Das AI-Wrapper-Problem: Warum die meisten heutigen KI-Startups 2028 nicht mehr existieren werden
Im KI-Startup-Markt zeichnet sich ein Muster ab, über das Investoren langsam offen sprechen und Gründer meist noch schweigen: Ein Großteil der zwischen 2022 und 2025 mit dem Fokus auf KI-first finanzierten Unternehmen baut auf geliehener Zeit. Das Problem ist nicht, dass sie schlechte Produkte bauen. Das Problem ist, dass ihre Produkte nur Features sind – und die Plattformen, von denen sie abhängen, diese Features schneller ausliefern, als die Startups wachsen können.
Was ein „Wrapper“ eigentlich ist
Ein AI-Wrapper – im unschmeichelhaften Sinne, den der Begriff mittlerweile hat – ist ein Startup, dessen primäres Wertversprechen darin besteht, eine LLM-API (OpenAI, Anthropic, Google) durch eine sauberere Oberfläche für einen bestimmten Anwendungsfall mit einem Aufschlag zu präsentieren. Der Nutzer bekommt ein Produkt auf Basis von GPT-4o oder Claude, ohne die Komplexität der rohen API. Das Startup kassiert eine Abonnementgebühr. Der Foundation-Model-Anbieter erhält Inference-Umsätze plus die Kundenbeziehung, sobald er dieselbe Funktionalität nativ ausliefert.
Der Zeitplan für diesen letzten Schritt war bemerkenswert konsistent: ChatGPT Custom GPTs, Memory-Features, Dateihandling, Bildgenerierung, Canvas-basierte Dokumenterstellung und Tone-Anpassungswerkzeuge benötigten jeweils 12 bis 18 Monate, nachdem eine Kategorie von Startups rund um die entsprechende Fähigkeit finanziert wurde, bis OpenAI oder Anthropic sie nativ ausgeliefert haben. Die Startups, die in diesem Fenster Verteidigungsfähigkeit aufgebaut haben, überlebten. Diejenigen, die das nicht getan haben, haben keinen Pfad mehr zu vergleichbarer Größe.
Das Problem der Unit Economics
Das strukturelle Problem verstärkt das wettbewerbliche. Ein Startup, das auf einer kommerziellen LLM-API aufbaut, hat typischerweise Inference-Kosten, die bei moderater Skalierung 70 bis 80 Prozent des Umsatzes verschlingen. Traditionelle SaaS-Unternehmen erzielen Bruttomargen von 70 bis 80 Prozent. Der Unterschied ist keine kleine Beeinträchtigung – es ist ein völlig anderes Geschäftsmodell.
Hohe Inference-Kosten bedeuten, dass AI-Wrapper-Startups nicht in Vertrieb, Marketing und Produktentwicklung im gleichen Tempo investieren können wie vergleichbare SaaS-Unternehmen. Sie können Kunden nicht so aggressiv akquirieren, weil jeder Kunde teurer zu bedienen ist. Und wenn die Nutzung skaliert, wird das Margenproblem schlimmer statt besser, denn Inference-Kosten skalieren linear mit der Nutzung, während die Software-Infrastrukturkosten bei SaaS-Unternehmen weitgehend fix sind.
Die Unternehmen mit nachhaltigen Unit Economics im KI-Bereich sind diejenigen, die entweder eigene Modelle trainieren (was hunderte Millionen Kapital erfordert) oder Anwendungsfälle finden, bei denen der Wert pro Inference hoch genug ist, um die Margenstruktur zu tragen. Juristische Vertragsprüfung zu 500 Dollar pro Dokument kann die Wirtschaftlichkeit tragen. KI-gestützte Betreffzeilen-Generierung für E-Mails zu 20 Dollar pro Monat wahrscheinlich nicht.
Wohin das Venture Capital floss
Im ersten Quartal 2026 erreichte die globale Venture-Finanzierung rund 300 Milliarden Dollar, wobei etwa 80 Prozent an KI-Unternehmen gingen. Davon konzentrierte sich die überwältigende Mehrheit auf eine kleine Anzahl großer Runden: OpenAI, Anthropic, xAI und Waymo absorbierten gemeinsam den Löwenanteil der KI-Venture-Investitionen des Quartals. Foundation-Model-Infrastruktur, der Bau von KI-Rechenzentren und eine Handvoll vertikaler KI-Unternehmen mit echten proprietären Daten-Moats zogen den Rest an.
