Künstliche Intelligenz ist damit längst zur Infrastrukturfrage geworden. Spätestens mit dem Übergang von einzelnen Chat-Anfragen zu autonom arbeitenden Agenten beschleunigt sich der Verbrauch von Rechenleistung, Energie und Netzwerkbandbreite strukturell. Der weitere Fortschritt entscheidet sich deshalb nicht mehr allein an besseren Modellen, sondern zunehmend an der Fähigkeit, knappe physische Ressourcen effizient bereitzustellen und zu orchestrieren.
Vom Chat zum Agenten: die Token-Explosion
Noch vor kurzem war KI-Nutzung im Kern chatzentriert. Ein Modell, ein Prompt, eine Antwort. Der Tokenverbrauch – die ökonomische Basiseinheit jeder KI-Anwendung – folgte dem Rhythmus menschlicher Eingaben, ergänzt um eine überschaubare Zahl fest geplanter Daten-Pipelines und Batch-Prozesse. Mit agentischen Systemen hat sich dieses Paradigma fundamental verschoben: Autonome Agenten planen, führen aus und iterieren, während der Nutzer längst am nächsten Problem arbeitet. Agenten starten Subagenten und ganze Agenten-Teams, die parallel arbeiten. Ein einzelner Nutzer einer agentischen Programmierumgebung konsumiert in wenigen Sitzungen Größenordnungen, für die klassische Chatbot-Anwendungen einen Monat benötigen. Diese Verschiebung ist nicht inkrementell, sondern strukturell.
Die ersten großen Anwendungsfälle sind in der Softwareentwicklung und im Kundenservice entstanden, wo Agenten bereits erhebliche Teile der Arbeit autonom übernehmen. 2026 markiert jedoch den Punkt, an dem agentische KI überall im Unternehmen eingesetzt werden kann. Zu den intensivsten Nutzern zählen die KI-Labore selbst, die mit Agenten ihre eigenen Modelle und ihre Infrastruktur verbessern – ein sich selbst verstärkender Kreislauf. Der Tokenverbrauch folgt deshalb keinem einzelnen Unternehmen, sondern einem Systemeffekt: Agentische KI konsumiert kontinuierlich und autonom Rechenleistung, während leistungsfähigere Modelle immer neue Märkte erschließen.
Der Tokenverbrauch durch KI-Agenten wird sich bis 2030 voraussichtlich um das 24-fache erhöhen
Die Nachfrage ist bereits in den Preisen sichtbar. Die kurzfristigen Mietpreise für H100-GPUs sind seit vergangenem Oktober um rund 40 % gestiegen, während On-Demand-Kapazitäten bei den großen GPU-Clouds seit Monaten faktisch ausverkauft sind. Die vier großen Hyperscaler haben für 2026 Investitionen von insgesamt rund 725 Mrd. US-Dollar angekündigt – knapp 80 % mehr als im bereits rekordhohen Vorjahr. Sell-Side-Schätzungen zufolge dürfte ihr jährliches Investitionsvolumen bereits 2027 die Marke von 1 Bio. US-Dollar überschreiten. Zugleich wirken Energieverfügbarkeit und mehrjährige Vorlaufzeiten für Rechenzentren als natürliche Grenzen des Ausbaus. Genau diese Engpässe reduzieren das Risiko eines Überangebots: Die Kapazität wächst langsamer als die Nachfrage nach Tokens. Daraus folgt die für Investoren entscheidende Einsicht: Wer auch immer das Rennen der KI-Modelle gewinnt – die Infrastruktur darunter gewinnt in jedem Fall.
Physikalische Grenzen, neue Gewinner
Ein Engpass verschiebt sich dabei zunehmend in das Innere des Rechenzentrums. Moderne KI-Cluster bestehen aus tausenden Prozessoren, die permanent miteinander kommunizieren müssen. Kupferkabel verlieren Signal, je schneller man sie betreibt: Mit jeder Verdopplung der Datenrate halbiert sich ihre Reichweite, während Glasfaser die Last über jede Distanz im Rechenzentrum trägt. Da Cluster von einzelnen Racks zu ganzen Rack-Reihen und Gebäuden wachsen, wandern immer mehr Verbindungen von Kupfer zu Licht. Transceiver, die elektrische Signale in Licht umwandeln, werden damit zu Schlüsselkomponenten der nächsten Rechenzentrumsgeneration. Der Umsatz mit optischen Verbindungen innerhalb von KI-Rechenzentren erreichte 2025 rund 16,5 Mrd. US-Dollar und dürfte in diesem Jahr erneut um rund 60 % wachsen; Branchenprognosen sehen einen Pfad zu 100 Mrd. US-Dollar jährlich bis 2030, sofern der Ausbau sein Tempo hält.
