Hilf World Market Atlas zu wachsen
Mit der Bestellung einer Unternehmensbewertung unterstützt du auch die Weiterentwicklung des Projekts.
Projekt unterstützen
Unterstützen Sie die Weiterentwicklung von World Market Atlas, einem unabhängigen Projekt für private Anleger. Ihre Unterstützung hilft uns, Analysen zu erstellen und unsere Werkzeuge weiterzuentwickeln.
Berechnung als potenzielle neue Anlageklasse — Finanzialisierung der Rechenleistung in der KI-Wirtschaft
Ab 23 September 2026. Ankündigungen und Prognosen implizieren nicht abgeschlossene Investitionen oder Live-Trading.
Die Entwicklung der künstlichen Intelligenz erhöht rasch die Bedeutung von Computerinfrastrukturen, insbesondere spezialisierten GPU-Beschleunigern, die für Ausbildung und Schlussfolgerung verwendet werden. Die Rechenleistung, die traditionell als Betriebsaufwand oder Teil der IT-Infrastruktur behandelt wird, wird Gegenstand standardisierter Preisgestaltung, langfristiger Verträge, infrastrukturgestützter Finanzierung und geplanter Derivate. NVIDIA beschreibt diesen Prozess als die Umwandlung von Computing in eine investierbare Anlageklasse. Gleichzeitig entstehen die ersten akademischen Studien über die Preisbildung als finanzielle Vermögens- und Terminkontrakte, die auf den Mietpreisen der GPU basieren.
In diesem Papier wird bewertet, ob sich die Berechnung wirklich zu einer separaten Anlageklasse entwickeln kann. Die Analyse legt nahe, dass Rechenleistung einige Merkmale mit Rohstoffen, Energie und Infrastruktur teilt. Sie ist jedoch auch sehr heterogen, unterliegt einem raschen technologischen Wandel, kann nicht in Form von ungenutzten Kapazitäten gelagert werden und konzentriert sich auf eine kleine Zahl von Lieferanten. Das wahrscheinlichste Ergebnis ist daher nicht eine homogene Vermögensklasse, sondern ein Komplex von Finanzinstrumenten, die KI-Infrastruktur umfassen, Verträge berechnen, Kreditvergaben, die durch Ausrüstung und Einnahmen gesichert sind, und Derivaten auf den GPU-Preisen.
Stichworte: Künstliche Intelligenz, Compute, GPU, Vermögensklasse, Futures, KI-Infrastruktur, Rechenzentren, Finanzialisierung, NVIDIA.
1. Einleitung
Jede technologische Revolution hat nicht nur neue Unternehmen hervorgebracht, sondern auch neue Vermögenswerte zur Finanzierung und Investition. Die Eisenbahnen unterstützten die Entwicklung von Infrastrukturanleihen; Erdöl schuf umfangreiche Futures-Märkte; die Telekommunikation führte zur Finanzialisierung der Netzinfrastruktur; und das Internet trug zu einer ganzen Klasse von Vermögenswerten bei, die mit Rechenzentren und digitaler Infrastruktur verbunden waren.
Generative KI kann einen ähnlichen Prozess auslösen. Die grundlegende Ressource, mit der KI-Modelle betrieben werden können, ist Rechenleistung – Rechenleistung. In diesem Zusammenhang umfasst es nicht nur eine individuelle GPU, sondern das gesamte System, das Strom und Daten in Berechnungen umwandelt: Beschleuniger, Prozessoren, Speicher, Netzwerke, Kühlung, Rechenzentren und Software.
Im August 2026 erklärte NVIDIA-Chef Jensen Huang, dass KI-Infrastruktur allmählich zu einer neuen „investierbaren Anlageklasse“ werde. NVIDIA kündigte auch die Zusammenarbeit mit Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs und KKR auf KI-Infrastrukturfinanzierungsplattformen an, die letztlich mehr als 500 Milliarden US-Dollar an Fremdkapital mobilisieren sollen. Die Ankündigung von NVIDIA® beschreibt jedoch geplante Finanzierungsplattformen und kommt von einem Unternehmen mit einem direkten wirtschaftlichen Interesse an der Erweiterung des KI-Infrastrukturmarktes.
