Ein VentureBeat-Artikel erklärt historische Vergleiche zwischen AI und früheren Spekulationsblasen für gescheitert – weil KI als erste Technologie Intelligenz selbst skalierbar mache. Das klingt überzeugend, ist aber selbst ein Symptom: Genau diese Überzeugung, dass dieses Mal die Regeln nicht gelten, tritt in der Spätphase jeder technologischen Revolution auf. Carlota Perez hat gezeigt, dass Spekulation und reale Transformation einander nicht widersprechen, sondern bedingen. Dietrich Dörner erklärt, warum beide Seiten der Debatte denselben kognitiven Fehler begehen. Und Kondratieff mahnt, dass wir über Jahrzehnte sprechen, nicht über Quartale. Ein Versuch, die AI-Bubble-Debatte vom Binären zu befreien.
1. Das Symptom als Argument
Im März 2026 veröffentlichte VentureBeat einen Beitrag des Runway-CEO Siqi Chen mit dem Titel „The Limits of Bubble Thinking: How AI Breaks Every Historical Analogy„. Die Kernthese: KI sei grundsätzlich anders als alle früheren Technologien, weil sie nicht menschliche Fähigkeiten erweitere, sondern Intelligenz selbst skalierbar mache. Historische Vergleiche – Dotcom, Eisenbahnmanie, Tulpenblase – seien deshalb irreführend. Wer heute von einer Blase spreche, verwechsle Bewertungsunsicherheit mit technologischer Invalidierung.
Der Artikel ist interessant – allerdings weniger wegen seiner Argumente als wegen seiner symptomatischen Qualität. Er dokumentiert präzise jene Denkfigur, die in der Spätphase technologischer Installationsperioden regelmäßig auftritt: die Überzeugung, dass dieses Mal die Regeln nicht gelten. Chen formuliert dabei eine Immunisierungsstrategie: Die Bubble-These wird nicht widerlegt, sondern für kategorial unanwendbar erklärt. Bewertungsunsicherheit reflektiere lediglich die Grenzen bestehender analytischer Frameworks, nicht eine reale Diskrepanz zwischen Investition und Wertschöpfung.
Genau dieses Argument haben die Befürworter jeder vorherigen technologischen Revolution auch vorgebracht – und sie hatten langfristig recht. Das Internet hat die Wirtschaft transformiert. Die Eisenbahn hat den Kapitalismus umgebaut. Die Frage war nie, ob die Technologie real ist. Die Frage war immer, ob die zeitliche Struktur von Investition und Ertrag eine Krise erzeugt, bevor die Transformation greift. Und für diese Frage existieren theoretische Werkzeuge, die dem VentureBeat-Artikel und der gesamten populären AI-Bubble-Debatte weit überlegen sind.
2. Carlota Perez: Installation, Frenzy, Turning Point
Das analytisch leistungsfähigste Modell für die Einordnung der gegenwärtigen AI-Dynamik stammt von Carlota Perez. In Technological Revolutions and Financial Capital (2002) – einem Buch, das mitten im Post-Dotcom-Winter erschien und gerade deshalb an Glaubwürdigkeit gewann – identifiziert Perez ein wiederkehrendes Muster über fünf technologische Revolutionen hinweg: von der Industriellen Revolution (1771) über das Zeitalter von Dampf und Eisenbahn, Stahl und Elektrizität, Massenproduktion und Automobil bis zur Informationsrevolution.
Jede dieser Revolutionen durchläuft zwei Hauptphasen – Installation und Deployment –, getrennt durch einen krisenhaften Wendepunkt (Turning Point). Die Installationsphase selbst gliedert sich in Irruption (Aufbruch, erste Anwendungen) und Frenzy (spekulative Überhitzung), die Deployment-Phase in Synergy (breite produktive Nutzung) und Maturity (Ausreifung und Erschöpfung).
Der entscheidende Mechanismus: In der Frenzy-Phase entkoppeln sich Finanzkapital und Produktionskapital. Investitionen fließen zunehmend in finanzielle statt technologische Innovationen. Asset-Preise steigen schneller als die reale Wertschöpfung. Das ist keine Pathologie – es ist funktional. Das spekulative Kapital finanziert die Infrastruktur, die später, in der Deployment-Phase, die breite Produktivitätssteigerung ermöglicht. Die Glasfaserkabel der Dotcom-Ära waren nicht verschwendet; sie ermöglichten YouTube, Netflix und Cloud Computing.
Was Perez‘ Modell dem Chen-Argument voraushat: Es löst den scheinbaren Widerspruch zwischen „Blase“ und „realer Transformation“ auf. Beides ist wahr, gleichzeitig. Die Blase ist keine Anomalie, sondern ein strukturelles Merkmal der Installationsphase technologischer Revolutionen. Die richtige Frage ist nicht: Ist AI eine Blase? Die richtige Frage ist: In welcher Phase der Installation befinden wir uns, und wie wird der Turning Point aussehen?
3. Empirische Indikatoren: Wo stehen wir im Perez-Zyklus?
Mehrere Befunde sprechen dafür, dass sich die AI-Ökonomie in der fortgeschrittenen Frenzy-Phase befindet:
Die Kluft zwischen Kapitalausgaben und Einnahmen vergrößert sich – historisch das Gegenteil dessen, was bei heranreifenden Technologien zu erwarten wäre. Die Hyperscaler verdoppeln ihre GPU-Bestellungen, obwohl die AI-Revenue-Entwicklung hinter den Investitionen zurückbleibt. Laut einer Analyse der Man Group beschleunigen sich die Investitionsausgaben, während das Umsatzwachstum stagniert – ein Auseinanderdriften, das sich mit jedem Hardware-Zyklus verstärkt.
Die Bewertungslogik folgt zunehmend dem Muster spekulativer Selbstreferenz. Das jüngste Beispiel: Thinking Machines, ein Startup der ehemaligen OpenAI-Führungskraft Mira Murati, sammelte die größte Seed-Runde der Geschichte ein – 2 Milliarden Dollar bei einer 10-Milliarden-Bewertung – ohne ein Produkt vorgestellt oder auch nur die Geschäftsidee offengelegt zu haben. Das Finanzkapital wett…