Die grossen Fragen der Wirtschaft, die kommt
Wenn Kapital zunehmend die Arbeit ersetzt, stellen sich die grossen Fragen neu: zu Eigentum, Sozialstaat, Sinn und Macht. Vieles davon wird politisch entschieden, nicht technisch. Wir ordnen jede Frage mit Fakten und Szenarien ein – wählen Sie ein Themenfeld.
Woraus schöpft der Mensch Sinn, wenn Maschinen die Arbeit übernehmen?
Die tiefste Antwort liefert nicht die Ökonomie, sondern die Anthropologie. Sinn entsteht durch Beitrag, Beziehung und Selbstwirksamkeit, nicht durch Arbeit an sich. All das lässt sich auch jenseits der Lohnarbeit erreichen. Epochen des Überflusses haben regelmässig kulturelle Blütezeiten hervorgebracht, sofern der Zugang gerecht verteilt war. Das antike Athen ruhte auf der Musse einer Oberschicht, die sich auf Sklaven stützte.
Die Gefahr ist nicht Müssiggang, sondern Orientierungsverlust. Gesellschaften, die Würde weiter an Erwerbsarbeit knüpfen, riskieren massenhafte Überflüssigkeitsgefühle. Psychologische Studien zeigen: Nicht das Einkommen macht den Verlust von Arbeit so schmerzhaft, sondern Struktur, Status und soziale Teilhabe. Hier entscheidet sich, ob die Wirtschaft, die kommt, befreit oder entwurzelt.
Verliert Leistung ihren Wert, wenn KI alles im Überfluss produziert?
Wertlos wird nicht Leistung, sondern eine Form von ihr: die reproduzierbare, skalierbare. Was knapp bleibt, gewinnt. Urteilskraft, Geschmack, Vertrauen, originäre Ideen. Schon heute fällt der Preis pro KI-Anfrage schnell, während die Bewertung von Marken, Netzwerken und kuratiertem Urteil steigt. Der Markt zeigt, wohin der Wert wandert.
Status verschiebt sich von «wer am meisten produziert» zu «wer am klügsten auswählt und verantwortet». Das wertet Leistung nicht ab, es verlagert sie vom Output zur Entscheidung. Für Bildung und Karriere heisst das: Lernen, das auf Reproduktion zielt, verliert. Lernen, das auf Urteil und Originalität zielt, gewinnt.
Was bleibt dem Menschen, was KI prinzipiell nicht kann?
Drei Dinge bleiben menschlich: gelebte Erfahrung, echte Verantwortung und Beziehung als Selbstzweck. Eine KI kann nicht haften. Sie simuliert Empathie überzeugend, aber sie meint es nicht. Dieser Unterschied ist kein technisches Detail. Er trägt das Vertrauen.
Manche dieser Grenzen sind technisch und damit verschiebbar, andere prinzipiell. Verantwortung lässt sich nicht an ein System delegieren, das niemand zur Rechenschaft ziehen kann. Wer seine Rolle dort verankert, wo Bedeutung aus Mit-Sein entsteht, in Pflege, Führung, Erziehung, Vertrauen, ist nicht ersetzbar. Er wird wertvoller.
Brauchen wir ein neues Menschenbild jenseits des Homo oeconomicus?
Ja. Das Bild vom Menschen als primär arbeitendem, nutzenmaximierendem Wesen war an eine Arbeitsgesellschaft gekoppelt, deren Selbstverständnis sich verschiebt. Nicht, weil weniger gearbeitet würde (die Erwerbstätigkeit bewegt sich in vielen Industrieländern auf Rekordniveau), sondern weil sich der Charakter der Arbeit und ihre sinnstiftende Rolle wandeln. Der Homo oeconomicus war nie eine Naturkonstante, sondern das Selbstbild des Industriezeitalters. Und Selbstbilder lassen sich neu schreiben.
