Due Diligence bei KI-Infrastruktur: Strom, Rechenleistung und Verträge

KI · Dieser Artikel wurde mit Hilfe von KI erstellt.

By Saachi Baghel

Due Diligence bei KI-Infrastruktur: Strom, Rechenleistung, Verträge, Kundenkonzentration, Capex und Finanzierungsrisiko vor der Prüfung testen.

Warum sich die KI-Infrastruktur-Prüfung von der Prüfung generischer Rechenzentren unterscheidet

Stromverfügbarkeit und Inbetriebnahme: die Belege, die Investoren verlangen müssen

Rechenleistungskapazität: Flottenmix, Auslastung und Lieferantenkonzentration

Technologische Obsoleszenz und Annahmen zur Nutzungsdauer

Kundenkonzentration und Bonität der Vertragspartner

Vertragsstruktur: Take-or-Pay, Laufzeit und Kündigungsrechte

Capex-Anforderungen: Erstbau versus kontinuierliche Erneuerung

Lieferkettenabhängigkeit: GPUs, Transformatoren, Kühlung und Arbeitskräfte

Verschuldung und Finanzierungsrisiko

Szenariotests zur KI-Nachfrage ohne Nachfrageprognosen

Belegcheckliste und Durchführung des Prüfprozesses

Häufig gestellte Fragen

Quellen

Was sollten Investoren prüfen, bevor sie eine KI-Infrastruktur oder ein KI-Rechenzentrum finanzieren? Vor allem vier Dinge: den Strom, der das Asset physisch begrenzt, von den vertraglich zugesicherten Megawatt bis zum Zeitpunkt der Inbetriebnahme; den Generationsmix der Rechenflotte, ihre Auslastung und ihre realistische Nutzungsdauer; die Konzentration und Bonität der Vertragspartner, die die Kapazität abnehmen; sowie die Vertragsbedingungen, den Erneuerungs-Capex und die Finanzierungsstruktur, die darüber entscheiden, ob die Cashflows eine langsamere Adoptionskurve überstehen. Eine generische Rechenzentrum-Checkliste deckt Standort, Konnektivität und Mieterkovenanten ab. Eine KI-Anlage fügt dem Gebäude einen zweiten, schneller abschreibenden Asset-Stack hinzu, und die Ökonomie dieses Stacks – nicht die Hülle – entscheidet, ob die Investition funktioniert.

Das Ausmaß des Ausbaus erklärt, warum die Prüfung / Finanzierung (Underwriting)-Anforderungen steigen müssen. Branchenforschung schätzt, dass allein Rechenzentren, die für KI-Verarbeitungslasten ausgelegt sind, bis 2030 Kapitalausgaben von 5,2 Billionen US-Dollar erfordern könnten – Teil eines globalen Rennen um Rechenleistung im Volumen von 6,7 Billionen US-Dollar.[1] Deloitte rechnet damit, dass der Strombedarf von US-KI-Rechenzentren center power um mehr als das Dreißigfache wachsen könnte, von 4 GW im Jahr 2024 auf 123 GW bis 2035, und weist darauf hin, dass die größten Campusse, die Hyperscaler planen, bis zu 2 GW erreichen, mit frühen 50.000-Acre-Campusse, die 5 GW verbrauchen könnten.[2]

Das Capex-Muster kehrt zudem die klassische Infrastruktur infrastructure -Ökonomie um. PwCs Global Data Centre Outlook prognostiziert kumulierte Capex von 31,6 Billionen US-Dollar bis 2050 und berechnet, dass jeder investierte Dollar Baukosten rund 12 Dollar an nachgelagerten ICT-Equipment-Investitionen nach sich zieht, wobei der Anteil von ICT-Equipment an den gesamten Rechenzentrum-Capex von rund 70 % im Jahr 2026 auf 93 % bis 2050 steigt.[3] Der langlebige Vermögenswert ist zunehmend das Gebäude und der Strom; der umsatzgenerierende Vermögenswert ist das Equipment darin, das sich kontinuierlich erneuert.

