# Abhängigkeit als strategisches Risiko: KI-Lieferketten im geopolitischen Stresstest
Es gibt eine stille Form der Verwundbarkeit, die sich erst zeigt, wenn es zu spät ist, sie noch zu beheben. In der Zeit zwischen 2020 und 2023 hat die europäische Industrie diese Erfahrung in konzentrierter Form durchlebt. Was damals den Motor der Automobilwirtschaft lahmlegte, war kein klassischer Nachfrageeinbruch, sondern die plötzliche Erkenntnis, dass ein scheinbar austauschbarer Zulieferinput in Wahrheit eine strategische Ressource mit geopolitischer Schwerkraft war. Die Halbleiter, die in Motorsteuergeräten, Infotainmentsystemen und Fahrerassistenzmodulen verbaut wurden, waren für die Einkaufsabteilungen europäischer Konzerne über Jahre hinweg eine Standardkomponente gewesen. Sie waren es nicht. Der vorliegende Essay fragt, was diese Erfahrung für die nächste, noch größere Abhängigkeitsrelation bedeutet: für die Infrastruktur der künstlichen Intelligenz, auf die Unternehmen, Banken und öffentliche Institutionen in einer Geschwindigkeit zusteuern, die der Tiefe ihrer Risikoanalyse derzeit nicht entspricht.
## Die Halbleiterkrise als epistemischer Schock
Die Halbleiterkrise der Jahre 2020 bis 2023 war, betrachtet man sie nüchtern, weniger ein Ereignis der Logistik als ein Ereignis der Erkenntnis. Sie hat in der Breite der industriellen Führungsetagen ein Denkmuster entlarvt, das über Jahrzehnte unbemerkt als Prämisse gewirkt hatte: die Annahme, dass der globale Markt für technologische Vorprodukte eine im Wesentlichen flache, liquide und politisch neutrale Tauschzone sei. Die Zahlen, die diese Krise hinterließ, sind bekannt. AlixPartners bezifferte den entgangenen Umsatz der Automobilindustrie allein für das Jahr 2021 auf mehr als 210 Milliarden Dollar. Volkswagen verfehlte die geplante Produktion um rund 600.000 Fahrzeuge. Toyota, GM, Ford, Stellantis reihten sich in eine Liste, die nicht durch mangelndes Management entstand, sondern durch ein gemeinsames stilles Einverständnis, Chips als Commodity zu behandeln.
Was an dieser Krise für das Thema der künstlichen Intelligenz interessiert, ist nicht die Logistik, sondern das kognitive Muster. Die Einkaufsstrategien beruhten auf Just-in-Time-Prinzipien, die nur in einem spezifischen geopolitischen Gleichgewicht rational waren. Sobald dieses Gleichgewicht erschüttert wurde, verwandelte sich die Effizienz, die über Jahre als betriebswirtschaftliche Tugend galt, in strukturelle Fragilität. In seinem Buch ALGORITHMUS. Wer die KI kontrolliert, kontrolliert die Zukunft beschreibt Dr. Raphael Nagel (LL.M.) diesen Moment als Denkfehler der Risikobewertung: nicht die Lieferkette versagte, sondern ihre Klassifikation. Wer einen strategisch kritischen Input als generischen Zulieferbaustein verbucht, hat das Risiko bereits akzeptiert, ohne es bemerkt zu haben.
## Die stille Wiederholung im KI-Zeitalter
Der eigentliche Schrecken der Halbleiterepisode liegt in ihrer aktuellen Wiederholung, die sich auf einer höheren Ebene vollzieht. Die Infrastruktur der künstlichen Intelligenz ruht auf einer Konzentration, die in der modernen Industriegeschichte ohne Beispiel ist. TSMC in Taiwan fertigt etwa neunzig Prozent der fortgeschrittenen Logikchips der Welt. ASML in den Niederlanden ist der einzige Hersteller von EUV-Lithographiemaschinen, ohne die diese Chips nicht produziert werden können. NVIDIA in Kalifornien entwirft die Grafikprozessoren, die das Training großer Modelle überhaupt erst ermöglichen. Diese drei Unternehmen bilden zusammen das Nadelöhr, durch das jedes ernstzunehmende KI-System der Welt hindurch muss.
Hinzu tritt die Schicht der Cloud-Hyperscaler und der Foundation-Model-Anbieter, die in ihrer Konzentration der Halbleiterschicht nicht nachsteht. Wer heute in einer europäischen Bank oder in einem mittelständischen Industriebetrieb eine generative KI-Anwendung produktiv einsetzt, tut dies in der Regel über eine API, die auf einem Modell basiert, das in einem Rechenzentrum eines amerikanischen Anbieters läuft, auf Chips, die in Taiwan gefertigt und von einer kalifornischen Firma entworfen wurden, unter einem Exportkontrollregime, das von Washington definiert wird. Diese Kette ist nicht illegitim, aber sie ist fragil. Und sie ist, in der präzisen Diktion des Autors, eine Abhängigkeit, die sich erst zeigt, wenn sie sich aktiviert.
