Der nächste Sektor, der eine Welle von 10-Bagger-Aktien hervorbringt: Wer verdient tatsächlich Geld mit KI?

1

Die heutige KI und die zukünftige KI

Wenn man die KI-Wertschöpfungskette in vorgelagerte Geräte, mittlere Cloud-Anbieter und Anbieter großer Sprachmodelle sowie nachgelagerte Anwendungsunternehmen unterteilt, konzentrieren sich derzeit fast alle Gewinne der Wertschöpfungskette im vorgelagerten Bereich. Allein NVIDIA zusammen mit den vier großen Speicherherstellern erwirtschaftet fast 70 % der Branchengewinne.

Diese Gewinnverteilung weist typische Merkmale der frühen Phase der Entwicklung einer neuen technologischen Revolution auf. Aber wenn wir darüber nachdenken: Die zukünftigen Einstiegspunkte für die Gebührenerhebung in der KI-Branche werden entweder bei den Cloud-Anbietern oder bei den nachgelagerten Anwendungen liegen. Wird die Gewinnverteilung dann noch genauso aussehen?

Nehmen wir die reife Internetbranche als Beispiel: Das ungefähre Verhältnis der wirtschaftlichen Gewinnverteilung lautet:

Vorgelagerte Geräte/Technologie: ca. 20 %–30 %

Mittlerer Bereich Netzwerk/Cloud/Betreiber: ca. 10 %–20 %

Nachgelagerte Plattformen und Anwendungen: ca. 50 %–70 %

Es ist offensichtlich, dass je näher man am Benutzereinstieg liegt, desto höher ist der Anteil an der Gewinnverteilung.

Die umfangreichen Kapitalausgaben der Cloud-Anbieter in den letzten Jahren bestehen im Wesentlichen darin, einen Teil der zukünftigen Gewinne der Cloud-Anbieter vorab als Gewinne der heutigen vorgelagerten Geräteunternehmen zu verbuchen; während die zukünftigen Einnahmen der KI-Branche hauptsächlich in die nachgelagerten Anwendungen und zu den Cloud-Anbietern fließen werden.

Mit der Verlangsamung des Wachstumstempos der Kapitalausgaben und dem Anstieg der KI-Einnahmen selbst wird sich die Gewinnverteilung der gesamten Wertschöpfungskette zunehmend an der reifen Internetbranche orientieren und sich ständig auf die mittleren Cloud-Anbieter und die nachgelagerten Anwendungen konzentrieren.

Derzeit beträgt der Gesamtwert der KI-Wertschöpfungskette an der US-Börse etwa 25 Billionen US-Dollar, wobei der vorgelagerte Bereich (einschließlich Rechenchips, Halbleitergeräte, Speicher und Kommunikationsgeräte) 47 % ausmacht, die mittleren Cloud-Anbieter 50 % ausmachen und die nachgelagerten Anwendungen nur 3 % ausmachen, was ein enormes Potenzial bedeutet.

Wenn Sie in die KI dieses Jahres investieren, sollten Sie natürlich weiterhin in Rechenleistung investieren, aber wenn Sie in die Zukunft der KI investieren, sollten Sie sich zweifellos stärker auf die nachgelagerten Anwendungen konzentrieren. In den letzten drei Jahren sind im vorgelagerten Bereich unzählige Aktien mit einem zehnfachen Kursanstieg entstanden. Mit dem Ende der Spitzenphase der Kapitalausgaben verbleibt ein größerer Teil der Gewinne im mittleren und nachgelagerten Bereich, wodurch die Wahrscheinlichkeit für das Entstehen von Aktien mit zehnfachem Kursanstieg höher ist.

Früher dachte man immer, dass die Unsicherheit bei KI-Anwendungen zu groß sei, aber das liegt eigentlich daran, dass das Volumen der einheimischen ursprünglichen KI-Einnahmen zu gering ist. In den USA ist das anders: Bei KI-Anwendungen haben sich bereits mehrere klare Pfade herausgebildet, und es ist eine Reihe von Unternehmen mit hohem Investitionswert entstanden. In diesem Artikel werden wir anhand börsennotierter KI-Anwendungsunternehmen an der US-Börse mehrere Schwerpunktbereiche aufzeigen.

