$480 MRD. AN DER BÖRSE „VERBRANNT“: IN CHINA IST DIE KI-BLASE GEPLATZT. SIND DIE USA ALS NÄCHSTES DRAN?

Artem Honcharenko, PhD

Leiter des Instituts für Reintegration, Rehabilitation und berufliche Entwicklung von Veteranen „Architektur der Resilienz“ der KNUBA

27. Oktober 2026 • Analyse des Autors

Der chinesische Absturz: Was am Markt tatsächlich geschehen ist

Noch vor Kurzem galten Hersteller von Chips, optischen Komponenten für Rechenzentren und Robotik als die großen Gewinner der neuen technologischen Revolution. Anleger kauften ihre Aktien in der Erwartung einer künftig steigenden Nachfrage nach künstlicher Intelligenz. Ende Oktober schlug diese Zuversicht in einen massiven Ausverkauf um.

Laut Reuters vom 26. Oktober 2026, verzeichnete der Index STAR 50, der die Entwicklung der führenden Technologie- und Innovationsunternehmen der Shanghaier Börse abbildet, einen Verlust von rund 40 % in weniger als vier Monaten. Die Verringerung des gesamten Marktwerts wird auf etwa $480 Mrd.. Am 27. Oktober schloss der Index bereits bei 1.252,28 Punkten, der Tagesverlust betrug 4,81%. [1–2]

Zwei Klarstellungen sind hier wichtig. Der STAR 50 ist keine Liste der 50 größten reinen KI-Unternehmen Chinas, sondern ein Index des Segments für Technologie und Innovation, in dem viele Unternehmen mit Halbleitern und KI verbunden sind. Und die $480 Mrd. sind nicht von den Bankkonten der Unternehmen „verschwunden“: Es geht um den Rückgang der Börsenbewertung von Aktienpaketen.

Doch dadurch wird das Ausmaß der Korrektur nicht kleiner. Reuters nennt Beispiele für Kursverluste einzelner Hersteller von Robotern, Mikrochips und optischer Ausrüstung von mehreren Dutzend Prozent. Die Börse hat sich plötzlich an eine einfache ökonomische Forderung erinnert: Eine gute Technologie garantiert noch keine Gewinne, die jeden Aktienkurs rechtfertigen. [1]

Warum der Markt abkühlte: überzogene Erwartungen gegen reale Gewinne

Auf dem Höhepunkt des Anstiegs näherte sich das Kurs-Gewinn-Verhältnis (KGV) des Index STAR 50 laut Reuters-Schätzung dem Wert von 250. Selbst nach dem scharfen Rückgang betrug es noch etwa 100, während für den Nasdaq 100 im selben Beitrag ein Richtwert von ungefähr 30 angegeben wird. Die Indizes sind in ihrer Struktur nicht identisch, doch der Unterschied zeigt, wie viel künftiges Wachstum die Anleger bereits in die chinesischen Kurse eingepreist haben. [1]

Zu den hohen Bewertungen kamen Zweifel am Tempo der Nachfrage nach KI-Hardware, mögliche Exportbeschränkungen, steuerliche Faktoren und Absatzrisiken für chinesische Komponenten in ausländischen Rechenzentren hinzu. Keiner dieser Gründe erklärt für sich allein den gesamten Absturz, doch zusammen machten sie den Markt verwundbar.

Mein Fazit ist einfach: Man muss den Aktienkurs vom Nutzen der Technologie trennen. Ein Unternehmen kann ein nützliches Produkt herstellen und an der Börse dennoch unverhältnismäßig teuer sein. Und umgekehrt hebt der Kursverfall den bereits erzielten technologischen Effekt nicht auf.

Zwei Dinge müssen klar voneinander getrennt werden: die wirtschaftliche Wirksamkeit künstlicher Intelligenz und der spekulative Wert der Unternehmen, die daran verdienen. Der Aktienmarkt kann sich in seinen Erwartungen irren. Wenn eine Technologie jedoch tatsächlich die Forschungszeit verkürzt, die Produktivität steigert und es ermöglicht, fundierte Entscheidungen schneller zu treffen, verschwindet dieser Wert nicht mit dem Kursverfall.

