Nach dem Rückgang der Speicheraktien: Ist KI immer noch die Hauptlinie des Marktes?

Am 7. Juli erwartete Samsung einen operativen Gewinn für das zweite Quartal, der 19-mal so hoch war wie im gleichen Zeitraum des Vorjahres – dennoch fiel der Aktienkurs um 6,9 %, gefolgt von Micron und Western Digital. Anfang Juli desselben Jahres prognostizierte TrendForce, dass die Vertragspreise für DRAM (ohne HBM) und NAND im dritten Quartal weiter um 13–18 % bzw. 10–15 % steigen würden, allerdings mit verengten Zuwachsraten.

Die Kombination aus explodierenden Gewinnen, anhaltenden Preiserhöhungen und fallenden Aktienkursen deutet eher darauf hin, dass die Markteuphorie für Speicherprodukte nachlässt. Bald wurde der Rückgang der Speicheraktien als Zeichen einer schwächeren KI-Nachfrage interpretiert, und der Markt begann sich Sorgen zu machen, ob sich die Hauptinvestitionsrichtung verlagern könnte. Ob der Markt sich tatsächlich von der KI abwendet, lässt sich jedoch nicht allein an den Kursbewegungen im Speichersektor festmachen.

Was wirklich beurteilt werden muss, ist, ob sich die Anpassungen noch innerhalb der KI-Branche vollziehen oder ob die Hauptinvestitionsrichtung sich von der KI wegbewegt. Solange die Anzahl der Aufgaben, die der KI übertragen werden, weiter steigt, verfügt die KI-Hauptrichtung noch über eine solide Nachfragegrundlage – welche Segmente am Ende die Gewinne erzielen, ist dagegen ein relativ nebensächliches Problem.

Die Schwierigkeit liegt darin, dass es keine Echtzeitpreise für das Volumen der an die KI übergebenen Aufgaben gibt. Der Internationale Energieagentur (IEA) schätzt in ihrem Bericht 2026, dass der Stromverbrauch für dieselbe KI-Aufgabe in den letzten Jahren jährlich um mindestens 90 % gesunken ist – dennoch stieg der Stromverbrauch von KI-spezifischen Rechenzentren 2025 um 50 %. Google gab im Juni bekannt, dass die monatlich verarbeiteten Tokens sich in zwei Jahren um etwa das 330-fache erhöht haben. Der Stromverbrauch spiegelt die physische Belastung wider, die Token-Menge das Nutzungsvolumen – beide Kennzahlen expandieren.

Wenn diese Kombination auftritt, ist die klassische Erklärung das Jevons-Paradoxon: Steigende Effizienz macht Ressourcen günstiger, was zu einer gesteigerten Nutzung führt – am Ende steigt der Gesamtverbrauch sogar an.

Im Dezember 2025 veröffentlichte das National Bureau of Economic Research (NBER) ein Arbeitspapier von Mert Demirer und drei weiteren Autoren, das echte API-Daten von OpenRouter und Microsoft Azure nutzte, um die Veränderungen des Nutzungsverhaltens nach Preissenkungen zu beobachten. Bei einem Preisrückgang von 10 % stieg die Nutzung um etwa 11 %. Ein Beispiel: Ursprünglich kosteten 100 Einheiten 1000 Euro; nachdem der Stückpreis von 10 auf 9 Euro gefallen war, stieg die Nutzung auf etwa 111 Einheiten, wobei die Gesamtausgabe bei rund 1000 Euro lag.

Solche Studien erfassen nur die kurzfristige Reaktion der Nutzung auf Preisänderungen und können nicht unterscheiden, ob das Wachstum auf mehr Anfragen zurückgeht oder ob die Aufgabe hinter jeder einzelnen Anfrage komplexer geworden ist. Die monatlich aktiven Nutzer und die Anzahl der Anfragen erfassen nur, wie viele Personen die Technologie nutzen und wie oft sie Aufrufe initiieren – sie zeigen nicht, in wie viele Schritte eine Aufgabe im Hintergrund unterteilt wird. Aus Sicht der Benutzeroberfläche könnte das Übersetzen eines Satzes, das Aufbereiten einer Meeting-Aufzeichnung, das Überprüfen von Zahlen, das Erstellen einer Aufgabenliste oder das Verfassen einer Kunden-E-Mail jeweils nur eine einzelne Anweisung sein – der Arbeitsaufwand im Hintergrund ist jedoch völlig unterschiedlich.

Ein echter Rückgang der KI-Nachfrage würde voraussetzen, dass die KI-Schritte pro Aufgabe abnehmen, die Integration der KI in Fachbereiche zum Stillstand kommt und bereits übertragene Arbeiten wieder an Menschen zurückgegeben werden.

