KI-Startups sammeln zu Bewertungen ein, die mit traditionellen Metriken brechen – die Gründe dahinter

Im traditionellen Venture Capital orientieren sich Unternehmensbewertungen an Umsatzmultiplikatoren, Wachstumsraten und der Rentabilitätsperspektive. Ein SaaS-Unternehmen mit 50 % Jahreswachstum mag mit dem 15- bis 20-fachen des Umsatzes bewertet werden. Diese Benchmarks existieren, weil genügend Firmen 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. Die Bewertung von Anthropic bei 61 Mrd. $, die gemeldeten 50 Mrd. $ von xAI oder die über 300 Mrd. $ von OpenAI aus der Kapitalerhöhung 2025: Keine dieser Zahlen wird durch konventionelle Umsatzmultiplikatoren gerechtfertigt. Dennoch stellen anspruchsvolle institutionelle Investoren – Google, Amazon, Microsoft, der Saudi Public Investment Fund, Sequoia, Andreessen Horowitz – die Schecks aus. Um zu verstehen, was sie kaufen, muss man das Standard-VC-Playbook verlassen.

Was Investoren ihrer Meinung nach tatsächlich bewerten

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

Das ähnelt der Logik, die frühe Internet-Infrastrukturbewertungen rechtfertigte. Ein Glasfaser-Backbone-Unternehmen im Jahr 1999 mit minimalen Umsätzen konnte enorme Bewertungen erzielen, wenn Investoren glaubten, dass der Internetverkehr um Größenordnungen wachsen würde. Die Frage war nicht „Was ist das heute wert?“, sondern „Was ist der Optionswert des Besitzes kritischer Infrastruktur in einer Welt, in der sich dies als sehr relevant erweist?“

Für KI wird diese Wette auf mehrere spezifische Thesen gestützt: dass die Inference-Kosten drastisch fallen werden (wodurch KI in mehr Anwendungen wirtschaftlich wird), dass die Modellfähigkeiten weiter verbessert werden (wodurch der adressierbare Anwendungsbereich wächst) und dass die First-Mover-Vorteile bei Trainingsinfrastruktur und Talenten dauerhaft sind (wodurch Eintrittsbarrieren entstehen, die Margen schützen).

Das GPU-gestützte Startup-Modell

Eine ungewöhnliche Besonderheit der KI-Startup-Ökonomie ist der Kapitalbedarf vor der Umsatzgenerierung. Das Training von Frontier-Modellen kostet Hunderte Millionen Dollar pro Durchlauf. Ein Startup, das eine Finanzierung von 500 Mio. $ ankündigt, könnte in den ersten 18 Monaten 300 Mio. $ für Compute ausgeben. Das Verhältnis von Umsatz zu Finanzierung wirkt nach konventionellen Maßstäben alarmierend – bis man erkennt, dass die Ausgaben einen Vermögenswert (ein trainiertes Modell) aufbauen, anstatt für Vertrieb und Marketing verbrannt zu werden.

Dies hat zu einer ungewöhnlichen Finanzierungsdynamik geführt, bei der Unternehmen ohne nennenswerte Umsätze zu Bewertungen Geld aufnehmen, 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 Frontier konkurrieren können, klein geblieben: Trainingsläufe erfordern nicht nur Kapital, sondern spezialisierte Infrastruktur, Talentedichte und angesammeltes institutionelles Wissen, das Jahre braucht, um aufgebaut zu werden.

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

Unterhalb der Frontier-Model-Ebene ist das Finanzierungsumfeld im Jahr 2026 selektiver geworden. Die Welle der „KI-Wrapper“-Unternehmen aus den Jahren 2023–2024 – Anwendungen, die auf der OpenAI-API mit dünner Differenzierung aufbauen – hat sich weitgehend rationalisiert. Investoren, die auf diese Firmen gesetzt haben, sahen, was passiert, wenn die zugrunde liegende API sich so weit verbessert, dass das Produkt kommoditisiert wird.

Was jetzt im Seed- und Series-A-Bereich finanziert wird, fällt in der Regel in einige Kategorien. Infrastruktur-Produkte – Unternehmen, die bessere Vector Databases, Inference-Optimierung, Fine-Tuning-Tooling oder Evaluierungs-Frameworks 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 wurde, juristische KI, die tief in Workflow-Systeme integriert ist – wirken nachhaltiger als horizontale Produktivitätstools. Und multimodale oder physische Anwendungen (Robotik, Computer Vision für industrielle Use Cases) gewinnen erneut an Interesse, da Modelle in diesen Bereichen ihre Fähigkeiten demonstrieren.

Wo Konsolidierung stattfindet

Die großen Tech-KI-Übernahmen der Jahre 2025–2026 waren überwiegend Talent- und Technologie-Übernahmen, keine Umsatzübernahmen. Googles Übernahme von Schlüssel-Teams von Character.AI, Microsofts vertiefte Investition in OpenAI, Amazons substanzielle Beteiligung an Anthropic – das Muster sind etablierte Player, die für den Zugang zu Fähigkeiten und Talenten zahlen, nicht für bewiesene Umsatzströme.

Das ist für Gründer wichtig, weil es bedeutet, dass Exit-Wege nicht den Aufbau einer Rentabilität erfordern. Ein Team, das eine nachweislich nützliche KI-Fähigkeit aufbaut, selbst in bescheidenem Umfang, hat einen echten Akquisitionswert, wenn die Fähigkeit einen großen Tech-Käufer Jahre interner Entwicklung kosten würde. Der „Build to Acquire“-Pfad ist bei KI häufiger als bei 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 man auf die Infrastruktur, die jeder braucht, egal welche Anwendung gewinnt. Diese Logik hat enorme Investitionen in GPU-Clouds, Inference-APIs, Vector Databases und KI-Observability-Tooling getrieben.

Das Gegenargument ist, dass Infrastruktur kommoditisiert wird. AWS senkte die Kosten der von ihm verkauften Dienstleistungen, und dieselbe Dynamik zeigt sich jetzt bei der KI-Infrastruktur. Die Preise für Inference-APIs sind mit zunehmendem Wettbewerb drastisch gefallen. Vector-Database-Funktionalität wird in Allzweckdatenbanken integriert. Unternehmen, die zu hohen Bewertungen mit reinen Infrastruktur-Produkten finanziert wurden, stellen fest, dass ihre Preissetzungskraft schneller erodiert als erwartet.

Die Finanzierungslandschaft von 2026 belohnt Gründer, die einen dauerhaften Burggraben artikulieren können – sei es durch proprietäre Daten, tiefe Kundenintegration, einen Fähigkeitsvorsprung, der sich durch 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.