Am 23. Februar 2026, einem eigentlich ruhigen Montag, erlebte die IBM-Aktie den schlimmsten Kurseinbruch seit Oktober 2000. Am Ende des Tages fiel der Kurs um 13,2 %, wodurch innerhalb weniger Stunden etwa 40 Milliarden US-Dollar an Marktkapitalisierung verschwanden. Der Auslöser war nicht ein enttäuschendes Quartalsergebnis oder eine regulatorische Maßnahme, sondern eine Produktankündigung: Das KI-Start-up Anthropic gab bekannt, dass sein Claude Code-Tool in der Lage ist, COBOL-Programme, die auf IBM-Systemen laufen, zu modernisieren – genau jene Programmiersprache, die für IBM ein äußerst profitables „Verteidigungsbollwerk“ darstellt.
Drei Tage später spielte sich ein ähnliches Szenario in umgekehrter Richtung ab. Am 26. Februar kündigte Jack Dorseys Fintech-Unternehmen Block an, rund 4.000 Mitarbeiter zu entlassen, fast die Hälfte der Belegschaft, mit der Begründung, Effizienzsteigerungen durch KI zu erzielen. Doch die Marktreaktion war völlig anders – die Block-Aktie schoss nachbörslich zeitweise um über 24 % nach oben. Dorsey schrieb in einem Brief an die Aktionäre: „Ich bin überzeugt, dass in den nächsten zwölf Monaten die meisten Unternehmen zu ähnlichen Schlussfolgerungen kommen und entsprechende strukturelle Anpassungen vornehmen werden.“
Zwei Ereignisse, derselbe Antrieb – KI; zwei völlig unterschiedliche Marktreaktionen – ein Absturz, ein Anstieg. Was steckt dahinter? Die Antwort könnte auf eine tiefere Fragestellung hinweisen: KI definiert neu, was als wertvoller Vermögenswert gilt. Für Vorstände börsennotierter Unternehmen, Investoren und traditionelle Unternehmensentscheider ist das Verständnis dieser Neubewertungslogik längst keine vorausschauende Strategie mehr, sondern eine existenzielle Notwendigkeit.
1. Dasselbe KI, unterschiedliche Marktbeurteilungen
Um die Divergenz dieser beiden Fälle zu verstehen, muss man zunächst die jeweiligen Asset-Strukturen betrachten.
Der Kurssturz bei IBM ist auf den ersten Blick eine technische Bedrohung durch das Claude Code-Tool. Im Kern handelt es sich jedoch um eine Neubewertung des Geschäftsmodells ihrer Kernassets. COBOL, eine Programmiersprache, die Ende der 1950er Jahre entwickelt wurde, unterstützt noch heute etwa 95 % aller ATM-Transaktionen weltweit sowie zahlreiche kritische Systeme in Finanzwesen, Luftfahrt, Regierung und anderen Schlüsselbereichen. Anthropic schrieb in einem Blog: „Täglich laufen in Produktionsumgebungen Billionen Zeilen COBOL-Code, die zentrale Systeme antreiben. Dennoch nimmt die Zahl der COBOL-Programmierer Jahr für Jahr ab.“
Langjährige Modernisierungsprojekte für COBOL-Systeme sind komplex und teuer – sie bilden das profitträchtige „Verteidigungsbollwerk“ von IBM. Anthropic behauptet jedoch: „Mit KI-Unterstützung können Teams in wenigen Quartalen ihre COBOL-Codebasen modernisieren, ohne Jahre zu investieren.“ Die implizite Botschaft lautet: IBM’s aufwändige, arbeitsintensive Wartung und Service rund um Mainframes wird durch KI-Technologie zunehmend unter Druck gesetzt.
Interessanterweise erholte sich die IBM-Aktie am nächsten Tag um 2,68 %. Wall-Street-Analysten wie Wedbush und Evercore ISI griffen schnell ein, um den Kurssturz als „unbegründete Überreaktion“ zu relativieren. Sie argumentierten, dass Unternehmenskunden nicht einfach ihre Mainframe-Systeme aufgeben, nur weil ein neues KI-Tool Legacy-Code übersetzen kann. Zwischen Code-Übersetzung und der tiefen Integration von Hardware und Software bei der Systemmodernisierung besteht eine große Kluft.
IBM selbst veröffentlichte am selben Tag eine Stellungnahme, die einen entscheidenden Punkt hervorhob: Die Herausforderung bei der Modernisierung liege nicht im COBOL selbst, sondern im IBM Z-Platform-Ökosystem. Die Übersetzung von Code könne kaum die tatsächliche Komplexität erfassen; der Wert der Plattform beruhe auf jahrzehntelanger Hardware-Software-Integration, die durch Code-Übersetzung nicht repliziert werden könne.
