KI-Startups erzielen Rekordbewertungen jenseits klassischer Kennzahlen – das steckt dahinter

Im traditionellen Venture Capital orientieren sich Unternehmensbewertungen an Umsatzmultiplikatoren, Wachstumsraten und dem Weg zur Profitabilität. Ein SaaS-Unternehmen mit 50 Prozent jährlichem Wachstum mag mit dem 15- bis 20-Fachen des Umsatzes bewertet werden. Diese Benchmarks existieren, weil genug Unternehmen aufgebaut und verkauft wurden, um zu bestimmen, was der Markt für eine bestimmte Kennzahlensetzung zahlt.

KI-Infrastrukturunternehmen – insbesondere die Entwickler von Frontier-Modellen – passen nicht in dieses Framework. Anthropics Bewertung von 61 Milliarden Dollar, xAIs gemeldete 50 Milliarden, OpenAIs über 300 Milliarden aus seiner Finanzierungsrunde 2025: Keine dieser Zahlen wird durch konventionelle Umsatzmultiplikatoren gerechtfertigt. Doch hochentwickelte institutionelle Investoren – Google, Amazon, Microsoft, der saudi-arabische Public Investment Fund, Sequoia, Andreessen Horowitz – stellen die Schecks aus. Zu verstehen, was sie kaufen, erfordert, das Standard-VC-Playbook zu verlassen.

Was Investoren eigentlich bewerten

Das Asset, über das Frontier-KI-Unternehmen verfügen, ist nicht primär der Umsatz – es ist die Position. Ein Model-Developer mit State-of-the-Art-Fähigkeiten sitzt an einem Engpass in einem Infrastruktur-Stack, von dem alles andere abhängen wird. Die Überlegung läuft so: Wer die besten Foundation-Modelle kontrolliert, kontrolliert den Zugang zur kognitiven Schicht der Software. 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.

Dies ähnelt der Logik, die frühe Internet-Infrastrukturbewertungen rechtfertigte. Ein Glasfaser-Backbone-Unternehmen im Jahr 1999 mit minimalem Umsatz 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 gegen mehrere spezifische Thesen abgeschlossen: dass die Inferenzkosten drastisch sinken 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 beständig sind (Eintrittsbarrieren schaffen, die Margen schützen).

Das GPU-gestützte Startup-Modell

Ein ungewöhnliches Merkmal der KI-Startup-Ökonomie ist die Kapitalintensität, die nötig ist, bevor Umsätze generiert werden. 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 Umsatz zu Finanzierung sieht nach konventionellen Maßstäben alarmierend aus – bis man erkennt, dass die Ausgaben ein Asset (ein trainiertes Modell) aufbauen und nicht für Vertrieb und Marketing verbrannt werden.

Dies hat zu einer ungewöhnlichen Finanzierungsdynamik geführt, bei der Unternehmen mit praktisch keinem Umsatz zu Bewertungen finanzieren, die auf Billionen-Dollar-Outcomes hindeuten. Die Zahlen ergeben nur Sinn, wenn man glaubt, dass das Asset, das aufgebaut wird – ein wettbewerbsfähiges Frontier-Modell – wirklich selten und wertvoll genug ist, um die Kosten zu rechtfertigen. Da sich das Feld erweitert hat, ist die Anzahl der Organisationen, die an der Frontier glaubwürdig konkurrieren können, klein geblieben: Trainingsläufe erfordern nicht nur Kapital, sondern auch spezialisierte Infrastruktur, Talentdichte und angesammeltes institutionelles Wissen, das Jahre dauert, um aufzubauen.

Der Seed-Markt: Was es braucht, um 2026 zu finanzieren

Unterhalb der Frontier-Modell-Ebene ist das Finanzierungsumfeld 2026 selektiver geworden. Die Welle von 'KI-Wrapper'-Unternehmen aus den Jahren 2023-2024 – Anwendungen, die auf OpenAIs API aufbauen und dünne Differenzierung aufweisen – ist weitgehend rationalisiert worden. Investoren, die diese Unternehmen unterstützt haben, sahen, was passiert, wenn die zugrunde liegende API sich so weit verbessert, dass das Produkt zur Commodity wird.

