# KI als Asset-Klasse: Wie institutionelle Investoren Intelligenz allokieren
Die Frage, ob künstliche Intelligenz eine Modeerscheinung oder eine strukturelle Verschiebung ist, hat die Kapitalmärkte in den Jahren zwischen 2022 und 2024 in einer Präzision beantwortet, die wenig Interpretationsspielraum lässt. Wer die Ströme nüchtern liest, sieht nicht mehr nur ein Technologiethema, sondern die Konturen einer eigenen Anlageklasse, die sich zwischen Infrastruktur, Plattform und Anwendung aufspannt. Dieser Essay, der sich an die Argumentation meines Buches ALGORITHMUS anlehnt, versucht eine begriffliche Ordnung: Was bedeutet es, wenn institutionelle Investoren nicht mehr Aktien, Kredite oder Immobilien allozieren, sondern Intelligenz? Und welche Logik ergibt sich daraus für Portfolios, die nicht auf Quartale, sondern auf Generationen denken?
## Die Entstehung einer neuen Anlageklasse
Anlageklassen entstehen selten per Dekret. Sie entstehen, wenn eine Ressource in ihrer ökonomischen Wirkung so eigenständig wird, dass die Bewertungslogik klassischer Kategorien sie nicht mehr sauber erfasst. Immobilien wurden zur Anlageklasse, weil Grundstückswert, Nutzungsrechte und Cashflow eine Struktur bildeten, die sich weder als Aktie noch als Anleihe abbilden ließ. Private Equity wurde zur Anlageklasse, weil die Kombination aus Kontrollprämie, Illiquidität und operativer Wertschöpfung eine eigene Risikorenditekurve erzeugte. KI durchläuft aktuell einen vergleichbaren Prozess der Verselbständigung.
Der Auslöser war, wie ich in ALGORITHMUS beschrieben habe, der Moment zwischen November 2022 und Januar 2023. Microsoft investierte in OpenAI in mehreren Tranchen mehr als dreizehn Milliarden Dollar, die Bewertung des Unternehmens sprang von zwanzig auf über neunzig Milliarden Dollar in wenigen Quartalen, und die globalen Risikokapitalflüsse in KI-Startups erreichten 2023 rund 91,9 Milliarden Dollar, während der Gesamtmarkt für Risikokapital um mehr als dreißig Prozent schrumpfte. Diese Divergenz ist das entscheidende Signal. Kapital in dieser Größenordnung und mit dieser Richtung verhält sich nicht wie eine Sektorpräferenz, sondern wie die Herausbildung einer neuen Allokationsebene.
Wer diesen Prozess beobachtet, erkennt eine dreifache Schichtung, die sich über alle klassischen Branchenlogiken legt. Unten die Infrastruktur aus Chips, Rechenzentren und Energie. In der Mitte die Plattformmodelle, die Foundation Models und ihre Distributionskanäle. Oben die Anwendungsschicht, in der domänenspezifische Intelligenz in bestehende Wertschöpfungsketten eindringt. Jede dieser Schichten hat ein eigenes Renditeprofil, eine eigene Kapitalintensität, eine eigene regulatorische Exposition. Wer KI als Asset-Klasse ernst nimmt, allokiert nicht in ein Thema, sondern in diese Schichten.
## NVIDIA und das Rerating der Infrastrukturschicht
Die Neubewertung von NVIDIA zwischen 2022 und 2024 ist das bislang deutlichste empirische Ereignis dieser Verselbständigung. Der Quartalsumsatz des Rechenzentrumsgeschäfts sprang von 4,3 Milliarden Dollar im dritten Quartal 2022 auf 18,4 Milliarden Dollar im dritten Quartal 2023. Der Aktienkurs legte 2023 um 240 Prozent zu, der Börsenwert überschritt 2024 die Marke von drei Billionen Dollar. Für institutionelle Investoren war diese Bewegung kein gewöhnlicher Halbleiterzyklus, sondern die Umbewertung einer Infrastruktur, deren strategische Funktion mit der von Pipelines oder Stromnetzen vergleichbar ist.
Die geopolitische Konzentration, die ich in ALGORITHMUS herausgearbeitet habe, verschärft diese Logik. TSMC fertigt etwa neunzig Prozent der fortgeschrittenen Logikchips, ASML besitzt das Monopol der EUV-Lithographie, NVIDIA entwirft die Trainingsbeschleuniger. Drei Unternehmen, drei Jurisdiktionen, eine einzige Lieferkette. Der amerikanische Erlass vom 7. Oktober 2022, der Chipexporte und sogar bestimmte Beschäftigungsverhältnisse nach China einschränkt, hat diese Konzentration zu einem politisch justierten Infrastrukturgut gemacht.
