# KI als Margenmaschine: Die neue Wertschöpfung der algorithmischen Ökonomie
Die Margen der algorithmischen Ökonomie sind keine Ergebnisse klassischer Preissetzungsmacht. Sie sind die ökonomische Destillation einer neuen Form von Wissen: der Fähigkeit, menschliches Verhalten präziser vorherzusagen, als es Menschen selbst können. Wer diese Fähigkeit beherrscht, kontrolliert nicht nur einen Markt, sondern die Bedingungen, unter denen alle anderen auf diesem Markt agieren. In meinem Buch ALGORITHMUS habe ich versucht, die strukturellen Mechanismen hinter dieser Machtform freizulegen. Der vorliegende Essay vertieft eine Teilfrage dieser Analyse: Wie entsteht aus algorithmischer Kompetenz eine Margenstruktur, die für nicht-algorithmische Unternehmen strukturell unerreichbar bleibt, und was bedeutet das für die Kapitalallokationsentscheidungen europäischer Allokatoren, die heute strategische Positionen für das kommende Jahrzehnt definieren?
## Die Margenstruktur algorithmischer Plattformen
Die Zahlen sind in ihrer Deutlichkeit nicht interpretationsbedürftig. Alphabet erzielte im Jahr 2023 bei einem Umsatz von 307 Milliarden Dollar eine operative Marge von nahezu dreißig Prozent. Meta erreichte bei 135 Milliarden Dollar Umsatz eine operative Marge von rund vierzig Prozent. In keiner klassischen Industrie werden Margen dieser Dimension bei vergleichbarer Umsatzgröße erzielt. Die Automobilindustrie arbeitet bei guten Jahren mit einstelligen operativen Margen. Die Pharmaindustrie erreicht bei patentgeschützten Blockbuster-Produkten vergleichbare Margen, verliert sie aber nach Ablauf des Patents abrupt. Bei Alphabet und Meta dagegen ist die Marge kein Produkt eines temporären Schutzrechts, sondern Folge einer strukturellen Kompetenz, die sich mit jedem weiteren Datenpunkt, mit jedem weiteren Nutzer und mit jedem weiteren Trainingszyklus selbst verstärkt.
Diese Margen sind nicht das Ergebnis klassischer Pricing Power. Sie sind das Ergebnis einer Informationsasymmetrie, die in der Wirtschaftsgeschichte ohne Präzedenz ist. Meta weiß über drei Milliarden Nutzer mehr als jede vorherige Institution über irgendeine Bevölkerungsgruppe wissen konnte. Alphabet kennt nicht nur die Suchintentionen von Milliarden Menschen, sondern verknüpft diese mit Standortdaten, Videokonsum, E-Mail-Inhalten und Browsingverhalten zu einem Profil von solcher Granularität, dass die Werbewirksamkeit einer einzelnen Anzeige auf einer individuellen Ebene prognostizierbar wird. Der Werbekunde bezahlt nicht für Aufmerksamkeit. Er bezahlt für die statistisch kalibrierte Wahrscheinlichkeit einer Verhaltensreaktion. Diese Verschiebung vom Kauf von Werbeflächen zum Kauf von Verhaltenswahrscheinlichkeiten ist die ökonomische Revolution, die den Margen zugrunde liegt.
## Amazons Preisdifferenzierung als Destillation der Konsumentenrente
Amazon praktiziert, wenn Schätzungen aus der Forschung zutreffen, bis zu 2,5 Millionen Preisänderungen pro Tag. Die ökonomische Bedeutung dieser Zahl ist in der klassischen Preistheorie ohne Entsprechung. In einem statischen Markt gibt es einen Gleichgewichtspreis, bei dem Angebot und Nachfrage sich treffen. In einem dynamisch algorithmisch gesteuerten Markt gibt es keinen Gleichgewichtspreis mehr. Es gibt für jeden Nutzer, für jeden Moment, für jedes Gerät und für jeden Kontext einen individuell kalkulierten Preis, der sich der Zahlungsbereitschaft dieses spezifischen Nutzers in diesem spezifischen Moment annähert. Das Ergebnis ist die schrittweise Ausschöpfung dessen, was die Ökonomie als Konsumentenrente bezeichnet: jener Differenz zwischen dem Preis, den der Konsument zahlen würde, und dem Preis, den er tatsächlich zahlt.
Die Konsumentenrente war historisch eine Restgröße, die sich der Beobachtung und der Bepreisung entzog, weil kein Anbieter sie mit vertretbarem Aufwand messen konnte. Mit algorithmischer Präzision wird sie messbar und damit abschöpfbar. Was in der klassischen Industrie als Effizienzgewinn galt, wenn ein Produzent seine Stückkosten um einen Prozentpunkt senkte, erscheint gegen die Margenerträge algorithmischer Preisdifferenzierung als bescheiden. Der strategische Vorteil liegt darin, dass dieser Prozess asymmetrisch ist: Der Nutzer sieht nur seinen Preis, nicht die Preise der anderen Nutzer. Er kann den Mechanismus nicht durchschauen und daher auch nicht verhandeln. Diese Asymmetrie ist die Quelle der Marge.