Betrachten wir das Ereignis bei Block. Auch hier gab es Massenentlassungen, wieder durch KI getrieben, doch die Marktreaktion war ein Anstieg um 24 %. Der entscheidende Unterschied liegt in der Asset-Struktur von Block. Seit 2024 restrukturiert das Unternehmen sein Geschäftsmodell und seine Personalpolitik, investiert stark in KI-Tools, darunter das firmeneigene Tool Goose, um die operative Effizienz zu steigern.
Block-COO Amrita Ahuja betonte bei der Erklärung der Entlassungen: „Wir ergreifen mutige und entschlossene Maßnahmen, basierend auf unserer Stärke.“ Diese „Stärke“ wird durch Zahlen untermauert: 2025 erzielte das Unternehmen einen Bruttogewinn von 10,36 Milliarden USD, ein Plus von 17 %. Diese robuste Finanzlage gibt Spielraum für eine groß angelegte Umstrukturierung.
Die Marktinterpretation ist klar: Block expandiert nicht passiv im KI-Zeitalter, sondern optimiert aktiv seine Asset-Struktur – weniger „Humankapital“ gegen höhere „Technologieproduktivität“. Die gleichzeitige Anhebung der Jahresprognose bei einer 50-prozentigen Personalreduzierung zeigt, dass die Wertschöpfung pro Mitarbeitereinheit durch KI deutlich steigt.
2. Im KI-Zeitalter: Vier Asset-Kategorien werden neu bewertet
Diese beiden Fälle offenbaren einen Trend: KI wirkt als „Neubewertungsmotor“ für Vermögenswerte. Verschiedene Asset-Typen zeigen im Bewertungsrahmen von KI unterschiedliche Wertkurven.
Erstens: Humankapital-intensive Assets. Die Wertschöpfung der IBM-COBOL-Teams, traditioneller Analysten und Programmierer wird durch KI zunehmend geschwächt. Anthropic erwähnt, dass Claude Code Risiken erkennen kann, die sonst Monate menschlicher Analyse erfordern. Das bedeutet nicht, dass Menschen unwichtig werden, sondern dass Tätigkeiten, die auf Informationsasymmetrien und prozessbasiertem Wissen basieren, durch Technik verdrängt werden.
Dabei ist jedoch Vorsicht geboten: KI ersetzt „Informationsverarbeitung“, nicht „Wertschöpfung“. Mitch Ashley vom Futurum Group schreibt in einem Forschungsbericht, dass erfolgreiche COBOL-Modernisierungsprojekte mehrere Dimensionen erfordern: Geschäftsbereichsdefinition, technische Bewertung, Datenmigration, Verhaltens- und Äquivalenzprüfung, Observability und Change Management. Code-Übersetzung ist nur ein Baustein. Menschen, die komplexe Systeme verstehen, Geschäftsprozesse durchdringen und strategisch entscheiden können, bleiben knapp.
Zweitens: Datenvermögen. Mit dem rasanten Fortschritt generativer KI verändern sich die Wertattribute von Daten grundlegend. Studien wie die von Tang et al. in „PLOS One“ zeigen, dass generative KI die Erfassung, Verarbeitung und Nutzung von Daten neu gestaltet. Der Wert von Daten hängt zunehmend von ihrer Einzigartigkeit, Kontinuität und Steuerbarkeit ab. Unternehmen, die exklusive, hochwertige Daten für KI-Training bereitstellen, gewinnen an Preissetzungsmacht.
Drittens: Algorithmen und Modelle. Die Zusammenarbeit von OpenAI mit Paradigm bei EVMbench, einem Benchmark für die Fähigkeit von KI, Smart Contracts auf Sicherheitslücken zu prüfen, zeigt: Algorithmen werden zu quantifizierbaren Assets. Modellgewichte, Frameworks und Trainingsmethoden werden zu kontrollierbaren, handelbaren immateriellen Gütern.
Viertens: Traditionelle Sachwerte. Sie durchlaufen eine Divergenz: Solche, die auf „Informationsasymmetrien“ und „Arbeitsvermittlung“ basieren, verlieren an Wert. Physische Assets wie Energieanlagen, Ressourcen oder kritische Infrastruktur, die „AI-immune“ sind, behalten ihren Wert. KI kann diese Anlagen zwar analysieren und optimieren, aber nicht ihre physische Existenz oder ihre fundamentale Wertfunktion ersetzen.