Der Seed- und Series-A-Markt für KI-Startups bleibt aktiv, wobei KI-positionierte Startups Aufschläge von 42 Prozent bei der Bewertung gegenüber Nicht-KI-Peers erzielen. Aber die Fähigkeit, Kapital aufzunehmen, ist nicht gleichbedeutend mit der Fähigkeit, ein nachhaltiges Geschäft aufzubauen. Viele der Unternehmen, die 2025 und 2026 Seed-Runden aufnehmen, werden 2027 ihren Series-A-Moment erleben – mit stagnierendem Wachstum, einer sich verengenden Wettbewerbslandschaft und Investoren, die skeptisch geworden sind, ob KI-first als ausreichendes Differenzierungsmerkmal taugt.
Was tatsächlich funktioniert
Die Startups, die dauerhaften Wert zeigen, haben mehrere Gemeinsamkeiten. Erstens: proprietäre Daten. Unternehmen, die Trainingsdaten, Feedback-Loops oder domänenspezifische Datensätze angesammelt haben, die nicht aus öffentlich verfügbaren Daten repliziert werden können, besitzen einen echten Moat. KI-Startups im Gesundheitswesen mit EHR-Partnerschaften, Legal-KI-Startups mit Dokumentenbibliotheken und Fintech-Startups mit Transaktionsdaten können Modelle finetunen, die generische LLMs nicht gut replizieren können.
Zweitens: ergebnisbasierte Preisgestaltung. Unternehmen, die ihr Erlösmodell an den Geschäftsergebnissen ausrichten, die sie liefern – Kostensenkung, Umsatzsteigerung, Risikovermeidung – können Preise verlangen, die ihre Unit Economics stützen. Ein Startup, das einen Prozentsatz der eingesparten Anwaltskosten verlangt, agiert in einem grundlegend anderen Markt als eines, das eine flache monatliche Abonnementgebühr für den Zugang zu KI-gestützter Dokumentenerstellung verlangt.
Drittens: Tiefe der Workflow-Automation. Startups, die über die UI-Schicht hinausgegangen sind und sich in Unternehmenssysteme integriert haben, die unangenehmen Randfälle in echten Geschäftsprozessen handhaben und das institutionelle Vertrauen für autonomes Handeln im Namen der Nutzer aufgebaut haben, haben Wechselkosten geschaffen, die ein Feature-Drop des Foundation Models nicht sofort eliminieren kann. Diese Unternehmen haben in die unspektakulären Teile von Enterprise-Software investiert – Sicherheitsüberprüfungen, Compliance-Dokumentation, Change-Management-Support – die reine KI-Fähigkeit nicht ersetzt.
Die schwierige Botschaft für Gründer
Das Venture-Ökosystem hat Anreize, optimistische Narrative zu finanzieren. Ein Seed-Investor, der ein erfolgreiches Unternehmen verpasst, hat einen Fehler gemacht, den er beobachten kann. Ein Seed-Investor, der ein Unternehmen finanziert, das elegant scheitert, hat einen Fehler gemacht, der leicht zu rationalisieren ist. Diese Asymmetrie bedeutet, dass Gründer von dünnschichtigen AI-Wrapper-Produkten weiterhin Finanzierung finden werden, selbst wenn der strukturelle Druck auf ihre Kategorie zunimmt.
Die ehrliche Frage für jeden KI-Startup-Gründer lautet: Was hat mein Unternehmen in zwei Jahren, das OpenAI, Anthropic oder Google nicht als Feature ausliefern können? Wenn die Antwort nicht proprietäre Daten, tiefe vertikale Integration oder eine Kundenbeziehung ist, die auf Wechselkosten basiert, deren Entwicklung Jahre dauert, dann tickt die Uhr. Der KI-Markt ist real, groß und wächst. Aber der Großteil des Werts fließt in die Infrastrukturschicht und die schmale Menge an Anwendungen, die darüber verteidigungsfähige Geschäftsmodelle aufrechterhalten können.