Schließlich hat sich der Käuferkreis über die Hyperscaler hinaus erweitert. Neoclouds, Modellentwickler, Unternehmen und Regierungen mieten inzwischen KI-Kapazitäten – jeder mit einem anderen Bonitätsprofil, einer anderen Vertragsdisziplin und einer anderen Nachfragehaltbarkeit. PwC beschreibt Rechenzentren als hybride Assets mit kompliziertem Risikoprofil und warnt, dass der Ausbau nicht alle trägt: Die Wirtschaftlichkeit lässt sich nur durch aktive Positionierung erschließen.[3] Die folgenden Abschnitte gliedern die daraus resultierende Due Diligence in überprüfbare Dimensionen.

Vertraglich gesicherter Strom ist das entscheidende Prüfung / Finanzierung (Underwriting)-Element für jede KI-Anlage, denn ein Rechenzentrum ohne in Betrieb genommene Megawatt ist eine Hülle mit angehängtem Lieferungsrisiko. Die erste Unterscheidung, die im Datenraum erzwungen werden muss, ist die zwischen vertraglich vereinbarten MW und in Betrieb genommenen MW: Ein Stromkaufvertrag (PPA) oder eine Absichtserklärung eines Versorgers ist keine gelieferte Kapazität. Deloittes AI Infrastructure Survey 2025 ergab, dass es derzeit bei manchen Netzanbindungsanfragen eine Wartezeit von sieben Jahren gibt und dass 72 % der befragten Führungskräfte von Stromunternehmen und Rechenzentren Strom- und Netzkapazität als sehr oder äußerst herausfordernd einstufen – das größte Hindernis für die Entwicklung von Rechenzentren.[2]

Netzanschlussposition: Warteschlangennummer, Warteschlangenregion und die vom Versorger selbst veröffentlichte Inbetriebnahme-Zeitleiste, abgeglichen mit der vertraglichen Hochfahrplanung der Anker-Mieter. Beginnen die Mindestverpflichtungen der Mieter vor der Inbetriebnahme, kauft der Betreiber ein Verzögerungsrisiko, das er nicht kontrollieren kann.

Strompreise: die vertragliche $/MWh- oder Leistungspreisstruktur, Eskalationsklauseln und die Weitergabe von Tarifänderungen der Versorger. In Märkten, in denen private Strompreise bereits schneller gestiegen sind als der Landesdurchschnitt, schwindet die politische Toleranz für eine Subventionierung der Rechenzentrumslast.

Redundanz und Resilienz: N-fache Redundanz für Strom und Kühlung, Backup-Generatorkapazität und die Netzbelastrungshistorie der Region. Deloitte dokumentiert harmonische Verzerrungen, Lastabwarnungen und Beinahe-Unfälle in führenden Rechenzentrums-Wachstumsregionen.[2]

Eigenversorgung und Stromerzeugung vor Ort: Gasturbinen, Brennstoffzellen oder Geothermie, die die Netzanbindungswarteschlange umgehen – mit eigenen Genehmigungs-, Brennstoffversorgungs- und Emissionsbeschränkungen, die eingepreist werden müssen.

Erneuerbaren-Energie- und regulatorische Zusagen verdienen einen eigenen Arbeitsstrang. Hyperscaler sind die größten Käufer von Stromkaufverträgen für erneuerbare Energien und haben sich Ziele für saubere Energie gesetzt, doch Deloitte stellte fest, dass das Lastwachstum in den wichtigsten Rechenzentrums-Märkten zuletzt vor allem durch zusätzliche Gaserzeugung gedeckt wurde und dass 95 % der Netzanbindungswarteschlange aus Erneuerbaren- und Speicherprojekten bestehen, die weitgehend feststecken.[2] Genehmigung ist eine zweite Uhr: Die Erstellung einer Umweltverträglichkeitsprüfung in den USA dauert weiterhin mehr als zwei Jahre, und Beschränkungen auf Landesebene haben sich im vergangenen Jahr vervielfacht. Für ein Asset, dessen Umsatzverträge ein Jahrzehnt oder länger laufen, ist eine zweijährige Genehmigungsverzögerung oder eine politische Kehrtwende eines Bundesstaates eine wesentliche Prüfung / Finanzierung (Underwriting)-Variable, keine Fußnote.

Der Compute-Stack ist der Punkt, an dem sich KI-Infrastruktur am weitesten von der Orthodoxie realer Assets entfernt. Beginnen wir mit der Flotte selbst: Welche GPU-Generationen sind im Einsatz, in welchem Mix, mit welcher vertraglichen Auslastung – und wie stark ist der Betreiber von einem einzigen Lieferanten abhängig? Nvidia bringt neue KI-Chips inzwischen jährlich heraus, statt im Zweijahresrhythmus, und AMD ist dem gefolgt.[4] Ein jährlicher Architekturzyklus verkürzt das Zeitfenster, in dem eine bestimmte Rechenflotte Premium-Preise erzielen kann.