Eine ähnliche Neubewertung vollzieht sich beim Speicher. Agentische Systeme lesen, schreiben und verwerten kontinuierlich Daten, und zwischengespeicherte – bereits berechnete – Information wird zu einem eigenen ökonomischen Gut: Der teuerste Chip der Welt sollte nie erneut berechnen, was er bereits berechnet hat. Das zieht die gesamte Speicherhierarchie in den KI-Ausbau hinein – vom High-Bandwidth-Memory direkt am Prozessor über DRAM bis zum NAND-Flash, jahrelang ein zyklisches Commodity-Geschäft und heute eine produktive Infrastrukturschicht. Die Folge: Kapazitäten sind teils über ein Jahr im Voraus gebunden. Mehrjährige Verträge mit Vorauszahlungen und festen Abnahmemengen verändern damit das Geschäftsmodell der Branche: weg von „erst produzieren, dann verkaufen“, hin zu einem Foundry-ähnlichen Prinzip des „erst bestellen, dann produzieren“.
Der eigene Anwendungsfall: ein Investmentprozess als Human×AI-Plattform
Dieselben Technologien, die wir analysieren, bilden seit Jahren das Fundament unseres eigenen Investmentprozesses. In den vergangenen acht Jahren hat unser zehnköpfiges Team aus Engineers, Quants und Data Scientists eine proprietäre Datenplattform aufgebaut. Ihr Kern ist ein kontinuierlich wachsender Bestand aus lizenzierten, über Partnerschaften erschlossenen und selbst erhobenen Daten, der inzwischen Petabyte-Dimensionen erreicht. Auf dieser Grundlage entwickeln wir zunehmend leistungsfähige Modelle und Signale.
Ebenso wichtig wie die Technologie war das Lernen: Über Jahre haben wir durch Versuch und Irrtum herausgearbeitet, wie sich diese Erkenntnisse am besten in fundamentales Investieren integrieren lassen. Heute sind Daten und Signale in jeden Schritt unseres Prozesses eingewoben – von der Ideengenerierung über das tägliche Trading bis zum Portfolio-Monitoring. Mit großen Sprachmodellen kam eine zweite Ebene hinzu: die systematische Auswertung unstrukturierter Informationen. Täglich werden große Mengen an Berichten, Transkripten und Expertengesprächen verarbeitet – auch für komplexe Aufgaben wie Finanzmodellierung, die Beurteilung von Wettbewerbsvorteilen sowie die Bewertung von Produkten und Managementteams. Die Verbindung aus maschinellem Lesen und Denken ermöglicht es, Teile des Research-Prozesses zu automatisieren und qualitativ zu verbessern. Im Zentrum dieser Human×AI-Plattform steht eine kontinuierliche Lernschleife: Das Research der Analysten und die datenbasierten Erkenntnisse der Systeme fließen fortlaufend zusammen und schärfen mit jeder Analyse und jeder Entscheidung den Investmentprozess.
Die doppelte Infrastrukturfrage
KI wird in zweifacher Hinsicht zur Infrastrukturfrage. Auf Unternehmensebene entscheidet die Verfügbarkeit von Compute, Speicher, Energie und Vernetzung darüber, welche Anwendungen wirtschaftlich skalieren. Auf Investorenseite entscheidet die eigene Daten- und KI-Infrastruktur darüber, wer neue Entwicklungen – in der KI und darüber hinaus – früh versteht, differenziert bewertet und in Portfolioentscheidungen übersetzt. Die größten Gewinner des KI-Zeitalters müssen nicht nur dort entstehen, wo die sichtbarsten Modelle gebaut werden. Sie können ebenso bei Unternehmen liegen, die unsichtbare Engpässe lösen oder Energie- und Rechenressourcen effizienter machen. Und im Asset Management wird nicht derjenige gewinnen, der KI nur nutzt, um Arbeit schneller zu erledigen. Entscheidend wird sein, wer Research, Daten und menschliche Urteilskraft zu einem integrierten Betriebssystem für Investmententscheidungen verbindet – ein System, das aus jeder Entscheidung lernt und Outperformance zu einem wiederholbaren Prozess macht.
Autor, Carlos Bielsa, Chief AI Officer, Managing Partner, BIT Capital
