Due Diligence bei der KI-Kapitalbildung: Die Finanzierungswelle der Infrastruktur

Der Ausbau der künstlichen Intelligenz hat den größten Investitionszyklus in der modernen Geschichte der Informationstechnologie eingeleitet. Globale Prognosen deuten darauf hin, dass die Investitionsausgaben für Rechenzentren bis 2030 6,7 Billionen US-Dollar erreichen werden, wovon rund 5,2 Billionen US-Dollar direkt auf dedizierte KI-Workloads entfallen. Für institutionelle Investoren und Private-Equity-Deal-Teams, die Prüfungen im Bereich der Finanzierung von KI-Infrastruktur durchführen, stellt dieser Paradigmenwechsel einen Übergang von einer softwaregetriebenen, anlagenarmen Expansion hin zur Schaffung schwerer Industrieanlagen dar.

Hyperscale-Cloud-Betreiber bilden das Fundament dieses Superzyklus. Die gesamten Investitionsausgaben der fünf größten Hyperscaler stiegen von rund 95 Milliarden US-Dollar im Geschäftsjahr 2020 auf etwa 490 Milliarden US-Dollar in den zwölf Monaten bis Mai 2026. Für das Geschäftsjahr 2026 wird ein Ausgabevolumen von über 690 Milliarden US-Dollar erwartet, während Prognosen für das Kalenderjahr 2026 unter Einbeziehung von Finanzierungsleasing und Kundenanzahlungen auf fast 800 Milliarden US-Dollar hindeuten. Auf diesem Niveau ähnelt die Kapitalintensität eher der von Industrieversorgern als der von traditionellen Unternehmenssoftware-Anbietern. Zudem hat sich die Ausgabenstruktur entscheidend in Richtung kurzlebiger Rechenressourcen verschoben: Prozessoren und Server machen inzwischen den Großteil der Investitionen in Rechenzentren aus.

Kompression des freien Cashflows: Die beschleunigte Beschaffung von Hardware und Standortkapazitäten hat die operative Cashflow-Generierung überholt; für das Geschäftsjahr 2026 wird erwartet, dass die freien Cashflows bei allen großen Hyperscalern mit Ausnahme von Alphabet und Microsoft nahe null sinken oder negativ werden.

Abschreibungsdiskrepanz: Beschleunigte Zyklen bei der Chipplatzierung führen zu vorgezogenen Investitionsausgaben, die kurzfristige Abschreibungspläne und erfasste Workload-Umsätze übersteigen.

Abhängigkeit von externem Kapital: Um die Flexibilität der Konzernbilanzen zu wahren, greifen Betreiber auf strukturierte Projektfinanzierungen, außerbilanzielle Joint Ventures und syndizierte Private-Credit-Kredite zurück, wobei die inkrementelle jährliche Verschuldung von 9 % des Capex im Geschäftsjahr 2024 auf 32 % in den zwölf Monaten bis Mitte 2026 ansteigt.

Da interne operative Cashflows diese Ausrollgeschwindigkeit nicht mehr vollständig decken können, müssen Hyperscaler und Neocloud-Betreiber externe Kapitalmärkte anzapfen. Eine weithin zitierte Schätzung beziffert den gesamten externen Finanzierungsbedarf im gesamten KI-Ökosystem bis 2028 auf rund 1,5 Billionen US-Dollar, um die Lücke zwischen Cashflows und Investitionsausgaben zu schließen – ein systemweiter Finanzierungsbedarf und nicht das Volumen einer einzelnen Fazilität.[1] Diese Abhängigkeit schafft komplexe Risikoprofile für LPs, Direct Lender und Infrastrukturfonds, die außerbilanzielle Stromabnahmeverträge, Take-or-Pay-Compute-Verträge und die Schuldentragfähigkeit auf Vermögensebene bewerten.