Das macht die Annahme zur Nutzungsdauer zu der am heftigsten umkämpften Zahl im Modell. CoreWeave verwendet seit 2023 sechsjährige Abschreibungszyklen für seine Infrastruktur, und Google, Oracle und Microsoft haben die Lebensdauer von Servern auf bis zu sechs Jahre angesetzt, wobei Microsofts jüngster Jahresbericht eine Spanne von zwei bis sechs Jahren ausweist. Der Leerverkäufer Michael Burry argumentiert, die realistische Nutzungsdauer von KI-Server-Hardware liege eher bei zwei bis drei Jahren, und dass die größten Hyperscaler daher ihre Abschreibungen zu niedrig ausweisen.[4] Der Gegenargumentation kommt keine geringe Bedeutung zu: CoreWeaves Vorstandsvorsitzender weist darauf hin, dass die A100-Chips aus dem Jahrgang 2020 weiterhin vollständig ausgebucht sind und dass eine Charge von H100s aus dem Jahr 2022 nach Ablauf eines Vertrags zu 95 % des ursprünglichen Preises neu vermietet wurde.[4] Beides kann gleichzeitig wahr sein: Chips bleiben vermietbar, aber zu fallenden Preisen.

Wer die Kapazität kauft und zu welchen Bedingungen, entscheidet darüber, ob der kontrahierte Umsatz ein Vermögenswert oder eine Option ist. Die Konzentration in der KI-Infrastruktur ist nach Maßstäben jeder anderen Infrastrukturklasse extrem. Nscales IPO-Anmeldung wies Verträge über mehr als 103 Milliarden US-Dollar aus, von denen rund 85 % auf zwei Vertragspartner entfallen: 43,8 Milliarden US-Dollar mit Microsoft bis 2033 und 44,6 Milliarden US-Dollar mit Anthropic.[5] Derselben Berichterstattung zufolge erzielt CoreWeave 67 % seines Umsatzes mit Microsoft, und Applied Digital erzielt 67 % seines Umsatzes mit Oracle.[5] Ein Kreditpapier des Hedgefonds Sona Asset Management, das im Fachpresse erschien, stellte fest, dass viele Anbieter von KI-Infrastruktur stark von einer kleinen Zahl von Kunden abhängen und dass ein einzelner Rückschlag oder strategischer Kurswechsel eines großen Akteurs die gesamte Branche treffen kann.[5]

Die Bonität der Vertragspartner und die Bedingungen sind ebenso wichtig wie der Auftragsbestand in den Schlagzeilen. Nscales IPO-Anmeldung gibt an, dass ihre Vereinbarungen mit Microsoft und Anthropic im Wert von bis zu 43,8 Milliarden bzw.[5] rund 44,6 Milliarden US-Dollar an Liefer- und Verfügbarkeitsanforderungen geknüpft sind. Die Due Diligence sollte daher unterscheiden zwischen unterschriebenen, bedingungslosen Umsätzen und Zusagen, die davon abhängen, dass der Betreiber die Kapazität termingerecht liefert, und letztere gegen die eigenen Finanzierungsbedürfnisse des Vertragspartners stresstesten. Ein Vertrag über 44,6 Milliarden US-Dollar mit einem Modellentwickler, der selbst vom fortgesetzten Zugang zu den Kapitalmärkten abhängt, ist ein anderes Kreditrisiko als eine Zusage über 43,8 Milliarden US-Dollar von einem Hyperscaler mit Investment-Grade-Rating – selbst bei gleichem Nominalwert.

Die Vertragsstruktur verwandelt Konzentration entweder in Schutz oder in Risiko. Die zu prüfenden Bedingungen:

Take-or-pay-Verpflichtungen: Zahlt der Kunde für reservierte Kapazität, unabhängig davon, ob er sie abruft, oder nur für verbrauchte Rechenleistung?

Mindestverpflichtungen: der Umsatzuntergrenze pro Jahr – und ob diese Untergrenze ein Herabstufen des Ratings oder einen Eigentümerwechsel beim Kunden übersteht.

