AI-native Startups: Wie Investoren die AI-Anwendungsschicht bewerten

Einleitung

Künstliche Intelligenz ist zu einer großen und konzentrierten Kategorie von Venture-Investitionen geworden. Stanford HAI berichtet, dass sich die weltweiten Unternehmensinvestitionen in AI im Jahr 2025 mehr als verdoppelt haben, wobei generative AI nahezu die Hälfte der privaten AI-Finanzierung auf sich vereinte [1]. Die NVCA berichtet, dass US-Venture-Investitionen im ersten Halbjahr 2026 Rekordniveaus erreichten, während der Großteil des investierten Kapitals an AI-Unternehmen und Finanzierungen von USD 100 million oder mehr floss [2]. Carta verzeichnet für 2025 von Unternehmen auf seiner Plattform eingeworbene USD 119.5 billion über 4.859 Finanzierungsrunden – die niedrigste jährliche Rundenzahl seit mindestens sechs Jahren; die Series-A-Daten zeigen eine Median-Bewertungsprämie von 38 % für AI-Unternehmen [3]. Die OECD berichtet, dass AI-bezogene Investitionen im Jahr 2025 mehr als die Hälfte der gesamten Venture-Investitionen ausmachten [6].

Diese Zahlen beschreiben Kapitalmärkte, nicht die Investitionsqualität. Ein Label wie AI-nativ kann sich auf ein Produkt beziehen, dessen Kundenergebnis von maschineller Inferenz abhängt, auf ein konventionelles Softwareprodukt, das eine Modellschnittstelle hinzugefügt hat, auf ein Dienstleistungsunternehmen, das AI intern nutzt, auf ein Workflow-Unternehmen mit proprietärer Evaluierungs- und Datenschleife oder auf ein Gründernarrativ mit begrenzter Produktionsevidenz. Jeder Fall hat ein anderes Produkt-, Risiko-, Margen-, Vertriebs- und Kapitalprofil.

Das Underwriting-Problem ist daher ein Beweisproblem. Ein Investor muss feststellen, was die Anwendung tut, welches Kundenergebnis sich ändert, welcher Teil des Workflows automatisiert ist, welche Modell- und Datenabhängigkeiten relevant sind, wie Qualität bewertet wird, wie Fehler kontrolliert werden, wie Kunden das Produkt kaufen und binden, wie Umsatz in Cash umgewandelt wird, wie sich die Kosten der Leistungserbringung mit der Nutzung ändern und welche Rechte es dem Unternehmen erlauben, tätig zu sein. Ein Gründer benötigt dieselben Nachweise, um das Unternehmen zu führen und einen glaubwürdigen Finanzierungsprozess vorzubereiten.

Die zentrale These der Forschungsarbeit ist, dass das qualitätsbereinigte akzeptierte Kundenergebnis die richtige operative Einheit ist. Ein akzeptiertes Ergebnis ist eine abgeschlossene Kundenaufgabe oder Entscheidung, die definierte Qualitäts-, Berechtigungs- und Evidenzkriterien erfüllt. Beispiele sind ein geprüftes Kreditmemo, eine gelöste Kundenanfrage, eine akzeptierte Rechnungsklassifizierung, eine freigegebene Softwareänderung, eine abgeschlossene Compliance-Prüfung oder ein vom Kunden genehmigtes Design. Tokens, Calls, Generierungen, Agenten und Modell-Benchmark-Werte sind technische Inputs. Sie werden wirtschaftlich relevant, wenn sie zu akzeptierten Ergebnissen, gebundenen Kunden und vereinnahmtem Bruttogewinn beitragen.

Es folgen sieben Underwriting-Prinzipien. Erstens muss das AI-native Label in einen beobachtbaren Workflow und eine beobachtbare Architektur übersetzt werden. Zweitens sollte das Unternehmen die Modellleistung anhand repräsentativer Kundenaufgaben belegen. Drittens erfordert Umsatzqualität Nachweise zu Verträgen, Rechnungen, Inkasso, Kohorten, Zugeständnissen und Konzentration. Viertens erfordert die Bruttomarge ein vollständiges Kostenledger pro Ergebnis, einschließlich Kosten für menschliche Prüfung und Zuverlässigkeit. Fünftens sind Modell- und Cloud-Anbieter Teil der Produktlieferkette. Sechstens bestimmen Datenrechte, Datenschutz, geistiges Eigentum, Sicherheit und regulatorische Rolle, wo und wie das Produkt verkauft werden kann. Siebtens sollte der Investment Case einen Modellpreisschock, eine Qualitätsverschlechterung, die Abkündigung eines Anbieters, den Verlust eines Kunden und einen langsameren Verkaufszyklus überstehen.

Der Evidenzstichtag ist der 1. August 2026. Die Analyse verwendet aktuelle offizielle Marktberichte, Wertpapierunterlagen, Anbieterdokumentation, Regulierungsmaterial, Gesetzgebung, Standards und Sicherheitsressourcen. Es wurden kein Unternehmen, kein Gründer, kein Fonds, kein Kunde, kein Produkt, kein Vertrag, keine Kohorte, kein Datenraum, keine Evaluationssuite, kein Kostenledger, keine Cap Table und kein Investmentmemorandum bereitgestellt. Alle durchgerechneten Mengen, Preise, Kosten, Konversionsraten, Produktivitätseffekte und Bewertungsinputs sind hypothetische Modellannahmen. Zugeschriebener Matchpoint- oder Kundenumsatz, zugeschriebene Kostensenkung und zugeschriebene Verlustreduktion bleiben USD 0.

Geltungsbereich, Definitionen und Evidenzgrenzen

Anwendungsschicht

Die Anwendungsschicht wandelt Modelle, Daten, Software und menschliche Arbeit in ein Produkt um, das für einen bestimmten Kundenworkflow genutzt wird. Sie kann Benutzeroberflächen, Anwendungslogik, Retrieval, Speicher, Tools, Modell-Routing, Prompts, Fine-Tuning, Evaluation, Zugriffskontrolle, Observability, Abrechnung und Support umfassen. Das Anwendungsunternehmen kann proprietäre, Drittanbieter- oder Open-Weight-Modelle verwenden. Seine Verteidigungsfähigkeit kann aus Workflow-Integration, proprietären Datenrechten, Evaluationsressourcen, Distribution, Wechselkosten, regulierten Berechtigungen, Kundenvertrauen oder operativem Lernen entstehen.