Die Forschungsfrage sollte daher nicht sein, ob NVIDIA eine Anlageklasse berechnet, sondern ob Rechenleistung die wirtschaftlichen und finanziellen Voraussetzungen erfüllt, die für die Einstufung als separate Anlageklasse erforderlich sind.
2. Was bedeutet eigentlich "Asset-Klasse"?
Nicht alles mit einem Preis ist eine Anlageklasse. Robert Greer definierte in seinem klassischen Artikel Was ist eine Asset Class? eine Asset Class als eine Reihe von Vermögenswerten, die grundlegende wirtschaftliche Merkmale aufweisen, die sie von anderen Vermögenswerten unterscheiden.
Ein zeitgenössischer Ansatz des CFA-Instituts legt auch nahe, dass Mitglieder einer Anlageklasse relativ homogen sein, gemeinsame Risikoquellen darstellen und ausreichend Umfang und Investitionsfähigkeit bieten sollten, um einen sinnvollen Bestandteil eines Anlageportfolios zu bilden.
Bei der Berechnung lassen sich mindestens vier verschiedene wirtschaftliche Objekte unterscheiden:
Physische Recheninfrastruktur — GPUs, Server und Rechenzentren;
Ein Fluss von Rechendiensten — zum Beispiel eine Stunde GPU-Nutzung;
Verträge und Finanzinstrumente auf der Grundlage von Berechnungen — langfristige Vereinbarungen und Futures;
Instrumente, die Infrastruktur finanzieren — Darlehen, Anleihen und Projektfinanzierungsstrukturen, die durch GPUs oder Kundenverträge gesichert sind.
Diese Unterscheidung ist wichtig. Der Besitz eines Rechenzentrums ähnelt einem konventionellen Infrastrukturvermögen, das Cashflows generiert, während eine ungenutzte GPU-Stunde eher wie ein verderbliches wirtschaftliches Gut ist, das mit Elektrizität vergleichbar ist.
3. Warum beginnt Computing, einer Ware zu ähneln?
Ein Finanzmarkt erfordert einen aktiven Markt im zugrunde liegenden Gut. Ein solcher Markt entwickelt sich allmählich für Rechenleistung.
In (Early) AI Compute Asset Pricing argumentieren Bandi und Su, dass das wirtschaftliche Objekt, das gehandelt wird, nicht die GPU allein sein sollte, sondern Zugang zu einem bestimmten Bündel von Dienstleistungen sein sollte: der Accelerator, Speicher, CPU, Netzwerk, Standort, Zuverlässigkeit und Betreiberinfrastruktur.
Die GPU-Stunde – eine Stunde Zugriff auf einen bestimmten GPU-Typ – könnte daher zu einer Einheit werden, die einem Barrel Öl oder einer Megawatt-Stunde entspricht.
Das Problem ist, dass eine GPU-Stunde nicht homogen ist. Eine Stunde auf einem NVIDIA A100, H100 oder B200 oder einem AMD MI300X kann sehr unterschiedliche Leistung liefern. Datenzentren unterscheiden sich auch in der Netzwerkkonfiguration, dem Speicher und der Infrastrukturqualität.
Bandi und Su beschreiben den aktuellen Markt als heterogen und argumentieren, dass die Finanzialisierung Indizes erfordert, die viele unterschiedliche Preise in einen standardisierten Benchmark umwandeln.
Dieser Prozess hat bereits begonnen. Indizes, die Mietpreise für A100, H100, B200 und andere Beschleuniger veröffentlichen, sind entstanden. Silicon Data veröffentlicht unter anderem tägliche Benchmarks, ausgedrückt in Dollar pro GPU-Stunde.