2

Bei Anwendungen kommt es auf das Geschäftsmodell an

KI-Anwendungen sind kein homogenes Segment. Im Jahr 2026 hat es intern eine extrem starke Differenzierung gegeben: Infrastruktursoftware, die durch KI-Arbeitslasten angetrieben wird (einschließlich Datenplattformen, Observability und Sicherheit), hat den Markt deutlich übertroffen. „Long auf Infrastruktursoftware, Begrenzung des SaaS-Exposures“ ist zur gängigen Strategie für Softwareinvestitionen an der aktuellen US-Börse geworden.

Aber nicht alle SaaS-Software unterliegt einer Abwertung. Aus den Halbjahresberichten geht hervor, dass die KI-Einnahmen vieler Softwareaktien schnell wachsen, und gleichzeitig weisen viele Software-Infrastrukturunternehmen sehr hohe Bewertungen auf.

Bei Rechenleistung kommt es auf die Konjunktur an, bei Anwendungen auf das Geschäftsmodell. Es gibt drei Schlüsselvariablen, um die Vor- und Nachteile von Nischenmärkten zu beurteilen:

1. Abrechnungsmodell: Die Abrechnung nach Verbrauch/Menge ist natürlich positiv mit den KI-Arbeitslasten korreliert und kann das Risiko der Verringerung von Lizenzen abfedern, während reine Lizenzmodelle unter Druck stehen;

2. Position in der Ausführungskette der Unternehmens-KI: Plattformen, die Kern-Daten, Berechtigungen und Einstiegspunkte für Arbeitsabläufe kontrollieren, haben das Potenzial, von Anwendungssoftware zu Unternehmens-KI-Infrastrukturen umbewertet zu werden;

3. Sind die KI-Einnahmen Zusatzeinnahmen: Der Markt zahlt nur für nachverfolgbare KI-ARR/ACV/Arbeitslast-Kennzahlen, nicht für KI-Strategien.

Ausgehend von diesen drei Kriterien lassen sich KI-Anwendungen in drei Ebenen mit insgesamt 7 Segmenten unterteilen.

3

Kategorie 1: Datenplattformen

Nehmen wir an, es gibt ein großes E-Commerce-Unternehmen, das sich entscheidet, voll auf KI zu setzen, in Zukunft so wenige Mitarbeiter wie möglich einzustellen und die KI-Agenten das Unternehmen selbst betreiben zu lassen.

Das lässt sich nicht lösen, indem man einfach ein paar Einstiegspunkte für Agenten erstellt. Der erste Schritt, den alle Unternehmen durchführen müssen, ist der Aufbau einer KI-Datenplattform. Damit die KI Entscheidungen treffen und ausführen kann, muss sie zunächst wissen, was im Unternehmen in der Vergangenheit passiert ist und was gerade passiert.

Früher waren die Ausführer der Unternehmensgeschäfte alle Mitarbeiter, sodass die Daten an verschiedenen Stellen verteilt sein konnten: Benutzerdaten im CRM, Bestellungen in der E-Commerce-Datenbank, Bestands- und Finanzdaten im ERP, Kundendienstaufzeichnungen im Kundendienstsystem, Produktinformationen im PIM, Werbedaten bei Meta und Google, Personaldaten im HR-System, Sitzungsprotokolle auf den Computern und in den Postfächern jedes Mitarbeiters, und noch mehr Daten befinden sich in den Köpfen der Mitarbeiter, in Chat-Protokollen (wenn es sich um chinesische Unternehmen handelt) …

Bei der Ausführung suchten und integrierten die Mitarbeiter diese Daten dann aus verschiedenen Kanälen. Wenn der Chef zum Beispiel fragt: „Warum sind die Gewinne in der Region Shanghai in den letzten drei Monaten gesunken?“, können Sie sich in verschiedene Systeme einloggen, um nachzusehen, und wenn Sie etwas nicht wissen, fragen Sie Ihre Kollegen, bevor Sie eine Analyse durchführen können.

Ebenso muss ein Agent, der wirklich arbeiten kann, alle oben genannten Daten gleichzeitig kennen. Ohne Daten ist die KI nur ein sehr kluger externer Mitarbeiter, der aber nicht weiß, was im Unternehmen passiert ist.

Daher ist das erste Ding bei der KI-Transformation, alle Arten von Unternehmensinformationen in Daten umzuwandeln, die die KI verstehen, abfragen und aufrufen kann – je mehr, desto besser, also die Datenmigration.