Die Modellschicht liefert Inferenz oder Modellgewichte. Die Infrastrukturschicht liefert Compute, Speicher, Orchestrierung und Deployment. Diese Grenzen können sich überschneiden. Ein Unternehmen, das ein Modell fine-tuned oder hostet, muss weiterhin zeigen, wie das Modell das Kundenergebnis verändert und wie die Anwendung Wert erfasst.

AI-native Klassifizierung

Eine AI-native Klassifizierung sollte auf Nachweisen beruhen. Die Klassifizierung erfordert keine bestimmte technische Architektur. Sie erfordert eine wesentliche Abhängigkeit von maschineller Inferenz innerhalb der Kundenwertschöpfungskette, ein Produkt, das um diese Fähigkeit herum konzipiert ist, und ein Betriebssystem, das deren Qualität und Wirtschaftlichkeit misst.

Das Ergebnis kann als AI-native, AI-enabled, AI-assisted Dienstleistung oder als unverifiziert erfasst werden. Die Kennzeichnung ist eine Due-Diligence-Schlussfolgerung, keine Bewertungsschlussfolgerung.

Nachweiskategorien

Jede wesentliche Behauptung sollte eine Klasse und einen Verantwortlichen erhalten. Beobachtete Evidenz stammt aus einem kontrollierten System of Record. Unabhängig reproduzierte Evidenz stammt aus einer Testwiederholung durch den Investor, Berater oder einen qualifizierten Dritten. Kundenseitig bestätigte Evidenz stammt von einem namentlich benannten autorisierten Kundenvertreter und sollte soweit möglich mit Systemdaten abgeglichen werden. Von der Geschäftsleitung geschätzte Evidenz wird gekennzeichnet und durch eine Methode gestützt. Nicht belegte Behauptungen bleiben offene Punkte.

Öffentliche Vergleichsunternehmen und Marktberichte

Öffentliche Einreichungen zeigen Analysemethoden und mögliche wirtschaftliche Schwankungen. Palantir meldete USD 4.475 billion Umsatz für 2025, eine Bruttomarge von 82 % und 954 Kunden [7]. UiPath meldete USD 1.611 billion Umsatz für das Geschäftsjahr 2026, USD 1.853 billion an annualisierter Run-Rate aus Verlängerungen und eine Bruttomarge von 83 % [8]. C3 AI meldete USD 250.3 million Umsatz für das Geschäftsjahr 2026 und eine GAAP-Bruttomarge von 31 % [9]. Duolingo gab bekannt, dass gestiegene Kosten für generative AI und Hosting die Bruttomarge im Jahr 2025 verringerten, und beschrieb später fortgesetzte Investitionen in AI-Infrastruktur [10].

Diese Unternehmen unterscheiden sich in Größe, Produkt, Bereitstellung, Kundenmix, Dienstleistungen, Rechnungslegung und Reifegrad. Ihre Kennzahlen bestimmen weder die Bruttomarge noch die Bewertung eines privaten Start-ups. Sie zeigen, warum ein Investor eine pauschale AI-Software-Margenannahme vermeiden sollte.

Marktberichte haben ebenfalls Grenzen. Die veröffentlichten Daten von Carta werden aus Unternehmen und Wertpapierinhabern auf seiner Plattform aggregiert und schließen Unternehmen aus, die den Ausschluss von anonymisierten Studien beantragt haben [3-5]. Der Bericht der NVCA deckt das US-amerikanische Risikokapital-Ökosystem mit PitchBook als Datenanbieter ab [2]. Die OECD verwendet Preqin-Daten in ihrem AI-Venture-Brief [6]. Stanford HAI kombiniert mehrere öffentliche und proprietäre Quellen [1]. Die Forschungsarbeit wahrt den Geltungsbereich jeder Quelle.

Rechtliche, investitionsbezogene und Autorengrenzen

Diese Forschungsarbeit legt nicht fest, ob ein Produkt reguliert ist, ob die Verarbeitung rechtmäßig ist, ob geistige Eigentumsrechte gültig sind, ob ein Wertpapier geeignet ist, ob eine Bewertung angemessen ist oder ob eine Investition getätigt werden sollte. Diese Entscheidungen erfordern den maßgeblichen Vertrag, die Fakten, die Rechtsordnung und eine qualifizierte autorisierte Stelle.

Matchpoint Partners ist der organisatorische Autor. Keine Gründerleistung, Investorensicht oder Kundenresultat wird einer namentlich genannten Person zugeschrieben.

Entscheidungskarte für Investoren und Gründer

Investorenentscheidungen

Investoren benötigen eine abgestufte Antwort auf fünf Fragen. Ist das Kundenproblem wertvoll und wiederkehrend? Schafft das Produkt ein akzeptiertes Ergebnis, für das Kunden zahlen werden? Kann das Unternehmen Qualität und Kontrolle durch Modell- und Marktveränderungen aufrechterhalten? Schafft der gebundene Umsatz attraktive Bruttogewinn- und Cash-Eigenschaften? Wird der Finanzierungspreis durch die Nachweise und das Abwärtsrisiko gestützt?

Gründerentscheidungen

Dieselbe Evidenz stützt die Gründerkontrolle. Ein Gründer sollte wissen, welches Kundenergebnis die Kundenbindung treibt, welcher Fehler den größten Kundenschaden verursacht, welche Anbieterabhängigkeit die Skalierung einschränkt, welche Kohorte den Bruttogewinn erzeugt und welcher Meilenstein die nächste Kapitaleinheit verdient.

Gemeinsamer Nachweisraum

Investor und Gründer sollten mit demselben abgestimmten Nachweisraum arbeiten. Unterschiedliche Interpretationen sind legitim. Unterschiedliche zugrunde liegende Zahlen schaffen vermeidbares Risiko.