Da die Investitionsausgaben der Hyperscaler ihre Selbstfinanzierungskraft übersteigen, verlagern Sponsoren digitaler Infrastruktur ihren Schwerpunkt von bilanziellen Unternehmensanleihen auf komplexe, außerbilanzielle Zweckgesellschaften (Special Purpose Vehicles, SPVs). Angesichts von Schätzungen, wonach der aggregierte Hyperscaler-Capex bis zum Geschäftsjahr 2028 die Marke von 900 Milliarden US-Dollar übersteigen wird, und da Leasing sowie außerbilanzielle Joint Ventures neben der Emission von Schuldtiteln eine zentrale Rolle einnehmen werden, nutzen Konzerngiganten zweckgebundene Vehikel, um Projektverbindlichkeiten zu isolieren und Bonitätsbewertungen zu sichern. Das deutlichste Beispiel auf der Finanzierungsseite ist das Joint Venture zwischen Meta und von Blue Owl Capital verwalteten Fonds zur Errichtung des Rechenzentrumscampus Hyperion in Richland Parish, Louisiana, an dem Blue-Owl-Fonds 80 % und Meta 20 % halten; das Vehikel nahm insgesamt rund 30 Milliarden US-Dollar auf, darunter etwa 27 Milliarden US-Dollar an Fremdkapital von institutionellen Kreditgebern.[1] Diese 27 Milliarden US-Dollar stellen eine Rechenzentrumsfinanzierung dar und sind von Metas unten erörterten Compute-Abnahmeverpflichtungen gegenüber externen Neoclouds getrennt zu betrachten.[2]

Zentrale Schichten in modernen KI-Infrastruktur-Kapitalstrukturen

Vorrangig besicherte Projektverbindlichkeiten: Von Private-Credit-Managern und institutionellen Kreditgebern gezeichnet, abgesichert durch langfristige Kapazitätsreservierungen und stabilisierte Hyperscaler-Leasingzahlungen.

Mezzanine- und nachrangige Kredite: Mittlere Tranchen mit Renditeaufschlägen, die Bau- und Strombezugskosten überbrücken und anfängliche Abweichungen bei der Projektrealisierung abfedern.

Sponsor- und Co-Investment-Eigenkapital: Maßgeschneidertes Joint-Venture-Eigenkapital innerhalb der Zweckgesellschaft, das Entwicklungschancen erschließt und die Haftung durch Non-Recourse-Strukturen begrenzt.

Für Private-Equity-Sponsoren und institutionelle Co-Investoren erfordert das Underwriting dieser komplexen Kapitalstrukturen eine genaue Prüfung der Verteilung vertraglicher Risiken über alle Tranchen hinweg. Eine fundierte Due Diligence bei KI-Infrastrukturfinanzierungen muss Gläubigervereinbarungen (Intercreditor Agreements), Fertigstellungsgarantien der Muttergesellschaft, Eintrittsrechte (Step-in Rights) und Cashflow-Wasserfälle bei Leasingzahlungen analysieren. Deal-Teams müssen prüfen, ob Schulden-Covenants die Cashflows schützen, falls sich Bauzeitpläne verzögern, Netzanschlüsse ins Stocken geraten oder sich die Anforderungen der Mieter im Zuge mehrjähriger Bauzyklen verändern.

Bei kapitalintensiven KI-Ausbauprojekten zeichnen Private-Credit-Kreditgeber und Co-Investoren regresslose Kredite auf Basis mehrjähriger Take-or-Pay-Kapazitätsreservierungen. In diesen Strukturen monetarisiert die Projektgesellschaft verbindliche Abnahmeverpflichtungen bonitätsstarker Vertragspartner, wodurch der Schuldendienst von Preisschwankungen am Spotmarkt für Rechenleistung entkoppelt wird. Ein zentraler Marktmaßstab ist die Zusage von Meta über zusätzliche 21 Milliarden US-Dollar an CoreWeave für Cloud-Infrastruktur bis 2032, die auf einer früheren Vereinbarung über 14,2 Milliarden US-Dollar aufbaut.[3] Für Teams in der Neocloud-Due-Diligence ist die Bestätigung, dass diese Zusagen unbedingte Zahlungsverpflichtungen und keine kündbaren Rahmenverträge darstellen, die grundlegende Voraussetzung für das Underwriting.