Laufzeit versus Lebensdauer des Assets: Ein Sechsjahresvertrag gegen eine Flotte, die der Anbieter jährlich erneuert, lässt die Endjahre einer Neupreisbildung ausgesetzt.

Verlängerungsbedingungen: Verlängerungsoptionen zum Marktpreis, mit Rabatt oder überhaupt nicht – und wer den Optionswert hält.

Preissteigerungen: feste Steigerungsraten, Indexierung oder konstante Preise in einem Markt, in dem sich Inputkosten und Chip-Leistung gleichermaßen schnell bewegen.

Kündigungs- und Rücktrittsrechte: Kündigung aus wichtigem Grund, meilensteinbezogene Rücktrittsrechte und Change-of-Control-Auslöser, die darüber bestimmen, wie real der Auftragsbestand ist.

Kapitalstruktur und Lieferrisiko sollten gemeinsam geprüft (Underwriting) werden, weil beide darüber bestimmen, ob das Asset, das in Betrieb genommen wird, auch das Asset ist, das finanziert wurde. Die erste Disziplin besteht darin, das anfängliche Bau-Capex vom kontinuierlichen Erneuerungs-Capex zu trennen. PwCs Basisszenario projiziert kumulierte Rechenzentrum-Capex von 31,6 Billionen US-Dollar bis 2050, mit jährlichen Ausgaben, die von rund 800 Milliarden US-Dollar im Jahr 2026 auf 1,8 Billionen US-Dollar bis 2050 steigen – getrieben durch wiederkehrende Upgrades von Chips und anderer ICT-Ausrüstung alle paar Jahre.[3] Ein Modell, das das Bau Budget als Kapitalbedarf behandelt, unterschätzt die tatsächliche Verpflichtung um das Vielfache, das PwC auf rund 12 US-Dollar ICT-Capex je 1 US-Dollar Baukosten schätzt.[6]

Beim Fremdkapital- und Finanzierungsrisiko konvergiert das Szenario. Die durchzuführenden Tests: die Sensitivität der Deckungskennzahlen gegenüber den Zinskosten bei der Refinanzierung; die Kosten einer Bauverzögerung von 12 und 24 Monaten angesichts der Vorlaufzeiten für Transformatoren und Netzanbindung; Auslastungs- und Vertragshochlauf-Annahmen gegen das Datum der Inbetriebnahme; und die Refinanzierungswand, die eintrifft, wenn die erste GPU-Generation abgeschrieben wird. Die systemische Dimension ist nicht mehr hypothetisch. Der Financial Stability Board schätzt, dass Private Credit auf zwischen 1,5 und 2 Billionen US-Dollar an Assets gewachsen ist, und warnt, dass seine Konzentration in Sektoren wie der Technologie sowie seine Verschuldungs- und Liquiditätsstrukturen Stress in ungünstigen Szenarien verstärken könnten.[7] Die Berichterstattung über die Arbeit des FSB stellte fest, dass die KI-Branche mehr als ein Drittel der Private-Credit-Transaktionen ausmachte – was bedeutet, dass eine Enttäuschung der KI-Nachfrage sich nicht auf das Eigenkapital beschränken würde.[8]

Fremdkapital- und Finanzierungsrisiken sind der Punkt, an dem sich das Szenario verdichtet. Zu prüfende Tests: die Sensitivität der Deckungskennzahlen gegenüber den Zinskosten bei der Refinanzierung; die Kosten einer Bauverzögerung von 12 und 24 Monaten angesichts der Zeiträume für Transformatoren und Netzanbindung; die Auslastungs- und Vertrags-Hochlaufannahmen gegenüber dem Datum der Inbetriebnahme; und die Refinanzierungswand, die genau dann trifft, wenn die erste GPU-Generation abgeschrieben wird. Die systemische Dimension ist nicht mehr hypothetisch. Der Financial Stability Board schätzt, dass Private Credit auf ein Volumen von 1,5 bis 2 Billionen US-Dollar an Assets gewachsen ist, und warnt, dass seine Konzentration in Sektoren wie der Technologie sowie seine Verschuldungs- und Liquiditätsstrukturen Stress in ungünstigen Szenarien verstärken könnten.[7] Die Berichterstattung über die Arbeit des FSB wies darauf hin, dass die KI-Branche mehr als ein Drittel der Private-Credit-Transaktionen ausmachte – eine Enttäuschung der KI-Nachfrage würde sich also nicht auf das Eigenkapital beschränken.[8]