Marktkontext und das AI-Kapitalkonzentrationsproblem

Prämie und Selektion

AI-Kapitalwachstum erweitert das Chancenspektrum und erhöht den Selektionsdruck. Die Daten von Carta für 2025 zeigen mehr Kapital über weniger Finanzierungsrunden und eine AI-Bewertungsprämie ab Serie A [3]. Ihre Seed-Forschung berichtet von schlankeren frühen Teams, längeren Finanzierungszeiträumen und einer wachsenden Lücke zwischen typischen und Spitzenbewertungen, insbesondere bei AI-Unternehmen [4]. Ihr Vergütungsbericht für H2 2025 beschreibt AI-getriebene Kapital- und Talent-Effekte und betont dabei kleinere Teams in frühen Phasen [5].

Der Anleger sollte daher eine Kategorieprämie von unternehmensspezifischen Belegen unterscheiden. Eine Bewertung kann Knappheit, Wettbewerb, strategischen Optionswert, Marktgröße, Wachstum, Kundenbindung, Team, Technologie, Datenrechte oder Momentum widerspiegeln. Jeder Treiber benötigt eigene Belege und eine Behandlung von Abwärtsrisiken.

Methodik der Marktgrößenbestimmung

Ein Markt auf Anwendungsebene sollte mit Kundeneinheiten und Workflow-Ausgaben beginnen. Top-down-Gesamtwerte von AI können die Adoption einordnen. Sie begründen keinen erzielbaren Umsatz.

Für ein vertikales AI-Unternehmen sollte das Marktmodell die Anzahl der Zielunternehmen, infrage kommende Abteilungen, Workflow-Häufigkeit, aktuelle Kosten, erforderliche Berechtigung, Integrationsaufwand, Budgetverantwortlichen und plausible Adoption umfassen. Bei einem horizontalen Produkt verhindert eine Segmentierung nach Anwendungsfall und Käufer eine oberflächliche Berechnung der Gesamtzahl der Sitze.

Wahrscheinlichkeit der Kapitalbeschaffung und Finanzierungsreichweite

Die Marktevidenz stützt ein konzentriertes Finanzierungsumfeld. Sie belegt nicht, dass ein bestimmtes Unternehmen Kapital aufnehmen kann. Der Finanzierungsplan sollte ein Szenario ohne Kapitalaufnahme, ein Szenario verzögerter Kapitalaufnahme und ein Szenario mit niedrigerem Preis enthalten. Er sollte monatliche Barmittel, gebundene Kosten, diskretionäre Kosten, Einstellungsauslöser, Anbieterverpflichtungen, Working Capital und eine minimale operative Finanzierungsreichweite ausweisen.

Diese Fälle sind hypothetische Modellierungsannahmen. Sie veranschaulichen die Planungsmechanik. Sie prognostizieren weder Finanzierungsverfügbarkeit noch Bewertung oder Rendite.

Der AI-native Anwendungsschicht-Test

Kundenergebnis vor Modellfähigkeit

Die erste Due-Diligence-Sitzung sollte einen Kundenworkflow ohne das Produkt rekonstruieren. Das Team erfasst Auslöser, Eingabe, Bearbeiter, Entscheidung, Ausgabe, Prüfung, Ausnahme, verstrichene Zeit, Fehlerkosten und Entscheidungsbefugnis. Anschließend rekonstruiert es denselben Workflow mit dem Produkt. Der Vergleich zeigt, welche Schritte entfallen, sich ändern, beschleunigt werden oder neue Kontrollen erfordern.

Die Übung deckt Kategorienfehler auf. Ein schnellerer Entwurf kann den Prüfaufwand erhöhen. Eine kürzere Bearbeitungszeit kann Korrekturen oder Eskalationen erhöhen. Eine höhere Automatisierungsquote kann eine geringere Kundenakzeptanz verdecken. Ein Produkt, das mehr Output erzeugt, kann den Wert verringern, wenn Nutzer ihn nicht innerhalb ihres Entscheidungsfensters überprüfen können.

Akzeptiertes Kundenergebnis

Ein akzeptiertes Ergebnis hat fünf Elemente. Die Aufgabe ist definiert. Die Quellennachweise sind ausreichend. Die Ausgabe erfüllt Qualitäts- und Richtlinien-Schwellenwerte. Die autorisierte Person oder das autorisierte System akzeptiert es. Das Ergebnis erreicht den Kundenworkflow. Eine verworfene generierte Antwort, ein vollständig neu zu erstellender Entwurf und eine durch Überprüfung revidierte automatisierte Entscheidung sind erzeugte Ausgaben, keine akzeptierten Ergebnisse.

Das Unternehmen sollte akzeptierte Ergebnisse pro Kunde und Kohorte messen. Nützliche Kennzahlen sind First-Pass-Akzeptanz, akzeptierte Ergebnisse pro aktivem Nutzer, Überprüfungsminuten pro akzeptiertem Ergebnis, Ausnahmequote, Korrekturquote, Vorfallquote, Kundeneskalation und Zeit bis zur Akzeptanz. Die Definition sollte stabil genug für Kohortenanalysen und spezifisch genug sein, um eine Mengeninflation zu verhindern.

Aussagenregister

Die Durchsetzung durch die SEC in Bezug auf AI-Aussagen zeigt, wie wichtig zutreffende Darstellungen sind [12]. Eine private Finanzierung hängt ebenfalls von verlässlichen Aussagen ab. Das Aussagenregister erfasst jede wesentliche Aussage, die im Pitch, im Datenraum, im Kundenangebot und im Investment-Memo verwendet wird.

Das Behauptungsregister hilft auch Gründern. Unbelegte Behauptungen können vor einem Finanzierungsprozess korrigiert werden. Management-Schätzungen können durch strukturierte Tests in beobachtete Nachweise umgewandelt werden.

Evidenz-Flywheel

Eine belastbare Anwendung kann ein rechtmäßiges und nützliches Evidenz-Flywheel aufbauen. Kundenaufgaben erzeugen Nutzungsdaten mit Einwilligung oder vertraglicher Erlaubnis. Überprüfungs- und Ergebnissignale verbessern die Bewertung. Bewertungen verbessern Routing-, Workflow- und Release-Entscheidungen. Besser akzeptierte Ergebnisse verbessern Akzeptanz und Kundenbindung. Beibehaltene Nutzung erzeugt repräsentativere Evidenz. Jedes Glied benötigt Rechte, Qualität und wirtschaftlichen Wert.