Zentrale Prüfpfeiler im Take-or-Pay-Underwriting

Unbedingte Zahlungsmechanismen: Prüfung von Hell-or-High-Water-Klauseln, die eine vollständige Zahlung durch den Kunden unabhängig von der tatsächlichen Kapazitätsauslastung, Leistungsdrosselungen oder Cluster-Leerlaufzeiten vorschreiben.

Kündigungs- und Minderungsklauseln: Due-Diligence-Prüfung von Bestimmungen zu Verstößen gegen Service Level Agreements (SLAs), höherer Gewalt und Verzögerungen beim Netzanschluss, die Abnehmern einseitige Ausstiegsrechte einräumen könnten.

Bonität und Garantien des Vertragspartners: Bewertung von Patronatserklärungen, Kreditratings und bilanzieller Liquidität über die gesamte Laufzeit des Tilgungsplans hinweg.

Sicherheitenabtretung und Eintrittsrechte: Überprüfung der Sicherheitenabtretungen von Kreditgebern bezüglich vertraglicher Cashflows, Treuhandkonten und Kundenforderungen für den Fall einer Verwertung in Negativszenarien.

Bei der Bewertung von Finanzierungstransaktionen für KI-Infrastruktur müssen Deal-Teams vertragliche Nachbesserungsfristen gegen die Anforderungen an den Schuldendienstreservefonds einem Stresstest unterziehen. Selbst bei Garanteuren mit Investment-Grade-Rating können Vertragsklauseln, die eine Einbehaltung von Zahlungen bei längeren Hardware-Rekonfigurationen gestatten, akute Liquiditätsinkongruenzen für spezialisierte Rechenplattformen hervorrufen.

Um die massive Beschaffung fortschrittlicher Beschleuniger ohne übermäßige Eigenkapitalverwässerung zu finanzieren, greifen Neoclouds und spezialisierte KI-Infrastrukturanbieter zunehmend auf forderungsbesicherte Kreditfazilitäten zurück. Bei diesen Strukturen stellen Kreditgeber Kapital bereit, das direkt durch Server-Cluster, Bestellungen und mehrjährige Rechenverträge abgesichert ist – wie etwa die 2024 von CoreWeave gesicherte Kreditfazilität in Höhe von 7,5 Milliarden US-Dollar unter Führung von durch Blackstone verwalteten Fonds mit Magnetar als Co-Lead-Investor.[4] Für Private-Equity- und Venture-Capital-Deal-Teams, die eine Neocloud-Due-Diligence durchführen, erfordert die Bewertung der Tragfähigkeit dieser Sicherheitenpakete einen Stresstest der Chip-Bewertungsannahmen gegen die reale Hardware-Entwertung.

Abschreibungskurven und Nachschussrisiken

Anders als herkömmliche Infrastrukturanlagen wie Immobilien oder Glasfasernetze mit mehrdekadigen Nutzungsdauern sehen sich KI-Chips gravierenden wirtschaftlichen Obsoleszenzzyklen von drei bis vier Jahren gegenüber, sobald Architekturen der nächsten Generation auf den Markt kommen. Das Underwriting von Krediten gegen GPU-Sicherheiten birgt für Investment-Professionals spezifische strukturelle Schwachstellen:

Starke Bewertungsabschläge: Die rasche Zunahme der Rechendichte führt dazu, dass die Liquidität auf dem Sekundärmarkt drastisch sinkt, sobald neue Architekturen in die Serienproduktion gehen, was die Liquidationswerte schmälert.

Loan-to-Value-Covenants: Asset-basierte Kreditverträge schreiben häufig periodische Mark-to-Market-Neubewertungen vor, was verpflichtende Cash Sweeps oder Margin Calls auslöst, wenn die zugrunde liegenden Chip-Werte unter vereinbarte Besicherungsschwellen fallen.

Reibungsverluste bei der Kreuzbesicherung: Wenn physische Cluster an mehrere Kreditsyndikate verpfändet sind, wird die Durchsetzung von Sicherungsrechten über gemeinsam genutzte Standortinfrastruktur, Stromzuteilungen und Netzwerk-Switches in Ausfallszenarien rechtlich hochkomplex.