01

Die KI wird weitere Arbeitsschritte übernehmen

Dass die KI immer mehr Schritte menschlicher Tätigkeiten übernimmt, ist bereits zu einem offenen Wettbewerbsfeld für Modellentwickler geworden.

Als OpenAI im Februar 2026 GPT-5.3-Codex vorstellte, konzentrierte sich das Unternehmen auf lange Aufgaben, die aus Forschung, Tool-Aufrufen und komplexen Ausführungen bestehen. Als Zhipu im Juni GLM-5.2 veröffentlichte, stand direkt im Titel „für langfristige Aufgaben konzipiert“ – und das Modell wurde mit offenen Projekten getestet, die mehrere Stunden oder gar Dutzende Stunden dauerten. Der Wettbewerb dreht sich nicht mehr nur darum, wer eine einzelne Frage besser beantwortet, sondern darum, wer länger kontinuierlich an einem einzigen Ziel arbeiten kann.

Anthropic analysierte im Juni 2026 rund 400.000 interaktive Sitzungen von Claude Code, die etwa 235.000 Nutzer abdeckten. Bei Nutzern, die mit der Aufgabe nicht vertraut waren, führte Claude pro Anweisung durchschnittlich 5 Aktionen aus und erzeugte etwa 600 Wörter; bei erfahrenen Nutzern waren es 12 Aktionen und 3200 Wörter.

Um den Einfluss anderer Faktoren so weit wie möglich auszuschließen, normalisierten die Forscher Bedingungen wie Arbeitsweise, Aufgabenwert, Monat, Beruf und Modell. Logischerweise sollten Menschen, die eine Aufgabe gut beherrschen, weniger KI-Unterstützung benötigen – die Daten zeigen das Gegenteil: Mit jeder Stufe höherer Vertrautheit stieg die Anzahl der von der KI ausgeführten Aktionen um 9 % und die Ausgabemenge um 13 %.

Je klarer jemand versteht, wie eine Aufgabe erledigt werden muss, desto mehr einzelne Schritte kann er der KI übertragen. Was sich hier wirklich ändert, ist nicht, dass Menschen der KI ein paar zusätzliche Fragen stellen – sondern dass die KI zwischen zwei menschlichen Eingriffen kontinuierlich mehr Recherchen, Ausführungen, Überprüfungen und Korrekturen abschließen kann. Das Ergebnis des vorherigen Schritts wird direkt zur Grundlage für die nächste Entscheidung der KI; sie kann daraufhin ihren Plan anpassen, Tools erneut aufrufen – ohne dass ein Mensch eine neue Anweisung geben muss.

Sobald Aufgaben im Agent-Arbeitsmodus bearbeitet werden, steigt der Hintergrundverbrauch; wenn die Arbeit an mehrere KI-Agenten verteilt wird, vertieft sich die Arbeitsteilung weiter. Im eigenen Forschungssystem von Anthropic verbraucht ein einzelner KI-Agent etwa das Vierfache an Tokens im Vergleich zu einem normalen Chat – bei der Zusammenarbeit mehrerer Agenten sogar etwa das 15-fache. Bei der Bearbeitung einer Rechercheaufgabe führen verschiedene Agenten separate Recherchen durch, bevor der Hauptagent die Ergebnisse zusammenfasst und überprüft.

In einem solchen System hat der Nutzer am Ende zwar immer noch ein einziges Ergebnis erhalten – im Hintergrund sind aber mehrere Aufgabenstränge parallel gelaufen. Diese Faktoren stammen ausschließlich von Anthropic und stellen keine kontrollierten Vergleichsexperimente derselben Aufgabe auf unterschiedlichen Architekturen dar – sie zeigen nur, dass der Token-Verbrauch eines Multi-Agent-Forschungssystems deutlich höher sein kann als bei normalen Chats.

Selbst Menschen, die die KI regelmäßig und bereits recht geschickt nutzen, machen eine direkte Erfahrung: Wenn man der gleichen KI Aufgaben derselben Kategorie überträgt, variieren der Pfad zur Erledigung und der verbrauchte Token-Wert jedes Mal – manchmal sind die Unterschiede extrem groß.

Ein im April 2026 vom Stanford Digital Economy Lab veröffentlichtes Arbeitspapier verglich die Ausführungspfade von 8 Spitzenmodellen auf demselben Codierungs-Benchmark. Es zeigte sich, dass der Token-Verbrauch für dieselbe Aufgabe bei unterschiedlichen Ausführungen um bis zu 30-fache variieren kann. Mehr Tokens führen nicht unbedingt zu besseren Ergebnissen – die Genauigkeit erreicht oft bereits bei mittleren Kosten ihr Maximum.

