Ein neues BIS-Arbeitspapier kartiert erstmals systematisch, wo KI-produzierende Unternehmen sitzen und was ihre Entstehung begünstigt. Der finanzierungstheoretisch bedeutsamste Befund ist nicht die bekannte USA/China-Dominanz – sondern die Erkenntnis, dass Venture Capital die KI-Firmendichte deutlich stärker erklärt als klassische Bankkredite. Für bankenbasierte Finanzsysteme wie das deutsche ist das keine marginale Fußnote.
I. Die Studie und ihr finanzierungstheoretischer Kern
Das BIS Working Paper Nr. 1343 (The geography of AI firms, April 2026) erhebt einen Datensatz mit 1.246 KI-produzierenden Unternehmen in 32 Volkswirtschaften – gefiltert auf Firmen ab 500 Mio. US-Dollar Bewertung, klassifiziert entlang einer fünfschichtigen Wertschöpfungskette von Compute über Infrastruktur, Datentools und Modelle bis zu Anwendungen. Die makroökonometrische Kernfrage lautet: Welche institutionellen Faktoren erklären, warum manche Länder viele KI-Firmen hervorbringen und andere kaum?
Das Ergebnis ist eindeutig. Drei Variablen erklären die Wahrscheinlichkeit, dass ein Land überhaupt KI-Unternehmen von Gewicht entwickelt, sowie deren Anzahl: Wirtschaftsgröße (BIP), F&E‑Intensität – und mit Abstand am stärksten: Venture-Capital-Zuflüsse. Bankkreditquoten korrelieren zwar mit der Anzahl vorhandener KI-Firmen, spielen jedoch für deren bloßes Entstehen eine untergeordnete Rolle. VC und Bankkredit sind, das macht die Studie messbar, keine funktionalen Substitute für diesen Unternehmenstypus – sie sind unterschiedliche Instrumente für unterschiedliche Firmenprofile.
II. Warum Bankkredit für KI-Startups strukturell ungeeignet ist
Das ist kein neues Argument, aber es ist jetzt empirisch eingebettet. KI-Unternehmen sind in ihrer Frühphase arm an verwertbaren Sicherheiten und reich an immateriellen Vermögenswerten: Software, Daten, Modellgewichte, Humankapital. Das klassische Kreditvergabeparadigma – Sicherheitenprüfung, Cashflow-Analyse, Tilgungsplan – passt strukturell nicht zu einem Unternehmenstypus, dessen Wert primär aus zukünftigen, unsicheren Erträgen besteht und dessen Aktiva im Insolvenzfall kaum verwertbar sind.
Venture Capital löst dieses Problem nicht durch großzügige Risikobereitschaft, sondern durch ein anderes Vertragsmodell: Eigenkapitalbeteiligung statt Fremdkapital, aktives Monitoring statt passiver Sicherheitenverwaltung, Portfoliodiversifikation über viele Wetten statt Einzelkreditpruning. Das VC-Modell ist institutionell auf intangible-lastige, hochriskante Wachstumsunternehmen zugeschnitten. Das Bankkreditmodell ist es nicht.
Für das deutsche Bankensystem – Universalbanken, Sparkassen, Genossenschaftsbanken – bedeutet das eine strukturelle Lücke, die durch regulatorische Risikogewichtung (Basel III/IV begünstigt besicherte Kredite), durch das Einlagengeschäft als Fundingbasis und durch institutionelle Risikoaversion in Aufsichtsgremien perpetuiert wird. Man kann das als historisch gewachsene Stärke für Mittelstandsfinanzierung beschreiben – als Kreditgeber für kapitalintensive, sachanlagenreiche Unternehmen mit stabilen Cashflows ist das deutsche Bankensystem gut positioniert. Für die Finanzierung der KI-Industrie ist es das nicht.
III. Die geographische Verteilung als Spiegel von Finanzierungsstrukturen
Die globale Verteilung der KI-Firmen illustriert diese These auf Länderebene. Rund 700 der 1.246 erfassten Firmen sitzen in den USA, rund 250 in China. Der Euro-Raum folgt mit deutlichem Abstand. Das wirtschaftliche Gewicht – gemessen als aggregierte Firmenbewertung im Verhältnis zum BIP – ist noch konzentrierter: In Chinese Taipei übersteigt die kumulierte Bewertung das doppelte BIP, in den USA erreicht sie etwa BIP-Niveau. Für den Euro-Raum bleibt diese Quote marginal.
Das spiegelt nicht allein Unterschiede in Wirtschaftsgröße oder Forschungsintensität. Es spiegelt vor allem unterschiedliche Tiefe und Reife der VC-Märkte. Die USA verfügen über ein VC-Ökosystem, das seit den 1970er-Jahren systematisch aufgebaut wurde – mit institutionellen Investoren (Pensionsfonds, Stiftungen), einem dichten Netz von General Partners mit Sektor-Expertise und einer Risikokultur, die Scheitern als Lernprozess begreift, nicht als Reputationsrisiko. China hat in den 2010er-Jahren staatlich gesteuerte VC-Strukturen aufgebaut, die diese Funktion partiell substituieren. Europa und insbesondere Deutschland haben beides nur in Ansätzen.