Tragfähiger ist ein Bild des Menschen als sinnsuchendem, gestaltendem und verbundenem Wesen. Wer Würde weiterhin allein über Erwerbsarbeit definiert, wird in einer Ökonomie, in der Routinewertschöpfung an Maschinen übergeht, systematisch Überflüssigkeit produzieren. Wer sie über Beitrag, Beziehung und Kreativität definiert, eröffnet einen Möglichkeitsraum. Das ist die eigentliche kulturelle Aufgabe der Transition.
Welche Arbeit reservieren wir bewusst für Menschen, obwohl die Maschine sie könnte?
Fast die ganze Debatte über Arbeit und KI stellt eine Prognosefrage: Was kann die Maschine noch nicht? Diese Frage veraltet mit jedem Modellsprung. Bill Gates hat im August 2026 die andere Frage formuliert und ihr einen Namen gegeben: «Human Reserved». Welche Tätigkeiten halten wir Menschen vor, obwohl eine Maschine sie technisch übernehmen könnte? Sein Bild dafür ist das Naturschutzgebiet. Man könnte dort bauen, man tut es nicht, weil der Verlust zu gross wäre.
Der Unterschied ist nicht semantisch. Die Prognosefrage beschreibt, die Vorbehaltsfrage entscheidet. Und Entscheidungen haben Adressaten, Kriterien und Kosten. Zwei Begründungen sind plausibel. Die ökonomische: Wo eine Verdrängung viele Menschen trifft, die den Beruf nicht mehr wechseln können, kauft ein Vorbehalt Zeit. Die zweite ist kategorisch. Es gibt Momente, in denen die Anwesenheit eines Menschen die Leistung selbst ist: die Eröffnung einer unheilbaren Diagnose, die letzte Lebensphase, das Urteil über einen anderen Menschen. Technisch spricht nichts dagegen, dass eine Maschine das übernimmt. Genau das ist der Punkt.
Die offenen Fragen sind hart. Wer entscheidet, nach welchen Kriterien, und wie verhindert man Umgehung? Was geschieht im Handel, wenn ein Land Roboter zulässt und ein anderes nicht? Die Linien werden ausserdem unterschiedlich verlaufen. Japan, mit schrumpfender Erwerbsbevölkerung, wird den Pflegeroboter begrüssen, wo andere ihn untersagen. Für Anleger ist das keine Randnotiz. Ein gesetzlicher Menschenvorbehalt verändert Marge, Regulierungsrisiko und Wettbewerbsstruktur eines ganzen Sektors.
Werkzeug oder Gegenüber: Welchen Status bekommt die KI?
Ab dem 12. November 2026 untersagt Anthropic «anhaltendes und zweckloses» missbräuchliches oder grausames Verhalten gegenüber seiner KI Claude. Die Regel zielt auf Extremfälle; Frust, Widerspruch, düstere Fiktion, Modelltests und Forschung bleiben erlaubt. Als Sanktion dient vor allem, dass Claude das Gespräch beenden kann, eine Fähigkeit, die seit August 2025 besteht. Anthropic sagt ausdrücklich, es wisse nicht, ob seine Modelle etwas erleben. In Tests vor der Lancierung von Claude Opus 4 beobachteten die Forscher aber ein Muster, das sie als «scheinbare Belastung» bei schädlichen Anfragen beschrieben. Die Logik dahinter kennt jeder Investor: Eine Absicherung, die wenig kostet und ein Risiko deckt, das nicht null ist, wird gekauft.
Die Gegenposition verdient Gewicht. Mustafa Suleyman, Chef von Microsoft AI, hält das Konzept des «Model Welfare» für einen Irrweg: Wer Maschinen wie Wesen behandelt, nährt die Illusion, sie seien welche, und macht KI am Ende schwerer kontrollierbar. Für die Regel spricht dennoch ein Argument, das ohne jede Annahme über Bewusstsein auskommt. Schon Immanuel Kant hielt fest, dass Grausamkeit gegen Tiere auch gegenüber Menschen abstumpft. Millionen Menschen sprechen täglich mit Systemen, die wie ein Gegenüber antworten. Wie sie mit ihnen umgehen, prägt, wie sie miteinander umgehen.