Der Investor sollte eine zirkuläre Data-Moat-Behauptung ablehnen. Mehr Daten haben nur dann Wert, wenn sie zulässig, relevant, ausreichend gekennzeichnet, in einen kontrollierten Verbesserungsprozess eingebunden und für einen Wettbewerber schwer zu reproduzieren sind.

Produktwert, Kunden-Workflow und Produkt-Markt-Evidenz

Ausgangsbasis und Kontrafaktum

Der Produktwert benötigt eine Vergleichsbasis. Die Vergleichsbasis kann die aktuelle menschliche Arbeit, Regeln, bestehende Software, eine ausgelagerte Dienstleistung oder Nichtstun sein. Die kontrafaktische Situation sollte widerspiegeln, was der Kunde ohne das Produkt tatsächlich tun würde. Der Vergleich eines Produkts mit einem unrealistischen manuellen Prozess überzeichnet den Wert.

Der stärkste frühe Nachweis ist ein repräsentativer kundeninterner Vergleich. Er verwendet dieselbe Aufgabenfamilie, dieselben Serviceanforderungen und dasselbe Entscheidungsfenster. Er erfasst Eingabeunterschiede, Selektionseffekte und Überprüfung. Randomisierte Tests können für Produktmerkmale geeignet sein. Operative und regulierte Workflows können angeglichene Zeiträume, einen gestaffelten Rollout oder eine kontrollierte Schattennutzung erfordern.

Produktivitäts- und Umsatzüberleitung

Produktivität wird zu einem Nutzenversprechen für den Kunden, wenn der Kunde Kapazitäten umwidmen, tatsächliche Kosten senken, mehr Nachfrage bedienen, die Time-to-Revenue verbessern oder gemessenen Verlust reduzieren kann. Umsatz wird zum Unternehmenswert, wenn vertraglich vereinbarte Nutzung in vereinnahmten und einbehaltenen Bruttogewinn übergeht.

Evidenzleiter für Kunden

Absichtserklärungen, Memorandum of Understanding, unbezahlte Pilotprojekte, bezahlte Pilotprojekte, Produktionsverträge und vereinnahmte Vertragsverlängerungen sollten getrennt ausgewiesen werden. Logos ersetzen diese Klassifizierung nicht.

Kundenreferenz-Protokoll

Eine Kundenreferenz sollte autorisiert und strukturiert sein. Der Interviewer bestätigt Problem, bisherigen Workflow, Kaufprozess, Deployment, Time to Value, Qualität, Ausnahmen, Support, Nutzungshäufigkeit, Nutzerbreite, Preis, Verlängerungsabsicht und Alternativen. Der Investor dokumentiert die Beziehung des Interviewten zum Kauf und zur täglichen Nutzung.

Die Referenz ist ein vom Kunden bestätigter Nachweis. Sie ist aussagekräftiger, wenn sie mit Vertrags-, Produkt- und Finanzunterlagen abgeglichen wird. Ein vom Gründer ausgewählter Champion kann wertvolle Details liefern und repräsentiert möglicherweise nicht die Sicht von Einkauf, Sicherheit, Finanzen oder Endnutzern.

Vertriebs- und Verkaufsmodell

AI-Anwendungen können gründergeführten Vertrieb, produktgetriebene Adoption, direkten Enterprise-Vertrieb, Marktplätze, Cloud-Partner, Systemintegratoren, Kanalpartner und eingebettete Distribution nutzen. Jedes Modell hat unterschiedliche Kosten, Kontrolle, Zeit und Konzentration.

Technische Architektur, Modell-Lieferkette und Portabilität

Architekturnachweis

Die Architektur sollte den vollständigen Pfad vom Benutzer und Quellsystem bis zum akzeptierten Ergebnis aufzeigen. Sie umfasst Identität, Berechtigungen, Datenbewegung, Abruf, Prompts, Modellrouten, Tools, Codeausführung, Guardrails, menschliche Prüfung, Speicherung, Observability und Abrechnung. Das Diagramm sollte Kundenumgebungen, Unternehmenssysteme und Dritte unterscheiden.

Anbieterregister

OpenAI, Anthropic, Google und AWS veröffentlichen unterschiedliche Preisstrukturen für Modelle, Caching, Batching, Tools, Kontext und Deployment [13-16]. Google veröffentlicht außerdem Informationen zum Lebenszyklus von Modellen und Endpunkten, einschließlich Außerbetriebnahmen [17]. Das Register erfasst den genauen verwendeten Dienst und nicht nur die Anbietermarke.

Listenpreise können sich ändern, und die tatsächlichen Ausgaben hängen von Eingabedaten, Ausgabedaten, Wiederholungsversuchen, Caching, Tool-Nutzung, Kontext, Modalität und Volumen ab. Die Due Diligence sollte Rechnungspositionen für einen repräsentativen Zeitraum mit der Produkt-Telemetrie abgleichen.

Konzentration und Wechsel

Die FTC-Studie zu ausgewählten Partnerschaften zwischen Cloud-Anbietern und AI-Entwicklern erfasst Cloud-Ausgabenverpflichtungen, Exklusivitätsmerkmale, Zugriff auf sensible Informationen und potenzielle Wechselkosten [11]. Der Bericht betrifft diese Partnerschaften und legt nicht die Bedingungen eines privaten Anwendungsunternehmens fest. Er bietet eine nützliche Perspektive für die Due Diligence.

Die Konzentration wird über Ausgaben, akzeptierte Ergebnisse, kritische Funktionen, Regionen und Kunden gemessen. Ein Unternehmen kann als Multi-Modell erscheinen, während ein Anbieter jede umsatzkritische Aufgabe übernimmt. Ein Fallback, der einen synthetischen Prompt besteht, kann dennoch bei Kunden-Tools, langem Kontext, Sicherheitsverhalten, strukturierter Ausgabe oder Latenz scheitern.

