleich eine schwierigere kommerzielle Aufgabe: eine Allzwecktechnologie in einen konkreten finanziellen Nutzen zu verwandeln.

Eine Armee einstellen, um die Renditen zu beweisen

Die Größenordnung der neuen Deployment-Programme deutet darauf hin, dass die Branche darin mehr sieht als eine vorübergehende Anpassung ihrer Vertriebsstrategie.

Amazon Web Services hat 1 Milliarde Dollar für seine Forward-Deployed-Engineering-Initiative zugesagt; die Teams sind in Gruppen organisiert, die 45-tägige Kundenprojekte übernehmen. Microsoft hat eine Einheit namens Frontier Company aufgebaut, gestützt auf 2,5 Milliarden Dollar und rund 6.000 eingebettete Ingenieure. OpenAI hat ein Deployment-Unternehmen im Umfang von 4 Milliarden Dollar gestartet, das zunächst mit 150 Forward-Deployed-Engineers besetzt ist. Anthropic hat 100 Millionen Dollar für seine Claude Frontier Academy zugesagt, mit dem Plan, bis Ende 2027 10.000 Ingenieure auszubilden.

Die Ansätze unterscheiden sich, die kommerzielle Logik ist ähnlich. Jedes Unternehmen investiert in die Fähigkeit, KI in die Abläufe der Kunden zu bringen, statt darauf zu vertrauen, dass die Kunden die Implementierung selbst hinbekommen.

Für Anleger entsteht daraus ein Paradoxon. Die Branche reagiert auf Sorgen über übermäßige Ausgaben, indem sie noch mehr Geld für das Deployment zusagt. Doch die neuen Ausgaben zielen auf ein anderes Problem als der Bau von Rechenzentren. Infrastruktur schafft die Kapazität, KI bereitzustellen; Deployment-Teams sollen zahlende Kunden schaffen, die sie produktiv nutzen können.

Ob sich diese Investition als effizienter erweist, bleibt offen. Eingebettete Ingenieure sind teuer, und ein arbeitsintensives Deployment-Modell lässt sich womöglich nur schwer auf Tausende Kunden skalieren. Wenn jede Implementierung umfangreiche Maßanfertigung erfordert, könnte die Ökonomie unattraktiver werden, als die Technologieanbieter erwarten.

Hinzu kommt eine Frage des Eigentums. Ingenieure, die sich tief in die internen Abläufe eines Kunden einarbeiten, können dazu beitragen, ein Produkt unverzichtbar zu machen, doch sie können auch die Grenzen eines generischen Angebots offenlegen. Wenn jeder Kunde eine andere Konfiguration benötigt, muss der Anbieter maßgeschneiderte Dienstleistungen gegen die von Software erwarteten Effizienzgewinne abwägen.

Dennoch verweist der Einstellungsboom auf einen Wandel im Verständnis der Branche davon, was nötig ist, um KI zu verkaufen. Die Leistung der Modelle bleibt wichtig, reicht aber nicht mehr aus. Kommerzieller Erfolg hängt zunehmend davon ab, ob ein Unternehmen eine operative Verbesserung liefern kann, die sein Kunde messen kann.

Europas Chance ist kein weiteres amerikanisches Rechenzentrum

Europa steht vor derselben kommerziellen Herausforderung, aber von einem anderen Ausgangspunkt aus. Sein Anteil an der globalen Rechenzentrumskapazität liegt bei etwa 5 Prozent, verglichen mit 75 Prozent in den USA und 15 Prozent in China. Dieses Ungleichgewicht bringt europäische Unternehmen in jedem Wettbewerb ins Hintertreffen, der vor allem von der Fähigkeit abhängt, riesige Recheninfrastruktur zu finanzieren und zu betreiben.

Das InvestAI-Programm der EU im Umfang von 200 Milliarden Euro, darunter 20 Milliarden Euro an Zuschüssen für KI-Gigafabriken, soll die Lücke verkleinern. Die Unterstützung für 19 KI-Fabriken und die Rückendeckung durch die Europäische Investitionsbank sind Teil der breiteren Anstrengung, die Rechenkapazität auszubauen und die Abhängigkeit von ausländischen Anbietern zu verringern.

Doch Europa wird die Infrastrukturlücke kaum schließen, indem es einfach das amerikanische Investitionsmodell nachahmt. Der Kapitalbedarf ist gewaltig, und die US-Technologieriesen verfügen bereits über enorme Ressourcen und etablierte Cloud-Geschäfte. Um mit ihnen bei reiner Rechenleistung zu konkurrieren, müsste Europa sowohl einen finanziellen Nachteil als auch einen erheblichen Unterschied bei der vorhandenen Kapazität überwinden.