Infolgedessen müssen institutionelle Investoren und Kreditfonds über nominale Vertragsbestände hinausblicken und das Zusammenspiel zwischen Tilgungsplänen und dem Leistungsverfall der zugrunde liegenden Chips bewerten. Eine rigorose Due Diligence muss verifizieren, dass Take-or-Pay-Zusagen der Kunden den Kapitalbetrag schneller tilgen, als der Sekundärmarktwert der Hardware sinkt.

Die physische Stromverfügbarkeit hat die Silizium-Zuteilung als primären operativen Engpass bei der Bereitstellung von KI-Infrastruktur abgelöst. Laut Prognosen von 451 Research und S&P Global wird der Netzstrombedarf von US-Rechenzentren voraussichtlich von 75,8 GW im Jahr 2026 auf 108 GW im Jahr 2028 und 134,4 GW bis 2030 ansteigen.[5] Für institutionelle Sponsoren und Kreditfonds, die Kapitalallokationen prüfen, ist die Stromverfügbarkeit keine standardmäßige Versorgungsannahme mehr, sondern ein zentraler Bewertungstreiber.

Underwriting von Netzanschlusswarteschlangen und Verzögerungen bei der Inbetriebnahme

Regionale Netzsättigungen haben die Wartezeiten für Übertragungsnetzanschlüsse in großen Märkten wie PJM, ERCOT und dem Versorgungsgebiet von Dominion in Virginia auf vier bis sieben Jahre ansteigen lassen. Sponsoren stellen häufig vorläufige Netzanfragen oder unverbindliche Absichtserklärungen als gesicherte Kapazität dar, was erhebliche Projektverzögerungsrisiken verschleiert. Die institutionelle Due Diligence muss prüfen, ob für ein Asset ein unterzeichnetes Large Generator Interconnection Agreement (LGIA) oder ein Facilities Study Agreement vorliegt, das durch vollständig finanzierte Umspannwerk-Zusagen anstelle von Anträgen im Frühstadium der Warteschlange gedeckt ist.

Tarifstrukturierung und Mindestverpflichtungen: Bewertung von Take-or-Pay-Versorgungsverträgen und neu vorgeschriebenen Kapazitätsreservierungstarifen, die Vorabkapital erfordern, selbst wenn die Standortinbetriebnahme hinter den prognostizierten Hochlaufplänen zurückbleibt.

Behind-the-Meter-Erzeugung und Überbrückungsstrom: Auditierung der operativen Machbarkeit, der Emissionsgenehmigungen und der Brennstofflieferverträge für Erdgasturbinen, Kolbenmotoren oder Mikronetzinstallationen vor Ort, die zur Überbrückung der Netzanbindungsfristen eingesetzt werden.

Kühlinfrastruktur und thermische Dichten: Überprüfung von Power Usage Effectiveness (PUE)-Covenants, geschlossenen Direct-to-Chip-Flüssigkeitskühlungskonfigurationen und kommunalen Wasserzuteilungen, die zur Aufrechterhaltung von Hochleistungsrechenclustern mit über 100 kW pro Rack erforderlich sind.

Werden die Zeitpläne für die Inbetriebnahme nicht gegen Schuldendienst-Covenants gestresst, birgt dies gravierende Liquiditätsrisiken für projektfinanzierte Einrichtungen. Die Einbindung spezialisierter Energierisikobewertungen ermöglicht es Deal-Teams, potenzielle Umsatzverzögerungen zu quantifizieren, Risiken durch gestrandete Vermögenswerte zu verifizieren und Basisrenditen bei kapitalintensiven Infrastrukturinvestitionen abzusichern.

