Der aktuelle KI-Boom im Vergleich zur Dotcom-Blase

Einleitung
1.1 Problemstellung
In den vergangenen Jahren hat die Entwicklung künstlicher Intelligenz (KI) stark an Bedeutung gewonnen. Besonders Fortschritte im maschinellen Lernen und bei generativer KI haben die öffentliche Wahrnehmung, die Forschung und wirtschaftliche Entscheidungen geprägt. Viele Unternehmen investieren in KI, um Prozesse zu automatisieren, Kosten zu senken, neue Produkte zu entwickeln oder Wettbewerbsvorteile zu sichern. Verschiedene Studien und Marktberichte gehen davon aus, dass KI langfristig Produktivität und Wachstum beeinflussen kann (OECD, 2023; McKinsey & Company, 2023). Parallel dazu lässt sich ein deutlicher Anstieg von Investitionen beobachten: Venture-Capital-Finanzierungen, neue KI-Start-ups, sowie hohe Ausgaben für Rechenzentren und Spezialhardware zeigen eine starke Marktdynamik. Gleichzeitig gibt es eine wachsende Diskussion darüber, ob diese Entwicklung nachhaltig ist oder ob sie Anzeichen einer spekulativen Überbewertung trägt. In technologischen Umbruchphasen ist es häufig schwierig, den „echten“ wirtschaftlichen Wert früh abzuschätzen. Genau diese Unsicherheit kann Übertreibungen begünstigen: Erwartungen werden sehr hoch, während Erträge und reale Produktivitätsgewinne erst später sichtbar werden. Historisch gesehen traten solche Muster bei verschiedenen Innovationswellen auf; häufig folgte auf eine Phase intensiver Investitionen und Euphorie eine Marktkorrektur (Kindleberger & Aliber, 2011). Ein bekanntes Beispiel ist die Dotcom-Blase Ende der 1990er-Jahre. Damals führten Erwartungen an das Internet und neue Geschäftsmodelle zu massiven Überbewertungen von Internetunternehmen, bevor es im Jahr 2000 zu einem deutlichen Einbruch kam (Ofek & Richardson, 2003). Gleichzeitig zeigt die Geschichte aber auch: Obwohl viele Firmen scheiterten, blieb die zugrunde liegende Technologie nicht nur relevant, sondern wurde langfristig zur Basis der digitalen Wirtschaft (Shiller,2015). Daraus ergibt sich eine zentrale Frage für die Gegenwart: Ist der KI-Boom eher eine nachhaltige Transformationsphase, oder ähnelt er einer Technologieblase, die zumindest teilweise übertrieben ist?
1.2 Ziel der Arbeit
Ziel dieser Arbeit ist es, den aktuellen KI-Boom im Kontext historischer
Technologieblasen zu analysieren und dabei insbesondere die Dotcom-Blase als Vergleichsfall heranzuziehen. Untersucht werden Gemeinsamkeiten und Unterschiede hinsichtlich Investitionsdynamik, Erwartungen, wirtschaftlicher Nutzenentwicklung und Marktmechanismen. Auf dieser Grundlage soll eingeordnet werden, ob der aktuelle KIBoom blasenähnliche Merkmale aufweist und welche Faktoren für oder gegen eine nachhaltige Entwicklung sprechen.
1.3 Forschungsfrage
Ausgehend von der Problemstellung ergibt sich folgende Forschungsfrage:
Inwiefern weist der aktuelle KI-Boom strukturelle Gemeinsamkeiten mit
historischen Technologieblasen, insbesondere der Dotcom-Blase, auf?
Ergänzend werden folgende Teilfragen betrachtet:
(1) Welche wirtschaftlichen und technologischen Faktoren prägten die Dotcom-Blase?
(2) Welche Entwicklungen prägen aktuell den KI-Markt?
(3) Welche Gemeinsamkeiten und Unterschiede lassen sich daraus ableiten?
1.4 Methodisches Vorgehen
Die Arbeit basiert auf Literatur- und Dokumentenanalyse. Zunächst werden
theoretische Grundlagen zu Spekulationsblasen und Technologiezyklen dargestellt (u.a. Minsky, Shiller, Perez). Anschließend wird der aktuelle KI-Boom anhand ausgewählter Studien und Reports analysiert, die sowohl skeptische als auch optimistische Perspektiven vertreten. Danach wird die Dotcom-Blase als historisches Referenzbeispiel untersucht. Abschließend werden beide Entwicklungen systematisch verglichen und hinsichtlich der Forschungsfrage bewertet.