3. Von „Asset-Neubewertung“ zu „AI-Immunität“
Auf Basis dieser Analysen brauchen Unternehmen ein systematisches Framework, um zu beurteilen, ob ihre Assets im KI-Zeitalter an Wert gewinnen oder verlieren. Das RWA-Institut schlägt das „AI-Immune“-Asset-Identifikationsmodell vor, das drei Kernmerkmale umfasst.
Erstes Merkmal: Unkodierbarkeit. Damit sind Wertelemente gemeint, die KI kaum vollständig erfassen oder kopieren kann. COBOL-Code lässt sich zwar übersetzen, doch die Transaktionsfähigkeit der IBM Z-Maschinen, die jahrzehntelange Hardware-Software-Integration, Quanten-Sicherheitsverschlüsselung und die extrem hohe Zuverlässigkeit sind für KI-Tools kaum nachbildbar. Futurum Group betont: „Code-Übersetzung erfasst nicht die tatsächliche Komplexität; der Plattformwert basiert auf jahrzehntelanger Hardware-Software-Integration.“ Ähnlich sind offline kontrollierte Szenarien, implizites Branchenwissen und komplexe Beziehungsnetzwerke, die schwer zu kodifizieren sind, erste Immunbarrieren.
Zweites Merkmal: Datenverteidigung. Verfügt das Unternehmen über exklusive, kontinuierliche und steuerbare Datenbestände? Können sie durch KI-Modelle nur schwer repliziert werden? Die China CITIC Bank experimentiert mit großen Modellen, um Datenwerte zu bewerten und „Daten-Assets in die Bilanz zu bringen“. Der Kern: Daten sind im KI-Zeitalter nicht nur Rohstoffe, sondern eigene Assets. Doch nicht alle Daten besitzen eine Schutzmauer: öffentlich zugängliche Web-Daten werden durch KI-Modelle schnell konsumiert. Unternehmen mit einzigartigen, kontrollierten Datenquellen haben hier einen Vorteil.
Drittes Merkmal: KI-gestützte Elastizität. Können Assets durch KI verbessert, nicht ersetzt werden? Das ist der entscheidende Unterschied zwischen IBM- und Block-Ansätzen. IBMs Kerngeschäft – Wartung alter COBOL-Systeme – ist durch KI ersetzbar. Block hingegen nutzt KI zur Effizienzsteigerung in Zahlungs- und Finanzdienstleistungen. IBM hat sogar das Tool watsonx Code Assistant for Z entwickelt, das Kunden erlaubt, Legacy-Code sicher zu modernisieren, während die Sicherheit gewahrt bleibt. Wenn Assets mit KI kooperieren, statt von ihr verdrängt zu werden, steigt ihr Wert.
Im Umkehrschluss zeigen sich bei „KI-anfälligen“ Assets drei Merkmale: Abhängigkeit von „Informationsverarbeitung“ als Kernwert, Standardisierung und Automatisierung, sowie fehlende Daten-Generierungskapazitäten. Unternehmen können ihre Asset-Portfolios anhand dieser Kriterien einer „Druckprüfung“ unterziehen.
4. Neue Chancen im RWA-Bereich: Welche Assets sind tokenisierbar?
Übertragung dieses Frameworks auf den Bereich der Real-World-Assets (RWA) zeigt: Nicht „alles, was sich auf die Blockchain bringen lässt“, ist sinnvoll. Vielmehr gilt im KI-Neubewertungs-Umfeld: Es sind jene physischen Assets, die den KI-Zyklen standhalten, die für eine erfolgreiche Tokenisierung infrage kommen.
Bis März 2026 hat das On-Chain-RWA-Volumen fast 25 Milliarden USD erreicht, eine Vervierfachung innerhalb eines Jahres. Das Whitepaper der Hongkonger Web3.0-Standardisierungsvereinigung vom August 2025 betont jedoch: „Alles kann RWA sein“ ist eine Illusion. Für eine skalierbare Umsetzung müssen Assets drei Kriterien erfüllen: Wertstabilität, klare rechtliche Eigentumsverhältnisse und verifizierbare Off-Chain-Daten.
Unter Berücksichtigung des „AI-Immune“-Frameworks lassen sich diese Kriterien noch weiter präzisieren: Nur jene Assets, die im KI-Neubewertungsprozess stabil bleiben, eignen sich für Tokenisierung.
Erstens: „AI-immune“ physische Assets. Dazu zählen Energieanlagen, Infrastruktur, Ressourcen. Ihr Wert hängt nicht von Informationsverarbeitung ab, sondern von physischer Existenz und tatsächlicher Nutzung. Das Whitepaper nennt z.B. RWA im Bereich erneuerbarer Energien (Ladestationen, Photovoltaikanlagen) sowie GPU-Assets, die durch die KI-Industrie eine „starke Nachfrage“ und ein „vertrauenswürdiges digitales Gen“ besitzen. GPU-Rechenkapazitäten gelten als ideale Anker-Assets für RWA, weil sie durch die KI-Industrie eine „stetige Nachfrage“ haben.