Ein plausiblerer Weg liegt in Anwendungen, die auf bestimmte Branchen und europäische Anforderungen zugeschnitten sind.

Die führenden KI-Unternehmen der Region sind in mehreren unterschiedlichen Feldern tätig. Das französische Unternehmen Mistral AI sammelte im September 2026 3 Milliarden Euro bei einer Bewertung von über 21 Milliarden Euro ein. Das deutsche Unternehmen Aleph Alpha konzentriert sich auf souveräne Unternehmens-KI, während DeepL und ElevenLabs in Sprach- und Stimmtechnologien tätig sind. Helsing ist im Verteidigungsbereich tätig, Wayve im autonomen Fahren und Isomorphic Labs in den Biowissenschaften. Black Forest Labs ist auf visuelle KI spezialisiert.

Diese Unternehmen folgen nicht alle demselben Geschäftsmodell, und ihre Existenz garantiert keine europäische technologische Unabhängigkeit. Doch sie veranschaulichen eine Strategie, die weniger Wert darauf legt, mit der Größenordnung der amerikanischen Infrastruktur mitzuhalten, und mehr auf die Entwicklung von Fähigkeiten für spezifische Märkte.

Für europäische Kunden, insbesondere in regulierten Sektoren, lautet die Frage nicht immer, welches Modell das leistungsstärkste ist. Kontrolle über Daten, Compliance-Anforderungen und die Fähigkeit, ein System an einen bestehenden Betrieb anzupassen, können ebenso viel zählen. Souveräne KI wird kommerziell relevant, wenn Organisationen wissen müssen, wo ihre Daten verarbeitet werden, wer die Technologie kontrolliert und ob sie sich innerhalb ihrer institutionellen Vorgaben einsetzen lässt.

NVIDIAs Zusage von 10 Milliarden Dollar für das europäische Technologie-Ökosystem ist eine weitere Unterstützungsquelle für lokale Scale-ups. Doch Investitionen in europäische Unternehmen beseitigen nicht die grundlegende Abhängigkeit von einem globalen Infrastrukturmarkt, der von amerikanischen Anbietern dominiert wird.

Europas Chance beruht daher auf der Unterscheidung zwischen dem Besitz des gesamten Technologie-Stacks und der Kontrolle über die Anwendungen, die für seine Wirtschaft von Bedeutung sind. Ersteres erfordert außergewöhnliches Kapital. Letzteres erfordert technisches Fachwissen, Zugang zu industriellen Kunden und die Fähigkeit, Probleme zu lösen, die Allzwecksysteme nicht von sich aus angehen.

Der nächste Test findet beim Kunden statt

Die sich abzeichnende Aufteilung zwischen amerikanischer Größe und europäischer Spezialisierung ist nicht absolut. US-Anbieter drängen aggressiv in das Unternehmens-Deployment, während europäische Unternehmen weiterhin Zugang zu Rechenkapazität benötigen, um ihre Produkte zu entwickeln und zu betreiben. Beide Seiten stehen vor derselben Anforderung: zu beweisen, dass KI wirtschaftlichen Wert über den Technologiesektor selbst hinaus erzeugen kann.

Das Risiko für Infrastrukturanbieter besteht darin, dass die Kapazität schneller wächst als die profitable Nachfrage. Wenn Unternehmen weiter Rechenzentren ausbauen, ohne überzeugende Wege zu Renditen aufzuzeigen, könnten höhere Finanzierungskosten künftige Projekte schwerer rechtfertigen und die Schwäche von Geschäftsmodellen offenlegen, die auf ständiger Kapitalakkumulation beruhen.

Für Entwickler, die Modelle ohne glaubwürdige Integrationsstrategie verkaufen, ist die Gefahr eine andere. Kunden könnten feststellen, dass der Zugang zu immer leistungsfähigeren Systemen an ihren Abläufen wenig ändert. In diesem Fall könnte sich der kommerzielle Vorteil zu Unternehmen verschieben, die das Geschäft des Kunden verstehen und eine funktionierende Lösung liefern können, selbst wenn sie nicht Eigentümer des zugrunde liegenden Modells sind.

Der Forward-Deployed-Engineer sitzt an der Schnittstelle dieser beiden Kräfte. Die Rolle ist wertvoll geworden, weil die Branche entdeckt hat, dass technologische Fähigkeit und wirtschaftliche Produktivität nicht austauschbar sind.