2. Theoretische Grundlagen
2.1 Spekulationsblasen und Finanzmarktinstabilität
Spekulationsblasen beschreiben Situationen, in denen Marktpreise von
Vermögenswerten deutlich vom fundamentalen wirtschaftlichen Wert abweichen. Typisch ist, dass steigende Preise weitere Käufer anziehen, weil Marktteilnehmer zukünftige Gewinne erwarten. Wenn diese Erwartungen enttäuscht werden, kann das Vertrauen kippen und es kommt zu einer starken Korrektur (Kindleberger & Aliber, 2011). In Technologiephasen ist die Bestimmung des „Fundamentalwerts“ besonders schwer, weil zukünftige Anwendungen, Geschäftsmodelle und Produktivitätsgewinne noch unklar sind. Minsky erklärt solche Entwicklungen mit der Financial Instability Hypothesis: Finanzsysteme werden in Boomphasen schrittweise riskanter. Positive Erwartungen fördern neue Finanzierungen, steigende Preise bestätigen den Optimismus, und es entstehen zunehmend spekulative Strukturen. Wenn sich die Lage dreht, kann es zu einem abrupten Umschwung kommen (Minsky, 1986). Shiller ergänzt, dass Marktpsychologie eine große Rolle spielt: Medien, gesellschaftliche Stimmung und überzeugende „Zukunftsgeschichten“ können Euphorie verstärken und Risiken in den Hintergrund drängen (Shiller, 2015).
2.2 Technologische Revolutionen und Investitionszyklen
Perez liefert eine besonders hilfreiche Perspektive für technologiegetriebene Booms: Spekulative Investitionsphasen sind nicht nur „Fehler“, sondern können Teil eines größeren Transformationsprozesses sein. Perez unterscheidet eine Installationsphase (intensive Investitionen, Aufbau von Infrastruktur, häufig auch Übertreibungen) und eine spätere Einsatz-/Diffusionsphase, in der sich die Technologie produktiv breit durchsetzt (Perez, 2002). Nach diesem Modell kann eine Blase kurzfristig schädlich sein, aber langfristig Infrastruktur schaffen, die späteren Nutzen ermöglicht.
2.3 Innovationsdiffusion und Technologie-Hype
Rogers beschreibt, wie Innovationen von frühen Anwendern zu breiteren Nutzergruppen diffundieren. In frühen Phasen dominieren Pioniere, später folgt die Mehrheit; dieser Prozess beeinflusst Tempo und wirtschaftliche Verwertung (Rogers, 2003). Der Gartner Hype Cycle ergänzt diese Sicht, indem er typische Erwartungsverläufe modelliert: von anfänglicher Euphorie über Ernüchterung bis zur Produktivitätsphase (Fenn & Raskino, 2008). Für die Einordnung aktueller KI-Entwicklungen sind beide Modelle relevant, weil sie erklären, warum Erwartungen in frühen Phasen oft höher sind als der kurzfristige Nutzen.