Was jetzt im Seed- und Series-A-Bereich finanziert wird, fällt in einige Kategorien. Infrastruktur-Player – Unternehmen, die bessere Vektordatenbanken, Inferenzoptimierung, Fine-tuning-Tooling oder Evaluierungsframeworks bauen – ziehen weiterhin Investitionen an, weil sie unabhängig davon einen Mehrwert bieten, welches Frontier-Modell gewinnt. Vertikale KI-Anwendungen mit echten Datenvorteilen und Wechselkosten – medizinische KI, die auf proprietären klinischen Daten trainiert ist, juristische KI, die tief in Workflow-Systeme integriert ist – wirken langlebiger als horizontale Produktivitätstools. Und multimodale oder physische Anwendungen (Robotik, Computer Vision für industrielle Anwendungsfälle) erleben erneutes Interesse, da Modelle Fähigkeiten in diesen Bereichen zeigen.

Wo Konsolidierung stattfindet

Die großen Tech-KI-Übernahmen der Jahre 2025-2026 waren überwiegend Talent- und Technologieakquisitionen, keine Umsatzakquisitionen. Googles Übernahme von Schlüsselteams von Character.AI, Microsofts vertiefte Investition in OpenAI, Amazons substanzielle Beteiligung an Anthropic – das Muster ist, dass etablierte Spieler für den Zugang zu Fähigkeiten und Talenten zahlen, nicht für bewiesene Umsatzströme. Das ist für Gründer wichtig, weil es bedeutet, dass Exit-Pfade nicht den Aufbau zur Profitabilität erfordern. Ein Team, das eine nachweislich nützliche KI-Fähigkeit aufbaut, selbst in bescheidenem Umfang, hat einen echten Übernahmewert, wenn die Fähigkeit bei einem großen Tech-Käufer Jahre dauern würde, um sie intern zu entwickeln. Der 'Build-to-Acquire'-Pfad ist im KI-Bereich häufiger als in früheren Softwarewellen.

Infrastruktur-Wette vs. Anwendungs-Wette

Das älteste Axiom im Goldrausch-Investing ist es, Schaufeln zu verkaufen. Das KI-Äquivalent ist die 'Picks and Shovels'-These: Anstatt darauf zu setzen, welche KI-Anwendung gewinnt, setze auf die Infrastruktur, die jeder brauchen wird, unabhängig davon, welche Anwendung gewinnt. Diese Logik hat enorme Investitionen in GPU-Clouds, Inference-APIs, Vektordatenbanken und KI-Beobachtbarkeitstools getrieben. Das Gegenargument ist, dass Infrastruktur zur Ware wird. AWS hat die Kosten der Dienste, die es selbst verkauft, gesenkt, und die gleiche Dynamik zeigt sich in der KI-Infrastruktur. Die Preise für Inference-APIs sind drastisch gefallen, als der Wettbewerb zunahm. Die Funktionalität von Vektordatenbanken wird in allgemeine Datenbanken integriert. Unternehmen, die zu hohen Bewertungen auf reine Infrastruktur-Player gesetzt haben, stellen fest, dass ihre Preissetzungsmacht schneller schwindet als erwartet.

Die Finanzierungslandschaft 2026 belohnt Gründer, die einen dauerhaften Moat artikulieren können – sei es durch proprietäre Daten, tiefe Kundenintegration, einen Fähigkeitsvorsprung, der sich mit der Nutzung verstärkt, oder einen Distributionsvorteil, den größere Wettbewerber nicht einfach replizieren können. Die Ära, in der 'Wir machen KI' als ausreichende Differenzierung für eine Finanzierungsrunde galt, ist vorbei.