Ein Crownhill-Bericht über die strukturellen Bewegungen im KI-Sektor. Und über die Infrastruktur, die diese Bewegungen tragfähig macht.
Dieser Bericht entsteht aus einer Beobachtung, die einfach klingt und schwer umzusetzen ist. Künstliche Intelligenz verändert in den nächsten zehn Jahren die wirtschaftliche und gesellschaftliche Substanz unserer Wirtschaftsräume. Wir glauben das, und der Bericht beginnt nicht mit Skepsis. Wir glauben es aber nicht naiv. Eine Technologie dieser Tragweite erzeugt, wie jede frühere Generaltechnologie von der Elektrizität über das Auto bis zum Internet, eine eigene Infrastruktur-Generation. Strom brauchte Netze, Auto brauchte Strassen, Internet brauchte Sicherheits- und Identitätssysteme. KI braucht Provenance, Authentifizierung, Audit-Trails, Compliance-Schichten, Interpretability-Stacks. Diese Infrastruktur wächst gerade jetzt, und sie ist der Ort, an dem die Wertschöpfung der nächsten zehn Jahre entsteht, parallel zur Modellentwicklung selbst.
Crownhill spielt nicht im Big-Tech-CapEx-Spiel. Microsoft hat 2025 achtzig Milliarden Dollar in KI-Datacenter investiert, Google und Meta liegen in ähnlichen Grössenordnungen, der kumulative Hyperscaler-CapEx übersteigt 2026 sechshundert Milliarden Dollar. Das ist eine Liga, in der die Schweiz oder die UAE nicht direkt konkurrieren können. Diese ökonomische Realität bestimmt unsere Position. Wir bauen den Gegenpol, die Infrastruktur, die nötig ist, damit amerikanische und chinesische Modelle in europäischen, schweizerischen und Gulf-regulierten Märkten überhaupt einsetzbar werden. Das ist keine Defensivposition. Es ist eine andere Wertschöpfungsstufe. Goldman Sachs nutzt OpenAI nicht ohne Compliance-Schicht. UBS nutzt Anthropic nicht ohne Audit-Trail-Architektur. Diese Schichten werden zu einem eigenständigen Markt, und sie wachsen in den Jurisdiktionen, in denen wir operieren.
Das ist unsere These. Wir investieren in eine KI-Zukunft, an die wir glauben, und gerade weil wir an sie glauben, bauen wir mit an dem, was sie tragfähig macht.
Der Bericht hat zwei Aufgaben. Die strukturellen Verschiebungen der nächsten zwölf Monate so präzise wie möglich beschreiben, mit Zahlen, Falsifikationskriterien, benannten Unsicherheiten. Und die Infrastruktur-Schicht sichtbar machen, die jede dieser Verschiebungen erzeugt und in der Crownhill positioniert ist.
Wir beginnen mit einer Selbstkritik. Die einflussreichen KI-Reports der letzten zwei Jahre lagen systematisch daneben. Es lohnt sich zu verstehen, warum.
Wer im Frühjahr 2024 die einflussreichsten KI-Prognosen las, fand drei dominierende Erzählungen. Die Skalierung der Foundation Models würde linear weitergehen, GPT-5-Klasse-Modelle würden Ende 2024 erscheinen. Synthetische Daten würden das Trainingsdaten-Problem bis 2026 lösen. Energie sei ein Thema für 2030.
Keine dieser drei Erzählungen hat sich bewahrheitet. Die nächste Modellgeneration kam später und in einer anderen Architektur als erwartet, Reasoning-Modelle mit Inferenz-Compute statt schierer Parameter-Skalierung. Synthetische Daten haben das Datenproblem nicht entspannt, sondern in einen regulierten Lizenzierungsmarkt verwandelt. Und die Stromnetze sind bereits im Mai 2026 der dominante Bottleneck, fünf bis sieben Jahre früher als die Konsensprognose 2024 ankündigte.
Drei Fehlerklassen wiederholen sich. Sie zu kennen schützt nicht davor, sie wieder zu machen, aber zumindest davor, sie aus Unachtsamkeit zu machen.
Lineare Extrapolation aus exponentiellen Phasen. Die meisten Reports prognostizieren die nächsten zwölf Monate als gleichmässige Fortsetzung der letzten zwölf. Das funktioniert in stabilen Märkten. Es funktioniert nicht an Wendepunkten, an denen sich die zugrundeliegende Engpassgrösse ändert. Die Verschiebung von Halbleiter- zu Strom-Bottleneck war ein solcher Wendepunkt. Ein Report, der nur Chip-Allokationen trackt, sieht ihn nicht kommen.
Vermischung von technischer Möglichkeit und ökonomischer Realität. „Synthetische Daten lösen das Datenproblem" war 2024 technisch denkbar und ökonomisch attraktiv. Was die Reports übersahen: Modelle, die auf eigenen synthetischen Outputs trainiert werden, kollabieren. Die Branche bezeichnet das mittlerweile als Model Collapse. OpenAI und Google bauen heute Erkennungssysteme, die das Gegenteil erreichen sollen, sie sollen verhindern, dass synthetische Outputs in den Trainingskreislauf gelangen. Die technische Schicht war erkannt, die ökonomische Konsequenz übersehen.