Beschleunigt KI menschliche Arbeit tatsächlich: Was ist belegt und was nur versprochen

Als Forscher bin ich der Ansicht, dass man künstliche Intelligenz nicht an der Lautstärke von Präsentationen, sondern an unabhängigen Experimenten mit Kontrollgruppen messen sollte. Solche Studien gibt es bereits.

An der MIT-Studie, die 2023 in der Zeitschrift Science erschien, nahmen 453 Fachleute teil, die berufliche Schreibaufgaben erledigten. In der Gruppe mit ChatGPT-Zugang verkürzte sich die durchschnittliche Bearbeitungszeit um 40%, und die Qualität des Ergebnisses verbesserte sich nach Expertenbewertung um 18%. Das ist ein reales Experiment, aber es beweist nicht, dass jede komplexe Untersuchung automatisch um dieselben 40 % schneller wird. [3]

In einem Experiment der Harvard Business School und der Boston Consulting Group mit 758 Beratern bearbeiteten GPT-4-Nutzer Aufgaben, die den Fähigkeiten des Modells entsprachen, mit mehr als 25 % höherer Geschwindigkeit und schlossen über 12 % mehr Aufgaben ab. Bei einer Aufgabe außerhalb der verlässlichen Fähigkeiten des Werkzeugs führte der KI-Einsatz dagegen zu einem schlechteren Ergebnis. [4]

Besonders aufschlussreich ist die wissenschaftliche Analytik. Eine Übersicht über 25 Studien, veröffentlicht in Frontiers in Pharmacology im Jahr 2025, verzeichnete eine Zeitersparnis von mehr als 50 % in 17 Arbeiten. In einigen Fällen verkürzte sich die automatisierte Durchsicht von Abstracts um das 5- bis 6-Fache, der manuelle Aufwand bei einer Erkennungsvollständigkeit von 95 % um das 6- bis 10-Fache. Dabei geht es vor allem um einzelne Auswahlschritte, nicht um den gesamten Weg von der Idee bis zum geprüften Ergebnis. [5]

Es gibt auch eine Einschränkung. In einem randomisierten Experiment von METR aus dem Jahr 2025 arbeiteten 16 erfahrene Entwickler, die 246 reale Aufgabenbearbeiteten, mit den damaligen KI-Werkzeugen im Durchschnitt 19 % länger, obwohl sie selbst glaubten, schneller geworden zu sein. Ein Werkzeug, das Anfängern hilft, kann Fachleute bei gut vertrauter Arbeit also ausbremsen, wenn die Kosten für die Überprüfung der Ergebnisse zu hoch sind. [6]

Fazit: Wir sollten nicht das Volumen des erzeugten Textes messen, sondern die Zahl der richtigen und geprüften Ergebnisse pro Zeiteinheit.

Ein Beispiel, das die Größenordnung verändert: 100.000 Dokumente

Stellen wir uns eine Organisation vor, die zunächst 100.000 Dokumente durchsehen muss — Verträge, wissenschaftliche Veröffentlichungen, Berichte, Bürgeranliegen oder Unterlagen zum Wiederaufbau. Rechnet man pro Dokument mit nur drei Minuten, ergeben sich 5.000 Arbeitsstunden, also 625 achtstündige Arbeitstage. Ein Team aus zehn Analysten würde bei voller Auslastung etwa 12,5 Wochen arbeiten.

Nehmen wir nun an, ein geprüftes System führt automatisch Deduplizierung, Erstklassifizierung und die Suche nach Widersprüchen durch und erstellt eine Liste der Ausnahmen. Wenn seine Qualität es erlaubt, gerade das manuelle Screening um 90 % zu senken, bleibt auf dieser Stufe ein Gegenwert von 500 Arbeitsstunden übrig.

Dies ist ein illustratives Modell und kein Ergebnis einer konkreten Einführung. Es berücksichtigt weder die Kosten für Rechenleistung, Einrichtung und Qualitätskontrolle noch übersehene kritische Fälle gesondert. Deshalb darf man nicht mechanisch von einer zehnfachen Beschleunigung der gesamten Untersuchung sprechen.

Aber es erklärt, wo der eigentliche Wert entsteht: Der Experte muss nicht mehr jede Informationseinheit von Hand durchsehen, wenn die automatisierte Vorauswahl die erforderliche Genauigkeit nachgewiesen hat. Er wendet sich vom massenhaften Lesen der vertieften Arbeit an schwierigen Fällen zu.

