KI-Startups sammeln zu Bewertungen ein, die traditionelle Kennzahlen sprengen – was dahintersteckt

Im traditionellen Venture Capital orientieren sich Unternehmensbewertungen an Umsatzmultiplikatoren, Wachstumsraten und dem Weg zur Profitabilität. Ein SaaS-Unternehmen mit 50 % jährlichem Wachstum könnte mit dem 15- bis 20-fachen des Umsatzes bewertet werden. Diese Benchmarks existieren, weil genügend Unternehmen aufgebaut und verkauft wurden, um zu wissen, was der Markt für bestimmte Kennzahlen zahlt.

KI-Infrastrukturunternehmen – insbesondere Entwickler von Frontier-Modellen – passen nicht in dieses Framework. Anthropics Bewertung von 61 Mrd. $, xAIs gemeldete 50 Mrd. $, OpenAIs über 300 Mrd. $ aus der Finanzierungsrunde 2025: Keine dieser Zahlen lässt sich mit konventionellen Umsatzmultiplikatoren rechtfertigen. Dennoch schreiben anspruchsvolle institutionelle Investoren – Google, Amazon, Microsoft, der Saudi Public Investment Fund, Sequoia, Andreessen Horowitz – die Schecks. Um zu verstehen, was sie kaufen, muss man das Standard-VC-Playbook verlassen.

Was Investoren tatsächlich bewerten

Der eigentliche Wert von Frontier-KI-Unternehmen liegt nicht primär im Umsatz – es ist die Position. Ein Modellentwickler mit hochmodernen Fähigkeiten sitzt an einem Engpass in einem Infrastruktur-Stack, von dem alles andere abhängen wird. Die Argumentation lautet: Wer die besten Foundation Models kontrolliert, kontrolliert den Zugang zur kognitiven Software-Schicht. Falls diese Schicht so wichtig ist, wie Investoren glauben, wird der wirtschaftliche Wert, der durch sie fließt, die derzeitigen Umsätze irgendwann in den Schatten stellen.

Diese Logik ähnelt der, die frühe Internet-Infrastrukturbewertungen rechtfertigte. Ein Glasfaser-Backbone-Unternehmen im Jahr 1999 mit minimalen Einnahmen konnte enorme Bewertungen erzielen, wenn Investoren glaubten, dass der Internetverkehr um Größenordnungen wachsen würde. Die Frage war nicht „Was ist das heute wert?“, sondern „Welchen Optionswert hat der Besitz kritischer Infrastruktur in einer Welt, in der sich das als enorm wichtig erweist?“

Für KI wird diese Wette auf mehrere spezifische Thesen abgeschlossen: dass die Inference-Kosten drastisch fallen werden (wodurch KI in mehr Anwendungen wirtschaftlich wird), dass die Modellfähigkeiten weiter verbessert werden (das adressierbare Anwendungsspektrum erweitern) und dass First-Mover-Vorteile bei Trainingsinfrastruktur und Talenten nachhaltig sind (Eintrittsbarrieren schaffen, die Margen schützen).

Das GPU-gestützte Startup-Modell

Ein ungewöhnliches Merkmal der KI-Startup-Ökonomie ist die Kapitalintensität vor der Umsatzgenerierung. Das Training von Frontier-Modellen kostet Hunderte Millionen Dollar pro Durchlauf. Ein Startup, das eine 500-Millionen-Dollar-Finanzierung ankündigt, gibt möglicherweise 300 Millionen davon in den ersten 18 Monaten für Compute aus. Das Verhältnis von Einnahmen zu Finanzierung wirkt nach konventionellen Maßstäben alarmierend – bis man erkennt, dass die Ausgaben einen Vermögenswert aufbauen (ein trainiertes Modell) und nicht für Vertrieb und Marketing verbrannt werden.

Dies hat zu einer ungewöhnlichen Finanzierungsdynamik geführt, bei der Unternehmen ohne nennenswerte Umsätze Bewertungen erzielen, die auf Billionen-Dollar-Ergebnisse hindeuten. Die Zahlen ergeben nur Sinn, wenn man glaubt, dass der aufgebaute Vermögenswert – ein wettbewerbsfähiges Frontier-Modell – wirklich selten und wertvoll genug ist, um die Kosten zu rechtfertigen. Mit der Expansion des Feldes ist die Zahl der Organisationen, die glaubwürdig an der Front mithalten können, klein geblieben: Trainingsläufe erfordern nicht nur Kapital, sondern auch spezialisierte Infrastruktur, Talentdichte und über Jahre aufgebaute institutionelle Kenntnisse.