Diese Belege zeigen, dass im derzeit scheinbar rasanten Wachstum der Token-Menge tatsächlich Verschwendung steckt. Modellentwickler und Nutzer suchen noch heraus, in wie viele Schritte eine Arbeit unterteilt werden soll, wann Wiederholungen sinnvoll sind und wie gründlich Überprüfungen erfolgen sollen. Dasselbe Vorgehen mit 30-fachem Aufwand bedeutet nicht, dass dieser gesamte Verbrauch auch in Zukunft bestehen bleiben wird.

Mit zunehmender Reife der Methoden werden wiederholte Versuche und unnötige Rückschritte abnehmen – der Token-Bedarf für dieselbe Aufgabe könnte sinken. Solange Arbeiten jedoch Schritte planen, Tools aufrufen und Ergebnisse überprüfen müssen, werden diese Prozesse nicht durch höhere Modelleffizienz verschwinden. Je vollständiger die Aufgaben sind, die Menschen der KI übertragen, desto mehr Teilschritte muss sie erledigen; wenn immer mehr Fachbereiche denselben Ansatz übernehmen, folgt eine weitere Wachstumsstufe.

02

Die KI übernimmt nicht nur die Programmierung

Code kann ausgeführt, fehlerhaft sein, getestet und wiederholt modifiziert werden – bei jedem Schritt erhält das Modell klares Feedback. Deshalb wurde die Programmierung das erste Hauptanwendungsfeld für KI-Agenten. Andere Fachbereiche haben ihre eigenen Quellen, Werkzeuge und Prüfverfahren – die Biowissenschaften sind eines der Felder, die führende Unternehmen intensiv vorantreiben.

Am 17. Juni 2026 veröffentlichte OpenAI LifeSciBench: 173 Wissenschaftler mit Doktorausbildung und Erfahrung in Biotechnologie oder Pharmazie erstellten 750 Aufgaben, die echte Forschungsarbeiten widerspiegeln – 79 % davon erfordern mehrstufige Schlussfolgerungen oder Entscheidungen. Die Aufgaben umfassen die Verarbeitung von Belegen, Datenanalysen, Experimentdesign und die Überprüfung von Ergebnissen, um die komplexen alltäglichen Arbeiten von Forschern in bewertbare KI-Aufgaben zu verwandeln.

Im April 2026 brachte OpenAI das Biowissenschaftsmodell GPT-Rosalind auf den Markt und stellte gleichzeitig das Codex Biowissenschafts-Plugin vor, das über 50 wissenschaftliche Tools und Datenquellen verbinden kann. Am 30. Juni veröffentlichte Anthropic Claude Science, das auf Labor-Rechenressourcen, mehr als 60 wissenschaftliche Datenbanken und KI-Agenten zur Ergebnisüberprüfung zugreifen kann. Beide Unternehmen verwandeln allgemeine Modelle in Arbeitsplattformen für die Biowissenschaften.

Im Februar 2026 koppelten OpenAI und Ginkgo Bioworks GPT-5 an ein cloudbasiertes automatisiertes Labor: Unter menschlicher Aufsicht entwirft das Modell Experimente, Roboter führen sie aus, und die Ergebnisse werden zurück an das Modell übermittelt. In 6 Zyklen wurden mehr als 36.000 Reaktionskombinationen getestet – bei einem Protein und einem zellfreien Proteinsynthesesystem sanken die Herstellungskosten im Vergleich zum bisherigen besten Ausgangswert um 40 %. Die KI beginnt auch, die nächsten Schritte basierend auf dem Feedback physischer Experimente zu bestimmen – und tritt in echte Experimentierzyklen ein.

Code wird durch Tests validiert, Biowissenschaften durch Experimente – und für Finanzprüfungen, Vertragsprüfungen und industrielle Simulationen gibt es ebenfalls eigene Regeln, Parameter und Prüfverfahren. Wenn die KI auf entsprechende Quellen und Werkzeuge zugreifen kann und ihre Ergebnisse von Fachkräften oder realem Feedback überprüft werden, kann sie eigene Arbeitsabläufe bilden. Je mehr Fachbereiche die KI erschließt, desto mehr Arbeiten können ihr übertragen werden.