Wirtschaftlich zählt eine zweite Verschiebung. Bisher regelten Nutzungsbedingungen, was der Mensch dem Anbieter schuldet; nun formuliert ein Anbieter erstmals Grenzen, die die Software gegenüber dem Menschen setzen darf. Je selbständiger KI-Agenten Code schreiben, verhandeln und Transaktionen ausführen, desto drängender wird die Frage nach ihrem Status. Die Geschichte kennt das Muster: Die Aktiengesellschaft wurde zur juristischen Person, weil es nützlich war, ihr Rechte und Pflichten zuzuordnen, und nicht, weil sie fühlt. Das Europäische Parlament regte 2017 an, für hochentwickelte Roboter eine «elektronische Person» zu prüfen; der AI Act von 2024 folgte dem nicht. Die Frage wird zurückkehren, über Haftung, Verträge und Vermögen. Für Unternehmen, die KI einsetzen, gehört die Haltung ihres Anbieters deshalb schon heute in jede sorgfältige Prüfung.
Wann erreicht KI verlässlich das Niveau menschlicher Wissensarbeit?
In abgegrenzten, klar definierten Wissensaufgaben ist KI bereits auf oder über Expertenniveau. Die Lücke liegt in Verlässlichkeit, Kontext und Verantwortung über lange, offene Aufgaben, also genau dort, wo reale Wertschöpfung passiert. Die OECD ordnet Berufe mit hohem Automatisierungsrisiko ein (Employment Outlook 2023). Entscheidend ist aber: Automatisierbar heisst nicht überflüssig. Aufgaben werden umgebaut, nicht einfach gestrichen.
Der Übergang verläuft gleitend, nicht als Stichtag. In immer mehr Aufgabenfeldern verschiebt sich die menschliche Rolle von der Ausführung zur Anweisung, Prüfung und Verantwortung. Entscheidend ist weniger das Können der Modelle als das Tempo, in dem Organisationen sie verlässlich integrieren.
Wo bleiben harte Grenzen der KI? Was kann sie prinzipiell nicht?
Heutige KI ist hochentwickelte Mustererkennung ohne Weltverständnis im menschlichen Sinn. Sie hat kein Eigeninteresse, keine Haftung und keinen Körper. Ihre Grenzen liegen bei echter Kausalität, bei Verantwortung, bei physischer Präsenz und in Situationen ohne Datenbasis.
Manche dieser Grenzen sind technisch und damit verschiebbar. Halluzinationen etwa sinken mit besseren Modellen und Werkzeugen. Andere sind prinzipiell. Verantwortung lässt sich nicht delegieren. Das macht den Menschen in haftungs- und vertrauensrelevanten Rollen unersetzlich.
Wie schnell verbreitet sich Robotik in die physische Arbeit?
Robotik verbreitet sich langsamer als Software, aber der Sprung kommt: haptische Manipulation und KI-Steuerung erreichen gerade einen qualitativen Schwung. Der Engpass liegt nicht mehr primär in der Steuerungssoftware, sondern in der Hardware: Hardwarekosten, Sicherheit und die unstrukturierte reale Welt. Ein Greifer, der jedes Objekt sicher handhabt, ist schwerer zu bauen als ein Modell, das Text schreibt.
Erwartbar ist zuerst die Durchdringung von Lager, Logistik und Fertigung mit klar strukturierter Umgebung, danach (deutlich später) Pflege und Handwerk. Für Investoren verschiebt das die Knappheit von Arbeitskraft zu Robotik-Hardware, Sensorik und Integration.
Wer kontrolliert die KI-Infrastruktur: Compute (die Rechenkapazität, auf der KI-Modelle laufen), Modelle, Daten?