Der Seed-Markt: Was man 2026 braucht, um Geld einzusammeln

Unterhalb der Frontier-Modell-Ebene ist das Finanzierungsumfeld 2026 selektiver geworden. Die Welle der „KI-Wrapper“-Unternehmen von 2023-2024 – Anwendungen, die auf OpenAIs API mit geringer Differenzierung aufbauen – hat sich weitgehend rationalisiert. Investoren, die diese Companies unterstützten, sahen, was passiert, wenn sich die zugrunde liegende API so weit verbessert, dass das Produkt kommoditisiert wird.

Was jetzt in Seed und Series A finanziert wird, fällt meist in einige Kategorien. Infrastruktur-Play – Unternehmen, die bessere Vektordatenbanken, Inference-Optimierung, Fine-tuning-Tools oder Evaluierungs-Frameworks bauen – ziehen weiterhin Investitionen an, weil sie unabhängig davon, welches Frontier-Modell gewinnt, Wert bieten. Vertikale KI-Anwendungen mit echten Datenvorteilen und Wechselkosten – medizinische KI, die auf proprietären klinischen Daten trainiert, juristische KI, die tief in Workflow-Systeme integriert ist – wirken nachhaltiger als horizontale Produktivitätstools. Und multimodale oder physikalische Anwendungen (Robotik, Computer Vision für industrielle Anwendungsfälle) gewinnen erneutes Interesse, da Modelle in diesen Bereichen verbesserte Fähigkeiten zeigen.

Wo Konsolidierung stattfindet

Die großen Tech-KI-Übernahmen von 2025-2026 waren überwiegend Talent- und Technologieakquisitionen, keine Umsatzakquisitionen. Googles Übernahme von Schlüssel-Teams von Character.AI, Microsofts vertiefte Investition in OpenAI, Amazons substanzielle Position bei Anthropic – das Muster zeigt: Etablierte Player zahlen für den Zugang zu Fähigkeiten und Talenten, nicht für bereits bestehende Umsatzströme.

Das ist für Gründer wichtig, weil Exit-Wege nicht den Aufbau zur Profitabilität erfordern. Ein Team, das eine demonstrierbar nützliche KI-Fähigkeit aufbaut – selbst in bescheidenem Umfang – hat echten Akquisitionswert, wenn die Fähigkeit einen Big-Tech-Käufer Jahre interner Entwicklung kosten würde. Der „Build-to-Acquire“-Pfad ist bei KI häufiger als in früheren Software-Wellen.

Die Infrastruktur-Wette vs. die Anwendungs-Wette

Das älteste Axiom im Goldrausch-Investing ist, Schaufeln zu verkaufen. Das KI-Äquivalent ist die „Picks and Shovels“-These: Statt darauf zu wetten, welche KI-Anwendung gewinnt, setze auf die Infrastruktur, die alle brauchen, unabhängig vom Sieger. Diese Logik hat enorme Investitionen in GPU-Clouds, Inference-APIs, Vektordatenbanken und KI-Observability-Tooling angetrieben.

Das Gegenargument ist, dass Infrastruktur kommoditisiert wird. AWS hat die Kosten für die eigenen Dienste gesenkt, und derselbe Dynamik zeichnet sich in der KI-Infrastruktur ab. Die Preise für Inference-APIs sind mit zunehmendem Wettbewerb drastisch gefallen. Vektordatenbank-Funktionalität wird in Allzweckdatenbanken integriert. Unternehmen, die mit hohen Bewertungen auf reine Infrastruktur-Play gesetzt haben, stellen fest, dass ihre Preissetzungsmacht schneller schwindet als erwartet.

Die Finanzierungslandschaft von 2026 belohnt Gründer, die einen nachhaltigen Graben artikulieren können – sei es proprietäre Daten, tiefe Kundenintegration, ein Fähigkeitsvorsprung, der mit der Nutzung wächst, oder ein Vertriebsvorteil, den größere Wettbewerber nicht leicht replizieren können. Die Ära, in der „wir machen KI“ für eine Finanzierungsrunde ausreichte, ist vorbei.