Der Markt beginnt, erwachsen zu werden. Das bloße Versprechen einer technologischen Revolution reicht nicht mehr aus. Der Anleger will Gewinne sehen, die Organisation ein konkretes Ergebnis: wie viel Zeit gespart, wie viele Fehler verhindert, wie viele Anfragen bearbeitet wurden und was der Betrieb des Systems kostet. Den echten Wettbewerbsvorteil werden diejenigen haben, die die wirtschaftliche Wirksamkeit von KI nachweisen können.

Der Krieg verändert die Produktivitätsformel: Warum das für die Ukraine wichtig ist

In unserem Land kann ein Beschäftigter hochqualifiziert und motiviert sein und dennoch keinen Luftalarm und keinen Raketenangriff abwenden. Die Sicherheit des Menschen muss stets Vorrang haben.

In einer Umfrage der European Business Association vom Februar 2026 unter 131 Top-Managern von Mitgliedsunternehmen des Verbands nannten 45% der Befragten Arbeitsunterbrechungen bei Luftalarm unter den verbreiteten Einschränkungen, und 82% Angriffe auf das Energiesystem unter den Faktoren mit der größten negativen Wirkung auf das Geschäft. Das ist keine Statistik der durchschnittlich verlorenen Stunden für die gesamte Ukraine, aber ein gewichtiger Beleg für betriebliche Hindernisse. [7]

Nehmen wir ein fiktives Projekt, das 100 produktive Analysestunden erfordert. Beträgt die tatsächliche Verfügbarkeit der Arbeitszeit 70 %, benötigt man für die Ausführung etwa 143 Stunden geplanter Arbeitsressourcen. In einem modellierten hybriden Prozess, in dem dem Menschen 25 Stunden bleiben und die maschinelle Verarbeitung samt Begleitvorgängen 10 Stunden hinzufügt, beträgt die Gesamtschätzung etwa 46 Stunden. Der Unterschied beträgt rund das 3,1-Fache.

Diese Zahlen sollten nicht als Norm für ukrainische Unternehmen verstanden werden: 70 % Verfügbarkeit und die Struktur der Vorgänge sind hier nur Szenarioannahmen. Den tatsächlichen Effekt bestimmen die Art der Aufgaben, die Datenaufbereitung und die Systemarchitektur.

Das Prinzip ist jedoch wichtig. Sind Rechenleistung, Daten und Aufgabenwarteschlangen angemessen redundant ausgelegt und geografisch verteilt, kann ein Teil der Vorgänge auch dann weiterlaufen, wenn die Mitarbeiter im Schutzraum sind. Ist das System dagegen an einen einzelnen Büroserver ohne Ersatzverbindung und Stromversorgung gebunden, gibt es diesen Vorteil nicht.

Für die Ukraine ist der Einsatz künstlicher Intelligenz nicht bloß der Wunsch, technologisch modern zu sein. Es ist eine Frage der Widerstandsfähigkeit. Der Mensch hat im Krieg ein Recht auf Sicherheit, Erholung und Schutz. Zugleich kann eine richtig aufgebaute digitale Infrastruktur die Kontinuität eines Teils der kritischen Prozesse sichern. Unsere Aufgabe ist es nicht, den Menschen zu ersetzen, sondern seine Möglichkeiten durch Technologien zu stärken.

Die eigentliche Revolution ist nicht der Text in einer Minute, sondern das Erkennen des Problems vor dem Bericht

Ich glaube, dass der nächste Wandel tiefer reichen wird als die automatische Erstellung analytischer Vermerke. Es geht um ein rund um die Uhr laufendes Monitoring, bei dem laufend Daten eingehen, das System Abweichungen erkennt, sie anhand von Regeln prüft, das Risiko klassifiziert und die Information an eine verantwortliche Person weiterleitet oder eine im Voraus erlaubte, sichere Handlung ausführt.