Unterschätzung regulatorischer Geschwindigkeit. Die 2024er-Reports gingen davon aus, die EU AI Act-Implementierung würde sich verzögern, Enforcement würde schwach sein, Compliance bliebe Nebenthema. Die Realität: Verbotene Praktiken gelten seit Februar 2025, GPAI-Pflichten seit August 2025, und seit August 2026 werden Transparenz- und Governance-Anforderungen operationell. Die umfassenden Kernpflichten für Annex-III-High-Risk-Systeme greifen nach der aktuellen Zeitachse ab Dezember 2027. Strafrahmen erreichen fünfunddreissig Millionen Euro oder sieben Prozent des weltweiten Jahresumsatzes, fast das Doppelte des DSGVO-Rahmens. Italien hat im Oktober 2025 sein nationales AI-Gesetz mit zusätzlichen disqualifizierenden Massnahmen und potenzieller strafrechtlicher Haftung verabschiedet.
Eine Selbstkritik gehört dazu. Dieser Bericht wird in zwölf Monaten Fehler enthalten, die dann offensichtlich sein werden. Wir prognostizieren das mit derselben Konfidenz wie unsere anderen Thesen. Was wir versuchen, ist nicht Fehlerfreiheit, sondern eine Fehlerklasse zu wählen, die in zwölf Monaten produktiv kritisierbar ist, mit benannten Thesen und benannten Falsifikationskriterien, nicht mit generischen Trendlisten.
Die wichtigste ökonomische Verschiebung der letzten zwölf Monate ist nicht das oft zitierte Investitionsvolumen. Sie ist der Kollaps der Inferenzkosten. Diese verändert nicht nur die Kalkulation grosser Player. Sie verändert, welche Anwendungen überhaupt wirtschaftlich werden.
NVIDIA Blackwell B200, seit Ende 2024 in den Hyperscaler-Datacentern ausgerollt, erreicht nach SemiAnalysis-Benchmarks im April 2026 zwei Cent pro Million verarbeiteter Tokens auf GPT-OSS-120B. Auf der Hopper-Vorgängergeneration kostet dieselbe Inferenz neun Cent. Faktor 4,5 in achtzehn Monaten. Energetisch noch stärker: Ein Inferenz-Token kostete auf Hopper rund zwölf Joule, auf Blackwell 0,4 Joule. Faktor dreissig.
Der Sprung kommt nicht nur aus der Hardware. Etwa zwei Drittel des Preisrückgangs auf Blackwell sind Software-Optimierung, TensorRT-LLM, FP4-Quantisierung, bessere Compiler-Stacks. Der initiale B200-Launch-Preis war fünfmal höher als der heutige. Diese Beobachtung ist wichtig: Die Effizienzgewinne sind nicht nur an die nächste Hardware-Generation gekoppelt, sondern an die kontinuierliche Optimierung der bestehenden.
NVIDIA selbst meldete für das vierte Quartal Geschäftsjahr 2026 Datacenter-Umsätze von über vierzig Milliarden Dollar, mehr als der gesamte Konzernumsatz im Geschäftsjahr 2022. Hyperscaler bauen aktuell etwa eintausend NVL72-Racks pro Woche aus. Allein Microsoft hat 2025 achtzig Milliarden Dollar Datacenter-Investitionen zugesagt.
Niedrigere Inferenzkosten heissen praktisch: Anwendungen, die 2024 unwirtschaftlich waren, sind 2026 wirtschaftlich. Code-Assistenten mit grossen Context-Windows, die früher Dollar pro Stunde gekostet hätten, kosten heute Cents. Multimodale Bildverarbeitung in Echtzeit für medizinische Diagnostik, früher reservierte Forschungsanwendung, wird Routinewerkzeug. Sprachübersetzung mit Frontier-Modell-Qualität wird breit verfügbar. Forschungs- und Produktivitätstools, die früher Pilot-Status hatten, gehen in den Mainstream. Das ist real und es ist gut. Eine Technologie, deren Stückkosten in achtzehn Monaten um den Faktor fünf fallen, wird zur Infrastruktur, verfügbar, planbar, demokratisiert.
Diese Kostenstruktur erzeugt eine Skalierung der KI-Nutzung in regulierten Sektoren, die ohne den Kostenrückgang nicht stattgefunden hätte. Banken, die früher zehntausend KI-Entscheidungen pro Tag getroffen haben, treffen 2026 Millionen. Versicherer, die früher selektiv automatisierten, automatisieren breit. Krankenhäuser deployen KI in Diagnostik und Triage. Das ist die positive Geschichte. Es ist auch die Geschichte, die eine neue Klasse von Anforderungen erzeugt.
Bei jedem dieser Volumina greifen regulatorische Pflichten. Art. 22 DSGVO bei automatisierten Einzelentscheidungen mit rechtlicher Wirkung. EU AI Act Art. 12 Logging-Pflichten für High-Risk-Systeme. MiFID II Art. 16 für Aufzeichnungspflichten im Finanzbereich. DORA Art. 28 für Drittanbieter-Risiken. Jede dieser Pflichten wurde geschrieben für eine Welt mit hundert KI-Entscheidungen am Tag. Sie wird jetzt angewendet auf Welten mit hunderttausend oder zehn Millionen. Das ist nicht ein Compliance-Detail. Das ist ein eigenständiger Markt.
