Der Boom der künstlichen Intelligenz verschlingt gewaltige Mengen Kapital. Ein wachsender Teil davon fließt in Rechenzentren und die dafür notwendige Infrastruktur. Die öffentliche Debatte konzentriert sich vor allem darauf, wie viel Kapital investiert wird. Nicht minder relevant ist, wo die damit verbundenen Risiken eigentlich auftauchen. Für institutionelle Investoren stellt sich damit eine Frage, deren definitive Antwort am Ende dieses Zyklus schmerzhaft sein könnte: Wissen wir eigentlich noch genau, wo unsere Risiken liegen?
Auf den ersten Blick ist es nicht gerade schwierig, einen Überblick über die eigene Allokation im Portfolio zu bekommen: Ein bestimmter Anteil kann zum Beispiel in Immobilien, ein anderer in Infrastruktur, Private Debt, Unternehmensanleihen oder strukturierten Finanzierungen stecken.
Der gegenwärtige Boom der AI-Infrastruktur wirft allerdings die Frage auf, ob diese Allokation ausreichend Rückschlüsse auf die tatsächlichen Risiken zulässt. Das Transparenzproblem liegt dabei auch in der komplexen Strukturierung des riesigen Investitionsbedarfs. Je gewaltiger die Mengen an Kapital werden, die Rechenzentren benötigen, desto vielfältiger werden die Finanzierungswege. S&P Global Market Intelligence weist darauf hin, dass AI-Infrastruktur inzwischen über Private Credit, Asset-Based Finance, CMBS, ABS und klassische Unternehmensanleihen finanziert wird. Allein die Brutto-Anleiheemissionen der großen Hyperscaler stiegen nach Angaben der Bank für Internationalen Zahlungsausgleich 2025 auf mehr als 100 Milliarden US-Dollar.
Für den institutionellen Investor können entsprechende Investments an völlig unterschiedlichen Stellen seines Portfolios auftauchen. Ein Infrastruktur-Fonds investiert direkt in Rechenzentren. Ein Private-Credit-Fonds finanziert einen Betreiber. Ein Structured-Credit-Portfolio hält mit Rechenzentren besicherte Finanzierungen. Ein Anleihefonds wiederum hält Bonds eines Hyperscalers. Unterschiedliche Finanzierungs- und Investmentformen, je nach Sichtweise vielleicht sogar unterschiedliche Assetklassen, können damit ein sehr ähnliches ökonomisches Risiko abbilden. Denn hinter allen diesen Investments kann am Ende dieselbe Nachfrage stehen: der Bedarf weniger großer Technologieunternehmen an immer mehr Rechenleistung.
Damit entstehen zwei unterschiedliche Transparenzprobleme:
Einerseits besteht der von S&P beschriebene Befund, dass das gleiche ökonomische Risiko in unterschiedlichen Finanzinstrumenten stecken kann. Data-Center-Schulden können über unterschiedliche Strukturen oder Assetklassen diversifiziert erscheinen, obwohl ein erheblicher Teil des zugrunde liegenden Exposures auf dieselbe kleine Gruppe von Hyperscalern zurückgeht. Konzentrationen, die innerhalb einer Assetklasse leicht erkennbar wären, können damit unsichtbarer werden, wenn sie sich über mehrere Assetklassen verteilen.
Andererseits untersucht die Bank für Internationalen Zahlungsausgleich, wie die großen Technologieunternehmen ihre enormen Investitionen in AI-Infrastruktur finanzieren. Dabei stößt sie auf Konstruktionen, bei denen Rechenzentren nicht unmittelbar vom Hyperscaler selbst finanziert werden. Stattdessen errichtet beispielsweise ein Joint Venture oder ein Special Purpose Vehicle das Rechenzentrum. Eigenkapital kommt von verschiedenen Investoren, Fremdkapital etwa von Private-Credit-Fonds oder anderen institutionellen Anlegern. Der Hyperscaler selbst kann lediglich eine Minderheitsbeteiligung halten, verpflichtet sich aber gleichzeitig über langfristige Miet- oder Abnahmeverträge und gegebenenfalls Garantien. Ökonomisch hängt die Finanzierung damit weiterhin wesentlich am Hyperscaler. Die Verschuldung liegt jedoch beim Vehikel. Die BIS bezeichnet solche Strukturen als „shadow borrowing“: Verpflichtungen, die wirtschaftlich einer Verschuldung vergleichbar sind, aber weitgehend außerhalb der Unternehmensbilanz liegen.
📌 Fazit:
- Zwei Transparenzachsen bei AI-Infrastrukturinvestitionen: Auf der einen Achse verteilt sich ein ökonomisches Exposure horizontal über unterschiedliche Finanzinstrumente und Assetklassen. Auf der anderen Achse verteilt es sich vertikal über Unternehmen, Joint Ventures, SPVs, Leasing- und Vertragsstrukturen.
- Das Problem könnte in der erschwerten Risikosteuerung liegen: Die Verteilung der gewaltigen Investitionen auf unterschiedliche Kapitalgeber über vielfältige Finanzierungswege stellt für sich genommen nicht unbedingt ein Risiko dar. Es handelt sich hierbei um den Ausdruck der Tiefe entwickelter Kapitalmärkte. Das eigentliche Risiko könnte aber in der Risikosteuerung liegen, wenn die Verpackungen besser zu erkennen sind als die ökonomischen Risiken.
- Die Konsequenz daraus beschreibt S&P treffend: Risiken im Kontext von AI-Investitionen müssen zunehmend über Märkte hinweg und nicht nur innerhalb einzelner Transaktionen betrachtet werden. Für institutionelle Investoren bedeutet das letztlich einen stärkeren Look-through auf die ökonomischen Risikotreiber. Denn ein Investor möchte nicht nur wissen, wie sein Portfolio formal aufgeteilt ist. Er möchte auch wissen, welcher Anteil seines Portfolios aus unterschiedlichen Gründen Geld verdient – und aus unterschiedlichen Gründen Geld verlieren kann.
Quellen
S&P Global Market Intelligence, AI Infrastructure Debt Is Testing Private Market Valuations, 28. August 2026.
Bank for International Settlements, Eren/Krohn/Todorov, Financing the AI infrastructure boom: on- and off-balance sheet borrowing, BIS Quarterly Review, März 2026.
Bank for International Settlements, Aldasoro/Doerr/Rees, Financing the AI boom: from cash flows to debt, BIS Bulletin No. 120, Januar 2026.