3. Analyse des aktuellen KI-Booms
Der aktuelle KI-Boom ist durch hohe Investitionen, große Erwartungen und starke mediale Aufmerksamkeit geprägt. Dabei stehen besonders generative KI-Modelle im Fokus, weil sie in vielen Bereichen einsetzbar erscheinen. Für eine differenzierte Analyse ist es sinnvoll, skeptische und optimistische Positionen gegenüberzustellen.
3.1 Argumente für eine mögliche Blasenbildung
Ein zentrales skeptisches Argument betrifft die Kosten-Nutzen-Frage. Goldman Sachs hebt hervor, dass der Aufbau von KI-Infrastruktur sehr teuer ist (Rechenzentren, GPUs, Energieversorgung) und dass sich bislang nicht klar zeigt, ob entsprechende wirtschaftliche Erträge im selben Tempo entstehen (Goldman Sachs, 2024). Die Kernaussage ist nicht, dass KI „nutzlos“ sei, sondern dass die Investitionshöhe möglicherweise vorausläuft, während konkrete, sehr skalierbare Anwendungen („KillerApps“) noch nicht in ausreichendem Umfang sichtbar sind. Sequoia Capital formuliert das Argument stärker betriebswirtschaftlich: Es wird eine potenzielle „Revenue Gap“ beschrieben, also eine Lücke zwischen den enormen Hardwareinvestitionen (insbesondere GPUs) und den Softwareerlösen, die langfristig nötig wären, um diese Ausgaben zu rechtfertigen (Sequoia Capital, 2024). Selbst wenn KI-Anwendungen wachsen, stellt sich kurzfristig die Frage, ob die entstehenden Umsätze im Markt schnell genug steigen, um die Infrastrukturkosten zu tragen. Acemoglu bringt eine makroökonomische Perspektive ein. Seine Analyse ist besonders relevant, weil sie nicht aus einem Investmentbericht stammt, sondern aus einem wissenschaftlichen Working Paper. Er argumentiert, dass Produktivitätseffekte von KI zwar existieren können, aber in einem begrenzteren Umfang, als viele Erwartungen
nahelegen. Dadurch könnte eine Diskrepanz entstehen zwischen Marktbewertungen und realwirtschaftlichem Nutzen (Acemoglu, 2024). In Verbindung mit Minsky und Shiller ergibt sich daraus ein typisches Risiko: Wenn Erwartungen zu hoch sind, können Korrekturen folgen, sobald Wachstum oder Nutzen langsamer ausfällt.
3.2 Argumente für Nachhaltigkeit
Optimistische Analysen betonen dagegen, dass KI bereits heute in mehreren Bereichen eingesetzt wird und sich der Nutzen Schritt für Schritt erhöht. Das McKinsey Global Institute beschreibt ein großes Potenzial für Wertschöpfung, insbesondere durch Automatisierung von Wissensarbeit und Unterstützung in Bereichen wie Kundenservice, Softwareentwicklung oder Recherche (McKinsey Global Institute, 2023). Entscheidend ist hier: Selbst wenn der Nutzen nicht sofort überall maximal ist, können viele kleine Effizienzgewinne in Summe wirtschaftlich sehr relevant werden. ARK Invest vertritt eine sehr technologiepositive Perspektive und argumentiert, dass KI langfristig Kosten senken und Innovationszyklen beschleunigen könnte (ARK Invest,
2024). Diese Sicht ist weniger konservativ, zeigt aber, wie stark die Erwartungen an KI als „General Purpose Technology“ sind. Neutraler und datenorientierter ist der Stanford AI Index Report, der Entwicklungen wie Investitionen, Patente, technische Fortschritte und Verbreitung dokumentiert. Der Report spricht dafür, dass hinter dem KI-Boom nicht nur Stimmung, sondern auch messbarer technologischer Fortschritt steht (Stanford University, 2024).
3.3 Zwischenfazit
Insgesamt zeigt die Analyse: Der KI-Boom bewegt sich in einem Spannungsfeld. Einerseits sprechen hohe Ausgaben und unsichere kurzfristige Erträge für blasenähnliche Risiken. Andererseits gibt es reale Anwendungen und messbaren Fortschritt, die für eine nachhaltige Entwicklung sprechen. Genau dieses ambivalente Bild macht den Vergleich mit Dotcom sinnvoll.

4. Historische Technologieblase: Dotcom-Blase
Die Dotcom-Blase entstand in den späten 1990er-Jahren im Umfeld der schnellen Verbreitung des Internets. Hohe Erwartungen an neue Geschäftsmodelle führten zu stark steigenden Bewertungen und massiven Kapitalzuflüssen in Internetfirmen (Ofek & Richardson, 2003). Viele Unternehmen waren noch nicht profitabel; Investoren setzten stark auf zukünftige Marktanteile und Wachstum. Dieser Kontext passt gut zu Perez’ Idee einer frühen Installationsphase, in der Infrastruktur aufgebaut wird, aber auch Übertreibungen entstehen können (Perez, 2002). Ein typisches Merkmal war die starke IPO-Dynamik. Viele Firmen gingen an die Börse und erzielten hohe Ersttagsrenditen, obwohl Fundamentaldaten schwach waren (Ljungqvist & Wilhelm, 2003). Bewertungslogiken verschoben sich: Wachstumserzählungen wurden wichtiger als Gewinne. Goodnight und Green betonen zusätzlich den Einfluss öffentlicher Narrative einer „neuen Ökonomie“, die traditionelle Bewertungskriterien relativierte (Goodnight & Green, 2010). Als Erwartungen nicht erfüllt wurden und Vertrauen sank, kam es zur Korrektur. Das passt sowohl zu Minsky (Instabilitätsdynamik) als auch zu Shiller (Marktpsychologie) (Minsky, 1986; Shiller, 2015). Langfristig blieb jedoch ein wichtiger Effekt: In der Dotcom-Phase wurde Infrastruktur aufgebaut, die spätere digitale Geschäftsmodelle ermöglichte. Trotz vieler Insolvenzen entstanden Grundlagen, auf denen erfolgreiche Plattformen und Dienste wachsen konnten (Perez, 2002).