In zukünftigen Unternehmen wird jede Sitzung eines Projekts, jede Kommunikation zwischen Kollegen und sogar jede Chat-Nachricht eines Mitarbeiters synchron aufgezeichnet und digitalisiert, um zu Analysedaten und Korpora für die KI zu werden. Nur so kann sichergestellt werden, dass die Entscheidungen der KI auf den Echtzeitinformationen des Unternehmensbetriebs basieren.

An der US-Börse sind Snowflake und MongoDB die besten Vertreter, natürlich gibt es auch ein weniger typisches, aber bekannteres Unternehmen namens Palantir.

SNOW hat sich von einem einzelnen Data-Warehouse-Dienstleister zu einer umfassenden KI-Datencloud-Plattform weiterentwickelt und eine Reihe nativer KI-Produkte wie Cortex Code und Snowflake Intelligence auf den Markt gebracht. Dadurch wird die Datenmigration der Kunden vereinfacht, der Verbrauch der Kerndatengeschäfte angekurbelt und ein starker Wachstumszyklus gebildet.

Die Abrechnung dieser Art von Unternehmen erfolgt ausschließlich nach Verbrauch/Menge, was natürlich positiv mit den KI-Arbeitslasten korreliert. Aus dem Halbjahresbericht geht hervor, dass das Wachstum der Produktumsätze drei Quartale in Folge beschleunigt wurde und im zweiten Quartal 37 % erreichte. Das Unternehmen hat seine Prognose für die gesamten Produktumsätze des Jahres auf 6,07 Milliarden US-Dollar angehoben (+36 %), was bestätigt, dass der „durch KI angetriebene Zyklus des Kernplattformverbrauchs“ in die Phase der Umsetzung eingetreten ist.

Allerdings ist die Bewertung dieser Art von Unternehmen auch extrem hoch. SNOW hat ein PS von fast 20 und eine Marktkapitalisierung von fast 120 Milliarden US-Dollar, was hohe Erwartungen für die Zukunft widerspiegelt. Die Zweifel des Marktes beziehen sich auf die Wettbewerbs- und Kooperationsbeziehung zu Cloud-Giganten wie AWS, Microsoft und Google.

4

Kategorie 2: Observability

Nachdem immer mehr Geschäftsaktivitäten dieses Unternehmens von der KI übernommen werden, stellt das Unternehmen ein schwerwiegendes Problem fest: Es weiß nicht, was die KI genau tut, ob die verbrauchten Token es wert sind und welche Geschäftsaktivitäten optimiert werden können.

Früher verfügte das Unternehmen über ein vollständiges System zur Aufzeichnung, Bewertung und Beurteilung der Arbeit der Mitarbeiter, typischerweise die KPI-Verwaltung. Obwohl es viele negative Bewertungen gibt, kann es sicherstellen, dass ein Unternehmen mit Zehntausenden von Mitarbeitern automatisch nach Prozessen funktioniert. Aber die Arbeit der KI ist eine „Black Box“, die KI kann auch faul sein und „nutzlose Arbeit“ verrichten. Da ihre Arbeitsabläufe möglicherweise völlig anders sind als die von Menschen, werden die traditionellen KPIs unwirksam. Die menschlichen Mitarbeiter müssen ständig sehen, was die KI genau tut.

Das ist das Problem, das die Observability-Anwendungen lösen. Sie fungieren wie die Personalabteilung der KI. Die Menschen können darüber sehen, welche Tools der KI-Agent aufgerufen hat, welche API er verwendet hat, wie viele Token er verbraucht hat, warum er diese Entscheidung getroffen hat, welcher Schritt fehlgeschlagen ist, welcher Agent eine höhere Leistung erbracht hat und welcher Agent Verluste verursacht hat.

Das repräsentative Unternehmen in diesem Geschäftsfeld ist Datadog (DDOG). Es kann traditionelle APM-Aufgaben wie die Echtzeitüberwachung der Leistungsindikatoren von Infrastrukturen wie Cloud-, hybriden oder lokalen Servern, Containern und Netzwerken der Kunden erfüllen. Es kann auch eine verteilte Verfolgung auf Codeebene bereitstellen, um Kunden dabei zu helfen, die Leistungsengpässe von Anwendungen und Mikrodiensten tiefgehend zu verstehen. Darüber hinaus kann es riesige Mengen an Protokolldaten aus Systemen und Anwendungen sammeln, verarbeiten und analysieren, um Fehler zu beheben und die Leistung zu analysieren.

