KI-VC-Markt: 41% Anteil, Kapital bündelt sich auf Modelle und Energie

41% der 128 Mrd. Dollar, die 2025 auf Carta geraised wurden, entfielen auf KI – ein Rekordanteil. Entscheidend ist nicht die Zahl, sondern die Verteilung: Ein Großteil der Mittel konzentriert sich auf wenige Modell-Labs und auf die Beseitigung von Infrastrukturlücken, vor allem Energie. Für dich als Entscheider zählt der ROI je Schicht des Stacks – nicht die Hype-Quote. Quelle der Basisdaten: Carta (via TechCrunch).

Der Markt ist K-förmig: weniger Wetten, mehr Kapital pro Deal – getrieben durch hohe Modell- und Betriebskosten. Carta berichtet zugleich von starkem IRR jüngerer Fondsjahrgänge (2023/24), was aber durch Bewertungsaufschläge in Folgerunden verzerrt sein kann. Kurz: Kapital fließt dorthin, wo Skalierung teuer ist – und wo Engpässe (Compute, Strom) behoben werden müssen.

Die Schichten des KI-Stacks: Wer bekommt das Geld?

Die Allokation folgt einem klaren Muster:

Basismodelle ziehen die größten Tickets an. Wenige Labors vereinen zweistellige Milliardenrunden – Ausdruck einer Winner-takes-most-Dynamik. Laut Carta entfielen 2025 41% der auf der Plattform geraised VC-Dollar auf KI und nur 10% der Startups vereinten die Hälfte des gesamten Fundings auf sich (Carta VC-Fund-Report; Carta Valuation-Analyse). Das bestätigt die Kapitalbündelung auf der Modelle-Schicht.

Infrastruktur rückt parallel nach vorne. Neben Chips und Netzen verschiebt sich Kapital Richtung Energieversorgung für Rechenzentren. TechCrunch verweist auf eine wachsende Pipeline dezentraler und hybrider Stromprojekte – eine Reaktion auf Netzauslastung und Lieferengpässe (TechCrunch: Energy-Tech).

Die Applikationsschicht erhält im Median kleinere, selektive Tickets – mit Ausnahmen in vertikalen Domänen und dort, wo proprietäre Daten oder Distribution echte Moats bauen. Funktionale Differenzierung (z. B. über RAG) reicht ohne Daten- oder Vertriebsvorteil nicht.

ROI-Profile: Basismodelle vs. Infrastruktur vs. Apps

Basismodelle

Kapitalintensiv in Training und Inferenz. Der ROI hängt von Skalenvorteilen (Leistung, Kosten/Token), Distributionsmacht und Plattform-Effekten (Ökosystem, Tools, Partnerschaften) ab. Die Renditeverteilung ist extrem – wenige Gewinner, lange Durststrecke für Nachzügler. Die hohen Betriebskosten erzwingen große Runden bereits in frühen Wachstumsphasen – nicht wegen Headcount, sondern wegen Modellbetrieb.

Infrastruktur

Engpassgetriebenes Alpha: Energie ist zur strategischen Variablen geworden. Goldman Sachs erwartet, dass KI den Strombedarf von Rechenzentren bis 2030 um 175% steigen lässt (Goldman Sachs Research). Sightline Climate verfolgt 190 GW an DC-Projekten – nur 5 GW im Bau; 36% der Projekte verzögerten sich 2025 (Sightline Climate). Für Investoren heißt das: planbare Cashflows über PPAs, Onsite-Generationen, Speicher und Netz-Hardware bieten risiko-adjustierte Renditehebel – kleiner in Ticketgröße, robuster in Downturns.

Applikationen

Bestehende Verteilkanäle, vertikale Spezialisierung und proprietäre Datenzugriffe treiben Unit Economics. Margen bleiben anfällig für Inferenzkosten und Revenue-Share mit Modell- bzw. Infrastrukturpartnern. Ohne klaren Daten- oder Workflow-Moat wird Pricing-Druck schnell existenziell.

Was VCs wirklich finanzieren: Die Kosten der KI-Produktion

Die jüngste Runde-Inflation in KI hat einen simplen Treiber: Betriebskosten und Capex. Carta fasst es so zusammen: weniger Wetten, mehr Kapital pro Runde – weil die Model-Kosten hoch sind (via TechCrunch). Parallel entsteht eine neue Infra-Investmentklasse rund um Energie: Langzeitspeicher, Transformatoren, Onsite-Generationen und neu gedachte Tarifmodelle.

Die Kostenblöcke der KI-Produktion

• Training: Rechenzeit, Datenlizenzierung, Sicherheits-/Evaluationsaufwand
• Inferenz: Serving, Vektorsuche, Caching, Optimierung der Token-Pfade
• Energie: PPAs, Onsite- bzw. Hybrid-Lösungen, Speicher (Batterie/thermisch)
• Datenzugang: Erwerb/Partnerschaften, Quality-Control, Compliance
• Go-to-Market: Integration in bestehende Workflows, Vertriebspartnerschaften

Die Energie-Schiene skaliert schnell: Die USA dürften bis Ende 2026 rund 65 GW Batteriespeicher installiert haben (U.S. EIA). Das erklärt, warum zunehmend VC in „AI-adjacent“ Energie- und Netztechnik fließt – kleinere Runden, aber mit klaren Nachfrage-Signalen.

IRR-Realität: Papiermarkups vs. realisierte Exits

Laut Carta weisen Fondsjahrgänge nach 2022 die stärksten IRRs auf (Carta VC-Fund-Report). Methodisch wichtig: Frühzeitige Aufwertungen durch hochbewertete Folgerunden treiben IRR temporär. Ob diese Bewertungen über IPOs/M&A realisiert werden, ist offen. Für LPs und GPs heißt das: TVPI- und DPI-Disziplin, Szenario-Analysen für Down-Rounds sowie klare Pfade zu wiederholbaren Cashflows in Infrastruktur- und Applikations-Playbooks.

So What? Kapitalallokation zwischen Modellwette und Engpassrendite

Für 2026 solltest du KI als Portfolio betrachten, nicht als Einzelwette. Lege nur dort Modell-Exposure an, wo du echten Zugang zu Distribution, Daten oder Komplementär-Assets hast – sonst sinkt dein Renditepfad auf Markups ohne Exit. Gleichzeitig sichern Energie- und Netz-nahe Assets die Produktionsbasis deiner KI-Strategie ab und liefern risiko-adjustiertes Alpha, solange der Strom-Engpass anhält. In der Applikationsschicht gilt: vertikal denken, proprietäre Datenflüsse sichern, Inferenzkosten vertraglich kappen und Wertschöpfung über Workflow-Tiefe statt Feature-Breite maximieren.

Fazit: Disziplinierte Allokation schlägt Monowette

Setze einen klaren Kapitalplan auf drei Schichten: begrenzte, begründete Modell-Exposures; aktive Positionen in Energie- und Netz-Infrastruktur mit Sicht auf Cashflows; fokussierte Applikationsbets mit Daten- und Distributionsmoats. Prüfe jede Runde gegen belastbare Unit Economics nach Inferenz- und Energiekosten. So konvertierst du den 41%-Kapitalzufluss in reale Renditen – statt in teure Papiergewinne.