Zweitens: Programmierte Daten-Assets. Unternehmen, die exklusive Datenquellen besitzen und diese durch Smart Contracts automatisiert monetarisieren können, verfügen über eine „Daten- und KI-Immuntät“. Das Whitepaper ordnet Daten, geistiges Eigentum und CO2-Zertifikate den immateriellen Assets zu. Doch Vorsicht: Nicht alle Daten sind gleich wertvoll. Nur jene, die kontinuierlich generiert, eindeutig zugeordnet und verifizierbar sind, bilden eine solide Basis für Tokenisierung.
Drittens: Hybride Assets. Sie kombinieren „unkodierbare“ physische Kontrolle mit „kodierbaren“ digitalen Rechten. Beispiel: Immobilienbesitz kann tokenisiert werden, doch die tatsächliche Bewirtschaftung, Wartung und Vermietung bleibt bei spezialisierten Unternehmen. Diese „physisch+digital“-Struktur nutzt die Liquiditätsvorteile der Blockchain, bewahrt aber die „AI-immune“-physische Wertgrundlage.
Andererseits gibt es zwei Asset-Kategorien, bei denen im KI-Zeitalter Vorsicht geboten ist: Hochgradig auf Vermittlung durch Menschen angewiesene Finanzwerte sowie Assets ohne Daten- oder Schutzmauer, die im KI-Framework kaum noch eine Wertbasis haben.
5. Handlungsempfehlungen: Von der Erkenntnis zur Entscheidung
Der Milliardenverlust bei IBM ist ein Signal: Assets, die auf Informationsasymmetrien und menschlicher Arbeit basieren, werden durch KI neu bewertet. Der Aufschwung bei Block ist ein weiteres Signal: Unternehmen, die KI aktiv nutzen und ihre Asset-Struktur anpassen, profitieren vom Markt.
Für börsennotierte Unternehmen und traditionelle Firmen bedeutet das nicht nur technologische Angst, sondern eine fundamentale Umgestaltung des Wertsystems. CEOs müssen eine zentrale Frage beantworten: Wie viel sind meine Assets im KI-Zeitalter noch wert?
Ausgehend von dieser Analyse lassen sich drei konkrete Empfehlungen ableiten:
Erstens: Sofortiges Asset-„KI-Drucktest“ starten. Anhand der drei Kernmerkmale des „AI-Immune“-Frameworks – Unkodierbarkeit, Datenverteidigung, KI-gestützte Elastizität – sollten die wichtigsten Geschäftsbereiche bewertet werden. Dabei gilt es, jene Bereiche zu identifizieren, die im KI-Umfeld an Wert verlieren, und solche, die durch KI an Wert gewinnen.
Zweitens: Dynamisches Asset-Management etablieren. Im Kontext der KI-Neubewertung ist Asset-Management kein statischer Ansatz mehr. Unternehmen sollten den Anteil „AI-immune“-Assets erhöhen und gleichzeitig bei „KI-anfälligen“ Assets Strategien für Transformation oder Desinvestition entwickeln. Das erfordert eine enge Zusammenarbeit zwischen Finanz-, Strategie-, Technik- und Business-Teams.
Drittens: RWA-Strategie neu ausrichten. Vor der Tokenisierung sollte eine „AI-Immune“-Filtrierung der zugrunde liegenden Assets erfolgen. Der Wert von RWA liegt nicht nur im „Auf die Blockchain bringen“, sondern darin, durch Tokenisierung bessere Liquidität und Preisfindung zu erreichen. Wenn die Basiswerte im KI-Zeitalter an Wert verlieren, beschleunigt die Tokenisierung nur den Wertverlust.
Abschließend sei noch eine wichtige regulatorische Anmerkung gemacht: Laut dem in China am 42. Dokument der acht Ministerien veröffentlichten Verbot sind alle Formen der Token-Emission und Tokenisierung innerhalb Chinas strikt untersagt. Die hier diskutierte RWA-Tokenisierung bezieht sich ausschließlich auf ausländische, konforme Praxis. Unternehmen, die in diesem Bereich tätig werden, müssen die strengen regulatorischen Vorgaben strikt einhalten.
Wenn KI beginnt, Vermögenswerte zu bewerten, ist die einzige Sicherheit jene, die vor KI-gestützter Preisfindung geschützt ist – nämlich Dinge, die KI nicht bewerten kann: Nicht Code, nicht Daten, sondern die menschliche Werturteilskraft selbst.