Kein Investor kann die KI-Nachfrage glaubwürdig prognostizieren, und die veröffentlichten Prognosen weichen zu stark voneinander ab, um daraus Arbitrage zu treiben: Die eigene Szenariospange von PwC für das kumulierte Capex reicht von rund 22 Billionen bis zu fast 50 Billionen US-Dollar bis 2050 – eine Spanne, die breit genug ist, um die meisten Underwriting-Annahmen zu verschlucken.[3] Der disziplinierte Alternativweg besteht darin, Szenarien an beobachtbaren, vertragsebenen Inputgrößen statt an Nachfragekurven zu verankern und zu fragen, was jeweils wahr sein muss, damit ein Fall seine Renditeschwelle erreicht.

Basisfall: vertraglich vereinbarter Hochlauf wie unterzeichnet, Verlängerung der Mehrzahl der auslaufenden Verträge zu Marktpreisen, Stromkosten gemäß Versorgungstarif, Auslastung gemäß den eigenen historischen Flottendaten des Betreibers. Der Test: Erreicht das Investment die Hurdle Rate allein auf Basis der vertraglichen Cashflows – vor jedem spekulativen Aufwärtspotenzial?

Aufwärtsfall: schnellerer Hochlauf, Prämienverlängerungen, höhere Auslastung durch Inferenzwachstum. Der Test: Wie viel des Aufwärtspotenzials ist bereits im Einstiegsmultiplikator eingepreist, und erfordert der Aufwärtsfall Capex, das der Kapitalplan noch nicht finanziert hat?

Abwärtsfall: langsamere Adoption, Verlängerungsquoten auf oder unter Marktniveau, flache oder fallende Compute-Preise, wenn neuere Architekturen kommen, und eine Refinanzierung zu breiteren Spreads. Der Test: die Break-even-Auslastung und ob der spätere Erneuerungs-Capex noch finanzierbar bleibt, wenn die Adoption langsamer verläuft.

Die letzte Frage lautet: Welche Assets macht jeder Abwärtsfall wertlos? Energieinfrastruktur, Netzanbindungsrechte und genehmigte Kapazität sind knapp, unabhängig davon, wessen Chips gewinnen – und PwC identifiziert Strom als den entscheidenden Faktor, der den Fluss der KI-Investitionen lenkt.[3] Compute-Ausrüstung ist das Gegenteil: Sie ist die Schicht, die am stärksten der Obsoleszenz und Neubewertung ausgesetzt ist. McKinseys Analyse des Ausbaus weist ausdrücklich auf das Risiko von Überkapazitäten hin und stellt fest, dass die künftige Nachfrage unsicher ist und dass Anleger vor der doppelten Gefahr stehen, Wachstum zu verpassen oder Kapazität zu bauen, die ungenutzt bleibt.[1] Ein Abwärtsfall, der Compute wertlos macht, aber vertraglich gesicherte Stromkapazität und einen zahlungsfähigen Mieter erhält, ist ein ganz anderer Verlust als einer, der beides wertlos macht. Die Due Diligence sollte sagen, welchem dieser beiden das Investment strukturell ähnelt.

Das Framework lässt sich in einer einzigen Tabelle zusammenfassen, die ein Deal-Team für jedes KI-Infrastrukturziel durchlaufen kann, wobei jede Dimension mit einer Dokumentenanforderung, einem Warnsignal und einer Downside-Auswirkung verknüpft ist.

Obsoleszenz ist ein ökonomisches Phänomen, bevor sie ein physisches wird. Eine fünf Jahre alte GPU kann voll funktionsfähig sein und verliert dennoch ihre Preissetzungsmacht, wenn eine neuere Architektur mehr Leistung pro Dollar und pro Megawatt liefert; der eigene Vorstandschef von Nvidia scherzte, dass man, sobald Blackwell in großen Stückzahlen ausgeliefert wird, „Hopper verschenken könnte, ohne dass ihn jemand nimmt“.[4] Die Due-Diligence-Prüfung ist daher ein Diskrepanztest: Geht der Abschreibungsplan und die Laufzeit des Schuldtitels von einer längeren produktiven Nutzungsdauer aus, als der Release-Zyklus des Lieferanten hergibt? PwCs Modellierung geht davon aus, dass Server, GPUs und Netzwerkausrüstung alle paar Jahre ersetzt werden – weshalb ICT-Ausrüstung den langfristigen Capex dominiert.[3] Eine Annahme zur Nutzungsdauer am optimistischen Ende dieser Spanne, finanziert mit zehnjährigen Schulden, verankert ein Refinanzierungsereignis genau dann, wenn die Sicherheit am schwächsten ist.