Portabilitätstest

Ein Portabilitätstest führt eine repräsentative Evaluationssuite gegen ein alternatives Modell oder Deployment aus. Er erfasst Codeänderungen, Prompt-Änderungen, Unterschiede im Ausgabeschema, Qualität, Prüfaufwand, Latenz, Kosten, Sicherheit, Datenbedingungen und Migrationszeit. Das Ergebnis kann portabel, teilweise portabel oder konzentriert sein.

Der Investor sollte mindestens drei Schocks modellieren: einen Anstieg der Stückkosten des Modells um 50 %, den Rückzug des Primärmodells innerhalb von 90 Tagen und Kapazitätsdrosselung während der Spitzennutzung. Diese Prozentsätze und Zeiträume sind hypothetische, illustrative Beispielannahmen. Das Management sollte sie durch seine vertraglichen und operativen Nachweise ersetzen.

Open-Weight- und Lizenzabhängigkeit

Metas Llama-4-Community-Lizenz gewährt bestimmte Rechte und enthält Bedingungen zu Weiterverbreitung, Namensnennung, zulässiger Nutzung und Skalierung [22]. Andere Open-Weight-Modelle haben andere Lizenzen. Open-Weight bedeutet nicht uneingeschränkt. Das Unternehmen sollte die genaue Lizenzversion, Model Card, Download-Quelle, Änderungen, Hinweise, Prüfung der zulässigen Nutzung und Weiterverbreitungsanalyse aufbewahren.

Evaluierung, Zuverlässigkeit, Sicherheit und betriebliche Kontrollen

Evaluierungsvertrag

Das AI RMF von NIST verwendet die Funktionen Govern, Map, Measure und Manage [23]. Sein Generative-AI-Profil identifiziert generative-AI-Risiken und empfohlene Maßnahmen [24]. Die aktuelle Modellrichtlinie von OpenAI empfiehlt eine repräsentative Aufgaben-Evaluierung vor Migration oder Optimierung [29]. Die Evaluierungsrichtlinie von Anthropic beginnt mit spezifischen, messbaren und relevanten Erfolgskriterien [30]. Diese Quellen stützen eine praktische Freigabedisziplin.

Ein Evaluierungsvertrag definiert Aufgabenpopulation, Stichprobe, Ground Truth, Bewerter, Dimensionen, Schwellenwert, Schweregrad, Untergruppe, Modell/Version, Prompt, Tool-Umgebung und Freigabeentscheidung. Das Testset sollte normale, schwierige, adversarische, unvollständige und Out-of-Scope-Fälle enthalten.

Release und Monitoring

Ein einziger Benchmark reicht nicht aus. Releases können Modellversion, Prompt, Tools, Retrieval, Richtlinien, Code, Daten und Kundenkonfiguration ändern. Das Unternehmen sollte ein Release-Manifest aufbewahren und die erforderliche Testsuite erneut ausführen. Das Produktionsmonitoring vergleicht dann Akzeptanz, Fehlschläge, Latenz und Kosten mit den Release-Erwartungen.

Zuverlässigkeit und Vorfallnachweise

Zuverlässigkeit wird an der Grenze des akzeptierten Ergebnisses gemessen. Die Verfügbarkeit kann hoch sein, während ein kritisches Tool stillschweigend ausfällt. Ein Modell kann antworten und dabei ein ungültiges Schema liefern. Ein Workflow kann nach dem Entscheidungsfenster des Kunden abgeschlossen werden. Das Vorfallregister sollte Anbieterausfälle, beeinträchtigte Qualität, Retrieval-Fehler, veraltete Daten, Tool-Fehler, Sicherheitsvorfälle, Ausgabenanomalien und Rückstände bei der menschlichen Prüfung umfassen.

Sicherheiten

Das SSDF-Community-Profil des NIST ergänzt generative-AI-Praktiken für die sichere Softwareentwicklung [25]. CISA und NCSC behandeln sicheres Design, Entwicklung, Bereitstellung und Betrieb für AI-Systeme [26]. OWASP identifiziert Risiken wie Prompt-Injection, Offenlegung sensibler Informationen, Schwachstellen in der Lieferkette und unbegrenzten Ressourcenverbrauch [27]. MITRE ATLAS bietet eine sich weiterentwickelnde Bedrohungswissensbasis für prädiktive, generative und agentische AI-Systeme [28].

Sicherheitszertifizierungen und Penetrationstests sind Nachweise im Rahmen ihres Geltungsbereichs und zum jeweiligen Datum. Sie ersetzen weder Architekturprüfung noch Vorfallhistorie noch kundenspezifische Kontrollen.

Datenrechte, Datenschutz, Regulierung und geistiges Eigentum

Genaue Leistungsbedingungen

OpenAI erklärt, dass geschäftliche und API-Eingaben und -Ausgaben standardmäßig vom Training ausgeschlossen sind [18]. Seine Dienstleistungsvereinbarung regelt die Geschäftsbeziehung und die relevanten Inhaltsrechte [19]. Anthropic veröffentlicht Informationen zur Datennutzung bei kommerziellen Produkten [20]. Die Gemini-API-Bedingungen von Google unterscheiden zwischen kostenlosen und kostenpflichtigen Diensten, einschließlich der Nutzung eingereichter Inhalte und menschlicher Überprüfung bei kostenlosen Diensten sowie einer abweichenden Behandlung bei kostenpflichtigen Diensten [21]. Die Zero-Data-Retention-Hinweise von Google benennen produktspezifische Einstellungen und Funktionen, die für die Aufbewahrung relevant sind [40].

Diese Bedingungen können sich ändern. Das Unternehmen sollte datierte Vertragsunterlagen, Kontoeinstellungen und Nachweise zum Datenfluss aufbewahren. Eine Antwort zum Datenschutz, die ausschließlich auf einer öffentlichen Aussage des Anbieters auf Markenebene beruht, ist unvollständig.

Datenrechte-Register

Das Register sollte Datenqualität und Nützlichkeit getrennt von rechtlichen Berechtigungen erfassen. Rechtmäßige Daten können irrelevant sein. Nützliche Daten können unbrauchbar sein, weil die erforderliche Berechtigung fehlt.