Für die Allokationslogik folgt daraus, dass die Infrastrukturschicht eher wie regulierte Versorgungsinfrastruktur zu lesen ist als wie klassische Technologieaktien. Sie verträgt hohe Bewertungsmultiplikatoren, solange die Eintrittsbarrieren stabil bleiben, ist aber in ihrer Preisbildung politisch konditioniert. Family Offices, die ich in den letzten Jahren bei dieser Frage beraten habe, verstehen Infrastruktur in diesem Sinne zunehmend als Core-Satelliten-Thema: ein Kern aus börsennotierten Beteiligungen, ergänzt um Direktbeteiligungen an Rechenzentren, Energieversorgung und Kühlungstechnologie.
## Plattform und Anwendung: zwei getrennte Risikoprofile
Die mittlere Schicht, die der Foundation Models, ist das kapitalhungrigste und am stärksten konzentrierte Segment. Ein einzelner Trainingslauf eines frontier-Modells kostet nach belastbaren Schätzungen zwischen 63 und 100 Millionen Dollar, die nächste Generation wird eine Milliarde Dollar pro Trainingszyklus überschreiten. Diese Kostenstruktur schließt jeden Investor aus, der nicht Zugang zu einer Kombination aus Hyperscaler-Infrastruktur, Spitzenforschung und strategischer Geduld hat. Die Beteiligungen Microsofts an OpenAI, Amazons an Anthropic und Googles paralleles Engagement sind insofern keine gewöhnlichen Venture-Investments, sondern strategische Positionierungen in einem oligopolistischen Markt.
Die Anwendungsschicht folgt einer anderen Logik. Hier geht es nicht um die Finanzierung von Trainingsläufen, sondern um die Integration von Intelligenz in bestehende Wertschöpfungsketten. Ein Pharmaunternehmen mit dreißig Jahren klinischer Daten, ein Maschinenbauer mit Jahrzehnten von Sensorhistorien, ein Logistikkonzern mit granularer Routendatenbasis besitzen jeweils eine Ressource, die sich, wie ich es an anderer Stelle formuliert habe, als domänenspezifischer Rohstoff in Kombination mit einer proprietären Raffinerie beschreiben lässt. Die Renditen dieser Schicht sind weniger spektakulär, aber wesentlich stabiler und weniger anfällig für die Winner-takes-all-Dynamik der Plattformebene.
Ein reifes Portfolio muss diese beiden Schichten getrennt behandeln. Plattforminvestments gehören zu den konzentriertesten, volatilsten und politisch exponiertesten Positionen, die ein Portfolio aktuell eingehen kann. Anwendungsinvestments ähneln eher klassischen Mid-Cap- oder Buyout-Engagements, in denen KI als Margenhebel und Differenzierungswerkzeug wirkt, nicht als eigenständige Wette.
## Private-Equity-Thesen und die Rolle der operativen Hand
Für Private Equity ergibt sich aus dieser Struktur eine eigene These. In den Plattformen der obersten Bewertungsebene ist klassisches Buyout kaum sinnvoll darstellbar, weil die Unternehmen weder reife Cashflows noch etablierte Monetarisierungsformeln aufweisen. Die eigentliche Opportunität liegt in der Anwendungsschicht: in mittelständischen Unternehmen, deren Wertschöpfung sich durch KI-Integration rekonfigurieren lässt, ohne dass das Kerngeschäft ersetzt wird. Hier verschiebt sich die Investmentthese vom klassischen Leverage-and-Optimise-Modell hin zu einem Intelligence-Embedding-Modell.
Die Arbeit, die wir bei Tactical Management begleiten, zeigt, dass die operative Hand in diesem Umfeld wichtiger wird als die reine Finanzstruktur. Der Unterschied zwischen einem Mittelständler, der KI als IT-Projekt behandelt, und einem, der sie auf Vorstandsebene als Strategiefrage versteht, ist innerhalb weniger Jahre in der EBITDA-Marge sichtbar. Die Rolle des Kapitalgebers besteht nicht mehr nur in der Kapitalbereitstellung, sondern in der Governance-Disziplin, die eine solche Transformation überhaupt ermöglicht.
Zugleich gehört zur Ehrlichkeit der Analyse, dass viele der heute angebotenen KI-Private-Equity-Vehikel ihre Versprechen kaum werden einlösen können. Wer Intelligenz in Plattformmanier allokiert, ohne die darunter liegende Schichtung zu verstehen, reproduziert die Fehler früherer Technologiezyklen. Kapital schlägt Ideen, wie ich in ALGORITHMUS ausführe, nur dann nachhaltig, wenn es mit einem realistischen Bild der zugrunde liegenden Infrastruktur verbunden ist.
## Allokationslogik für Family Offices und institutionelle Portfolios
Für Family Offices, Stiftungen und institutionelle Portfolios lässt sich aus diesen Überlegungen eine Allokationslogik ableiten, die weder der Euphorie einzelner Jahrgänge noch der reflexhaften Skepsis gegenüber neuen Themen folgt. Der Ausgangspunkt ist die Anerkennung, dass KI in den meisten bestehenden Portfolios bereits enthalten ist, meist unreflektiert, über Indexgewichte einiger weniger Technologieunternehmen. Die erste strategische Aufgabe besteht in der bewussten Sichtbarmachung dieser impliziten Exposition.