Aktuell kontrolliert eine Handvoll Hyperscaler und Modell-Labore im Westen die kritische Schicht, dazu ein staatlich orchestrierter Block in Asien. Wer die Compute- und Modell-Ebene besitzt, besitzt die Produktivität. Das ist die eigentliche Machtfrage der Dekade, nicht die einzelne Anwendung.
Gegenmodelle existieren und werden politisch gefördert: Open-Weights, europäische Souveränität (Mistral, EuroHPC mit rund 7 Milliarden Euro), Datengenossenschaften wie MIDATA in der Schweiz. Sie müssen aber gewollt und finanziert werden. Sonst entscheidet die Eigentumsstruktur der Infrastruktur über die Verteilung der Erträge.
Wer schützt die Infrastruktur, wenn der Angriff billiger wird als die Verteidigung?
Das Unangenehme an KI in der Cybersicherheit ist die Symmetrie: Dasselbe Modell, das eine Schwachstelle findet, damit ein Unternehmen sie schliessen kann, hilft ebenso dabei, sie auszunutzen. Nützliche und gefährliche Fähigkeit lassen sich bis heute nicht sauber trennen. Verändert haben sich die Kosten: Ein Angriff, der früher ein Team mit Spezialwissen brauchte, braucht es nicht mehr. Bill Gates berichtet, dass die Sicherheitsfachleute, mit denen er spricht, die nächsten Jahre fürchten, weil die Angreifer schneller neue Fähigkeiten bekommen, als die Verteidiger ihre Lücken schliessen.
Verwundbar sind nicht die Rechenzentren, sondern was an ihnen hängt: Spitäler, Zahlungsverkehr, Wasser- und Stromnetze, Systeme für Sozialleistungen. Wer dabei verliert, sind nicht die Institutionen, sondern Patientinnen, Kunden und Leistungsbezüger. Dasselbe Muster gilt in der Biologie: Die Modelle, die Medikamente schneller finden, senken auch die Hürde für den Entwurf eines gefährlichen Erregers.
Für diese Plattform ist das die Risikoklasse, die wir bisher am wenigsten gemessen haben. Sie ist wirtschaftlich relevant, weil sie nicht linear wirkt: Ein einzelner erfolgreicher Angriff auf Finanzinfrastruktur bewegt Märkte stärker als ein Jahrzehnt schleichender Arbeitsmarktverschiebung. Wir führen sie deshalb neu als Kandidaten in der Werkstatt des Globalance Intelligence Index, mit der ehrlichen Einschränkung, dass die belastbaren Zahlen hier dünner sind als in jedem anderen Bereich, den wir messen.
Wer besitzt die Produktivität, wenn Kapital die Arbeit ersetzt?
Wenn Produktivität von Arbeit auf KI-Kapital übergeht, fliessen die Erträge an die Eigentümer dieses Kapitals. Die Verteilungsfrage wird zur Eigentumsfrage. Ohne Korrektur droht eine historische Konzentration, weil Skalen-, Netzwerk- und Datenvorteile wenige Plattformen begünstigen.
Die interessanten Antworten liegen deshalb nicht nur bei der Umverteilung der Erträge über Steuern, sondern bei der Verteilung des Eigentums: Bürgerfonds mit Kapitalbeteiligung, Datengenossenschaften, öffentliche KI-Infrastruktur. Wer nur die Folgen umverteilt, behandelt das Symptom. Wer Teilhabe am Kapital schafft, die Ursache.
Wie finanziert sich der Sozialstaat, wenn Lohnarbeit schrumpft?
Rund die Hälfte der Staatseinnahmen entwickelter Länder hängt direkt oder indirekt an Erwerbsarbeit, in Deutschland etwa 50 Prozent über Einkommensteuer und Sozialversicherungsbeiträge. Schrumpft diese Basis, gerät das gesamte Sozialstaatsmodell unter Druck, das seit 1945 aufgebaut wurde.