Ein Index allein schafft keine Anlageklasse, aber er ist eine grundlegende Voraussetzung für Derivate und ein Markt für die Risikosteuerung.
4. Das wirtschaftliche Ausmaß des Rechenmarktes
Das enorme Investitionsvolumen liefert ein zweites Argument für die Finanzialisierung der Berechnung.
Laut dem Stanford AI Index ist die globale KI-Infrastruktur-Computing-Kapazität seit 2022 um das 3,3-fache pro Jahr gewachsen und erreichte bis Ende 2025 rund 17,1 Mio. NVIDIA H100 Äquivalente. NVIDIA machte mehr als 60% geschätzte globale Kapazität aus, wobei Google, Amazon und andere Hersteller ebenfalls bedeutende Anteile halten.
Diese Infrastruktur erfordert auch erhebliche Energieinvestitionen. Stanford schätzte die Leistungsfähigkeit der Infrastruktur von KI-Rechenzentren auf etwa 29,6 GW in 2025.
Noch auffälliger ist der finanzielle Maßstab. Die Internationale Energieagentur berichtet, dass die Investitionsausgaben von fünf großen Technologieunternehmen 2025 über 400 Mrd. USD lagen und 2026 um etwa weitere 75% steigen dürften. Die IEA stellt fest, dass capex von nur fünf Technologieunternehmen größer geworden ist als globale Investitionen in vorgelagertes Öl und Gas.
Dies bedeutet, dass die KI-Infrastruktur einen Maßstab erreicht, bei dem die Finanzierung ausschließlich über Technologieunternehmen erfolgt und die Bilanzen weniger effizient werden. Eine natürliche Folge ist die Ankunft von Banken, privaten Kreditfonds, Infrastrukturinvestoren und Anleihemärkten.
5. Zukunft als Wendepunkt
Eine der wichtigsten Phasen bei der Umwandlung eines wirtschaftlichen Gutes in einen finanziellen Vermögenswert ist die Schaffung eines Derivatemarktes.
CME Group und Silicon Data gaben Termintermine zu den Mietpreisen NVIDIA H100 und B200 bekannt. Laut der CME-Mitteilung soll der Handel am 5. Oktober 2026 beginnen, vorbehaltlich der notwendigen behördlichen Genehmigungen. Seit dem September 2026 von 23 bedeutet dies, dass der Markt angekündigt wurde, aber noch nicht über eine lange Bilanz des tatsächlichen Handels verfügt.
ICE und NATIVX kündigten ähnliche Pläne an und arbeiteten an Futures basierend auf COIL, einem Index, der den Preis für normalisierte Rechenleistung misst.
Das Entstehen von Terminen spielt aus zwei Gründen eine Rolle.
Erstens ermöglichen Futures das Absichern. Ein Unternehmen, das 2027 ein Modell ausbilden will, könnte die zukünftigen Kosten für die Berechnung heute möglicherweise absichern. Ein Rechenzentrumsbetreiber könnte das Risiko sinkender Mietpreise absichern.
Zweitens schaffen Futures finanzielle Risiken für Investoren, die kein Rechenzentrum aufbauen oder GPUs selbst kaufen wollen.
An dieser Stelle beginnt Computing, Märkte für Strom, Gas und andere Rohstoffe zu ähneln.
6. Berechnen unterscheidet sich jedoch von Öl
Ein grundlegendes Merkmal unterscheidet die Berechnung von vielen traditionellen Rohstoffen: Ungenutzte Rechenkapazitäten können nicht gespeichert werden.
Wenn der Eigentümer eines Lagerhauses heute kein Barrel Öl verkauft, kann es später verkauft werden. Wenn jedoch eine GPU eine Stunde im Leerlauf sitzt, geht diese Stunde der Produktionskapazität dauerhaft verloren.
Bandi und Su weisen darauf hin, dass die Standard-Spot-Zukunfts-Arbitragebeziehung, die aus speicherbaren Waren bekannt ist, daher nicht direkt für die Berechnung gilt. In dieser Hinsicht ist die Rechenleistung viel näher an der Elektrizität.