5. Vergleich: KI-Boom vs. Dotcom-Blase
Der Vergleich zeigt mehrere Gemeinsamkeiten: In beiden Fällen handelt es sich um Technologien mit dem Anspruch, ganze Branchen zu verändern. Dadurch entstehen starke Erwartungen, Mediennarrative und eine hohe Investitionsbereitschaft (Perez, 2002; Shiller, 2015). Außerdem gibt es in beiden Phasen eine mögliche Lücke zwischen Investitionen und kurzfristiger Wirtschaftlichkeit: Bei Dotcom waren viele Unternehmen noch nicht profitabel (Ofek & Richardson, 2003), während bei KI vor allem die Frage nach der schnellen wirtschaftlichen Tragfähigkeit der enormen Infrastrukturkosten
diskutiert wird (Goldman Sachs, 2024; Acemoglu, 2024). Gleichzeitig bestehen wichtige Unterschiede. KI hat bereits heute breitere und praktischere Anwendungen in Unternehmen, während Dotcom stark durch unreife Geschäftsmodelle vieler Start-ups geprägt war. Zudem wird der KI-Markt stärker von etablierten Technologieunternehmen getragen, die länger investieren und Risiken besser abfedern können. Aus Perez’ Perspektive könnte der aktuelle Infrastrukturaufbau (Rechenzentren, Chips, Cloud) als typische Voraussetzung einer späteren breiten Produktivitätsphase interpretiert werden (Perez, 2002). Insgesamt deutet der Vergleich darauf hin, dass der KI-Boom sowohl blasenähnliche Elemente als auch realen Innovationsfortschritt enthält. Entscheidend ist weniger, ob „KI insgesamt“ eine Blase ist, sondern ob die Investitionen in bestimmten Segmenten den wirtschaftlichen Nutzen überholen und ob tragfähige Anwendungen die Ausgaben langfristig rechtfertigen.

Fazit
Die Arbeit hat gezeigt, dass der aktuelle KI-Boom mehrere strukturelle
Gemeinsamkeiten mit der Dotcom-Blase aufweist: starke Zukunftserwartungen, hohe Investitionen und narrative Dynamiken können Überbewertungen begünstigen. Gleichzeitig sprechen reale Anwendungen, messbarer technischer Fortschritt und die Rolle etablierter Unternehmen gegen eine rein spekulative Einordnung. Theoretische Ansätze wie Perez legen nahe, dass intensive Investitionsphasen in technologischen Umbruchzeiten auch eine Infrastruktur-Funktion haben können, selbst wenn es zu Übertreibungen kommt (Perez, 2002). Vor diesem Hintergrund lässt sich der KI-Boom am überzeugendsten als ambivalente Phase verstehen: Es besteht ein Blasenrisiko, insbesondere dort, wo Investitionen schneller steigen als wirtschaftlich tragfähige Erträge. Gleichzeitig kann KI langfristig einen erheblichen Transformationsbeitrag leisten, wenn sich produktive Anwendungen im großen Maßstab durchsetzen. Eine endgültige Bewertung wird erst möglich sein, wenn sich Produktivitätseffekte und nachhaltige Geschäftsmodelle klarer zeigen.

Literaturverzeichnis
Acemoglu, D. (2024). The simple macroeconomics of AI. National Bureau of Economic
Research. https://www.nber.org

ARK Invest. (2024). Big ideas 2024. https://www.ark-invest.com

Fenn, J., & Raskino, M. (2008). Mastering the hype cycle: How to choose the right innovation at the right time. Harvard Business Press.

Goldman Sachs. (2024). Gen AI: Too much spend, too little benefit? Goldman Sachs Global Investment Research.

Goodnight, G. T., & Green, S. (2010). Rhetoric, risk, and markets: The dot-com bubble. Quarterly Journal of Speech, 96(2), 115–136.

Kindleberger, C. P., & Aliber, R. Z. (2011). Manias, panics, and crashes: A history of financial crises (6th ed.). Palgrave Macmillan.

Ljungqvist, A., & Wilhelm, W. J. (2003). IPO pricing in the dot-com bubble. The Journal of Finance, 58(2), 723–752.

McKinsey Global Institute. (2023). The economic potential of generative AI.
https://www.mckinsey.com

Minsky, H. P. (1986). Stabilizing an unstable economy. Yale University Press.

OECD. (2023). OECD AI outlook 2023. OECD Publishing. https://www.oecd.org

Ofek, E., & Richardson, M. (2003). DotCom mania: The rise and fall of internet stock prices. The Journal of Finance, 58(3), 1113–1137.

Perez, C. (2002). Technological revolutions and financial capital: The dynamics of bubbles and golden ages. Edward Elgar Publishing.

Rogers, E. M. (2003). Diffusion of innovations (5th ed.). Free Press.

Sequoia Capital. (2024). AI’s $600B question. https://www.sequoiacap.com

Shiller, R. J. (2015). Irrational exuberance (3rd ed.). Princeton University Press.

Stanford University. (2024). Artificial intelligence index report 2024. Stanford Institute for Human-Centered Artificial Intelligence. https://aiindex.stanford.edu