UAE, DIFC, ADGM, Datenschutz in Saudi-Arabien und im Vereinigten Königreich

UAE Bundesdekretgesetz Nr. 45 von 2021 legt einen bundesweiten Rahmen für personenbezogene Daten in seinem Anwendungsbereich fest [33]. DIFC-Verordnung 10 behandelt die Verarbeitung personenbezogener Daten durch autonome und teilautonome Systeme [34]. ADGM-Leitlinien behandeln automatisierte individuelle Entscheidungsfindung, einschließlich der Notwendigkeit einer aussagekräftigen menschlichen Überprüfung in relevanten Fällen [35]. Das saudi-arabische PDPL und der Umsetzungsrahmen legen Verpflichtungen für Verantwortliche im Anwendungsbereich fest [36]. Das britische Information Commissioner's Office veröffentlicht AI-Leitlinien zu Rechtmäßigkeit, Fairness, Transparenz, Zweckbindung, Datenminimierung, Richtigkeit, Speicherung, Sicherheit und Rechenschaftspflicht [37].

Diese Tabelle ist ein Due-Diligence-Index. Sie ist keine rechtliche Schlussfolgerung.

Rollen und Transparenz nach dem EU-AI-Gesetz

Das EU-AI-Gesetz unterscheidet zwischen Anbietern von Modellen, Anbietern von Systemen, Betreibern und sonstigen Akteuren und wendet Pflichten nach Rolle und Risiko an [31]. Die Europäische Kommission gibt an, dass die Transparenzpflichten nach Artikel 50 ab dem 2. August 2026 gelten, mit einer besonderen Übergangsbehandlung für bestimmte Systeme, die früher auf dem Markt bereitgestellt wurden [32]. Ein GCC-Unternehmen kann je nach Sachlage durch das Inverkehrbringen von Produkten, die Bereitstellung oder betroffene Personen in der Union in den Anwendungsbereich fallen.

Die Produkt-Rollen-Matrix sollte für jeden Anwendungsfall und jede Jurisdiktion ausgefüllt werden. Ein Unternehmen kann für eine Funktion Anbieter, für eine andere Betreiber und für ein Allzweckmodell eines Drittanbieters nachgelagerter Integrator sein. Vertragsformulierungen sollten an die tatsächliche Architektur und Kontrolle angepasst sein.

Urheberrecht, Patente und Code-Herkunft

Das US Copyright Office hat Berichte veröffentlicht, die sich mit digitalen Replikaten, der Urheberrechtsfähigkeit generativer AI-Ergebnisse und dem Training von AI befassen [38]. Die überarbeiteten Leitlinien des USPTO vom November 2025 besagen, dass für AI-unterstützte Erfindungen die üblichen Erfinderschaftsstandards gelten und nur natürliche Personen Erfinder sein können [39]. Anbietervereinbarungen und Lizenzen für offene Modelle weisen unterschiedliche Rechte zu und behalten sie vor [19,21,22].

Generierter Code sollte dieselben Prüf-, Test-, Sicherheits-, Herkunfts- und Lizenzkontrollen durchlaufen wie von Menschen geschriebener Code. Bei der Due Diligence sollten Commits und Abhängigkeiten stichprobenartig geprüft werden, statt sich nur auf ein Richtliniendokument zu verlassen.

Umsatzqualität, Kundenbindung und Umsatzverteilung

Vom Vertrag zum Zahlungseingang

Die Umsatzprüfung beginnt mit einer kundenbezogenen Brücke. Die Brücke verknüpft Verkaufschance, unterzeichneten Vertrag, Leistungsverpflichtung, Produktzugang, Nutzung, abgenommene Ergebnisse, Rechnung, Zahlungseingang, Gutschrift, Zugeständnis, Verlängerung und Ausweitung. Sie identifiziert außerdem Beziehungen zu Wiederverkäufern, nahestehenden Parteien, Gründernetzwerken und strategischen Partnern.

Für den wiederkehrenden Jahresumsatz (ARR) sollte eine schriftliche Richtlinie bestehen. Der Investor sollte prüfen, ob Pilotprojekte, Verbrauchsverpflichtungen, Implementierung, professionelle Dienstleistungen, nicht kündbare Verträge, Mindestnutzungsmengen, Einmalgebühren und überfällige Rechnungen enthalten sind. Der gemeldete ARR sollte im Rahmen der Richtlinie mit einer Kundenaufstellung und dem Hauptbuch abgestimmt werden.

Kohorten

Eine Kohorte gruppiert vergleichbare Kunden nach Startzeitraum, Segment, Produkt, Vertrag oder Akquisitionsquelle. Umsatzretention sollte sowohl auf Brutto- als auch auf Nettobasis ausgewiesen werden. Logo-Retention sollte neben Umsatzretention stehen, da ein expandierender Kunde einen breiten Kundenverlust verdecken kann.

Das Unternehmen sollte Kohortengröße und -alter offenlegen. Eine junge Kohorte kann vor der ersten wesentlichen Verlängerung eine hohe Netto-Retention aufweisen. Ein Kunde mit einem großen anfänglichen Rollout kann ohne Unzufriedenheit eine Schrumpfung verursachen. Die Nachweise sollten die Veränderung erklären.

Konzentration

Konzentration wird anhand von Umsatz, Bruttogewinn, Zahlungseingang, akzeptierten Ergebnissen, Pipeline und kritischen Datenrechten gemessen. Ein umsatzstarker Kunde kann aufgrund dedizierter Infrastruktur, Dienstleistungen, Support oder Modellnutzung eine niedrige Marge haben. Ein umsatzschwacher Designpartner kann betrieblich kritisch sein, weil das Produkt von seinen Daten oder seiner Domänenexpertise abhängt.

Vertriebseffizienz

Die Kundenakquisekosten sollten Vertriebsvergütung, Marketing, Veranstaltungen, Zeitaufwand der Gründer, Kanalgebühren, Solution Engineering, Sicherheits-Due-Diligence, Pilotprojekte und Implementierung umfassen, sofern sie erforderlich sind, um die Kohorte zu gewinnen. Die Amortisationsdauer verwendet den Bruttogewinn der Kohorte statt des Umsatzes.