Aus Crownhills Perspektive gewinnt jene Infrastruktur an Relevanz, die die Skalierungs-Compliance der Inferenz-Ära konkret adressiert. Audit-Trail-Systeme, Logging-Architekturen, Vendor-Management für KI-Drittanbieter, Compliance-Workflow-Automatisierung. Die Inferenz-Schicht selbst kommodifiziert sich. Die Compliance-Schicht darüber wird zur eigenständigen Wertschöpfung.
Die zweite strukturelle Verschiebung ist die Transformation von Daten von einem freien Input zu einem Lizenzgut mit eigenem Regulierungsregime. Diese Verschiebung war 2024 absehbar. Geschwindigkeit und Ausmass wurden unterschätzt.
Epoch AI schätzt, dass der Bestand an öffentlich zugänglichem menschengeneriertem Text, rund 300 Billionen Tokens, zwischen 2026 und 2032 von den Frontier-Trainings vollständig absorbiert sein wird. Die hochwertigen Quellen werden schneller verbraucht, als sie produziert werden.
Die naheliegende Antwort der Branche 2024 war synthetische Daten. Drei Jahre später ist diese Antwort substanziell modifiziert. Mehrere unabhängige Forschungsgruppen haben dokumentiert, dass die Reingestion synthetischer Daten zu Model Collapse führt, kompoundierende Verschlechterung der Modellqualität. Synthetische Daten haben einen klar definierten Use-Case: Augmentation seltener Edge-Cases, Stress-Tests von Pipelines, Privacy-Pre-Processing. Sie ersetzen menschengenerierte Hauptkorpora nicht.
Was geblieben ist, ist Lizenzierung. Reddit hat nach eigenen Angaben hunderte Millionen Dollar aus Deals mit Google und OpenAI eingenommen. Shutterstock hat Verträge zwischen fünfundzwanzig und fünfzig Millionen Dollar mit KI-Anbietern abgeschlossen. Im Videobereich zahlen KI-Firmen Erstellern ein bis zwei Dollar pro Minute Standardmaterial, bis zu vier Dollar pro Minute für 4K-Drohnen- oder 3D-Inhalte. Sensordaten aus LIDAR- und Robotik-Laboren erreichen sechsstellige Lizenzgebühren pro Paket.
Daten, die früher unkompensiert verbraucht wurden, werden vergütet. Verlage, die jahrelang gesehen haben, wie ihre Archive in Modellen verschwinden, ohne dass eine Wertkette zurückführte, verhandeln heute auf Augenhöhe. Künstler, Fotografen, Stimmkünstler erhalten Vergütungssysteme, in denen ihre Beiträge zur Modellentwicklung erfasst werden. Das ist eine Korrektur einer Phase ungerechtfertigter Kostenlosigkeit. Sie geht in eine Branche zurück, die in den vergangenen zehn Jahren strukturell verloren hatte und die nun an der KI-Wertschöpfung partizipiert. Das ist substanziell und positiv.
Die Lizenzierungsökonomie erzeugt eine eigene Infrastruktur-Schicht. Trainingsdaten müssen zunehmend dokumentiert, rechtlich eingeordnet und in ihrer Herkunft nachvollziehbar gemacht werden. Für GPAI-Anbieter verdichten sich Dokumentations-, Copyright- und Transparenzanforderungen. Für High-Risk-Systeme wird Data Governance zu einer operativen Voraussetzung. Art. 50 ergänzt diese Architektur durch Transparenzpflichten für bestimmte KI-generierte Inhalte. Eine grosse US-Klagewelle um Urheberrechte an Trainingsdaten zwingt Anbieter zusätzlich zu vorausschauender Compliance.
Daraus entstehen drei Märkte. Erstens, Provenance- und Audit-Tools für Trainingsdaten, wer welche Quelle wann mit welcher Lizenzbasis verwendet hat. Zweitens, Lizenz-Management-Plattformen, die die Verhandlung, Abrechnung und Compliance über Tausende von Datenquellen abwickeln. Drittens, Datenmarktplätze, die zwischen Rechteinhabern und KI-Anbietern vermitteln. Alle drei waren 2023 marginal. Alle drei werden 2027 zweistellige Milliardenmärkte.
Besonders relevant werden vertikale Datenbestände, deren Wert weniger in ihrer Menge liegt als in Struktur, Herkunft und rechtlicher Nutzbarkeit. Schweizer Privatbanken mit jahrzehntelangen, in anonymisierbarer Form ableitbaren Interaktionsmustern. Versicherer mit aggregierten Schadensdatenbanken. Rechtsdienstleister mit fallbasierten Beständen. Der Trainingswert liegt in Mustern und Modellen, die aus diesen Beständen unter Beachtung von Bankgeheimnis, FINMA und nFADP ableitbar sind. Kundendaten selbst bleiben ausserhalb. Aus Crownhills Perspektive waren solche Assets 2024 systematisch unterbewertet relativ zu ihrem Trainingsdaten-Wert. Provenance- und Lizenz-Infrastruktur bekommt aus dieser Sicht mehr Gewicht als Modell-IP ohne exklusive Datenquellen.