## Die drei Schichten der Exposure
Für den praktischen Umgang mit dieser Situation erscheint es sinnvoll, die Exposure eines Unternehmens in drei Schichten zu denken, die sich in ihrer Substitutionsfähigkeit erheblich unterscheiden. Die erste Schicht ist die Hardware: Chips, Fertigungswerkzeuge, Netzwerkkomponenten. Sie ist die physisch greifbarste Ebene, aber zugleich jene mit der geringsten kurzfristigen Ausweichmöglichkeit. Wer heute keinen Zugang zu NVIDIA-Beschleunigern hat, kann diesen Zugang nicht durch vertragliche Kreativität, sondern nur durch Wartezeit, Alternativarchitekturen oder politische Priorisierung erlangen.
Die zweite Schicht ist die Cloud. Sie erscheint austauschbarer, als sie ist. Zwar gibt es mehrere Hyperscaler, und die technische Portabilität von Workloads hat in den vergangenen Jahren Fortschritte gemacht. In der Realität jedoch bindet jedes produktive KI-System eine Unternehmung über Datenformate, Integrationen, Identitätsmanagement und operative Routinen an seinen Anbieter. Die dritte Schicht schließlich ist die Modellschicht: Foundation Models und die darauf aufbauenden Dienste. Hier ist die Abhängigkeit am subtilsten, weil sie nicht als Infrastruktur, sondern als Werkzeug erscheint. Genau in dieser Unauffälligkeit liegt das Risiko. Ein Modellwechsel ist nicht nur eine technische Operation, sondern greift in Arbeitsabläufe, Entscheidungswege und Kundenerfahrungen ein, die sich um das Modell herum gebildet haben.
## Eine Vorstands-Checkliste, nicht eine IT-Liste
Dr. Raphael Nagel (LL.M.) hält in seinem Werk an einer Unterscheidung fest, die in der Praxis häufig verwischt wird: Die Analyse der KI-Lieferkette ist keine Aufgabe der Technologieabteilung, sondern eine Pflicht des Vorstands. Die Gründe dafür sind strategischer Natur. Eine verlässliche Risikoanalyse erfordert Entscheidungen über Investitionen, Partnerschaften und gegebenenfalls den bewussten Verzicht auf die kostengünstigste Option. Solche Entscheidungen lassen sich nicht in einer Fachabteilung legitimieren.
In diesem Sinne lässt sich eine Reihe von Fragen formulieren, die auf Vorstandsebene periodisch beantwortet sein sollten. Welche KI-Dienste nutzt das Unternehmen heute produktiv, und auf welchen Modellen, Clouds und Chips ruhen sie? Welche Prozesse würden ausfallen, wenn ein bestimmter Anbieter für neunzig Tage nicht verfügbar wäre? Welche Daten sind in welchen Jurisdiktionen gespeichert, und welcher Rechtsrahmen regelt den Zugriff darauf? Existieren vertragliche Ausstiegsklauseln, die nicht nur formal, sondern operativ nutzbar sind? Gibt es einen zweiten, technisch kompatiblen Anbieter, der in einem realistischen Zeitraum übernehmen könnte? Und schließlich: Wer im Unternehmen trägt die namentliche Verantwortung für diese Fragen? Ohne eine solche Zuordnung bleibt das Risikomanagement in der Geopolitik der KI eine abstrakte Erwartung.
## Mittelstand und Privatbanken: Besondere Verwundbarkeiten, besondere Spielräume
Der deutsche und europäische Mittelstand steht in einer doppelten Situation. Einerseits fehlen ihm die Ressourcen, um eine eigene Modellentwicklung in Konkurrenz zu den Hyperscalern zu betreiben. Andererseits verfügt er über genau jene proprietären Domänendaten, die in ALGORITHMUS als der eigentliche strategische Rohstoff des KI-Zeitalters beschrieben werden. Ein Maschinenbauer mit jahrzehntelang akkumulierten Sensordaten oder ein Pharmaunternehmen mit langen klinischen Serien besitzt ein Gut, das nicht einfach nachgekauft werden kann. Die Risikoanalyse solcher Häuser sollte deshalb weniger auf die Frage zielen, ob man selbst ein Foundation Model baut, als vielmehr darauf, wie die eigenen Daten und die kritischen Anwendungen von der Infrastruktur eines einzelnen Anbieters entkoppelt werden können.