Ein weiterer Befund der Studie ist in diesem Zusammenhang aufschlussreich: KI-Firmen zeigen einen ausgeprägten Home Bias – mehr als 30 % der Deals erfolgen im eigenen Rechtsraum. Gleichzeitig investieren KI-Firmen fast aller Länder – mit der signifikanten Ausnahme Chinas – stark in US-amerikanische Zielunternehmen. Wer kein eigenes dichtes KI-Investitionsökosystem hat, wird zum Kapitalexporteur in das US-System. Das gilt für europäische institutionelle Investoren, aber strukturell auch für junge europäische KI-Firmen, die für ihre Wachstumsrunden auf US-VCs angewiesen sind.
IV. Spezialisierungsstruktur: Was der Euro-Raum kann – und was nicht
Die Studie differenziert nicht nur nach Anzahl und Bewertung, sondern nach der Position in der KI-Wertschöpfungskette. Das Ergebnis für den Euro-Raum ist: Schwerpunkt auf Anwendungsschicht, kaum Präsenz bei Compute, Infrastruktur und Modellen. Das ist für sich genommen keine Schwäche – Anwendungsunternehmen können profitabel sein und regionalen Mehrwert schaffen. Aber es bedeutet eine strukturelle Abhängigkeit von den vorgelagerten Schichten, die von US-amerikanischen und taiwanesischen bzw. koreanischen Unternehmen dominiert werden.
Aus Bankstil-Perspektive ist daran bemerkenswert, dass die Anwendungsschicht tendenziell kapitalextensiver ist als Compute und Infrastruktur – sie kommt mit weniger Capex aus, hat raschere Amortisationszyklen und ist damit theoretisch auch bankfinanzierungskompatiblere. Aber: Die Margenstruktur ist schwächer, die Skalierbarkeit begrenzter, und die Plattformabhängigkeit von US-amerikanischen Infrastrukturanbietern erzeugt strategische Vulnerabilität, die sich in keiner Bilanz direkt abbildet.
Für das Kreditportfolio deutschen Banken heißt das: Sie finanzieren möglicherweise das am stärksten exponierte Segment der KI-Kette – abhängig von US-Infrastruktur, unter Margendruck durch US-Plattformen, strukturell im Nachteil gegenüber Anbietern mit vertikaler Integration.
V. Implikationen für das Kreditgeschäft und die Risikowahrnehmung
Drei Beobachtungen für das Bankstil-Publikum:
Erstens: Das klassische Kreditrating greift nicht. KI-Unternehmen in der Wachstumsphase haben oft negative operative Cashflows, hohe Bewertungen und geringe Sicherheitenmassen. Kreditinstitute, die mit Standardrating-Modellen an diese Firmen herantreten, werden entweder systematisch ablehnen oder systematisch falsch bepreisen. Spezialisierte VC-Abteilungen, Corporate-Venture-Vehikel oder Beteiligungsgesellschaften – wie sie einige Großbanken und Sparkassenverbände unterhalten – sind der strukturell richtige Ansatz, aber sie bleiben marginal im Vergleich zum US-VC-Markt.
Zweitens: Die Capex-Intensität ist unterschätzt. In den USA stellen KI-Firmen rund 40 % der Börsenkapitalisierung, aber 23 % der gesamten Investitionsausgaben – überproportional zum Umsatzanteil von 13 %. Das reflektiert hohe Investitionen in Rechenzentren, Chips und Infrastruktur, finanziert primär über Eigenkapital und Unternehmensanleihen, nicht über klassischen Bankkredit. Für Banken, die in diesem Segment aktiv sind, ist die Frage der Refinanzierung und der Risikogewichtung dieser Assets keine akademische.
Drittens: Sovereign-AI-Strategien sind finanzierungspolitische Dokumente. Die Studie liefert die empirische Grundlage, um nationale KI-Strategien auf ihre Finanzierungsrealität hin zu prüfen. Viele europäische Ansätze setzen auf öffentliche Förderung (KfW, EIF, staatliche Rechenzentruminvestitionen) als Ersatz für fehlende VC-Tiefe. Das kann Lücken schließen, aber es verändert nicht die institutionelle Konfiguration, die langfristig für die Entstehung von KI-Firmen entscheidend ist: ein privates Risikokapitalökosystem mit langen Investitionshorizonten, sektoraler Expertise und Exitoptionen durch liquide Kapitalmärkte.
Die Studie misst keine Schuld und benennt keine Versäumnisse. Sie kartiert Strukturen. Für Banken, Aufsichtsbehörden und Finanzierungsökonomen ist das Ergebnis dennoch instruktiv: Die Geographie der KI-Industrie ist nicht zufällig – sie folgt der Geographie der Risikokapitalmärkte. Wer diese Karte ignoriert, plant an der institutionellen Realität vorbei.
Ralf Keuper