Die dritte und für die nächsten zwölf Monate wahrscheinlich folgenreichste Verschiebung ist der Übergang des dominanten Bottlenecks von Halbleitern zu Strom. Diese Verschiebung war in der Konsensprognose 2024 für 2028 bis 2030 angesetzt. Sie ist 2025 eingetreten.
Ein einzelner hyperskalierter KI-Datacenter benötigt 100 bis 300 Megawatt kontinuierliche Leistung, der Strombedarf einer mittelgrossen Stadt. Die IEA prognostiziert, dass Datacenter weltweit 2026 1.000 Terawattstunden verbrauchen, entspricht dem Stromverbrauch Japans. Die US-Nachfrage allein könnte bis 2028 auf 150 Gigawatt steigen.
Die Stromnetze sind dafür nicht gebaut. Hochspannungs-Substationen haben drei bis fünf Jahre Lieferzeit. Sightline Climate berichtete im Mai 2026, dass ein fünfjähriger Backlog bei Netz-Transformatoren etwa die Hälfte der für 2026 angekündigten US-Datacenter-Kapazität verzögert oder gefährdet, etwa zwölf Gigawatt über einhundertvierzig Projekte. Irland hat einen faktischen Stopp neuer Datacenter-Anschlüsse in der Region Dublin verhängt, wo Google, Microsoft und Amazon zentrale Anlagen betreiben.
Eine einzelne KI-Anfrage kann bis zu tausendmal so viel Strom verbrauchen wie eine traditionelle Web-Suche. Diese Energieintensität ist der treibende Faktor.
Die Branche reagiert mit drei strukturellen Anpassungen, die zusammen eine geopolitische Verschiebung erzeugen. Erstens, Bring Your Own Power: Datacenter-Betreiber bauen eigene Energieerzeugung vor Ort, Gas, zunehmend Kernkraft. Meta hat sich für seinen Datacenter-Campus in Columbus, Ohio, dafür entschieden, gänzlich auf einen Netzanschluss zu verzichten. Mehrere Hyperscaler bewerten kleine modulare Reaktoren ernsthaft für 2027 bis 2029. Zweitens, Standortverlagerung in stromreiche Jurisdiktionen: UAE, Kanada, Norwegen, Saudi-Arabien werden zu attraktiven Standorten, nicht primär wegen Steuern, sondern wegen Grid-Kapazität. Microsoft hat im Mai 2025 ein 15,2-Milliarden-Dollar-Investmentpaket in den Vereinigten Arabischen Emiraten angekündigt, explizit wegen Stromverfügbarkeit. Drittens, Effizienz als strategische Priorität: Die Verschiebung von „Tokens pro Sekunde" zu „Reasoning pro Joule" als Metrik ist eine Folge der Grid-Knappheit.
Die Strom-Realität ist nicht primär ein Problem, sondern eine geopolitische Neuverteilung. Wer Stromnetze hat, hat die Modelle. Das verschiebt die Wertschöpfung. Die Schweiz mit ihrer hydroelektrischen Basis, die UAE mit ihren massiven Energieprojekten, Kanada mit Wasserkraft, Norwegen mit Wasserkraft und niedrigen Temperaturen, diese Jurisdiktionen werden 2026 bis 2030 zu Standorten der nächsten Welle. Crownhills Kernfokusregionen DACH und UAE sind in dieser Verschiebung relativ besser positioniert als kontinentaleuropäische oder britische Standorte mit härteren Grid-Constraints.
Daraus entsteht eine weitere Infrastruktur-Klasse: Datacenter-Resilienz, Energy-Sourcing-Beratung, On-Device-KI-Architekturen für Latenz- und Energieoptimierung, Edge-Inferenz für Anwendungen, die nicht in den überlasteten Hyperscaler-Datacentern landen müssen. NIS2 und die CER-Direktive (Critical Entities Resilience) klassifizieren KI-Datacenter zunehmend als kritische Infrastruktur, was eine eigene Compliance- und Resilienz-Schicht erzwingt.
Energie- und Standort-Optionalität wird zum expliziten Bewertungskriterium. Neben Modell- und Marktpassung gewinnt die geographische Resilienz gegen Grid-Constraints an Bedeutung. On-Device- und Edge-KI-Spezialisten profitieren strukturell, weil sie genau jene Inferenz absorbieren, die nicht in den teuren Hyperscaler-Datacentern landen muss.
Die vierte Verschiebung ist die rasante Verbreitung generativer Medienproduktion, und die Anforderungsklasse, die daraus entsteht. Wir behandeln diesen Teil ausführlicher, weil er der konkreteste Beleg für die Crownhill-These ist: eine neue Fähigkeit, ein neuer Markt der diese Fähigkeit tragfähig macht.