Dafür gibt es in der Cybersicherheit seit Langem die Plattformen SIEM und SOAR. Internationale Leitlinien von 2025 beschreiben sie als Mittel zum Sammeln von Ereignissen, zur Erkennung verdächtiger Aktivität, zur Alarmierung von Fachleuten und zur Automatisierung bestimmter Teile der Reaktion. Zugleich erfordern solche Systeme ständige Konfiguration, Tests und qualifizierte Aufsicht. [8]

Für die Ukraine lässt sich dieses Prinzip auf die Überwachung des Wiederaufbaus, die Finanzkontrolle, ökologische Kennzahlen, Cyberbedrohungen sowie die Anliegen von Veteranen und ihren Familien übertragen. So kann etwa eine neue Anfrage automatisch an die zuständige Stelle gelangen, und eine auffällige Änderung in Ausschreibungsunterlagen kann ein Signal für den Prüfer auslösen. Entscheidungen über medizinische Hilfe, Rechtsbeschränkungen oder finanzielle Sanktionen dürfen jedoch ohne angemessene unabhängige Kontrollmechanismen nicht einem generativen Modell überlassen werden.

Die Zukunft gehört Systemen, die Informationen nicht nur ansammeln, sondern Ereignisse fortlaufend analysieren. Künstliche Intelligenz kann helfen, Anomalien zu erkennen, sie zu prüfen und vorab abgestimmte Reaktionsszenarien auszulösen. Kritische Entscheidungen müssen jedoch unter angemessener menschlicher Kontrolle bleiben. Gerade die Verbindung von Automatisierung und Verantwortung wird die Qualität neuer digitaler Ökosysteme bestimmen.

Der Preis des Fehlers: Wo Automatisierung nicht mit Vertrauen verwechselt werden darf

Je größer die Automatisierung, desto teurer kann ein systematischer Fehler werden. Ein Modell kann überzeugend eine Quelle erfinden, ein wichtiges Dokument übersehen oder einem ungeeigneten Nutzer Zugriff auf vertrauliche Daten gewähren. Deshalb sind für medizinische, personenbezogene und finanzielle Materialien Datenminimierung, Kontrolle der Zugriffsrechte, Protokollierung der Vorgänge, Genauigkeitsprüfung und gesonderte Freigabeverfahren für kritische Handlungen erforderlich.

Die Wissenschaft muss zwischen der Geschwindigkeit maschineller Verarbeitung und der Verlässlichkeit eines Befunds unterscheiden. Das ist besonders aktuell, wenn KI bei der Erstellung wissenschaftlicher Übersichten oder von Analysen für Managemententscheidungen hilft.

Wir müssen die Geschwindigkeit der Informationsverarbeitung von der Verlässlichkeit des gewonnenen Wissens unterscheiden. Künstliche Intelligenz kann Suche, Vergleich und Systematisierung von Daten erheblich beschleunigen, doch das hebt die Notwendigkeit nicht auf, Quellen zu verifizieren, die Methodik zu prüfen und die Reproduzierbarkeit der Ergebnisse sicherzustellen.

Wird sich der chinesische Absturz in den USA wiederholen?

Das ist die Frage, die heute am lautesten gestellt wird. Doch der 40-prozentige Rückgang des chinesischen STAR 50 bedeutet nicht automatisch einen 40-prozentigen Absturz amerikanischer Aktien. Reuters stellt die chinesische Korrektur einem Rückgang des Nasdaq um etwa 6 % gegenüber seinem jüngsten Höchststand gegenüber. Das sind unterschiedliche Indizes, Zeiträume und Geschäftsstrukturen; eine direkte Prognose auf dieser Grundlage wäre unbegründet. [1]

Risiken für globale Technologieaktien bestehen: hohe Erwartungen, große Investitionsausgaben für Recheninfrastruktur, Nachfrageunsicherheit und eine schwierige Monetarisierung. Doch der Grad der Anfälligkeit jedes Unternehmens hängt von seinen Gewinnen, Zahlungsströmen, Schulden, Kunden und den Kosten des aufgenommenen Kapitals ab.

Meiner Ansicht nach hat sich die Schlüsselfrage für die Märkte bereits verändert: nicht „wer am lautesten über KI gesprochen hat“, sondern „wem es gelungen ist, die Technologie in ein belegtes wirtschaftliches Ergebnis zu verwandeln“. In dieser Logik kann der Abbau spekulativer Bewertungen die Unternehmen sogar zu disziplinierteren Investitionen anregen.