## TikTok und die Ökonomie der optimierten Aufmerksamkeit
TikTok hat in einer Dimension, die ältere Plattformen nicht erreicht haben, demonstriert, dass Aufmerksamkeit selbst eine Ressource ist, die algorithmisch bis an die Grenzen menschlicher Toleranz optimiert werden kann. Die durchschnittliche tägliche Nutzungsdauer von rund zweiundfünfzig Minuten ist keine zufällige Größe. Sie ist das Resultat eines Empfehlungsalgorithmus, der in Millisekunden auswertet, welches Video bei welchem Nutzer welche mikroskopische Verhaltensreaktion auslöst, und der aus diesen Reaktionen ein kontinuierlich aktualisiertes Modell der momentanen kognitiven und emotionalen Verfassung jedes einzelnen Nutzers konstruiert. Dieser Mechanismus ist die reinste Form der algorithmischen Wertschöpfung: ein System, das menschliche Aufmerksamkeit in monetarisierbare Einheiten überführt, ohne dass der betroffene Mensch die zugrunde liegende Mechanik auch nur ansatzweise erfasst.
Für den Ökonomen ist dabei entscheidend, dass die Grenzkosten dieser Wertschöpfung gegen null tendieren. Jeder zusätzliche Nutzer erhöht die Modellqualität und senkt damit die durchschnittlichen Akquisekosten für alle weiteren Nutzer. Jede zusätzliche Interaktion verbessert die Vorhersagegüte, ohne dass ein proportional höherer Aufwand an menschlicher Arbeit oder physischem Kapital entstehen würde. Diese Grenzkostenstruktur erklärt, warum algorithmische Plattformen bei Skalierung in Margenbereiche vordringen, die keine produktionsbasierte Industrie je erreicht hat. Sie erklärt auch, warum die Marktkonzentration in dieser Ökonomie nicht abnimmt, sondern zunimmt: Die Ökonomien der Skalierung sind nicht linear, sondern überproportional, und sie wirken nicht nur auf der Kosten-, sondern auch auf der Qualitätsseite.
## Private Equity und die Neuordnung der Thesenbildung
Für die Praxis von Private Equity, in der ich Teile meiner beruflichen Arbeit verbringe, bedeutet diese Analyse eine grundlegende Revision der Bewertungslogik. Die klassische Buyout-These basierte auf der Idee, dass operative Verbesserungen, Kostenoptimierungen und Multiple-Expansion über einen Halteraum von fünf bis sieben Jahren kombinierbar sind, um annualisierte Renditen zu erzielen. Diese These bleibt in Industrien mit stabilen Technologieparadigmen weiterhin tragfähig. In Industrien, die algorithmisch durchdrungen werden, verändert sich die Kalkulation fundamental: Ein Zielunternehmen, das in der eigenen Branche nicht über proprietäre Datenbestände und algorithmische Kompetenz verfügt, riskiert über den Haltezeitraum hinweg, Margenanteile an algorithmische Wettbewerber abzugeben, die sich mit weniger Kapital schneller positionieren.
Die Konsequenz ist nicht, dass Private Equity sich aus nicht-algorithmischen Sektoren zurückziehen sollte. Die Konsequenz ist, dass die Due-Diligence-Architektur erweitert werden muss um eine systematische Analyse der algorithmischen Exposition und der Datenvermögen des Zielunternehmens. Ein mittelständischer Industriebetrieb mit dreißig Jahren an Prozess- und Sensordaten kann ein unterbewertetes Asset sein, weil der klassische Bewertungsansatz diese Daten nicht in die Bewertung einbezieht. Umgekehrt kann ein operativ profitables Unternehmen ohne jeden Datenbestand und ohne algorithmische Kompetenz ein überbewertetes Asset sein, weil seine Margen in den kommenden Jahren durch algorithmische Wettbewerber erodiert werden, ohne dass das Management dies rechtzeitig erkennt oder reagiert. Dr. Raphael Nagel (LL.M.) hat in ALGORITHMUS diese Verschiebung als die wichtigste strategische Revision für Kapitalallokatoren der kommenden Dekade bezeichnet.
## KI als emergente Assetklasse für europäische Allokatoren
Die europäische Kapitalallokation steht vor einer strukturellen Herausforderung, die weder durch regulatorische Raffinesse noch durch bloße Liquidität gelöst werden kann. Die Foundation-Model-Schicht ist durch Kapitalanforderungen von über einer Milliarde Dollar pro Trainingslauf faktisch auf eine Handvoll globaler Akteure konzentriert, von denen keiner in Europa beheimatet ist. Die Infrastruktur-Schicht, bestehend aus Chipfertigung, Rechenzentren und Spezialhardware, ist geographisch auf Regionen außerhalb Europas konzentriert. Die Anwendungsschicht ist heterogen, aber sie läuft auf Infrastruktur und Modellen, die Europa nicht kontrolliert. In dieser Konstellation ist die Frage, wie europäisches Kapital sich an der algorithmischen Wertschöpfung beteiligen kann, keine technische, sondern eine strategische.
