Künstliche Intelligenz wird in Unternehmen zunehmend zum Bestandteil operativer Prozesse. In vielen Branchen ist die Technologie bereits in Software integriert, unterstützt Entscheidungen oder steuert Maschinen. Damit rückt eine Frage stärker in den Mittelpunkt, die in der öffentlichen Debatte lange hinter dem Training großer Modelle zurückstand: Wie lässt sich KI in der täglichen Nutzung wirtschaftlich, stabil und in großem Maßstab betreiben? Entscheidend ist dabei die Inference, also das Ausführen eines bereits trainierten Modells im Produktiveinsatz. Dieser Prozess findet in vielen Anwendungen kontinuierlich statt und wird damit zu einem zentralen Kostenfaktor, der über die Skalierbarkeit von KI-Lösungen entscheidet.

International zeigt sich, dass Inference nicht nur Rechenleistung erfordert, sondern eine neue Infrastrukturarchitektur entstehen lässt. Rechenzentren werden so ausgelegt, dass sie hohe KI-Lasten effizient bewältigen können. Gleichzeitig wächst der Bedarf an Edge-Systemen, die KI-Funktionen lokal ausführen, etwa in Industrieanlagen, Fahrzeugen oder mobilen Endgeräten. In vielen Fällen spielen auch regulatorische Anforderungen, Datensouveränität und Latenz eine Rolle, weil nicht jede Anwendung Daten in eine Cloud übertragen kann oder darf. "Dadurch entsteht eine neue Phase der KI-Ökonomie, in der die Effizienz des Betriebs und die technische Auslieferung von Modellen zum entscheidenden Wettbewerbsvorteil werden", sagt Christian Hintz, Portfoliomanager des "AI Leaders". Der "AI Leaders" (WKN: A2PF0M / ISIN: DE000A2PF0M4) ist ein global investierender Aktienfonds mit dem Fokus auf Anbieter und Anwender Künstlicher Intelligenz. Dabei handelt es sich um Gesellschaften mit einer führenden Marktposition in einem Segment der KI-Wertschöpfungskette oder in einem zentralen Anwendungsfeld. Der Fonds investiert weltweit in Unternehmen, die im Zuge der KI-Transformation nachhaltige Wachstumschancen besitzen.

Ein weiterer Treiber dieser Entwicklung liegt in der zunehmenden Standardisierung von KI-Funktionen in Softwareprodukten. Während frühe KI-Anwendungen häufig als separate Module eingeführt wurden, werden viele Funktionen inzwischen als feste Bestandteile von Betriebssystemen, Produktivitätstools oder branchenspezifischen Anwendungen integriert. Das führt dazu, dass Inference nicht mehr nur punktuell stattfindet, sondern in vielen Fällen permanent und in großem Umfang. Genau dadurch gewinnen Lösungen an Bedeutung, die Inference planbar machen, Lastspitzen abfedern und Kosten pro Anfrage senken. Gleichzeitig steigt der Wert von Unternehmen, die Hardware- und Softwarearchitekturen so kombinieren können, dass KI mit stabiler Performance in verschiedensten Umgebungen läuft, von Rechenzentren bis zu Geräten mit begrenzter Energieversorgung.

Für Investoren eröffnet sich damit ein strukturelles Themenfeld entlang der Infrastruktur, die Inference ermöglicht. Dazu zählen Halbleiter- und Systemanbieter, Speicher- und Netzwerktechnologien sowie Plattformen, die Inference in skalierbaren Umgebungen bereitstellen. Ebenso gewinnen Softwarelösungen an Bedeutung, die Modelle so optimieren, dass sie mit geringerer Rechenleistung auskommen, schneller reagieren und in unterschiedlichen Geräteklassen eingesetzt werden können. Die Nachfrage nach solchen Lösungen wird nicht durch einzelne Produktzyklen bestimmt, sondern durch die zunehmende Verankerung von KI in operativen Abläufen. Wer in der Lage ist, die Kosten pro Inference-Einheit zu senken oder die Ausführung von Modellen in neue Anwendungsumgebungen zu bringen, kann langfristig profitieren. "Wir beobachten somit klar, dass sich hier ein neuer Layer in der KI-Wertschöpfung bildet, der unmittelbar an die reale Nutzung gekoppelt ist. Inference wird zur zentralen Frage der Wirtschaftlichkeit und damit auch zu einem klar investierbaren Infrastrukturthema", sagt Tilmann Speck, Co-Portfoliomanager des "AI Leaders".