Was ich ukrainischen Organisationen vorschlage

Man sollte die digitale Transformation nicht wegen eines Börsenabsturzes in einem anderen Land stoppen. Ebenso wenig sollte man teure KI-Lösungen gedankenlos kaufen, nur weil es gerade Mode ist. Ein rationaler Ansatz lässt sich auf fünf praktische Schritte zurückführen.

1. Den aktuellen Prozess messen: Dauer der Vorgänge, Kosten, Fehler, Wartezeit auf eine Antwort und die Belastung der Mitarbeiter.
2. Einen eng umrissenen Pilotversuch wählen: zum Beispiel die Klassifizierung von Dokumenten, die Suche nach Duplikaten oder die Priorisierung von Anliegen, statt die gesamte Verwaltung auf einmal zu automatisieren.
3. Die Grenzen der Autonomie festlegen: was der Algorithmus selbstständig ausführen darf, was er nur vorschlagen darf und was zwingend die Entscheidung eines Menschen erfordert.
4. Qualität und Sicherheit prüfen: übersehene kritische Fälle, Fehlalarme, Zugriff auf personenbezogene Daten, Abhängigkeit vom Anbieter und Ausfallsicherheit.
5. Die vollständige Wirtschaftlichkeit berechnen: Lizenzen, Rechenleistung, Integrationen, Betreuung, Schulung des Teams — und der Wert der eingesparten Zeit.

Werden diese Kennzahlen nicht gemessen, werden Gespräche über Einsparungen um das Fünf- oder Zehnfache zu Marketing. Werden sie gemessen, kann die Organisation Entscheidungen auf der Grundlage von Belegen treffen.

Fazit: Die Börsenblase kann platzen, die technologische Revolution geht weiter

Der chinesische Absturz ist eine ernste Warnung für Investoren. Er zeigt, dass selbst zukunftsträchtige Branchen nicht vor überzogenen Bewertungen, unbegründeten Erwartungen und abrupten Stimmungswechseln am Markt gefeit sind.

Für mich als Forscher und Leiter einer Einrichtung, die sich mit Fragen des Humankapitals und des Wiederaufbaus der Ukraine befasst, ist der Schluss jedoch ein anderer: Technologie sollte nach ihrer Wirkung auf reale Aufgaben beurteilt werden, nicht nach dem Börsenrausch.

Wenn Automatisierung die Bearbeitungszeit von Anliegen verkürzt, hilft, Risiken rechtzeitig zu erkennen, die Kontinuität der Arbeit im Krieg stützt und Fachleute für verantwortungsvolle Entscheidungen freistellt, hat sie bereits einen praktischen Wert. Doch diesen Wert muss man messen und die Sicherheit nachweisen.

Die KI-Blase kann platzen. Der Bedarf an geprüftem Wissen, widerstandsfähigen Organisationen und rechtzeitigen Entscheidungen nicht.

Quellen und methodische Anmerkungen

[1] Reuters. „In China, the AI bubble has already burst“, 26. Oktober 2026 Quelle

[2] Investing.com. SSE STAR 50: historical data, Schlusskurs vom 27. Oktober 2026 Quelle

[3] Noy S., Zhang W. «Experimental evidence on the productivity effects of generative artificial intelligence». Science, 2023 Quelle

[4] Harvard Business School / Boston Consulting Group. «Navigating the Jagged Technological Frontier», 2023 Quelle

[5] Abogunrin S. et al. «How much can we save by applying artificial intelligence in evidence synthesis?». Frontiers in Pharmacology, 2025 Quelle

[6] METR. «Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity», 2025 Quelle

[7] European Business Association. „Vier Jahre großer Krieg: Wie Unternehmen in der Ukraine arbeiten“, 24. Februar 2026 Quelle

[8] Australian Signals Directorate und internationale Partner. „Implementing SIEM and SOAR platforms: Executive guidance“, 27. Mai 2025 Quelle

Anmerkung zu den Berechnungen: Das Beispiel mit 100.000 Dokumenten und das Modell der Personalverfügbarkeit unter Kriegsbedingungen sind illustrative Annahmen. Sie sind von den Ergebnissen konkreter kontrollierter Studien zu unterscheiden und vor einer Investitionsentscheidung anhand eigener Daten zu überprüfen.