Der Preis der Berechnung hängt daher von Faktoren ab, darunter:
derzeitige Nutzung der Infrastruktur;
Verfügbarkeit von Energie;
Lieferung neuer Chips;
Nachfrage nach Modellausbildung und Schlussfolgerung;
die Prozessorgeneration;
Verfügbarkeit des Speichers;
Netzinfrastruktur;
Standort des Rechenzentrums;
Softwareeffizienz.
Dadurch kann der Infrastrukturwert sehr sensibel für die Nutzung sein. GPUs mit einem Nennwert von mehreren Milliarden Dollar können erhebliche Einnahmen in der Nähe der vollen Kapazität generieren, aber die Rentabilität kann stark sinken, wenn das Angebot die Nachfrage übersteigt.
7. Technologische Obsoleszenz
Ein weiterer Unterschied zur traditionellen Infrastruktur betrifft den Lebenszyklus des Vermögens.
Ein Kraftwerk, eine Gaspipeline oder eine Autobahn können über Jahrzehnte betrieben werden. AI-Prozessoren hingegen können die Wettbewerbsfähigkeit relativ schnell verlieren, wenn neue Chip-Generationen entstehen.
NVIDIA argumentiert, dass CUDA-Software die wirtschaftliche Nützlichkeit älterer Hardware erweitern kann. Als Beispiel nennt das Unternehmen die A100, die 2020 eingeführt wurde und noch in kommerzieller Verwendung ist.
Dieses Argument eliminiert das technologische Risiko nicht. Bandi und Su weisen darauf hin, dass das Alter der physischen Hardware, während sich ein Finanzindex allmählich auf neuere Prozessorgenerationen verlagert.
Dies schafft eine interessante Situation: Ein Infrastruktureigentümer kann eine alternde physische Anlage besitzen, während ein Investor in einem Compute-Index eine Exposition haben kann, die dynamisch zu neuerer Technologie migriert.
Die beiden Instrumente hätten daher sehr unterschiedliche Risikoprofile.
8. Die Entstehung von Compute-Backed Finance
Die am weitesten fortgeschrittene Finanzialisierung findet wahrscheinlich auf den Kreditmärkten statt auf den Terminmärkten statt.
CoreWeave nutzt bereits Finanzierungsstrukturen, die unmittelbar an GPU-Käufe und die Erfüllung von Kundenverträgen gebunden sind. Im März 2026 schloss ein Konzernunternehmen einen Kreditvertrag mit zeitversetztem Abruf über bis zu 8,5 Mrd. USD. Die Mittel sollten unter anderem GPU-Server und Infrastruktur finanzieren, die für die Erfüllung eines Kundenvertrags benötigt werden.
Ende Juni 2026 meldete CoreWeave rund 35,6 Milliarden Dollar Schulden. Einige Strukturen wurden von Zweckgesellschaften besichert, darunter umfangreiche Infrastruktur und Forderungen.
Im Mai 2026 gab das Unternehmen auch öffentlich syndizierte HPC-Finanzierung durch KI-Infrastruktur gesichert.
Ein ähnliches Muster entwickelt sich breiter. Im September 2026 meldete Reuters rund 22 Mrd. $ an Finanzierung für ein Infrastruktur-Venture mit Blackstone und Alphabet, wobei die Sicherheiten angeblich TPU-Prozessoren und Kundenverträge einschlossen.
Dies ähnelt der historischen Entwicklung anderer Infrastruktur-Asset-Klassen: zunächst einem einnahmenschaffenden Vermögenswert, dann Asset-Backed-Darlehen, gefolgt von Verbriefungen, Indizes und Derivaten.
9. Die wichtigsten Risiken der aufstrebenden Anlageklasse
Das größte Hindernis für eine separate Anlageklasse ist der derzeitige Reifemangel des Marktes.