Video- und Bildgenerierung haben in zwei Jahren einen Qualitätssprung erreicht, der vor kurzem als Jahrzehnt-Aufgabe galt. Sora-Klasse-Modelle produzieren Videos, die für ungeschulte Betrachter von realer Aufzeichnung nicht zu unterscheiden sind. Voice-Cloning erreicht 85 Prozent Stimmübereinstimmung aus drei Sekunden Quellmaterial. Text-zu-Sprache mit emotionaler Modulation ist Endbenutzer-Software. Die positive Seite ist real und sie ist gross. Filmproduktion, die früher Millionen kostete, ist für Indie-Studios machbar. Synchronisation in Sprachen, für die nie genug Stimmkünstler verfügbar waren, wird Routine. Barrierefreiheit für Menschen, die Texte nicht lesen können, wird flächendeckend. Bildungsmaterial in Sprachen mit wenigen visuellen Lernressourcen kann produziert werden, wie es zuvor unmöglich war.
Gleichzeitig sind die Daten zur Missbrauchsseite eindeutig. Die Engineering-Firma Arup verlor im Februar 2024 in Hongkong 25,6 Millionen Dollar, nachdem ein Finanzmitarbeiter fünfzehn Überweisungen autorisiert hatte, basierend auf einer Videokonferenz, in der jeder Teilnehmer, einschliesslich des vermeintlichen CFO, ein KI-generierter Deepfake war. Im März 2025 hat ein weiterer Singapurer Konzern fast eine halbe Million Dollar verloren, durch eine ähnliche fingierte Zoom-Konferenz. Eine zusätzliche dokumentierte Reihe von Versuchen zielte auf Ferrari-CEO Benedetto Vigna und WPP-CEO Mark Read.
Die FBI Internet Crime Complaint Center-Daten 2025 zählen mehr als 22 000 KI-Betrugsmeldungen mit über 893 Millionen Dollar Schaden, und kongressionale Forscher schätzen, dass weniger als fünf Prozent der Voice-Clone-Opfer ihre Verluste melden. Diese Zahlen sind nicht das Bild der Technologie. Sie sind die Schattenseite, die jede technologische Welle erzeugt, der Strom hatte die Elektrokution, das Auto hat den Unfall, das Internet hatte den Cyberangriff. Was zählt, ist die Frage, welche Infrastruktur die Schattenseite tragfähig macht.
Die Antwort der Branche kommt aus zwei Richtungen, die zusammenwirken: Provenance an der Quelle, Detection nach dem Fakt.
Die Coalition for Content Provenance and Authenticity (C2PA) ist 2021 von Adobe, Arm, BBC, Intel und Microsoft gegründet worden. Im Januar 2026 hat die Organisation mehr als 6 000 Mitglieder und Affiliates, einschliesslich Google, Meta, OpenAI, Sony, Nikon und Leica. Die C2PA-Spezifikation arbeitet mit kryptografisch signierten Provenance-Manifesten, Content Credentials, die an der Stelle der Inhalts-Erstellung eingebettet werden. Wer hat erstellt, mit welchem Werkzeug, mit welchen Bearbeitungsschritten. Tampering bricht die Signatur. Die Leica M11-P war im Oktober 2023 die erste Konsumenten-Kamera mit eingebauter C2PA-Unterstützung; Sony, Nikon und mehrere weitere haben nachgezogen.
Die EU AI Act Art. 50 verpflichtet Anbieter ab August 2026, KI-generierte synthetische Inhalte in maschinen-detektierbarer Form zu kennzeichnen. Die zweite Code-of-Practice-Entwurfsversion vom März 2026 nennt C2PA explizit als bevorzugten Mechanismus. Der amerikanische Digital Authenticity and Provenance Act 2025 verlangt Provenance-Offenlegung in föderal regulierten Mediakontexten. Die CISA-Empfehlung vom Januar 2025 empfiehlt C2PA-Adoption für staatliche und kritische Infrastruktur.
Parallel wächst der Detection-Markt. Der globale Markt für Deepfake-Detection wird von Deloitte auf 5,5 Milliarden Dollar 2023 geschätzt, mit Wachstum auf 15,7 Milliarden bis 2026, 42 Prozent jährliches Wachstum. Der spezifischere Markt für Fake-Image-Detection erreicht 2026 etwa 1,87 Milliarden Dollar mit Projektion auf 7,43 Milliarden bis 2031, 31,7 Prozent Wachstum. Multimodale Verifizierungs-Stacks, Forensische KI, Liveness-Detection, kryptografische Provenance kombiniert, werden zur Standard-Architektur in Banken, Versicherungen, Behörden, Medien.
Das ist keine spekulative Branche. Es ist eine, die regulatorisch erzwungen, technisch notwendig und ökonomisch nicht umgehbar ist.
Provenance- und Authentizitäts-Infrastruktur bildet 2026 eine eigenständige Investmentkategorie. Sie umfasst mehrere Schichten: C2PA-konforme Tool-Anbieter, Forensik-APIs für Banken und Versicherer, Voice-Authentifizierung gegen CEO-Fraud, Liveness-Detection für KYC-Workflows, Content-Verification für Medienorganisationen. Der gemeinsame Nenner: Wer in den nächsten drei Jahren regulatorische Anforderungen, Versicherungs-Anforderungen und operative Notwendigkeiten zugleich bedient, adressiert einen Markt, der unabhängig vom Hype-Zyklus wächst.
