KI-Bewertung: Die übersehenen Werttreiber

Einleitung

In der KI-Welt, besonders unter Startups, gilt der Satz „Wir haben unser eigenes Modell entwickelt“ oft als Eintrittskarte: als schneller Weg zu Finanzierung, Glaubwürdigkeit und Marktstellung. Viele wachstumsstarke Unternehmen jagen proprietären Modellen hinterher, in der Annahme, dieser technische Vorsprung werde sie von der Konkurrenz abheben.

Was viele Gründer übersehen: technisch originell zu sein ist nicht dasselbe wie strategisch klug zu sein. In den meisten Fällen ist ein eigenes Modell nicht nur unnötig, sondern sogar kontraproduktiv, auch wenn solche Startups oft hoch bewertet werden. Manche KI-Startups erzielen allein durch die wahrgenommene technische Differenzierung eine höhere Bewertung, selbst wenn ihr Umsatz gering bleibt. Häufig treibt die Vorstellung, ein einzigartiges Modell garantiere künftigen Erfolg, die Bewertung in die Höhe, obwohl der Umsatz begrenzt ist.

Bewertungsmultiplikatoren: Wofür Investoren zahlen

Der KI-Sektor erzielt einige der höchsten Umsatzmultiplikatoren der gesamten Tech-Branche, angetrieben vor allem von der Erwartung raschen künftigen Wachstums und einer starken strategischen Marktposition. Jüngste Daten zeigen, dass der mediane Multiplikator aus Unternehmenswert (EV) und Umsatz bei KI-Startups bei rund 29,7x liegt. Berechnet werden diese Multiplikatoren, indem man den Unternehmenswert durch den Umsatz teilt und dabei Finanzdaten wie Aktienkurse, Umsatz oder EBITDA heranzieht, um den Wert eines Unternehmens zu beziffern. Investoren bewerten Unternehmen also oft mit fast dem 30-Fachen ihres aktuellen Umsatzes, was ihr großes Vertrauen in Skalierbarkeit und transformatives Potenzial widerspiegelt.

Wichtig ist jedoch: Diese Multiplikatoren stammen vor allem aus Finanzierungsrunden, in denen Optimismus und Marktdynamik die Bewertungen tendenziell aufblähen. Bei M&A-Exitssollten Gründer mit konservativeren Multiplikatoren rechnen, die oft deutlich unter denen der Finanzierungsrunden liegen. Hinzu kommt, dass die Preise privater Transaktionen meist zurückhaltender ausfallen und sich schwerer vergleichend einordnen lassen, da sich präzise Transaktionsdaten nur schwer beschaffen lassen. Wer diesen Unterschied kennt, geht mit realistischeren Erwartungen in den Verkaufsprozess und führt fundiertere Bewertungsgespräche.

Im KI-Sektor spiegelt die Bewertung eines Unternehmens oft nicht nur die aktuellen Finanzkennzahlen wider, sondern auch Wachstumspotenzial, Marktposition und strategische Vorteile. Investoren und Gründer sollten sowohl klassische Kennzahlen wie Umsatz- und EBITDA-Multiplikatoren als auch zukunftsgerichtete Maße wie die DCF-Analyse heranziehen, um Skalierbarkeit und Risiken einzuschätzen. Sie berechnen und vergleichen Werte über verschiedene Transaktionen hinweg, um den Unternehmenswert einzuordnen und Verhandlungen zu untermauern. Jüngste Finanzierungsrunden zeigen, wie stark sich die Bewertungs- multiplikatoren für KI-Startups ausgeweitet haben, getrieben von der Erwartung transformativen Wachstums statt allein von den aktuellen Erträgen.

Warum proprietär für KI-Startups nicht gleichbedeutend mit wettbewerbsfähig ist

Die Gleichsetzung proprietärer Modelle mit einem strategischen Vorteil hat einige grundlegende Schwächen:

• Die Performance skaliert nicht mit den Kosten. Ein eigenes Modell zu trainieren mag reizvoll klingen, doch wer nicht in großem Maßstab operiert, verbrennt damit meist nur mehr Kapital, was die Profitabilität gerade von Startups belasten kann, und das für Ergebnisse, die hinter offenen Alternativen zurückbleiben. Bei der Bewertung solcher Vorhaben müssen Unternehmen zudem sowohl Umsatz als auch Ertrag im Blick behalten.
• Modelle werden zur Infrastruktur. Die heute leistungsstärksten Modelle, etwa GPT-4, Claude, Mistral oder LLaMA, sind über APIs oder als Open-Weight-Veröffentlichung breit zugänglich. Ihre Fähigkeiten entwickeln sich schneller, als die meisten Startups Schritt halten können.
• Den meisten Nutzern ist es egal. Sie wollen Zuverlässigkeit, Geschwindigkeit und Ergebnisse. Ob diese aus dem eigenen Modell oder dem eines anderen stammen, ist gleichgültig, solange die Aufgabe gut erledigt wird.
• Das eigene Modell zu trainieren erfordert erhebliche Investitionsausgaben. Die Investitionen in Hardware, Daten und Entwicklungsressourcen können beträchtlich ausfallen, was diesen Weg für die meisten Unternehmen zu einer echten Hürde macht.

Ein Beispiel: Ein Produktivitätstool, das lange Dokumente mit GPT-4 zusammenfasst, gewinnt nicht, weil es ein eigenes LLM entwickelt hat. Es gewinnt, weil es sich nahtlos in Dropbox einfügt, Zusammenfassungen per Klick liefert und sich die Vorlieben der Nutzer merkt. Das ist Workflow-Wert, keine Modellerfindung.

Eine belastbare Bewertung analysiert in solchen Fällen oft den Unternehmenswert im Verhältnis zu Umsatz und Ertrag und stellt sicher, dass Investitionen in proprietäre Technik zu messbaren Geschäftsergebnissen führen und nicht nur zu einer aufgeblähten Marktwahrnehmung. Der Wert eines Unternehmens ergibt sich aus dem Zusammenspiel von Innovation, Marktchance und greifbaren Ergebnissen.

Wann eigene Modelle strategisch sinnvoll sind

Das heißt nicht, dass Modellentwicklung immer ein Fehler ist. In manchen Situationen ist sie genau der richtige Schritt. Unternehmen prüfen daher oft, ob eine Investition in eigene Modelle zu ihren strategischen Zielen und ihrem langfristigen Wert passt:

• Strenge regulatorische Vorgaben: In Bereichen wie dem Gesundheitswesen oder der Verwaltung, wo die strikte Kontrolle über Daten nicht verhandelbar ist, wird der Besitz der gesamten Pipeline (einschließlich des Modells) zur Pflicht.
• Domänenspezifische Sonderfälle: Wer in einem sehr engen Feld arbeitet, etwa in der frühen Wirkstoffforschung oder der geologischen Analyse, erhält von öffentlichen Modellen möglicherweise keine genauen oder brauchbaren Ergebnisse.
• Echte proprietäre Daten: Wer über einen Datensatz verfügt, den sonst niemand nachbilden kann, kann durchaus in ein schlankes, darauf feinabgestimmtes Modell investieren, nicht der Leistung, sondern der Kontrolle wegen.
• Kosten-/Latenzoptimierung bei großem Maßstab: Für Unternehmen, die täglich Millionen Anfragen verarbeiten, kann es finanziell sinnvoll sein, von der API-basierten Abrechnung auf selbst gehostete Inferenz umzusteigen, allerdings erst, nachdem der Product-Market-Fit erreicht ist.

Um solche Entscheidungen zu bewerten, muss man oft die künftigen Cashflows prognostizieren und abschätzen, ob die anfänglichen Investitionen durch spätere Einsparungen im Betrieb oder zusätzliche Umsätze mehr als aufgewogen werden, in der Regel mit einer DCF- oder einer multiplikatorbasierten Methode.

Überlegungen zu Skalierung und Wachstum: Bei der Bewertung eigener Modelle sind Umsatzwachstum und Marktdurchdringung zentrale Faktoren für den Wert eines Unternehmens, gerade in Bereichen, in denen das künftige Potenzial die aktuellen Finanzkennzahlen überwiegen kann.

Doch das sind die Ausnahmen. Die meisten Unternehmen, die behaupten, sie entwickelten „ihr eigenes Foundation Model“, fallen in keine dieser Kategorien. Sie bauen es aus Prestige, nicht aus Notwendigkeit.

Wo der wahre Hebel liegt: Anwendung, nicht Infrastruktur

Statt technischer Komplexität hinterherzujagen, konzentrieren sich die erfolgreichsten KI-Startups ganz unaufgeregt auf etwas anderes: die Vorherrschaft im Workflow. Sie treiben Innovation voran und zeigen das transformative Potenzial der KI, indem sie verändern, wie Unternehmen arbeiten und im Wettbewerb bestehen.