Eine Antwort liegt in der gezielten Investition in Unternehmen mit proprietären Domänendatenbeständen, deren strategischer Wert im klassischen Bewertungsraster noch nicht vollständig reflektiert ist. Eine zweite Antwort liegt in der Kapitalisierung von Anwendungsunternehmen, die allgemeine Foundation-Modelle durch spezifisches Domänenwissen so veredeln, dass ein nicht replizierbarer Wettbewerbsvorteil entsteht. Eine dritte Antwort liegt in der Beteiligung an der Infrastruktur, die nicht auf Spitzenniveau konkurriert, sondern auf spezifische europäische Anwendungen zugeschnitten ist, deren regulatorische oder geopolitische Anforderungen eine lokale Verankerung erforderlich machen. Dr. Raphael Nagel (LL.M.) plädiert in diesem Zusammenhang für eine Differenzierung zwischen der Illusion, Europa könne eine eigenständige Foundation-Model-Industrie aufbauen, und der realistischen Option, in jenen Schichten der algorithmischen Ökonomie Werte zu schaffen, in denen europäische Datenbestände und regulatorische Rahmenbedingungen einen strukturellen Vorteil darstellen.
## Die Grenzen der Margenmaschine
Eine intellektuell redliche Analyse der algorithmischen Margenökonomie muss auch ihre strukturellen Grenzen benennen. Die hohen Margen von Alphabet und Meta sind nicht unendlich reproduzierbar. Sie beruhen auf einer spezifischen historischen Konstellation, in der regulatorische Aufmerksamkeit noch nicht vollständig aufgeholt hat, in der gesellschaftliche Akzeptanz für die zugrunde liegenden Datenpraktiken noch nicht vollständig erodiert ist und in der die politische Bereitschaft, strukturelle Eingriffe in die Plattformökonomie vorzunehmen, noch nicht in konkrete Gesetzgebung übersetzt ist. Der AI-Act der Europäischen Union, der Digital Markets Act und ähnliche regulatorische Entwicklungen in anderen Jurisdiktionen markieren den Beginn einer Gegenbewegung, deren Auswirkungen auf die Margenstrukturen erst in den kommenden Jahren sichtbar werden.
Hinzu kommt eine zweite Grenze, die im Inneren der Technologie selbst liegt. Die Selbstverstärkungsmechanismen, die algorithmische Margen erzeugen, sind nicht beliebig skalierbar. Sobald eine Plattform einen hinreichend großen Teil der globalen Nutzerschaft erreicht hat, verlangsamt sich das Wachstum, und die Margen geraten unter Druck, sobald weitere Investitionen in Rechenkapazität und Modellentwicklung nicht mehr proportional in zusätzliche Erträge übersetzen. Die aktuellen Margenstände sind damit weder eine Naturgesetzlichkeit noch ein dauerhaftes Gleichgewicht. Sie sind eine Momentaufnahme einer historischen Phase, deren Ende nicht absehbar, aber auch nicht ausgeschlossen ist. Eine seriöse Kapitalallokationsstrategie muss diese Endlichkeit einkalkulieren, ohne deshalb die strukturellen Verschiebungen zu negieren, die das vergangene Jahrzehnt definiert haben.
Die algorithmische Ökonomie ist keine vorübergehende Anomalie der Wirtschaftsgeschichte. Sie ist eine Verschiebung der Wertschöpfungslogik, die klassische Produktions- und Preistheorien an den Rand ihrer Erklärungskraft führt. Die Margen von Alphabet und Meta, die Preisdifferenzierung von Amazon und die Aufmerksamkeitsoptimierung von TikTok sind nicht isolierte Phänomene. Sie sind unterschiedliche Ausprägungen desselben Prinzips: der Umwandlung von Verhaltensvorhersage in Rendite. Für Kapitalallokatoren, für Unternehmensführungen und für politische Entscheidungsträger folgt daraus eine Anforderung, die nicht durch Zuwarten zu lösen ist. Wer heute keine Position in der algorithmischen Wertschöpfung aufbaut, wird in einem Jahrzehnt feststellen, dass die Eintrittsbarrieren sich geschlossen haben. Wer sie aufbaut, ohne die Grenzen und Risiken der aktuellen Margenstruktur zu berücksichtigen, wird feststellen, dass die Rendite volatiler ist, als die Rückschau suggeriert. Die Aufgabe ist, beides gleichzeitig zu halten: die Anerkennung der strukturellen Verschiebung und die Demut gegenüber den Grenzen der eigenen Prognosefähigkeit. In dieser Spannung liegt, wie ich in ALGORITHMUS zu zeigen versucht habe, die eigentliche intellektuelle Aufgabe der kommenden Dekade. Dr. Raphael Nagel (LL.M.) versteht dieses Buch als Beitrag zu jener Reflexion, die notwendig ist, bevor Entscheidungen getroffen werden, deren Konsequenzen sich erst dann zeigen, wenn die Zeit für Korrekturen abgelaufen ist.
Für wöchentliche Analysen zu Kapital, Führung und Geopolitik: Dr. Raphael Nagel (LL.M.) auf LinkedIn folgen →