Wo sich Wert durch KI als Nächstes verschieben kann.

Der Fortschritt in der KI hängt zunehmend am Zugang zu Compute: Chips, Clustern, Netzwerken und Rechenzentren, die aus Modellideen nutzbare Fähigkeiten machen. Wir betrachten, wer diese Kapazität kontrolliert, wo sie entsteht und welche Engpässe das Tempo der nächsten Welle bestimmen.

KI im großen Maßstab ist längst nicht mehr nur ein Softwarethema, sondern auch ein Energie- und Infrastrukturthema. Neue Rechenzentren brauchen Strom, Netzanschlüsse, Transformatoren, Kühlung und Genehmigungen — oft auf Zeitachsen, die deutlich länger sind als Modellzyklen. Genau in dieser Lücke entstehen Risiken und Chancen.

KI verschiebt sich von einem kommerziellen Plattformwettbewerb zu einer Frage nationaler Handlungsfähigkeit. Staaten finanzieren eigene Compute-Kapazitäten, Verteidigungssysteme, sichere Lieferketten und Dual-Use-Infrastruktur. Was auf Unternehmensebene teuer wirkt, kann auf staatlicher Ebene vollkommen rational sein.

Die meisten Bewertungen an den öffentlichen Märkten setzen noch immer voraus, dass qualifizierte menschliche Denkarbeit knapp ist. Wenn KI immer mehr kognitive Arbeit günstig und breit verfügbar macht, werden Margen, Burggräben und arbeitsgebundene Umsatzpools nicht gleichmäßig neu bewertet. Wir suchen Unternehmen, die durch diesen Wandel wachsen können — und solche, deren Vorteile ihn nicht überstehen.

KI-Infrastruktur hängt an Materialien und Komponenten, die sich nicht per Software skalieren lassen: Kupfer, Seltene Erden, Gallium, Uran, Industriegase, Kühlung und Netzhardware. Das Angebot in diesen Märkten bewegt sich langsam, während Compute-Nachfrage innerhalb weniger Quartale steigen kann. Diese zeitliche Lücke ist entscheidend.

KI verkürzt Entdeckungszyklen in Bereichen, in denen Fortschritt früher jahrelange Experimente bedeutete. Biologie, Chemie, Materialwissenschaften und Arzneimittelentwicklung beginnen, schneller zwischen Generierung, Simulation und Testen zu wechseln. Unternehmen, die diese Zyklen beherrschen, können die Ökonomie von Forschung und Entwicklung verändern.

KI verlässt zunehmend den Bildschirm und erreicht physische Arbeit. Bessere Modelle, günstigere Sensorik, präzisere Aktuatoren und große Trainingsdaten bringen Roboter aus kontrollierten Demos näher an den produktiven Einsatz. Entscheidend ist nicht, ob jede Aufgabe automatisiert wird, sondern welche Arbeitsmärkte zuerst neu bewertet werden.