Frontier-Modelle 2026 produzieren Verhalten, das ihre Schöpfer nicht spezifisch trainiert haben und nicht vollständig erklären können. Anthropic dokumentiert das in mehreren System-Cards der Opus-4-Reihe. OpenAI und DeepMind adressieren vergleichbare Beobachtungen. Das ist kein Grenzphänomen einer einzelnen Organisation. Es ist ein Merkmal der aktuellen Modellgeneration.
Die Branche investiert entsprechend. Anthropic hat im November 2025 eine formale Policy for Model Welfare veröffentlicht und dafür einen dedizierten Researcher eingestellt. Mechanistische Interpretierbarkeit wurde 2026 vom MIT Technology Review als Breakthrough-Technologie des Jahres eingestuft. Beide Signale kommen von Frontier-Labor-Organisationen, deren wirtschaftliche Kerninteressen dadurch nicht erkennbar gefördert werden.
Für regulierte Einsatzfelder genügt nicht allein ein leistungsfähiger Output. Entscheidend werden nachvollziehbare Entscheidungswege, dokumentierte Modellgrenzen, Evaluationen, Laufzeitüberwachung, menschliche Aufsicht und auditierbare Governance. Banken, Versicherer und Kliniken, die KI in regulierten Prozessen einsetzen wollen, müssen zeigen können, unter welchen Bedingungen ein Modell tut, was es tut.
Mechanistische Interpretierbarkeit kann in dieser Architektur zu einem wichtigen Baustein werden. Sie ersetzt die gesamte Governance-Architektur nicht, verstärkt sie aber. Aus dieser Notwendigkeit entsteht eine Infrastruktur-Klasse, hochgradig technisch und mit signifikanten Eintrittsbarrieren. Anthropic hat einen erkennbaren Vorsprung in der Interpretierbarkeits-Forschung, OpenAI und DeepMind investieren parallel. Tooling- und Service-Anbieter, die diese Forschung in Audit-Workflows übersetzen, sind 2026 in einer Frühphase, die sich in den nächsten zwei bis drei Jahren materialisiert.
Interpretierbarkeit und Model-Audit-Tooling bildet eine eigenständige Investmentkategorie mit hohem Technologie-Risiko und hohem Asymmetrie-Potential. Aus Crownhills Perspektive verlangt sie selektive Bewertung mit längerem Horizont als andere Kategorien. Wer in den nächsten fünf Jahren regulierten Frontier-Modell-Einsatz möglich macht, adressiert einen Markt, dessen Grösse heute systematisch unterschätzt wird.
Wir haben in den vorherigen Teilen wiederholt auf den EU AI Act referenziert. Ein eigener kompakter Abschnitt zur regulatorischen Architektur ist nützlich, weil sie 2026 keine Variable mehr ist, sondern eine strukturelle Konstante, die alle anderen Verschiebungen einrahmt.
Der EU AI Act ist 2024 in Kraft getreten und arbeitet auf einer abgestuften Zeitachse. Drei Schichten sind operationell relevant.
Sozialscoring, subliminale Manipulation, Emotion Recognition am Arbeitsplatz, ungezieltes Scraping von Gesichtsbildern, prädiktive Strafverfolgung, biometrische Kategorisierung sensibler Attribute. AI-Omnibus-Novelle Nov 2025 ergänzt Nudification-Apps. Strafrahmen: bis 35 Mio € oder 7 % Weltumsatz.
Dokumentation, Trainingsdaten-Offenlegung, Risk-Assessments für Modelle mit systemischem Risiko, Incident-Reporting. Strafrahmen: 15 Mio € oder 3 % Weltumsatz.
KI-generierte Bild-, Audio- und Videoinhalte müssen in maschinen-detektierbarer Form gekennzeichnet werden. C2PA wird im Code-of-Practice als bevorzugter Mechanismus benannt. Diese Frist steht unverändert.
Kreditwürdigkeit, Versicherungs-Pricing, Recruiting, Bildungs-Bewertung, biometrische Identifikation, kritische Infrastruktur. Risk Management (Art. 9), Data Governance (Art. 10), Logging (Art. 12), Transparenz (Art. 13), Menschliche Aufsicht (Art. 14), Robustheit (Art. 15). Ursprüngliches Datum August 2026, durch Digital-Omnibus-Vorschlag Anfang Mai 2026 auf Dezember 2027 verschoben.
KI in Produkten, die unter bestehendes Produktsicherheitsrecht fallen: Aufzüge, Spielzeug, Maschinen, medizinische Geräte. Strafrahmen unverändert.
Die politische AI-Omnibus-Bewegung Anfang Mai 2026 hat den Anwendungshorizont verschoben. Die Kernpflichten für Annex-III-High-Risk-Systeme (Kreditwürdigkeit, Versicherungs-Pricing, Recruiting, biometrische Identifikation, kritische Infrastruktur) greifen nach dem aktuellen Vorschlag statt am 2. August 2026 erst am 2. Dezember 2027. High-Risk als Sicherheitskomponenten in regulierten Produkten (Aufzüge, Spielzeug, medizinische Geräte) greifen am 2. August 2028. Der 2. August 2026 bleibt für Art. 50 Transparenzpflichten synthetischer Inhalte gesetzt. Strafrahmen und Pflichten selbst bleiben unverändert.