Sie trainieren keine Modelle mit Milliarden Parametern. Sie betten Intelligenz in ganz konkrete Anwendungsfälle ein und bringen die Technologie so über Branchen und Sektoren hinweg voran. Solche Anstrengungen prägen das gesamte KI-Ökosystem. KI-getriebene Innovationen verändern Branchen wie das Gesundheitswesen, das Finanzwesen und die Cybersicherheit von Grund auf.

Beispiele aus der Praxis:

• Ein KI-Tool für den Rechtsbereich, das Anwälten unter britischer Gerichtsbarkeit Risikoklauseln markiert und damit spezialisierte Dienste für Rechtsexperten bietet.
• Eine Marketingplattform, die Produktbeschreibungen erstellt, den passenden Tonfall trifft und sich direkt mit einem Shopify-Backend synchronisiert, sodass Unternehmen mit Machine Learning effizient hochwertige Inhalte erzeugen können.
• Ein System zur Vertragsprüfung, das Abweichungen bei Lieferanten anhand der Beschaffungsrichtlinie erkennt, nicht nur anhand von Sprachmustern, und dabei sensible Daten durch robuste Maßnahmen zur Netzwerksicherheit schützt.

Diese Unternehmen gewinnen, weil sie genau verstehen, was ihre Nutzer brauchen, und weil sie ganze Systeme darauf ausrichten, nicht nur einzelne Ausgaben. Ihre Lösungen verändern das jeweilige Feld und setzen neue Branchenstandards.

Die „Wrapper“-Debatte ist eine Ablenkung

Es kursiert viel abfälliges Gerede darüber, KI-Produkte seien „nur Wrapper“ um öffentliche Modelle. Doch das ist eine sehr oberflächliche Sicht auf Produktdesign.

Die meisten erfolgreichen Tech-Produkte sind Wrapper um irgendetwas:

• Eine Mitfahr-App legt Logistik und Zahlungsabwicklung um das GPS eines Smartphones.
• Ein CRM legt Kommunikationswerkzeuge und Vertriebslogik um eine Datenbank.
• Ein Designtool legt die Nutzereingaben um eine Rendering-Engine.

In der KI kommt es nicht darauf an, ob man ein Modell umhüllt, sondern wie gut man es tut. Entscheidend ist, sich auf das zu konzentrieren, was echten Wert schafft: das Einbinden von Fachwissen, die Ausrichtung auf die Bedürfnisse der Nutzer und die nahtlose Integration in den Workflow.

Eine dünne Schicht ohne Kontext und ohne Rückkopplung? Das ist nur eine Demo. Eine durchdachte Schicht, die Fachwissen abbildet, die Entscheidungen der Nutzer erleichtert und sich in echte Arbeitsabläufe einfügt? Das ist ein Geschäft.

Die Bedeutung von Design, Nutzererlebnis und Risikomanagement lässt sich hier gar nicht überschätzen. Ein wirksamer Umgang mit Risiken, etwa das Eindämmen von Halluzinationen und die Einhaltung regulatorischer Vorgaben, schafft Vertrauen, und Vertrauen ist einer der wichtigsten Werttreiber für KI-Unternehmen.

Ein Beispiel: Notion AI ist nicht deshalb verteidigbar, weil es über einzigartige Modelle verfügt, denn das tut es nicht. Es ist verteidigbar, weil das Unternehmen ein ohnehin bindungsstarkes Produkt um hilfreiche KI-Funktionen erweitert, die die Nutzer genau dort unterstützen, wo sie schreiben, denken und planen.

Wie man Verteidigbarkeit aufbaut, ohne ein eigenes Modell zu besitzen

Hier setzen die klugen KI-Startups an:

• Workflow-Tiefe: zu verstehen, was der Nutzer wirklich erreichen will, nicht nur, welchen Button er anklickt.
• Zuverlässigkeitsschichten: Modelle mit Regeln, Prüfungen und Rückfallmechanismen zu umgeben, um Halluzinationen zu verhindern und die Genauigkeit zu erhöhen.
• Tempo bis zur Erkenntnis: nicht nur Inhalte zu erzeugen, sondern den Nutzern zu helfen, datenbasierte und fundierte Entscheidungen schneller und mit mehr Sicherheit zu treffen.
• Vertrauen und Iteration: das Vertrauen der Nutzer zu gewinnen, indem man ihr Problem immer wieder löst, und erst dann, wenn dieses Vertrauen steht, das Angebot auszuweiten.