Technologische Risiken ergeben sich aus der rasanten Entwicklung von Beschleunigern. Eine neue Generation kann die Kosten einer Recheneinheit wesentlich senken und den wirtschaftlichen Wert früherer GPUs verringern.
Das Nachfragerisiko betrifft das Ausmaß der künftigen KI-Nutzung. Die laufenden Investitionen gehen von einer anhaltend starken Nachfrage nach Modellausbildung und Schlussfolgerung aus. Wenn die KI-Monetisierung langsamer voranschreitet als erwartet, könnte die Infrastrukturnutzung zurückgehen.
Das technologische Konzentrationsrisiko ist besonders wichtig. Der Stanford AI Index verweist auf NVIDIAs führende Stellung bei globaler Rechenleistung und die hohe Konzentration in der Fertigung modernster Halbleiter.
Das Energierisiko macht den Preis der Berechnung zum Teil abhängig von Strompreisen und Verfügbarkeit. Die IEA erwartet, dass der weltweite Rechenzentrumsstromverbrauch in den kommenden Jahren rasch steigen wird.
Basisrisiko entsteht, wenn ein Unternehmen mit einem H100-Index Kosten absichert, aber tatsächlich einen anderen Lieferanten, eine andere Region oder Hardware-Konfiguration verwendet. Bandi und Su zeigen, dass sich die Preise nicht immer über Marktsegmente hinweg bewegen.
Schließlich ergibt sich das finanzielle Risiko aus der hohen Verschuldung des Sektors. Mit zunehmender KI-Investition werden Schulden, Leasing, Projektfinanzierung und Restwertgarantien immer wichtiger. Die Kreditmärkte tragen folglich einen wachsenden Anteil des Risikos um den zukünftigen Wert von KI-Ausrüstungen und -Verträgen.
10. Ist Compute bereits eine separate Anlageklasse?
In diesem Stadium sollte die Antwort vorsichtiger sein als die Erzählung, die von den Infrastrukturherstellern entwickelt wurde.
Compute hat bereits mehrere Merkmale einer aufstrebenden Anlageklasse:
ein sehr großer und rasch wachsender Grundmarkt;
Messbare Preise für Rechenleistungseinheiten;
Preisindizes;
Langfristige Verträge;
die Fähigkeit, Vermögenswerte gegen künftige Cashflows zu finanzieren;
Finanzierung von Ausrüstungsgütern;
ein sich entwickelnder Derivatemarkt;
Marktteilnehmer mit einem geschäftlich bedingten Preisrisiko, das sie absichern möchten.
Gleichzeitig erfüllt die Berechnung noch nicht alle Kriterien für eine ausgereifte Anlageklasse. Die Preishistorien sind kurz, Indizes sind neu, der Markt bleibt fragmentiert, Produkte sind nicht vollständig austauschbar, und Futures fehlt es an einem mehrjährigen Rekord des liquiden Handels. Es liegen auch unzureichende historische Daten vor, um langfristige Renditen, Volatilität und Korrelationen mit Aktien, Anleihen, Rohstoffen und Immobilien zuverlässig zu bewerten.
Interessanterweise deuten Bandi und Su-Vorergebnisse für synthetische Futures auf die Möglichkeit einer positiven Risikoprämie für die Berechnung hin. Die Autoren selbst betonen die frühe Natur dieser Erkenntnisse.
Daher ist es derzeit präziser, die Berechnung als einen aufstrebenden Markt für Vermögenswerte und finanzielle Risiken zu beschreiben als eine vollständig etablierte Anlageklasse.
11. Schlußfolgerungen
Die KI-Entwicklung verändert den wirtschaftlichen Charakter der Rechenleistung. Die Berechnung ist nicht mehr nur eine IT-Aufwendung. Es wird zu einer knappen produktiven Ressource mit einem beobachtbaren Preis, einer Einnahmequelle, einer Sicherheit für Schulden und einem potenziellen Basiswert für Terminkontrakte.