Das Underwriting von KI-Infrastruktur verlangt von Private-Equity- und Credit-Investoren, einen aggressiven Investitionszyklus (Capex) mit einer ungewissen langfristigen Erlösentwicklung in Einklang zu bringen. Während die klassische Projektfinanzierung auf langfristigen, vertraglich zugesicherten Cashflows von Abnehmern mit Investment-Grade-Rating basiert, hängen KI-Projekte häufig von sich schnell wandelnden kommerziellen Vereinbarungen mit Venture-finanzierten Entwicklern von Basismodellen und aufstrebenden Neocloud-Anbietern ab. In der Neocloud-Due-Diligence müssen Transaktionsteams evaluieren, wie unmittelbare Hardware-Verpflichtungen in Milliardenhöhe die Bilanz belasten, wenn Kundenverträge Ausstiegsklauseln, meilensteinbasierte Umsatzrealisierungen oder kürzere Laufzeiten als der Tilgungsplan der zugrunde liegenden Verbindlichkeiten aufweisen.

Halbleiter-Allokationsengpässe und Cashflow-Timing

Die extreme Marktkonzentration bei Hochleistungschips führt zu erheblichen operativen und finanziellen Ausführungsrisiken im Infrastruktur-Underwriting. Nvidia hält Schätzungen zufolge rund 80 % bis 90 % des Umsatzes mit KI-Beschleunigern, bei Trainings-Workloads sogar über 90 %, und der vorrangige Zugang des Unternehmens zu modernen Packaging-Kapazitäten stellt selbst einen strukturellen Engpass dar.[6] Da eine Handvoll Beschleunigerarchitekturen hochentwickelte Trainings- und Inferenzcluster dominiert, führen Lieferverzögerungen, Allokationsquoten und Packaging-Engpässe zu einer direkten Verschiebung der kommerziellen Inbetriebnahmetermine. Eine sechsmonatige Verzögerung bei der Inbetriebnahme eines Clusters bringt den Schuldendienstplan durcheinander, verschiebt die ersten Erlöse über die modellierten tilgungsfreien Zeiten hinaus und beeinträchtigt die prognostizierten Basiskennzahlen der Rendite.

Diskrepanz zwischen Capex und Amortisation: Anschaffungskosten müssen über drei bis fünf Jahre amortisiert werden, was hohe anfängliche Auslastungsraten erfordert, um eine negative Cash-Rendite zu verhindern.

Bonität der Gegenpartei: Abnahmeverträge mit KI-Laboren in der Frühphase bergen Kündigungs- und Ausfallrisiken, die sich grundlegend von den Profilen regulierter Versorgungsunternehmen unterscheiden.

Volatilität bei der Workload-Migration: Verlagerungen vom rechenintensiven Modell-Pretraining hin zur verteilten Inferenz verändern die Anforderungen an die Serverdichte, die Rack-Auslastung und die erzielten Preise pro GPU-Stunde.

Investitionskomitees müssen den Schuldendienstdeckungsgrad (DSCR) gegen drastischen Hardware-Preisverfall und Szenarien zur Vertragsnachverhandlung stresstesten, um sicherzustellen, dass die zugrunde liegenden Cashflows die Kapitalstruktur über den gesamten Lebenszyklus des Vermögenswerts hinweg tragen.

Die Due Diligence bei großvolumigen KI-Infrastrukturtransaktionen erfordert von institutionellen Underwritern den detaillierten Abgleich hunderter voneinander abhängiger Verträge zwischen Projektgesellschaften, Energieversorgern und Hardware-Leasinggebern. Bei der Evaluierung von Multi-Gigawatt-Projekten oder GPU-Neocloud-Einrichtungen führt die manuelle Vertragsprüfung zu gravierenden blinden Flecken in Bezug auf SPV-Schuldenstrukturen und physische Strombezugsauflagen. Um fundierte Underwriting-Entscheidungen zu treffen, erstellen Private-Equity- und Credit-Teams umfassende Evidence Packs, die jede finanzielle Annahme direkt mit den zugrunde liegenden Verträgen verknüpfen.

SPV-Wasserfall und Debt Covenants: Überprüfung der Priorität von Cash-Ausschüttungen, des Schuldendienstdeckungsgrads (DSCR) und der Verpflichtungen zur Kreditabsicherung durch die Muttergesellschaft.