Für Privatbanken stellt sich die Lage noch schärfer. Das Geschäft der diskreten Vermögensverwaltung ruht auf Vertraulichkeit, Reputation und regulatorischer Stabilität. Jede KI-Anwendung, die Kundendaten berührt, rührt an all diese Dimensionen zugleich. Hinzu tritt die wachsende Regulierungsdichte, insbesondere der AI-Act der Europäischen Union. Eine Privatbank, die ihre KI-Anwendungen vollständig auf einer einzigen, außereuropäischen Infrastruktur betreibt, akzeptiert eine strategische Abhängigkeit, die sich im Zweifelsfall nicht nur technisch, sondern aufsichtsrechtlich auswirken kann. Alternativen bestehen, aber sie setzen voraus, dass die Institute früh eine Multi-Anbieter-Strategie verfolgen, auf portablen Architekturen bestehen und, wo möglich, europäische Anbieter und souveräne Cloud-Lösungen in ihre Auswahl aufnehmen, auch wenn diese in der kurzfristigen Kostenrechnung nicht immer die günstigste Option darstellen.
## Souveränität als langfristige Haltung
Souveränität im KI-Zeitalter ist kein Zustand, sondern eine Haltung. Sie lässt sich nicht durch einen einzelnen Beschaffungsakt herstellen, sondern nur durch eine dauerhafte Disziplin der Selbstbeobachtung. Dr. Raphael Nagel (LL.M.) verweist in seinem Buch mit Nachdruck darauf, dass die strukturellen Muster der KI-Revolution, also die Kapitallogik, die Plattformdynamiken, die geopolitischen Spannungen und die Infrastrukturabhängigkeiten, robuster sind als einzelne Zahlen und Produktzyklen. Wer diese Muster ernst nimmt, wird die eigene Lieferkette nicht als Liste von Verträgen, sondern als Landkarte von Abhängigkeiten lesen.
Diese Lesart verändert die Tonlage der strategischen Diskussion. Sie ersetzt die Frage, wo die günstigste API bezogen werden kann, durch die Frage, in welcher geopolitischen Konstellation das eigene Geschäftsmodell noch funktionsfähig bliebe. Sie ersetzt die Frage, welches Modell derzeit die besten Benchmarks liefert, durch die Frage, welche institutionelle Resilienz gegenüber Modellwechseln aufgebaut werden muss. Und sie ersetzt die Frage, ob Regulierung eine Last sei, durch die Erkenntnis, dass Regulierung in diesem Feld eine Form der technologischen Selbstbestimmung sein kann, wenn sie mit eigener Infrastruktur unterlegt wird.
Am Ende steht eine Einsicht, die unspektakulär klingt und gerade deshalb Aufmerksamkeit verdient. Die Halbleiterkrise der Jahre 2020 bis 2023 war nicht die Ausnahme, die das System bestätigte, sondern der erste deutliche Warnhinweis auf eine Klasse von Risiken, die im KI-Zeitalter in stärkerer Form wiederkehren wird. Wer heute eine Foundation-Model-API in einen kritischen Entscheidungsprozess einbaut, ohne die darunterliegende Kette bis auf die Ebene der Chip-Fertigung und der Exportkontrollen gedanklich durchschritten zu haben, wiederholt den Fehler der Automobileinkäufer von 2019 in einer Dimension, die sich nicht mehr in Stückzahlen verfehlter Produktion, sondern in verlorener institutioneller Handlungsfähigkeit ausdrücken wird. Dr. Raphael Nagel (LL.M.) formuliert in ALGORITHMUS das Prinzip, dem diese Überlegungen folgen, mit einer Nüchternheit, die dem Gegenstand angemessen ist: Wer die Machtfrage delegiert, löst sie nicht, sondern verpasst sie. Für Vorstände, Aufsichtsräte, Private-Banking-Häuser und mittelständische Eigentümer heißt das, die Analyse der eigenen KI-Lieferkette nicht als technisches Nebenprodukt zu behandeln, sondern als eigenständige Führungsaufgabe. Sie ist, im genauen Sinne, eine Frage der Zukunftsfähigkeit. Und sie ist eine Frage, deren Beantwortung keinen weiteren Aufschub duldet, weil das Zeitfenster für ihre Gestaltung sich nicht öffnet, wenn die Notwendigkeit offensichtlich wird, sondern sich dann bereits geschlossen hat.
Für wöchentliche Analysen zu Kapital, Führung und Geopolitik: Dr. Raphael Nagel (LL.M.) auf LinkedIn folgen →