Unternehmen, die sich Zugang zu proprietären Datensätzen oder spezialisierten Technologieplattformen sichern, können ihre Verteidigbarkeit weiter stärken und ihre Bewertung anheben. Der Zugang zu einzigartigen Ressourcen, etwa großen Datensätzen oder spezialisierten Datenbanken, ist für Investoren bei der Bewertung von KI-Startups oft ein entscheidendes Unterscheidungsmerkmal.

Solche Strategien verbessern nicht nur den Product-Market-Fit, sie zeigen Investoren auch einen klaren Weg zu nachhaltigem Wachstum und einer höheren Bewertung auf. Investoren gewichten Belege für wiederkehrende Umsätze, Kundenbindung und Wachstumskurs stark, denn sie sind die Grundlage für die Bewertungsmultiplikatoren und die Attraktivität eines Investments.

Die richtige Frage lautet nicht „Was können wir bauen?“, sondern „Was sollten wir lieber lassen?“

Startups müssen nicht mit einem tiefen IP-Stapel beeindrucken. Sie müssen Wert elegant und effizient liefern. Bei der Entscheidung, ob man proprietäre Modelle baut, kommt es darauf an, den Blick auf echte Chancen und strategisch wirklich relevante Bereiche zu richten.

Wer erwägt, ein eigenes Modell zu bauen, sollte innehalten und sich fragen:

• Tun wir das, weil es das Produkt besser macht, oder weil es unser Pitch Deck stärker aussehen lässt?
• Könnten wir schneller, günstiger und zuverlässiger liefern, wenn wir Standardmodelle nutzen und uns auf das Systemdesign konzentrieren?
• Bringt diese Investition unsere Nutzer voran, oder nur unser Ego?

Denken Sie daran: Investoren zahlen für Startups mit klaren strategischen Vorteilen oder transformativem Potenzial durchaus einen Aufschlag, vor allem, wenn belastbare Finanzmodelle wie eine DCF-Bewertung oder der Vergleich mit ähnlichen KI-Transaktionen dies untermauern.

Besitzen Sie das Ergebnis, nicht das Modell

Das Wichtigste, was ein KI-Startup tun kann, ist, das Modell unsichtbar zu machen. Nutzer wollen nicht über Gewichte, Tokens oder Schichten nachdenken, sie wollen Probleme lösen.

Überlassen Sie den Laboren den Bau der Infrastruktur. Ihr Startup soll das Ergebnis besitzen.

Marktanalyse und Recherche: Das Spielfeld verstehen

In der schnelllebigen Welt der künstlichen Intelligenz sind Marktanalyse und Recherche kein bloßes Beiwerk, sondern überlebenswichtig für den Erfolg. Für KI-Startups wie für etablierte Unternehmen bedeutet, das Spielfeld zu verstehen, mehr als nur die Wettbewerber zu beobachten: Es geht darum, die Marktdynamik zu entschlüsseln, Bewertungstrends zu erkennen und zu erahnen, woher die nächste Wachstumswelle kommt.

Investoren stützen sich auf eine gründliche Analyse von Bewertungs- und Umsatzmultiplikatoren und weiteren Finanzkennzahlen, um die Bewertung eines Unternehmens und sein künftiges Wachstumspotenzial einzuschätzen. Der Zugang zu umfassenden Informationen, zu Namen, Nischen, Transaktionsdetails, Bewertungsmultiplikatoren, Transaktionsgrößen, Angaben zu Käufern und Zielunternehmen sowie zu Brancheneinblicken, ist für einen präzisen Vergleich und eine belastbare Analyse entscheidend. Wer die Markttrends im KI-Ökosystem genau verfolgt, gewinnt wertvolle Erkenntnisse, die von der Produktstrategie bis zur Finanzierungstaktik alles beeinflussen.

Dieser datenbasierte Ansatz hilft Unternehmen, sich für höhere Bewertungen zu positionieren und Investitionschancen zu nutzen, bevor der übrige Markt sie erkennt. Er ermöglicht zugleich eine bessere Risikoeinschätzung und hilft, Gefahren durch Marktschwankungen oder regulatorische Änderungen abzufedern. Allerdings bleibt es weit schwieriger, verlässliche Informationen von privaten als von börsennotierten Unternehmen zu erhalten, weil diese weniger offenlegen und weniger Daten verfügbar sind.