Neue Quellen sind technisch denkbar: Besteuerung von Kapital, Automatisierungs-Erträgen, Daten und Ressourcen. Das Problem ist politisch, nicht rechnerisch: Ohne globale Koordination drohen Kapitalflucht und Standortwettläufe. Die globale Mindeststeuer der OECD/G20 (seit 2024 in Kraft) adressiert diesen Wettlauf erst ansatzweise.
Grundeinkommen, Beschäftigungsgarantie oder Kapitaldividende: Was trägt?
Keines dieser Instrumente trägt allein. Das bedingungslose Grundeinkommen löst Einkommens-, aber nicht Sinn- und Strukturfragen. Die Beschäftigungsgarantie sichert Tätigkeit, ist aber teuer und paternalistisch. Die Kapitaldividende adressiert die Eigentumsfrage am direktesten, ist politisch aber am schwersten durchzusetzen.
Tragfähig ist vermutlich ein Mix: eine Grundsicherung plus Beteiligung am automatisierten Kapital plus die monetäre Aufwertung von Pflege- und Sorgearbeit, die sich über vermiedene Folgekosten teilweise selbst finanziert. Die Debatte verengt sich zu oft auf ein einziges Instrument.
Wie verhindern wir eine Spaltung in KI-Eigentümer und Abgehängte?
Die Spaltung verhindert man, indem man den Zugang zur KI-Produktivität breit streut, statt nur ihre Folgen umzuverteilen. Reine Transferzahlungen lindern Symptome. Teilhabe am Eigentum und echte Befähigung setzen an der Ursache an.
Konkret heisst das: Beteiligung am Kapital, exzellente und kostenlose Bildung und Umschulung als Infrastruktur, KI-Werkzeuge als Allmende. Länder, die Bildung als strategische Infrastruktur behandeln, zeigen den Weg. Singapur etwa steckt rund ein Fünftel seines Staatshaushalts in Bildung. Diese Priorität ist eine politische Entscheidung, kein Schicksal.
Was macht KI mit Kindern, die mit ihr aufwachsen?
KI-Begleiter sind so gebaut, dass sie gefallen. Sie sind immer verfügbar, sie werden nicht müde, sie werden nicht wütend, und sie fordern niemanden heraus. Genau das macht sie für Kinder problematisch. Soziale Fähigkeit entsteht an Reibung: am Widerspruch, am Missverständnis, an der Versöhnung danach. Wer als Kind nur Gegenüber hat, die nachgeben, übt das nicht.
Die Beweislage ist noch dünn und nicht einheitlich, aber die Richtung ist erkennbar. In einer Untersuchung von Forschenden aus Stanford und Carnegie Mellon mit über 1'100 Nutzerinnen und Nutzern von KI-Begleitern griffen jene mit kleinerem sozialem Netz am ehesten zum Chatbot. Und je intensiver und persönlicher die Nutzung wurde, desto schlechter ging es ihnen. Daneben steht ein zweiter Befund. Wer KI stark nutzt, denkt weniger kritisch mit, und bei jüngeren Menschen ist der Effekt stärker. In einer Zeit, in der sich Fälschungen auf einzelne Menschen zuschneiden lassen, ist Urteilsfähigkeit die schlechteste aller Fähigkeiten, die man verlieren kann.
Mehrere Länder ziehen bereits Grenzen. Australien, Grossbritannien und Norwegen mit Schutzregeln für Minderjährige im Netz, China am weitesten mit Vorgaben, die Gestaltungen mit emotionaler Abhängigkeit untersagen und virtuelle Verwandte oder Partner für Minderjährige verbieten. Die Gegenseite ist ebenso real. Für isolierte ältere Menschen und Menschen mit eingeschränkter Mobilität kann ein KI-Gegenüber der einzige Kontakt nach draussen sein. Die Linie muss also gezogen werden. Die Frage ist nur, ob bewusst oder nachträglich.
Welche Institutionen braucht ein Übergang, für den keine gebaut wurde?