Der zweite Schritt ist die Zerlegung der Allokation in die drei Schichten. Ein Teil entfällt auf Infrastruktur, gelesen als langlebiges, politisch konditioniertes Investment in Chips, Energie und Rechenzentren. Ein zweiter Teil auf Plattformen, gelesen als konzentrierte, volatile und illiquide strategische Beteiligungen, mit klarer Obergrenze innerhalb des Gesamtrisikobudgets. Ein dritter Teil auf Anwendungen, verteilt über sektorale Private-Equity-Mandate, Spezialfonds und Direktbeteiligungen in Branchen mit proprietären Datenbeständen.
Der dritte Schritt ist die geopolitische Sekundäranalyse. Jede dieser Schichten hat eine Risikotopografie, die nicht mit klassischen Länderallokationen zusammenfällt. Eine Allokation in taiwanesische Chipfertigung ist etwas anderes als eine Allokation in Taiwan. Eine Beteiligung an einem amerikanischen Foundation-Model-Anbieter ist etwas anderes als eine Allokation in amerikanische Large Caps. Wer diese Differenzierung nicht vornimmt, unterschätzt seine Konzentrationsrisiken systematisch.
## Die europäische Perspektive und die Frage der Souveränität
Die europäische Situation, die ich in ALGORITHMUS ausführlich diskutiere, prägt die Allokationsfrage in eigener Weise. Der European Chips Act sieht bis 2030 Investitionen von 43 Milliarden Euro vor, davon rund 17 Milliarden Euro öffentliche Mittel. Der amerikanische CHIPS and Science Act mobilisiert allein 52,7 Milliarden Dollar an Subventionen. Das Verhältnis der Ambition zur Finanzausstattung ist in Europa unterdimensioniert. Für europäische institutionelle Investoren folgt daraus eine doppelte Aufgabe.
Auf der einen Seite muss die Allokation die Realität anerkennen, dass die Infrastruktur- und Plattformschicht überwiegend außerhalb Europas gebaut wird. Eine rein heimatorientierte Allokation wäre in dieser Asset-Klasse systematisch unterdiversifiziert. Auf der anderen Seite liegt in der Anwendungsschicht eine europäische Chance, die sich aus der Kombination industrieller Tiefe, regulatorischer Erfahrung und proprietärer Datenbestände speist. Hier kann europäisches Kapital eine Rolle spielen, die nicht nur finanziell, sondern auch strukturell relevant ist.
Souveränität, so verstanden, ist keine Renditefrage im engeren Sinne, sondern eine Frage der Portfolioresilienz. Wer die Kontrolle über die eigene Anwendungsschicht aufgibt, weil er ausschließlich in amerikanische Plattformen alloziert, erwirbt zwar möglicherweise kurzfristige Renditevorteile, verliert aber langfristige Handlungsfähigkeit. Dr. Raphael Nagel (LL.M.) versteht die Frage nach der KI-Assetklasse deshalb immer auch als Frage nach der Stellung des eigenen Kapitals in einer Ordnung, die gerade neu geschrieben wird.
Wenn künstliche Intelligenz eine eigenständige Anlageklasse ist, und die empirische Evidenz spricht dafür, dann verändert sie nicht nur die Zusammensetzung von Portfolios, sondern die Art, wie institutionelle Investoren über Wertschöpfung denken. Intelligenz zu allozieren ist nicht dasselbe wie Technologieaktien zu kaufen. Es ist der Versuch, an einer Verschiebung teilzuhaben, die in ihrer Tiefe mit der Elektrifizierung oder der Durchsetzung des Internets vergleichbar ist, in ihrer Geschwindigkeit aber beides übertrifft. Für Family Offices, Pensionsfonds und Stiftungen bedeutet dies, dass die alten Dichotomien zwischen Wachstum und Substanz, zwischen liquide und illiquide, zwischen heimisch und global nicht ausreichen. Die eigentliche Achse verläuft zwischen Infrastruktur, Plattform und Anwendung, und jede dieser Ebenen verlangt eine eigene analytische Disziplin. Dr. Raphael Nagel (LL.M.) plädiert deshalb in ALGORITHMUS wie in dieser Reflexion dafür, KI nicht als Thema, sondern als Schichtenarchitektur zu behandeln. Nur so lässt sich vermeiden, dass aus legitimen Allokationsentscheidungen stille Machtabgaben werden. Denn am Ende bleibt der Satz, mit dem das Buch schließt: Der Algorithmus gehört jemandem. Die Frage, wem, ist auch für das Portfolio die entscheidende Frage dieses Jahrhunderts.
Für wöchentliche Analysen zu Kapital, Führung und Geopolitik: Dr. Raphael Nagel (LL.M.) auf LinkedIn folgen →