Das Schlüsselelement dieser Transformation ist daher nicht nur das Wachstum im GPU-Markt, sondern die Finanzialisierung von Computing.
Der Prozess kann durch folgende Sequenz dargestellt werden:
GPU → KI-Infrastruktur → GPU-Stundenmiete → Preisindex berechnen → langfristiger Vertrag → rechnergestützte Finanzierung → Futures → potenzielle Anlageklasse.
In dieser Hinsicht kann 2026 ein Übergangsjahr sein. NVIDIA und globale Finanzinstitute schaffen Infrastrukturfinanzierungsstrukturen, die in Hunderten von Milliarden US-Dollar gemessen werden, während CME und ICE Instrumente entwickeln, die das Kalkulationspreisrisiko auf die Finanzmärkte übertragen sollen.
Gleichzeitig bleibt die Berechnung viel komplexer als eine traditionelle Ware. Sie ist verderblich, technologisch heterogen, energieabhängig, schnell alternd und konzentriert sich stark auf eine Handvoll Technologieanbieter.
Das wahrscheinlichste Ergebnis ist daher nicht eine einfache Anlageklasse. Ein breiter angelegtes KI-Infrastrukturfinanzierungsökosystem ist wahrscheinlicher und umfasst Infrastrukturanlagen, private Kredite, Anleihen, Computing-Kontrakte und Derivate.
Wenn in den kommenden Jahren ein liquider Spotmarkt, verlässliche Benchmarks, ein tiefer Terminmarkt und eine ausreichend lange Kurshistorie entstehen, um eine unabhängige Risikoprämie zu identifizieren, könnte die Berechnung tatsächlich beginnen, als separate Anlageklasse in der Portfoliotheorie zu fungieren.
Im Moment beobachten wir die Anfänge des Prozesses, der zu seiner Entstehung führen könnte.
Literaturhinweise
Bandi, F. M., Su, Y. (2026), (Early) AI Compute Asset Pricing, arXiv:2607.12156, Version vom 10 September 2026 ArXiv — Vollpapier
CFA-Institut (2026), Überblick über die Vermögenszuweisung. CFA Institute
CME Group (2026), CME Group und Silicon Data starten Compute Futures am Oktober 5, um neue Wege zur Absicherung von AI-Risiken zu entsperren. CME Group
Literaturangabe (Originaltitel): Greer, R. J. (1997), What Is an Asset Class, Anyway?, The Journal of Portfolio Management, 23(2), 86–91, DOI: 10.3905/JPM.23.2.86.
Internationale Energieagentur (2025), Energie und KI. IEA – Energie und KI
Internationale Energieagentur (2026), Schlüsselfragen zu Energie und KI. Bericht IEA — 2026
Literaturangabe (Originaltitel): Intercontinental Exchange, NATIVX (2026), ICE and NATIVX to Launch Energy-Normalized Compute Futures Contracts. ICE
NVIDIA (2026), Huang, J., NVIDIA KI-Fabrik Berechnung wird zu einer Anlageklasse, 11 August 2026 NVIDIA Blog — source article
NVIDIA (2026), NVIDIA Partner mit Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs und KKR zur Einrichtung von KI Compute Infrastructure Finanzierungsplattformen zur Mobilisierung von über 500 $ Milliarden von Drittkapital. NVIDIA Newsroom
Stanford Institute for Human-Centered Artificial Intelligence (2026), AI Index Report 2026 – Forschung und Entwicklung. Stanford AI Index 2026
CoreWeave Inc. (2026), SEC Einreichungen über GPU-Infrastrukturfinanzierung und finanzielle Verbindlichkeiten. SEC – CoreWeave 2026 Einreichung
Silicon Data (2026), GPU Rental Price Indices und Materialien zum entstehenden Markt für Compute-Futures. Silicon Data indices
Posts spiegeln die persönlichen Ansichten des Autors ab Veröffentlichung. Sie sind keine Anlageempfehlungen.