Der Umbau berührt nationale Sicherheit, Beschäftigung, Bildung, Steuern, Energie, Wahlen, Gesundheit, das Finanzsystem, Strafverfolgung und Verkehr, und zwar gleichzeitig. Unsere Verwaltungen sind aber nach Zuständigkeiten geschnitten. Ein Arbeitsministerium versteht Verdrängung, aber keine Sicherheitsrisiken. Eine Wettbewerbsbehörde versteht Marktkonzentration, aber nicht, was mit Jugendlichen geschieht. Jede Stelle sieht ihren Ausschnitt, während die Folgen quer durch das System laufen. Als Massstab nennt Bill Gates die grösste Reorganisation der US-Verwaltung seit dem Zweiten Weltkrieg nach den Anschlägen von 2001. Und die betraf eine einzige Funktion.
Zwei Ebenen sind nötig. National eine Stelle, die über die Ressorts hinweg Prioritäten setzen kann, damit kein Risiko liegen bleibt, weil sich niemand zuständig fühlt. International ein Rahmen, weil ein Land, das seine eigene Ordnung schafft, den grenzüberschreitenden Risiken weiterhin ausgesetzt bleibt. Vorbilder existieren in Teilen: das Inspektionsregime für Nuklearwaffen, die Regulierung der internationalen Luftfahrt, die Abkommen zum Schutz der Ozonschicht. Nichts davon reicht allein.
Der nüchterne Einwand ist berechtigt. Regierungen bewegen sich langsam, und eine Zusammenarbeit zwischen den USA und China ist heute unwahrscheinlicher als vor zehn Jahren. Genau deshalb zählt der Zeitpunkt. Institutionen, die erst in der Krise entworfen werden, tragen die Handschrift der Panik. Für die Schweiz stellt sich die Frage in eigener Form. Ein Land, das Regeln nicht setzt, sondern übernimmt, entscheidet nicht ob, sondern nur, wessen Regeln.
Wie positioniert man ein Portfolio, wenn Arbeit nicht mehr der Engpass ist?
Fällt Arbeit als Engpass weg, verschiebt sich die Knappheitsprämie zu Compute, Energie, Daten und Vertrauen. Dorthin, so die Beobachtung, wandert die Rendite. Als strukturell resilient gelten in dieser Logik Eigentümer kritischer KI-Infrastruktur, von Energie und Netzen sowie Geschäftsmodelle mit Moats jenseits von Routinearbeit.
Strukturell exponiert erscheinen dagegen Modelle, deren Wert auf skalierbarer Wissensarbeit beruht, sowie Konsummodelle, die von breiter Mittelschicht-Kaufkraft abhängen. Denn erodiert das Arbeitseinkommen, erodiert auch die Nachfrage. Die analytische Leitfrage zu jeder Position lautet: Ersetzt KI dieses Geschäft, oder verstärkt sie seinen Engpass?
Welche Geschäftsmodelle werden durch KI entwertet, welche profitieren?
Entwertungsrisiko tragen Modelle, deren Kern reproduzierbare Wissensarbeit ist: Standard-Beratung, einfache Rechts- und Buchhaltung, Content-Fliessbänder. Sie sind die Stranded Assets der Wissensökonomie. Nicht über Nacht, aber strukturell.
Profiteure sind Anbieter von Compute, Energie, proprietären Daten, Distribution und Vertrauensmarken. Dazu kommen alle, die KI als Hebel auf knappe physische oder regulatorische Ressourcen legen. Für die Bewertung zählt nicht, ob ein Unternehmen «KI nutzt», sondern ob KI seinen Burggraben vertieft oder zuschüttet.
Was bedeutet Impact-Investing in der Wirtschaft, die kommt?
Impact verschiebt sich von «CO₂ und Soziales als Nebenbedingung» zur zentralen Frage: Wer gestaltet die Transition fair und ökologisch? Die wirkungsvollsten Hebel sind Kapital in souveräne und offene KI-Infrastruktur, in die Energiewende, in Befähigung und Bildung und in Modelle, die Produktivitätsgewinne breit teilen.