Parallel zum EU AI Act greifen weitere Regime: DSGVO (seit 2018), DORA für Finanzinstitutionen (Januar 2025), NIS2 für kritische Infrastruktur (Oktober 2024), die CER-Direktive, die jeweiligen nationalen Implementierungen. Italien hat im Oktober 2025 mit dem Gesetz 132/2025 ein eigenes nationales AI-Recht in Kraft gesetzt, das disqualifizierende Massnahmen und in schweren Fällen strafrechtliche Haftung vorsieht. Die Schweiz arbeitet an einer eigenen AI-spezifischen Regulierung. Das nFADP (revidiertes Datenschutzgesetz) ist seit September 2023 in Kraft. Die UAE haben 2024 das CBUAE Open Finance Regulation veröffentlicht. Die fünf Prinzipien (Customer Centricity, Open Banking, Data Protection, Operational Resilience, Innovation) sind operationell für KI-Implementierungen in Finanzinstitutionen massgeblich.
Diese Regime kommen nicht in Konkurrenz, sondern in Komposition. Eine Bank in Zürich mit Operations in München und Dubai, die KI in Kreditentscheidungen einsetzt, fällt unter nFADP, DSGVO, EU AI Act, DORA, MiFID II, CBUAE, gleichzeitig. Die Architektur, die alle gleichzeitig bedient, ist nicht ein Compliance-Detail. Sie ist Voraussetzung für den operativen Einsatz.
Eine These ohne Falsifikationskriterium ist Marketing, keine Analyse. Wir nennen für jede Hauptthese die konkrete Bedingung, unter der wir wissen würden, dass wir falsch lagen. Wenn dieser Bericht in Q2 2027 wieder gelesen wird, sind diese Kriterien der Massstab — nicht die Investmentempfehlungen.
Falsch, wenn bis Q2 2027 die effektiven Inferenzkosten für eine GPT-OSS-120B-Klasse-Workload nicht mindestens um Faktor zwei weiter gefallen sind gegenüber dem Q1-2026-Niveau von zwei Cent pro Million Tokens. Zusätzlich falsch, wenn KI-Nutzung in regulierten Sektoren die 2025er-Volumina nicht deutlich überschreitet und der Compliance-Markt darauf nicht folgt.
Falsch, wenn bis Q2 2027 keine substanzielle Konsolidierung im Daten-Lizenzierungsmarkt stattgefunden hat (gemessen an Deal-Volumen über 100 Mio $). Oder wenn die EU AI Act-Transparenzpflichten unter dem Druck der AI-Omnibus-Politik so stark abgeschwächt werden, dass die Trainingsdaten-Offenlegung praktisch leerläuft.
Falsch, wenn bis Q2 2027 die Netz-Interconnection-Queues in den USA und Westeuropa substanziell abgebaut sind (Reduktion um mindestens 30 %). Oder wenn ein Durchbruch in der KI-Effizienz — etwa Modellklassen mit zehnfacher Energieeffizienz bei vergleichbarer Capability — die absolute Stromnachfrage stagnieren lässt.
Falsch, wenn bis Q2 2027 die dokumentierten Schäden durch KI-generierten Betrug nicht weiter signifikant ansteigen (mindestens Verdopplung gegenüber 2025). Oder wenn C2PA-Adoption hinter Erwartungen zurückbleibt (weniger als 50 % der grossen Bildbearbeitungs-Plattformen mit Support bis Q2 2027).
Falsch, wenn bis Q2 2027 die mechanistische Interpretierbarkeit als eigenständige Marktklasse nicht sichtbar entsteht (keine substanzielle Kommerzialisierung in Audit-Workflows, keine Aufsichts-Referenzen). Oder wenn regulierte Sektoren Modelle ohne interpretatorische Nachvollziehbarkeit trotz High-Risk-Pflichten breit einsetzen dürfen.
Falsch, wenn bis Q2 2027 die AI-Omnibus-Bewegung von einer einmaligen Verschiebung zu einer strukturellen Deeskalation wird. Konkret: falsch, wenn (a) die Annex-III-Kernpflichten weiter verschoben oder substanziell zurückgenommen werden statt zum neuen Zieldatum Dezember 2027 zu greifen, oder (b) das dokumentierte Enforcement-Volumen bei Art. 5 Verboten und Art. 50 Transparenz im ersten Jahr unter dem der DSGVO-Anlaufphase 2018/19 bleibt (unter hundert dokumentierten Verfahren EU-weit). Beides würde nicht die Regulierung selbst falsifizieren, aber ihre Rolle als ökonomische Konstante.
Crownhill leitet aus diesen Verschiebungen keine kurzfristigen Marktprognosen ab. Entscheidend sind Strukturen, die unter mehreren plausiblen Szenarien tragfähig bleiben. Auf dieser Basis stehen fünf Schwerpunkte für die nächsten zwölf Monate.
Compliance-Workflows, Audit-Trails, Vendor-Management-Systeme, die die Pflichten unter EU AI Act, DORA, MiFID II, nationalen Schweizer und UAE-Regimen operationell abdecken. Anbieter-Seite und regulatorisch privilegierte Vertikalen.