Ein Unternehmen in der Frühphase kann die zugrunde liegende Aktivität berichten, selbst wenn kein stabiler CAC verfügbar ist. Nützliche Nachweise umfassen Gründerstunden je Phase, Anzahl der Sicherheitsprüfungen, Pilotdauer, Implementierungsaufwand, Win-/Loss-Gründe und Zeit von der Unterzeichnung bis zur Produktionsabnahme.

Unit Economics, Bruttomarge und Kapitalplan

Kostenbuch je Ergebnis

Token-Preise des Anbieters sind nur eine Kostenposition [13-16]. Die Vollkosten eines akzeptierten Ergebnisses können Zugriff auf Quellsysteme, Dokumentenverarbeitung, Embeddings, Retrieval, Kontextspeicherung, Modelleingaben und -ausgaben, Caching, Grounding, Tools, Codeausführung, Wiederholungsversuche, fehlgeschlagene Aufrufe, Orchestrierung, Observability, Sicherheit, menschliche Prüfung, Support und kundenspezifische Infrastruktur umfassen.

Illustrative Bruttogewinn-Überleitung

Nehmen Sie ausschließlich zur Veranschaulichung an, dass ein Kunde monatlich 10.000 akzeptierte Ergebnisse zu jeweils USD 1.20 kauft. Der monatliche Umsatz beträgt USD 12,000.; die Modell- und Retrieval-Kosten betragen USD 1,650; die Tool- und Infrastrukturkosten betragen USD 900; die Kosten für menschliche Prüfung betragen USD 1,800; die Umlagekosten für Support und Zuverlässigkeit betragen USD 750.. Der illustrative Bruttogewinn beträgt USD 6,900 und die Bruttomarge 57,5 %.

Jede Eingabe in diesem Beispiel ist eine hypothetische Modellierungsannahme. Es belegt weder ein Unternehmens- noch ein Kundenergebnis. Zugeordneter Umsatz, Kostenreduktion und Verlustreduktion bleiben USD 0.

Margenzerlegung

Die Margenveränderung sollte nach Preis, Volumen, Mix, Modellroute, Prompt-/Kontextgröße, Caching, Batch-Nutzung, Review-Rate, Fehlerrate, kundenspezifischer Leistungserbringung und rechnungslegungsrechtlicher Klassifizierung zerlegt werden. Die Offenlegung von Duolingo aus 2025, die generative AI- und Hosting-Kosten mit der Bruttomargenentwicklung verbindet, veranschaulicht, warum direkte AI-Kosten in die Überleitungsrechnung [10] gehören. Die unterschiedlichen Bruttomargen, die Palantir, UiPath und C3 AI ausweisen, veranschaulichen die Produkt- und Geschäftsmodellunterschiede [7-9].

Ein sinkender Anbieterpreis kann die Marge verbessern. Er kann aber auch Preiswettbewerb auslösen, neue Marktteilnehmer ermöglichen oder eine höherwertige Modellroute stützen, die die Stückkosten wahrt. Im Underwriting sollte die Reaktion des Unternehmens modelliert werden, statt anzunehmen, dass alle Einsparungen auf Anbieterseite bei den Aktionären verbleiben.

Kapitalintensität

Anwendungsunternehmen können kapitalleicht oder kapitalintensiv sein. Der Kapitalbedarf steigt mit langen Enterprise-Vertriebszyklen, dedizierten Bereitstellungen, Datenakquisition, Modelltraining, garantierter Kapazität, regulatorischen Genehmigungen, Sicherheitsanforderungen, menschlichen Betriebsabläufen und Working Capital. Gebundene Cloud-Ausgaben können eine feste Verpflichtung schaffen, bevor Kundenvolumen entsteht.

Überbrückung der Liquiditätsreichweite

Das Runway-Modell sollte mit bankbestätigten Barmitteln beginnen und monatliche Einzahlungen und Auszahlungen abstimmen. Das Management wendet anschließend Personal-, Anbieter-, Vertriebs- und regulatorische Freigabeschwellen an. Ein Board sollte Basis-, Verzögerungs-, Umsatzrückgangs-, Kostenschock- und No-Raise-Szenarien sehen.

Der Plan sollte gebundene, vertraglich vereinbarte, genehmigte, diskretionäre und nicht genehmigte Ausgaben unterscheiden. Die Mittelverwendung wird zu einer Liste von Nachweis-Meilensteinen: Produktionsabnahme, repräsentative Evaluierung, Renewal-Kohorte, Bruttomargenschwelle, Anbieterwechsel, Sicherheitsanforderung oder Lizenzierungsschritt.

Underwriting-Scorecard, Investment-Memo und Downside-Szenario

Scorecard-Konzeption

Die Scorecard dokumentiert die Belastbarkeit der Nachweise, nicht das Charisma des Gründers oder die Begeisterung für die Kategorie. Jeder Bereich erhält einen Status: verifiziert, teilweise verifiziert, vom Management geschätzt, nicht belegt oder negativ. Eine numerische Bewertung kann die Konsistenz unterstützen, darf aber ein kritisches Problem nicht verdecken.

Die Gewichtungen sind hypothetische Modellannahmen. Der Investmentausschuss sollte seine eigenen Gewichtungen und kritischen Schwellenwerte genehmigen.

Nachweispaket zum Investment-Memo

Downside-Szenarien

Alle Schocks sind hypothetische, illustrative Beispielangaben. Das Due-Diligence-Team sollte sie durch unternehmensspezifische Nachweise und vom Investmentausschuss genehmigte Schweregrade ersetzen.

Bewertung und Struktur

Die Bewertungsanalyse sollte aktuelle Nachweise vom Optionswert trennen. Der aktuelle Wert kann beobachtete Umsatz-, Kundenbindungs-, Bruttogewinn-, Wachstums- und Cash-Merkmale nutzen. Der Optionswert kann neue Produkte, Geografien, Datensätze oder Modellfähigkeiten widerspiegeln und sollte Wahrscheinlichkeit, Kapitaleinsatz und Zeit berücksichtigen.