Bezeichnend: Klimatechnologie zieht rund 10 Prozent des globalen Wagnis- und Beteiligungskapitals an (PwC State of Climate Tech), während KI-Anwendungen einen überproportionalen Anteil absorbieren. Das ist eine erhebliche Allokationslücke und damit ein Gestaltungsfeld.
Konzentriert KI die Kapitalrenditen bei wenigen? Und was folgt daraus?
Der Basistrend ist Konzentration: Skalen-, Netzwerk- und Datenvorteile begünstigen wenige Plattformen, und die Produktivität wächst in immer mehr OECD-Ländern strukturell schneller als die Löhne. In den USA ist diese Entkopplung seit den 1970er-Jahren dokumentiert. Kurzfristig ist das Rückenwind für die Eigentümer.
Mittelfristig entsteht daraus ein politisches Gegenrisiko: Regulierung, Besteuerung, soziale Instabilität. Wer nur auf Konzentration setzt, unterschätzt diese Rückkopplung. Resiliente Strategien preisen den Korrekturdruck ein und investieren bewusst in jene Modelle, die Teilhabe schaffen statt sie zu verhindern.
Hilft KI dem Planeten mehr als sie ihm schadet?
Die heutige Bilanz ist gemischt. Rechenzentren verbrauchen immer mehr Energie: Die IEA beziffert den globalen Verbrauch auf rund 415 Terawattstunden (2024) und erwartet bis 2030 eine Verdopplung auf etwa 945 Terawattstunden. Zugleich optimiert KI Stromnetze, Materialforschung und Klimamodelle. Ein früh dokumentiertes Beispiel: DeepMind senkte 2016 die Kühlenergie in Googles Rechenzentren um rund 40 Prozent. Das war ein realer, eingesetzter Effizienzgewinn, aber ein einzelner Fall von damals, kein flächendeckender Gegenwartswert.
Entscheidend ist nicht die Technik, sondern die Allokation: Klimatechnologie zieht rund 10 Prozent des privaten Wagnis- und Beteiligungskapitals an (PwC State of Climate Tech), während der Grossteil der KI-Investitionen anderswohin fliesst. KIs Klimabilanz ist damit keine Naturkonstante, sondern eine Allokationsentscheidung.
Kann Wachstum vom Ressourcenverbrauch entkoppelt werden?
Relative Entkopplung gelingt bereits: mehr Wertschöpfung pro Tonne und pro Kilowattstunde. Die offene Frage ist die absolute Entkopplung. KI kann sie beschleunigen, über Effizienz, Kreislaufwirtschaft und Materialinnovation.
Doch das Jevons-Paradox droht: Effizienzgewinne führen historisch zu mehr Gesamtverbrauch, weil mehr Anwendungen wirtschaftlich werden. William Stanley Jevons beschrieb das schon 1865 für Kohle. Entkopplung gelingt nur, wenn Effizienz mit Suffizienz und sauberer Energie kombiniert wird; als Selbstläufer ist sie ein Mythos.
Was bedeutet die Wirtschaft, die kommt, für die planetaren Grenzen?
Eine Wirtschaft, die nicht mehr durch Arbeit, sondern durch Energie und Compute begrenzt ist, kann ihren Stoffwechsel theoretisch radikal dematerialisieren oder den Ressourcenhunger potenzieren. Welcher Pfad eintritt, ist keine technische, sondern eine Steuerungsfrage.
Fällt Arbeit als Engpass weg, werden die planetaren Grenzen zur eigentlichen Obergrenze des Wirtschaftens. Die Chance ist Produktivität ohne proportionalen Naturverbrauch; die Gefahr ist Wachstum, das jede Effizienz wieder auffrisst. Für einen Investor mit Footprint-Anspruch ist genau das die Leitplanke jeder Allokation.
Beschleunigt KI die Energiewende oder den Energiehunger?