Targets in Sektoren mit proprietären, strukturierten, regulierten Datenkorpora. Schweizer Privatbanken mit jahrzehntelangen Kundeninteraktionsdaten. Versicherer mit Schadensdatenbanken. Rechtsdienstleister mit fallbasierten Beständen. 2024 systematisch unterbewertet.
C2PA-konforme Tooling-Anbieter, Forensik-APIs für regulierte Sektoren, Voice-Authentifizierung gegen CEO-Fraud, Liveness-Detection für KYC-Pipelines, Content-Verification für Medienorganisationen. Regulatorisch erzwungen, versicherungstechnisch verlangt, operativ nötig.
DACH und UAE sind in der Strom-Bottleneck-Phase relativ besser positioniert als kontinentaleuropäische oder britische Alternativen. Wir prüfen Co-Investments in Hyperscaler-Adjacencies — Datacenter-Resilienz, Edge-Inferenz, On-Device-KI-Architekturen.
Diese Kategorie war 2024 zu früh und hat 2026 noch Frühphase-Charakter. Wir bewerten Targets selektiv mit längerem Horizont. Wer in den nächsten fünf Jahren regulierten Frontier-Modell-Einsatz möglich macht, hat einen Markt, dessen Grösse heute systematisch unterschätzt wird.
Wir verzichten auf Wetten in zwei Kategorien, die unserer Einschätzung nach 2026 überbewertet sind. Erstens, reine Foundation-Model-Spieler ohne klare ökonomische Unit Economics — die Inferenz-Schicht kommodifiziert sich. Zweitens, Synthetic-Data-Anbieter, die ihr Geschäftsmodell auf „synthetische Daten als allgemeine Lösung des Datenproblems" aufbauen — die Model-Collapse-Forschung der letzten 18 Monate ist in diesen Bewertungen noch nicht eingepreist.
Crownhill entwickelt und begleitet ausgewählte Technologien in den Bereichen digitale Integrität, kryptografische Verifikation, KI-gestützte Informationssysteme und regulatorisch anschlussfähige Dateninfrastruktur. Diese operative Arbeit prägt die Sicht, aus der dieser Bericht geschrieben ist.
Der Bericht ist nicht ihr Gegenstand. Er beschreibt keine einzelnen Unternehmen, Technologien oder Investitionen und enthält dazu keine Empfehlung. Er versucht sichtbar zu machen, in welcher strukturellen Verschiebung operative Arbeit dieser Art überhaupt stattfindet.
Crownhill schreibt diesen Bericht aus einer klaren Position. Wir glauben an die KI-Entwicklung der nächsten zehn Jahre. Wir sehen die Technologie als zivilisatorischen Fortschritt, vergleichbar mit Strom, Auto, Internet, und nicht als Risikofaktor, der einzudämmen wäre. Wir sehen auch, dass jede Generaltechnologie eine eigene Infrastruktur-Generation produziert, und dass diese Infrastruktur nicht nebenbei entsteht, sondern in den nächsten Jahren ein eigenständiger Markt wird, der die Tragfähigkeit der Technologie überhaupt erst herstellt.
Wir spielen nicht im Big-Tech-CapEx-Spiel. Wir bauen den Gegenpol — die Schicht, die amerikanische und chinesische Modelle in europäischen, schweizerischen und Gulf-regulierten Märkten einsetzbar macht. Das ist eine ökonomische Position, die in den Jurisdiktionen, in denen wir operieren, strukturelle Vorteile hat: tiefes regulatorisches Verständnis, vertikale Branchenexpertise, Datenschutz-Disziplin, langjährige Erfahrung mit komplexen Compliance-Anforderungen. Diese Position kann nicht aus dem Silicon Valley aufgebaut werden, weil sie regulatorisches Terrain als Asset behandelt, nicht als Hindernis.
Dieser Bericht wird in zwölf Monaten Fehler enthalten, die dann offensichtlich sein werden. Wir nennen unsere Falsifikationskriterien explizit, damit unsere Analyse produktiv kritisierbar ist. Was nicht falsch sein wird, ist die Grundposition: dass die KI-Entwicklung sich vollzieht, dass sie eine eigene Infrastruktur braucht, und dass diese Infrastruktur in den Regionen wächst, in denen Crownhill operiert.
Wir sehen die nächsten zehn Jahre mit Optimismus. Und wir bauen mit an der Infrastruktur, die diesen Optimismus tragfähig macht.
Crownhill Capital AG, August 2026. Verantwortlich: Murat Güngör, CEO. Externe Datenquellen: Internationale Energieagentur, Stanford AI Index 2026, NVIDIA Investor Reports, SemiAnalysis InferenceX, Anthropic System Cards, Deloitte Center for Financial Services, FBI Internet Crime Report, MIT Technology Review, European Commission AI Office, Epoch AI, McKinsey Global Institute, Coalition for Content Provenance and Authenticity.
Dieser Bericht stellt eine Analyse dar, keine Investmentempfehlung. Die Falsifikationskriterien sind explizit. Die Investmentpositionen reflektieren Crownhill-eigene Beurteilungen unter Unsicherheit.