480 MRD. US-DOLLAR 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 Widerstandsfähigkeit“ der KNUBA

27. Oktober 2026 • Autorenanalyse

Der chinesische Absturz: Was wirklich am Markt 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, verlor der Index STAR 50, der die Entwicklung führender Technologie- und Innovationsunternehmen an der Shanghaier Börse abbildet, rund 40 % in weniger als vier Monaten. Der Rückgang des gesamten Marktwerts wird auf etwa 480 Mrd. US-Dollar. Bereits am 27. Oktober schloss der Index bei 1.252,28 Punkten, der Tagesverlust betrug 4,81%. [1–2]

Hier sind zwei Präzisierungen wichtig. STAR 50 ist keine Liste der 50 größten reinen KI-Unternehmen Chinas, sondern ein Index des Technologie- und Innovationssegments, in dem viele Unternehmen mit Halbleitern und KI verbunden sind. Und 480 Mrd. US-Dollar sind nicht von den Bankkonten der Unternehmen „verschwunden“: Es geht um den Rückgang der Börsenbewertung des Aktienbestands.

Das Ausmaß der Korrektur wird dadurch jedoch 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 Anforderung erinnert: Eine gute Technologie garantiert noch keine Gewinne, die jeden Aktienkurs rechtfertigen. [1]

Warum der Markt abgekühlt ist: überhöhte Erwartungen gegen reale Gewinne

Auf dem Höhepunkt des Anstiegs näherte sich das Kurs-Gewinn-Verhältnis (KGV) des Index STAR 50 nach Reuters-Schätzung dem Wert von 250. Selbst nach dem scharfen Rückgang lag es bei etwa 100, während der Richtwert für den Nasdaq 100 im selben Beitrag bei etwa 30 liegt. Die Indizes sind in ihrer Struktur nicht gleich, doch der Unterschied zeigt, wie viel künftiges Wachstum 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 Risiken für den Absatz chinesischer Komponenten in ausländischen Rechenzentren. Keiner dieser Gründe erklärt für sich allein den gesamten Einbruch, aber zusammen haben sie den Markt verwundbar gemacht.

Mein Fazit ist einfach: Man muss den Aktienkurs vom Nutzen der Technologie trennen. Ein Unternehmen kann ein nützliches Produkt herstellen und an der Börse trotzdem unangemessen teuer sein. Umgekehrt hebt der Kursrückgang den bereits erzielten technologischen Effekt nicht auf.

Man muss zwei Dinge klar trennen: die ökonomische Wirksamkeit künstlicher Intelligenz und den spekulativen Wert der Unternehmen, die damit Geld verdienen. Der Aktienmarkt kann sich in seinen Erwartungen irren. Wenn eine Technologie aber tatsächlich die Forschungszeit verkürzt, die Produktivität steigert und schnellere fundierte Entscheidungen ermöglicht, verschwindet dieser Wert nicht mit dem Kursrückgang.

Beschleunigt KI die menschliche Arbeit wirklich: Was belegt ist und was nur versprochen wird

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

In einer MIT-Studie, die in der Fachzeitschrift Science im Jahr 2023 veröffentlicht wurde, 453 Fachkräfte bearbeiteten berufliche Schreibaufgaben. In der Gruppe mit Zugang zu ChatGPT sank die durchschnittliche Bearbeitungszeit um 40%, während sich die Qualität des Ergebnisses laut Expertenbewertung um 18% verbesserte. Das ist ein echtes Experiment, doch es beweist nicht, dass sich jede komplexe Forschung automatisch um dieselben 40 % beschleunigt. [3]

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

Besonders aufschlussreich ist die wissenschaftliche Analytik. Eine Übersichtsarbeit zu 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 Sichtung von Abstracts auf ein Fünftel bis ein Sechstel, der manuelle Aufwand sank bei einer Erfassungsquote von 95 % der relevanten Materialien auf ein Sechstel bis ein Zehntel. Das betrifft vor allem einzelne Auswahlschritte, nicht den gesamten Weg von der Idee bis zur geprüften Schlussfolgerung. [5]

Es gibt aber auch eine Warnung. In einem randomisierten Experiment von METR aus dem Jahr 2025 arbeiteten 16 erfahrene Entwickler, die 246 reale Aufgaben bearbeiteten, 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 bekannter Arbeit also ausbremsen, wenn der Prüfaufwand für die Ergebnisse zu hoch ist. [6]

Fazit: wir sollten nicht die Menge des erzeugten Textes messen, sondern die Zahl richtiger und geprüfter Ergebnisse pro Zeiteinheit.