Abstimmung von Stromversorgung und Netzanschluss: Wenn sowohl die Anlage als auch die eigene Energieerzeugung Greenfield-Entwicklungen sind, raten Juristen dazu, die Entwicklungsmeilensteine und das garantierte kommerzielle Inbetriebnahmedatum beider Seiten präzise aufeinander abzustimmen, einschließlich angemessener Vertragsstrafen zur Deckung erwarteter Verluste bei zeitlichen Diskrepanzen.[7]

Durchsetzbarkeit von Abnahmeverträgen: Prüfung von Take-or-Pay-Verpflichtungen, der Risikoverteilung bei Abregelungen (Curtailment) und Kündigungsrechten in den Master Services Agreements von Hyperscalern.

Nutzungsdauer und Hardware-Abschreibung: Abgleich von technischen Erneuerungszyklen mit den Tilgungsplänen der Verbindlichkeiten, um Restwertlücken zu vermeiden.

Spezialisierte Due-Diligence-Software beschleunigt diesen Workflow, indem sie heterogene Datenräume in einheitliche, abfragbare Datensätze überführt. Über das Data Room Ingestion laden Transaktionsteams tausende komplexe Dokumente sicher hoch, darunter mehrstufige SPV-Finanzierungsverträge, Netzanschlussstudien von Versorgern und Verträge für Engineering, Procurement und Construction (EPC). Die AI-Analysis Engine führt eine semantische Extraktion über diese Dokumente durch, während Risk Radar systematisch nach strukturellen Diskrepanzen sucht, wie etwa unpassenden Vertragsstrafen zwischen Baumailensteinen und garantierten Stromlieferdaten.

Durch die direkte Verknüpfung extrahierter Vertragsklauseln mit Underwriting-Modellen erstellt der Report Builder strukturierte Risikomatrizen und Prüfpfade für Investitionskomitees. In einem Umfeld, in dem die Due Diligence der Stromversorgung und außerbilanzielle Finanzierungsrisiken über die Realisierbarkeit von Projekten entscheiden, stellt die automatisierte Zusammenführung von Nachweisen sicher, dass LPs und Co-Investoren Kapitalallokationen auf Basis verifizierter Primärdaten zeichnen.

Plausity ist eine KI-native Due-Diligence-Plattform, die M&A-Beratungen, VC- und PE-Fonds sowie Corporate-Development-Teams dabei unterstützt, Nachweise, Findings und Fragen entlang eines Datenraums zu strukturieren. Plausity ersetzt keine menschlichen Berater, garantiert keine Deal-Ergebnisse und liefert keine Rechts-, Steuer-, Prüfungs- oder Regulierungsberatung — insbesondere regulatorische Findings müssen durch qualifizierte Fachberater bestätigt werden.

Weitere Details zu den Kernbausteinen finden Sie beim Plausity AI Analysis Engine und in der Findings & Risk Intelligence-Übersicht. Für team-spezifische Workflows sehen Sie, wie VC- und PE-Fonds und M&A-Beratungen Plausity in laufenden Deals einsetzen.

1. [1] quinnemanuel.com — https://www.quinnemanuel.com/the-firm/publications/client-alert-emerging-litigation-risks-in-financing-ai-data-centers-boom/
2. [2] bisnow.com — https://www.bisnow.com/national/news/data-center-capital-markets/meta-pushes-its-largest-data-center-project-off-its-books-with-27b-joint-venture-131490
3. [3] cnbc.com — https://www.cnbc.com/2026/04/09/meta-commits-to-spending-additional-21-billion-with-coreweave-.html
4. [4] prnewswire.com — https://www.prnewswire.com/news-releases/coreweave-secures-7-5-billion-debt-financing-facility-led-by-blackstone-and-magnetar-302148876.html
5. [5] datacenterdynamics.com — https://www.datacenterdynamics.com/en/news/sp-global-us-data-centers-to-require-22-more-grid-based-power-by-end-of-2025/
6. [6] siliconanalysts.com — https://siliconanalysts.com/analysis/nvidia-ai-accelerator-market-share-2024-2026
7. [7] pillsburylaw.com — https://www.pillsburylaw.com/en/news-and-insights/power-purchase-interconnection-agreements-data-centers.html