Diese Checkliste über Tausende von Datenraum-Dokumenten, Verträgen und Modellen hinweg anzuwenden, ist in den meisten Deal-Prozessen selbst der Engpass. Hier erweist sich eine strukturierte Due-Diligence-Plattform als unverzichtbar im Arbeitsablauf. Die Plattform von Plausity unterstützt den gesamten Satz an Arbeitsströmen, den dieses Framework impliziert: Commercial DD, Financial DD, Tech DD, ESG DD und Regulatory & Compliance DD, ergänzt durch Evidence Gap Detection, die aufzeigt, welche der oben genannten Anforderungen der Datenraum noch nicht beantworten kann. Im Hintergrund verbindet sich Data Room Ingestion mit VDRs und verarbeitet Verträge, Tabellen und Finanzmodelle innerhalb von Minuten; die AI-Analysis Engine liest diese Dokumente, gleicht sie ab und leitet daraus Schlüsse; der Risk Radar bewertet die Ergebnisse nach Wesentlichkeit, finanzieller Auswirkung und Deal-Relevanz; der Report Builder erstellt investorenreife Deliverables mit vollständiger Quellenrückverfolgung; und die Collaboration Hub hält das Deal-Team und die Berater in Echtzeit auf demselben Stand. Plausity bietet eine Demo dieses Workflows auf Anfrage an.

Plausity ist ein KI-nativer Workspace für Due Diligence und Deal Intelligence, der M&A-Berater, VC- und PE-Fonds, Corporate-Development-Teams und Investmentbank-Deal-Teams dabei unterstützt, Evidenz, Erkenntnisse und Fragen entlang eines Datenraums zu strukturieren. Plausity unterstützt Evidenzextraktion, Quellennachweise, Findings-Management und IC-Vorbereitung — Plausity ersetzt keine menschlichen Analysten, Berater oder Investmentprofis, erbringt keine rechtliche, steuerliche, prüferische, regulatorische oder Anlageberatung und trifft keine autonomen Investitionsentscheidungen. Alle Erkenntnisse erfordern menschliche Prüfung. Gebaut für heutige Investment- und Deal-Teams. Vertrauen von >200 Firmen.

Um die Kernfähigkeiten zu erkunden, siehe die Plausity AI Analysis Engine, Findings & Risk Intelligence und Evidence Gap Detection, sowie die IC-Memo-Produktseite und den AI Q&A Assistant. Für Team-Workflows siehe VC- und PE-Fonds und M&A-Advisory-Firmen, sowie AI-Impact-Due-Diligence, Value Creation, Tech DD und Commercial DD.

1. [1] Branchenforschung.com — https://www.Branchenforschung.com/industries/technology-media-and-telecommunications/our-insights/the-cost-of-compute-a-7-trillion-dollar-race-to-scale-data-centers
2. [2] deloitte.com — https://www.deloitte.com/us/en/insights/industry/power-and-utilities/data-center-infrastructure-artificial-intelligence.html
3. [3] pwc.com — https://www.pwc.com/gx/en/news-room/press-releases/2026/global-investment-in-ai-infrastructure.html
4. [4] cnbc.com — https://www.cnbc.com/2025/11/14/ai-gpu-depreciation-coreweave-nvidia-michael-burry.html
5. [5] techcrunch.com — https://techcrunch.com/2026/09/22/nscales-ipo-will-test-wall-streets-appetite-for-concentrated-ai-bets-once-again/
6. [6] datacenterfrontier.com — https://www.datacenterfrontier.com/machine-learning/article/55403120/pwc-maps-316-trillion-ai-data-center-buildout-through-2050
7. [7] fsb.org — https://www.fsb.org/2026/05/report-on-vulnerabilities-in-private-credit/
8. [8] theguardian.com — https://www.theguardian.com/business/2026/may/06/global-finance-watchdog-warns-over-private-credit-industry-fuelling-ai-boom
9. [9] pv-magazine-usa.com — https://pv-magazine-usa.com/2026/05/11/u-s-transformer-market-faces-severe-supply-constraints-as-lead-times-extend-to-four-years/