Ein Beispiel, das die Größenordnung verändert: 100.000 Dokumente

Stellen wir uns eine Organisation vor, die eine Erstsichtung von 100.000 Dokumenten — Verträgen, wissenschaftlichen Veröffentlichungen, Berichten, Bürgeranliegen oder Wiederaufbaumaterialien — durchführen muss. Wenn für jedes Dokument nur drei Minuten aufgewendet werden, ergeben sich 5.000 Personenstunden, 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 verkürzen, bleibt ein Äquivalent von 500 Personenstunden in dieser Phase.

Dies ist ein Illustrationsmodell und kein Ergebnis einer konkreten Einführung. Es berücksichtigt nicht gesondert die Kosten für Rechenleistung, Einrichtung und Qualitätskontrolle sowie übersehene kritische Fälle. Deshalb darf man nicht mechanisch eine zehnfache Beschleunigung der gesamten Untersuchung behaupten.

Aber es erklärt, wo der eigentliche Wert entsteht: Die Expertin oder der Experte muss nicht mehr jede einzelne Information manuell sichten, wenn die automatisierte Auswahl die erforderliche Genauigkeit nachgewiesen hat. Er wechselt vom Massenlesen zur vertieften Arbeit an schwierigen Fällen.

Der Markt beginnt, erwachsen zu werden. Das bloße Versprechen einer technologischen Revolution reicht nicht mehr aus. Anleger wollen Gewinne sehen, Organisationen ein konkretes Ergebnis: wie viel Zeit gespart, wie viele Fehler verhindert, wie viele Anliegen bearbeitet wurden und was der Betrieb des Systems kostet. Den echten Wettbewerbsvorteil werden diejenigen haben, die die wirtschaftliche Wirksamkeit von KI belegen 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 einen Luftalarm oder einen Raketenangriff nicht abwenden. Die Sicherheit des Menschen muss stets Vorrang haben.

In einer Umfrage der European Business Association vom Februar 2026 unter 131 Topmanagern von Mitgliedsunternehmen des Verbands, 45% der Befragten nannten die Arbeitsunterbrechung bei Luftalarm als eine der verbreiteten Einschränkungen, und 82% der Befragten nannten Angriffe auf das Energiesystem unter den Faktoren mit dem größten negativen Einfluss auf das Geschäft. Das ist keine Statistik über den durchschnittlichen Stundenausfall in der gesamten Ukraine, aber ein gewichtiger Beleg für operative Hindernisse. [7]

Nehmen wir ein fiktives Projekt, für das 100 produktive Analysestunden nötig sind. Liegt die tatsächliche Verfügbarkeit der Arbeitszeit bei 70 %, werden für die Umsetzung etwa 143 Stunden geplanter Arbeitskapazität benötigt. In einem modellierten Hybridprozess, in dem dem Menschen 25 Stunden bleiben und maschinelle Verarbeitung sowie begleitende Vorgänge 10 Stunden hinzufügen, beträgt die Gesamtschätzung etwa 46 Stunden. Der Unterschied beträgt etwa das 3,1-Fache.

Man sollte diese Zahlen nicht als Richtwert für ukrainische Unternehmen verstehen: 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 dennoch wichtig. Wenn Rechenleistung, Daten und Aufgabenwarteschlangen ordnungsgemäß redundant ausgelegt und geografisch verteilt sind, kann ein Teil der Vorgänge selbst dann weiterlaufen, wenn sich die Beschäftigten im Schutzraum befinden. Ist das System hingegen an einen einzelnen Bürorechner ohne Ersatzverbindung und -stromversorgung gebunden, entfällt dieser Vorteil.

Für die Ukraine ist der Einsatz künstlicher Intelligenz nicht bloß der Wunsch, technologisch auf der Höhe der Zeit 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 die Erkennung des Problems vor dem Bericht

Ich halte den nächsten Wandel für tiefgreifender als die automatische Erstellung analytischer Vermerke. Es geht um Rund-um-die-Uhr-Überwachung, bei der Daten ununterbrochen eingehen, das System Abweichungen erkennt, sie anhand von Regeln prüft, das Risiko einstuft und die Information an die zuständige Person weitergibt oder eine im Voraus erlaubte sichere Handlung ausführt.