Aus den veröffentlichten echten Nutzungsdaten von Anthropic geht hervor, dass zwischen Oktober 2025 und April 2025 der Anteil der Claude Code-Sitzungen, die für Fehleranalyse und -behebung verwendet wurden, von 33 % auf 19 % sank – während der Anteil für die Bereitstellung und Ausführung von Software von 14 % auf 21 % stieg. Der kombinierte Anteil für Schreibarbeiten und Datenanalyse erhöhte sich von etwa 10 % auf 20 %. Der Anwendungsbereich von Claude Code erweitert sich von der Bearbeitung von Codeproblemen hin zum Softwarebetrieb und nicht-codierenden Wissensarbeiten.

Ich selbst bin ein direktes Beispiel: Ich kann nicht programmieren, nutze aber bereits Codex und Claude Code, um Quellen zu strukturieren, Daten zu überprüfen und Investmentrecherchen voranzutreiben – und übergebe schrittweise den gesamten Investmentrecherche-Workflow an die KI. Die Ausführungsweise, die Programmierer zuerst nutzten, funktioniert genauso für Forschung, Marketing, Finanzen und Rechtswesen. Die Produktlogik und KI-Fähigkeiten, die im Programmierbereich weiterentwickelt wurden, breiten sich jetzt auf andere Geschäftsbereiche in Unternehmen aus.

Am 9. Juli 2026 fasste OpenAI Chat, ChatGPT Work und Codex in derselben ChatGPT-Desktop-App zusammen: Work übernimmt Recherchen, Analysen und die Lieferung fertiger Ergebnisse, Codex ist für die Softwareentwicklung zuständig. Beide Modi können den integrierten Browser nutzen – Chats, Wissensarbeit und Softwareentwicklung laufen jetzt in einer einzigen Desktop-Anwendung zusammen.

Für die meisten Investoren ist es selbst wenn sie wissen, dass sich diese Produkte verändert haben, schwer wirklich zu erfassen, wie weit die KI-Fähigkeiten bereits fortgeschritten sind. Viele Menschen nutzen zwar ChatGPT, aber ihre Nutzung beschränkt sich noch auf das einfache Frage-Antwort-Schema von 2022 und 2023: Sie öffnen das Handy, geben einen Aktienticker ein, fragen „Was halten Sie von diesem Unternehmen?“, warten auf eine Analyse und sind dann fertig.

Bei dieser Art der Nutzung sieht der Nutzer nur eine Antwort – die Prozesse der Quellenrecherche, Datenüberprüfung, Tool-Aufrufe und wiederholten Korrekturen, die früher von Menschen erledigt wurden, sind noch nicht wirklich an die KI übergeben. Deshalb spürt man nicht, wie viel Arbeit die KI nach einer einzigen Anweisung kontinuierlich erledigen kann.

Der Wandel von „eine Frage stellen“ zu „eine Aufgabe übergeben“ verändert nicht nur die Nutzungsweise. Ersteres kann jederzeit unterbrochen werden – letzteres bedeutet, dass sobald die Aufgabe zuverlässig erledigt wird, das Abschalten der KI die gesamte Arbeit wieder an Menschen zurückgibt. Sobald Menschen sich daran gewöhnt haben, diese wiederholenden, lästigen aber notwendigen Arbeiten der KI zu überlassen, fällt es ihnen schwer, sie wieder einzeln selbst zu übernehmen.

03

Schlussfolgerung

Das größte Problem des Marktes derzeit ist, dass sowohl Befürworter als auch Kritiker der KI vernünftige Belege für ihre Ansichten finden. Die Preise und Aktienkurse im Speichersektor stimmen vorsichtig – die Expansion von Token-Menge, Stromverbrauch und Fähigkeitsgrenzen gibt jedoch Anlass zur Optimismus.

Der Markt bewertet täglich Speicher- und KI-Unternehmen – aber wie viele Arbeiten tatsächlich an die KI übergeben werden, ist schwer direkt zu beobachten. Genau hier wird die KI-Nachfrage am häufigsten falsch eingeschätzt.

Es ist aber auch nicht nötig, eine scheinbar genaue Zahl zu erzwingen. Ein praktischerer Ansatz ist, darauf zu achten, welche neuen Arbeiten wir der KI übergeben: Ob dieselbe Tätigkeit von „eine Frage stellen“ zu „selbst Quellen recherchieren, Tools aufrufen, prüfen und korrigieren“ übergegangen ist. Ob neben der Programmierung auch Bereiche wie Investmentrecherche, Biowissenschaften, Finanzen und Rechtswesen denselben Ansatz nutzen. Solange diese Veränderungen andauern, steigt die Anzahl der an die KI übergebenen Arbeiten weiter.

Worüber man sich wirklich