Der Sektor der künstlichen Intelligenz entwickelt sich in atemberaubendem Tempo, ständig entstehen neue Technologien und Geschäftsmodelle. Größere Transaktionen im KI-Sektor können neue Maßstäbe für Bewertungsmultiplikatoren setzen und die Investitionsstrategien der gesamten Branche prägen. Unternehmen, die gründliche Marktforschung ernst nehmen, können Verschiebungen im Sektor besser vorhersehen, sich an veränderte Kundenbedürfnisse anpassen und kostspielige Fehltritte vermeiden. Letztlich ist ein sicheres Gespür für Marktanalyse für jedes Unternehmen entscheidend, das in der KI führend sein will, denn es hilft Gründern wie Investoren, fundierte Entscheidungen zu treffen, die Wachstum vorantreiben und den Wert maximieren.

Risikobewertung und -management in KI-Startups

Im KI-Sektor tätig zu sein heißt, sich in einem Umfeld aus hohem Wachstum und hohem Risiko zu bewegen. Für KI-Startups sind eine wirksame Risikoeinschätzung und ein wirksames Risikomanagement nicht optional, sondern grundlegend für den langfristigen Erfolg. Investoren und Gründer müssen über den Hype hinausblicken und das Geschäftsmodell, den Umsatzwachstumskurs und das Wettbewerbsumfeld eines Unternehmens streng prüfen.

Eines der wirkungsvollsten Werkzeuge dafür ist die DCF-Bewertung, mit der sich der Barwert eines Unternehmens auf Basis der erwarteten künftigen Cashflows schätzen lässt. Dieser Ansatz macht sowohl das Aufwärtspotenzial als auch die Risiken greifbar und bezieht alles von Investitionsausgaben bis zu Marktschwankungen ein.

Mit der DCF-Bewertung und weiteren Finanzkennzahlen können Unternehmen und Investoren klügere, datenbasierte Entscheidungen darüber treffen, wo sie Kapital einsetzen und wie sie den Wert maximieren.

Risikomanagement in der KI bedeutet auch, potenzielle Gefahren frühzeitig anzugehen, seien es Schwachstellen in der Netzwerksicherheit, regulatorische Änderungen oder plötzliche Verschiebungen der Marktnachfrage. Wachstumsstarke Unternehmen mit robusten Risikomanagementstrategien können Unsicherheit besser überstehen und neue Chancen nutzen, sobald sie sich bieten. Auch der gezielte Zukauf von Rechenzentren und KI-Infrastruktur kann ein wirksames Mittel sein, um Risiken zu steuern und Wachstum zu beschleunigen, denn solche aufsehenerregenden Transaktionen treiben oft Innovation voran und formen die Branchenlandschaft neu. In einem Sektor, in dem viel auf dem Spiel steht und das Tempo unerbittlich ist, ist ein disziplinierter Umgang mit Risiken das, was die Gewinner vom Rest unterscheidet.

Warum Sie für Ihr KI-Unternehmen einen Technologie-M&A-Berater brauchen

Den Überblick über KI-Bewertungen zu behalten, liefert wertvolle Einblicke in die Markttrends und hilft Ihnen, Ihre Exit-Strategie richtig zu terminieren. Doch jedes Unternehmen ist einzigartig, so wie der Weg jedes Gründers einzigartig ist. Deshalb ist es entscheidend, sich von Fachleuten für KI-M&A beraten zu lassen, insbesondere von M&A-Beratern, die auf den Technologiesektor spezialisiert sind und Ihre besondere Situation verstehen.

Technologie-M&A-Berater verfügen über tiefes Wissen zu Marktdynamiken, Bewertungsmethoden und den Feinheiten des M&A-Prozesses. Während Sie sich auf die Führung Ihres Unternehmens konzentrieren, sorgen die Berater gewissenhaft dafür, dass jedes Detail berücksichtigt wird, und setzen sich in Ihrem Namen für den bestmöglichen Deal ein. Der Erfolg von Technologie-M&A-Beratern ist mit Ihrem verbunden, und ihre Expertise kann den endgültigen Verkaufspreis oft erheblich beeinflussen.

Über Aventis Advisors

Aventis Advisors ist ein M&A-Berater mit Fokus auf Technologie- und Wachstumsunternehmen. Wir sind überzeugt, dass die Welt mit weniger (aber qualitativ besseren) M&A-Deals besser dran wäre, die zum richtigen Zeitpunkt für das Unternehmen und seine Eigentümer abgeschlossen werden. Unser Ziel ist eine ehrliche, erkenntnisgetriebene Beratung, die unseren Kunden alle Optionen klar aufzeigt, einschließlich der, den Status quo zu wahren.

Nehmen Sie Kontakt mit uns auf um zu besprechen, wie viel Ihr Unternehmen wert sein könnte und wie Sie die Bewertung maximieren.