Das Abrechnungsmodell dieser Art von Anwendungen ist ebenfalls verbrauchsorientiert. Die Einnahmen von DDOG im zweiten Quartal stiegen um 36 %, das Wachstum beschleunigt sich vier Quartale in Folge, und das Unternehmen hat die Leistungsguidance für das Gesamtjahr deutlich angehoben. Allerdings ist die Bewertung dieses Segments ebenfalls extrem hoch, sodass der Aktienkurs leicht von negativen Narrativen im Software-Segment beeinflusst wird.

5

Kategorie 3: Cybersicherheit

Cybersicherheit ist ein Segment, das es schon in der Ära der traditionellen Software gab, aber seine Bedeutung steigt im KI-Zeitalter sprunghaft an. Denn KI greift nicht nur Ihre Systeme an, sondern kann selbst als Werkzeug für Hacker fungieren, um Angriffe zu initiieren.

Die KI ersetzt im Wesentlichen Mitarbeiter, und sie hat größere Berechtigungen als die meisten Mitarbeiter. Sie kann nicht nur auf Datenbanken zugreifen, Daten ändern und E-Mails senden, sondern auch hochriskante Aktionen wie Geldtransfers durchführen und sogar direkt Code schreiben und Programme bereitstellen. Das ist so, als würde man direkt in das Gehirn Ihrer Mitarbeiter eindringen und sie „zum Überlaufen bringen“.

Da Agenten gleichzeitig über Schlussfolgerungsfähigkeit, Datenzugriff und Handlungsfähigkeit verfügen, werden Berechtigungen, Identitäten, Audits und die Steuerung von Tool-Aufrufen zu neuen Sicherheitsproblemen.

Es gibt bereits viele Unternehmen dieser Art, sowohl an der US-Börse als auch an der chinesischen A-Börse, deshalb verzichten wir auf Beispiele.

Das Sicherheitssegment hat die höchste Bewertung unter den drei Segmenten, hauptsächlich wegen seiner hohen Sicherheit und der Zeitverzögerung zwischen den KI-Ausgaben und den Ausgaben für KI-Sicherheit. Die Erwartungen an das zukünftige Umsatzwachstum sind stark.

Diese drei Kategorien – Datendienste, Observability und Cybersicherheit – können zusammen als digitale Infrastruktur von KI-Anwendungen bezeichnet werden. Sie sind das unverzichtbare Trio für alle Unternehmen, die in Zukunft eine KI-Strategie umsetzen. Ihre Ausgaben sind sowohl vorausschauend als auch nachhaltig, sodass sie unter den Anwendungen zuerst explodieren.

Auf diesen drei Arten von digitaler Infrastruktur bauen die Anwendungen der „Ausführungsebene“ auf, also die verschiedenen Arbeitsoberflächen von Unternehmen. Ich unterteile sie in zwei Kategorien: eine sind verschiedene Workflow/Agent-Plattformen, die andere ist die KI-Programmierung.

6

Kategorie 4: Workflow/Agent-Plattformen

Wie arbeiten die Agenten dieses E-Commerce-Unternehmens, nachdem sie über Daten und Berechtigungen verfügen?

Derzeit gibt es zwei Arten von Lösungen. Die erste Kategorie baut auf den ursprünglichen Arbeitsabläufen auf und nutzt KI-Agenten in Kombination mit verschiedenen ursprünglichen Branchensoftware, um zu arbeiten – dies wird als „Workflow/Agent-Plattform“ bezeichnet.

Nehmen wir zum Beispiel die Bearbeitung von Kundenretouren in diesem E-Commerce-Unternehmen: Der traditionelle Ablauf besteht darin, dass der Kundendienst prüft, die Bestellung abfragt, den Grund beurteilt, den Bestand überprüft, die Rückerstattung vornimmt, die Logistik bearbeitet und das Lager benachrichtigt. Jeder Schritt wird von Menschen mit Hilfe von Software ausgeführt.

Im Modus der „Workflow/Agent-Plattform“ bleiben die Abläufe diesel