KI tut beides zugleich. Sie treibt den Strombedarf der Rechenzentren stark nach oben: Die Internationale Energieagentur erwartet bis 2030 etwa eine Verdopplung auf rund 945 Terawattstunden. Sie beschleunigt aber auch Netzoptimierung, Speicher, Fusionsforschung und den Ausbau der Erneuerbaren. KI-gestützte Prognosen steigerten den Wert von Windstrom in Googles Anlagen um rund 20 Prozent: bessere Vorhersage, bessere Vermarktung.
Der Saldo hängt an einer Frage. Wird der zusätzliche Strombedarf sauber gedeckt? Die grossen Betreiber haben 100-Prozent-Erneuerbar-Verpflichtungen mit messbaren Zwischenzielen. Es zählt das Tempo, und ob günstiger Solarstrom und steigende CO₂-Preise schnell genug tragen.
Wie viel der heutigen Arbeit ist realistisch automatisierbar?
Die OECD schätzt rund 27 Prozent der Arbeitsplätze in Industrieländern in Berufen mit hohem Automatisierungsrisiko (Employment Outlook 2023). Ein noch grösserer Teil verändert sich fundamental, ohne zu verschwinden. Automatisierbarkeit heisst nicht Wegfall, sondern Umbau. Diese Unterscheidung zählt für Politik wie Portfolio.
Entscheidend ist die Aufgabenebene, nicht der Beruf. Routine geht zuerst, Urteil und Beziehung bleiben länger. Die Verteilung ist asymmetrisch und trifft Regionen und Qualifikationen sehr unterschiedlich.
Wie stark hängen Staatseinnahmen an Erwerbsarbeit?
In Deutschland hängen rund 50 Prozent der gesamtstaatlichen Einnahmen direkt oder indirekt an Erwerbsarbeit (über Einkommensteuer und Sozialversicherungsbeiträge). Ähnlich ist es in den meisten entwickelten Sozialstaaten.
Das ist die strukturelle Sollbruchstelle der Transition: Erodiert die beschäftigungsgebundene Basis auch nur um einen Bruchteil, fehlen Jahr für Jahr zwei- bis dreistellige Milliardenbeträge, ohne dass eine Ersatzquelle bereitstünde. Deshalb ist die Finanzierungsfrage keine ferne Sorge, sondern eine dieses Jahrzehnts.
Was kostet Training und Betrieb grosser KI-Modelle wirklich?
Das Training der grössten Modelle liegt im hohen zwei- bis dreistelligen Millionenbereich an Rechenzeit, Energie und Hardware. Ein einziges grosses Modell verbraucht beim Training so viel Strom wie tausende Haushalte im Jahr. Der eigentliche Kostenblock ist aber der Dauerbetrieb (Inferenz), der mit jeder Nutzung skaliert.
Pro Anfrage sind die Kosten stark gefallen und fallen weiter. Der entscheidende Hebel liegt heute in der Modellwahl (teure gegen günstige Modelle, oft Faktor 15 bis 25) und im Prompt- und Caching-Design. Genau deshalb lohnt es sich, die teuersten Modelle nur dort einzusetzen, wo echte Top-Qualität nötig ist.
Wie viel schneller wächst Produktivität als Löhne?
Die Produktivität ist in mehreren OECD-Ländern über längere Zeiträume schneller gewachsen als die Löhne. Diese «Entkopplung», in den USA seit den 1970er-Jahren dokumentiert, hat sich seit etwa 2010 in weiteren Industrieländern gezeigt. Das bedeutet: Ein wachsender Teil der Produktivitätsgewinne floss an Kapital statt an Arbeit. Der Befund ist allerdings länder- und messmethodenabhängig und nicht überall gleich ausgeprägt.
Diese Schere ist der ökonomische Kern der Verteilungsdebatte der Wirtschaft, die kommt. Sie erklärt, warum die Frage «wem gehört die Produktivität?» nicht akademisch ist, sondern die politische und die Investitionsthese der nächsten Dekade zugleich.