In der Cybersicherheit entwickelt man dafür seit Langem Plattformen wie SIEM und SOAR. Internationale Empfehlungen aus dem Jahr 2025 beschreiben sie als Werkzeuge zum Sammeln von Ereignissen, zur Erkennung verdächtiger Aktivitäten, zur Alarmierung von Fachleuten und zur Automatisierung bestimmter Teile der Reaktion. Solche Systeme erfordern jedoch ständige Konfiguration, Tests und qualifizierte Aufsicht. [8]

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

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

Der Preis des Fehlers: wo man Automatisierung nicht mit Vertrauen verwechseln darf

Je umfassender die Automatisierung, desto teurer kann ein systemischer Fehler werden. Ein Modell kann überzeugend eine Quelle erfinden, ein wichtiges Dokument übersehen oder einer ungeeigneten Nutzerin oder einem ungeeigneten Nutzer Zugriff auf vertrauliche Daten gewähren. Deshalb sind für medizinische, personenbezogene und finanzielle Unterlagen Datenminimierung, Zugriffskontrolle, Protokollierung von Vorgängen, Genauigkeitsprüfung und gesonderte Freigabeverfahren für kritische Handlungen erforderlich.

Die Wissenschaft muss zwischen der Geschwindigkeit maschineller Verarbeitung und der Verlässlichkeit einer Schlussfolgerung unterscheiden. Das ist besonders relevant, 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, hebt aber nicht die Notwendigkeit 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. Allerdings gilt: Der 40-prozentige Rückgang des chinesischen STAR 50 bedeutet nicht automatisch einen 40-prozentigen Absturz amerikanischer Aktien. Reuters setzt die chinesische Korrektur mit einem Rückgang des Nasdaq von rund 6 % gegenüber dem jüngsten Höchststand ins Verhältnis. 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, unsichere Nachfrage und schwierige Monetarisierung. Wie verwundbar ein einzelnes Unternehmen ist, hängt jedoch von dessen Gewinnen, Cashflows, Verschuldung, Kunden und Kapitalkosten ab.

Meiner Ansicht nach hat sich die Schlüsselfrage für die Märkte bereits verändert: nicht „Wer hat am lautesten über KI gesprochen?“, sondern „Wem ist es gelungen, 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 Kurseinbruchs an den Börsen eines anderen Landes stoppen. Ebenso wenig sollte man blindlings teure KI-Lösungen kaufen, nur weil es modern ist. Der rationale Ansatz lässt sich auf fünf praktische Schritte zurückführen.

1. Den aktuellen Prozess messen: Dauer der Vorgänge, Kosten, Fehler, Wartezeit auf eine Antwort und Belastung der Mitarbeitenden.
2. Einen eng gefassten Pilot wählen: zum Beispiel die Klassifizierung von Dokumenten, die Suche nach Duplikaten oder die Priorisierung von Anliegen — nicht gleich die Automatisierung der gesamten Verwaltung.
3. Die Grenzen der Autonomie festlegen: was der Algorithmus selbstständig tun darf, was er nur vorschlagen darf und was zwingend eine menschliche Entscheidung erfordert.
4. Qualität und Sicherheit prüfen: übersehene kritische Fälle, Fehlalarme, Zugriff auf personenbezogene Daten, Abhängigkeit vom Anbieter und Ausfallsicherheit.
5. Die gesamte Wirtschaftlichkeit berechnen: Lizenzen, Rechenleistung, Integrationen, Betrieb, Schulung des Teams — und der Wert der eingesparten Zeit.

Werden diese Kennzahlen nicht gemessen, verwandeln sich Reden über fünf- oder zehnfache Einsparungen in 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 Anleger. Er zeigt, dass selbst zukunftsträchtige Branchen nicht vor überhöhten Bewertungen, unbegründeten Erwartungen und abrupten Stimmungswechseln am Markt gefeit sind.

Für mich als Forscher und Leiter einer Institution, die sich mit Fragen des Humankapitals und des Wiederaufbaus der Ukraine befasst, lautet das Fazit jedoch anders: Technologie sollte nach ihrer Wirkung auf reale Aufgaben beurteilt werden, nicht nach dem Börsenhype.

Wenn Automatisierung die Bearbeitungszeit von Anliegen verkürzt, hilft, Risiken rechtzeitig zu erkennen, die Arbeitsfähigkeit im Krieg aufrechterhält und Fachleute für verantwortungsvolle Entscheidungen freistellt, hat sie bereits praktischen Wert. Doch diesen Wert muss man messen und die Sicherheit belegen.

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

Hinweis 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 prüfen.