Die Struktur kann Nachweislücken durch gestaffelte Finanzierung, Meilensteine, Reserven, Informationsrechte, Zustimmungsrechte, Board-Rechte, Gründer-Vesting, Optionspools und Gewährleistungen adressieren. Rechtsberater sollten die Transaktion entwerfen und bewerten. Meilensteine sollten im Einflussbereich des Managements liegen und durch prüfbare Nachweise definiert sein.

Playbooks für Gründer und Investoren

Index des Gründer-Due-Diligence-Datenraums

Der Gründer sollte Originalunterlagen aufbewahren und Abstimmungen vorlegen statt einer kuratierten Sammlung vorteilhafter Screenshots. Kundenidentifizierbare und personenbezogene Daten sollten nur mit entsprechender Berechtigung und entsprechenden Kontrollen weitergegeben werden.

Investor-Feldprüfung

Der Investor beginnt mit einer Anforderungsliste und einer Nachweiskarte. Er zieht Kundenstichproben über Gruppen von Bestandskunden, erweiterten Kunden, Pilotkunden, abgewanderten Kunden und verlorenen Geschäftschancen. Er reproduziert eine begrenzte Bewertung. Er verfolgt ausgewählte Verträge bis zur Nutzung, zu Rechnungen und Zahlungseingängen. Er stimmt Anbieterrechnungen mit Telemetriedaten ab. Er prüft stichprobenartig Eigentum am Quellcode und Datenrechte. Er testet eine Anbieter-Migration. Er prüft Vorfälle und die Berichterstattung an das Board.

Fragen an das Management

1. Welches konkrete Kundenergebnis wird von wem und unter welcher Qualitätsschwelle akzeptiert?
2. Welche Produktionsaufgabe schlägt am häufigsten fehl, und welche Folge hat das für den Kunden?
3. Welches berichtete Produktivitätsergebnis hat eine beobachtete Ausgangsbasis und einen kontrafaktischen Vergleichswert?
4. Welcher Anbieter, welches Modell oder welches Tool ist für den gebundenen Umsatz entscheidend?
5. Wie lange würde eine repräsentative Migration dauern, und wann wurde sie zuletzt getestet?
6. Für welche Datenaussage gibt es die schwächsten Rechtenachweise?
7. Welche Kundenkohorte erzielt den höchsten vereinnahmten Bruttogewinn?
8. Welcher Kunde erfordert den größten manuellen Prüf- oder Unterstützungsaufwand?
9. Welche wesentliche Aussage im Pitch Deck bleibt eine Schätzung des Managements?
10. Welches Ergebnis würde das Management dazu veranlassen, das Produkt einzuschränken, neu zu konzipieren oder einzustellen?
11. Welcher Liquiditätsplan gilt, wenn sich die nächste Finanzierung um sechs Monate verzögert?
12. Welcher Meilenstein überführt die größte verbleibende Unsicherheit in Nachweise?

Gated 12–18-Monats-Roadmap

Die Roadmap beginnt mit Definition und Abgleich. Sie schreitet über repräsentative Bewertung, Produktionsnachweise, verbleibende wirtschaftliche Beteiligung und Finanzierungsbereitschaft voran. Die zeitliche Planung hängt vom Unternehmensstatus, vom Kundenprozess und von regulatorischen Anforderungen ab.

Die Roadmap ist eine Abfolge von Evidenz-Gates. Ein Unternehmen kann schneller voranschreiten, wenn verlässliche Evidenz bereits vorliegt. Es kann in einer Phase verbleiben, wenn ein Gate nicht bestanden wird. Die Entscheidung kann lauten: voranbringen, einschränken, neu gestalten, als Forschungsprojekt beibehalten oder stoppen.

Einschränkungen, Forschungsagenda und Fazit

Diese Forschungsarbeit präsentiert ein Due-Diligence-Rahmenwerk auf Basis öffentlich zugänglicher Evidenz. Es berichtet weder über eine Investition noch über eine Kundenkohorte, eine Produktionsevaluierung oder eine finanzielle Rendite. Marktdaten beschreiben unterschiedliche Datensätze und Zeiträume. Offenlegungen börsennotierter Unternehmen beschreiben reife Unternehmen mit wirtschaftlichen Profilen, die einem privaten Anwendungs-Startup möglicherweise nicht ähneln. Anbieterpreise und -bedingungen können sich nach dem Evidenzstichtag ändern.

Das Rahmenwerk erfordert unternehmensseitige Evidenz für die Umsetzung. Zukünftige Forschungsarbeiten sollten anonymisierte Contract-to-Cash-Kohorten, die Ökonomie akzeptierter Ergebnisse, Modellmigrationsereignisse, Vorfallkosten und Bewertungsergebnisse über Anwendungskategorien hinweg analysieren. Vergleichende Studien sollten vollständige Grenzen für Workload, Modell, Prompt, Tool, Review, Latenz, Fehler und Kosten berichten. GCC-Forschung sollte föderale, DIFC-, ADGM- und saudi-arabische Rechtskontexte unterscheiden und qualifizierte Rechtsanalyse nutzen.

Die Investitionsschlussfolgerung ist diszipliniert. AI-natives Anwendungs-Underwriting beginnt mit einem wertvollen Kunden-Workflow und einem qualitätsbereinigten akzeptierten Ergebnis. Anschließend folgt es der Evidenz durch Architektur, Modell-Lieferkette, Evaluierung, Datenrechte, Produktionseinsatz, Vertrag, Inkasso, Kohorte, Kosten und Kontrolle. Das Unternehmen erhält eine AI-native Klassifizierung, wenn diese Kette wesentlich und reproduzierbar ist. Es erhält einen Investment Case, wenn verbleibender Kundenwert, Bruttogewinn, Governance und Finanzierungspreis im Downside-Szenario glaubwürdig bleiben.

Für Investoren verwandelt das Rahmenwerk Kategorienbegeisterung in ein Behauptungsregister, einen Feldarbeitsplan, eine Scorecard und ein evidenzbasiertes Memorandum. Für Gründer schafft es ein Managementsystem für Produktqualität, Kundenwert, Anbieterabhängigkeit, Datenrechte, Bruttomarge und Fundraising-Bereitschaft. Beide Parteien profitieren von einem abgeglichenen Evidenzraum und einem expliziten Umgang mit Unsicherheit.