7 Minuten
Einführung
Der Hype um generative KI hat sich abgekühlt, und damit kommt eine harte Erkenntnis für viele junge Unternehmen: Nicht jedes Geschäftsmodell, das auf großen Sprachmodellen basiert, wird überleben. Die Frage ist jetzt schlicht und brutal — wer hat eine echte Schutzmauer?
Welche Startup-Typen stehen unter Druck?
Darren Mowry, ein leitender Manager bei Google, identifiziert zwei Startup-Archetypen, die derzeit besonders unter Druck geraten: LLM-Wrappers und Multi-Model-Aggregatoren. Beide surften auf der Welle des einfachen Zugangs zu Foundation-Models, doch dieser Rückenwind verflüchtigt sich rapide.
LLM-Wrappers
LLM-Wrappers sind die aufgeräumten Produktlayer und Benutzeroberflächen, die auf Drittanbieter-Modellen aufbauen. Man denke an eine App, die Schülern beim Lernen hilft, oder an einen Coding-Assistenten, der auf einem großen Modell eines Anbieters aufsetzt, aber einen maßgeschneiderten Workflow ergänzt. Solche Produkte wirken anfangs oft wertvoll: Sie lassen sich schnell ausliefern, ziehen Nutzer an und sehen für Investoren attraktiv aus. Wenn aber das Einzige, was ein Startup besitzt, eine schönere Benutzeroberfläche ist, dann ist der tatsächliche Besitzwert gering.
Die Grenzen dieser Strategie sind technischer, wirtschaftlicher und vertraglicher Natur. Technisch lässt sich eine Oberfläche relativ leicht kopieren oder durch direkte Integrationen der großen Modellanbieter ersetzen. Ökonomisch sind die Margen begrenzt, wenn das Unternehmen nicht über proprietäre Daten, optimierte Infrastruktur oder exklusive Integrationen verfügt. Vertraglich stehen viele Wrapper-Startups vor der Herausforderung, dass sie weder die Modelle noch kritische Daten kontrollieren und damit wenig Hebel gegenüber Plattformanbietern haben.
Wann ein Wrapper trotzdem bestehen kann
Ausnahmen bestätigen die Regel: Startups wie Cursor (Developer-Tools) oder Harvey (Legal Tech) haben in tiefe, verteidigungsfähige geistige Eigentumsrechte investiert — sei es durch proprietäre Daten, branchenspezifisches Fachwissen, feinabgestimmte Modelle oder einzigartige Integrationen. Diese Elemente erzeugen Durability. Solche Unternehmen haben nach innen gebaut: sie sammelten domänenspezifisches Wissen, bauten proprietäre Daten-Pipelines auf und verhandelten echte Enterprise-Verträge. Nicht jeder Gründer ist bereit oder in der Lage, diese schwere Arbeit zu leisten.
Strategien zur Schaffung einer echten Schutzmauer
- Proprietäre Daten: Aufbau und Kuratierung von Daten, die Wettbewerber nicht ohne weiteres reproduzieren können.
- Feinabstimmung & Modelle: Feinabgestimmte Modelle, spezialisierte Embeddings und Domain-adaptierte Pipelines.
- Integrationen: Tiefe Systemintegrationen mit Unternehmenssoftware (CRM, ERP, E-Mail-Infrastruktur) statt oberflächlicher APIs.
- Vertrags- und Service-Level-Vereinbarungen: SLA, Compliance (z. B. SOC2), On-Prem-Optionen und Garantien.
- Netzwerkeffekte: Plattformfunktionen, die mit wachsender Nutzerbasis wertvoller werden (z. B. geteilte Annotationen, kollektive Taxonomien).
Multi-Model-Aggregatoren
Aggregatoren sind Plattformen, die eine einzige API oder Schnittstelle für mehrere zugrundeliegende Modelle anbieten. Auf Papier löst Aggregation Fragmentierung: Kunden erhalten Zugriff auf Auswahl, Ausfallsicherheit und Kostenoptimierung durch Modell-Vergleiche. Einige Anbieter wie Perplexity und OpenRouter haben echten Mehrwert geschaffen, indem sie Monitoring, Routing-Logik und Observability integriert haben. Solche Funktionen sind für Entwickler und Unternehmen attraktiv, die Modell-Performance, Kosten und Latenz verwalten wollen.
Doch die Geschäftsrealität ist hart: Wenn die großen Modellanbieter selbst enterprise-taugliche Features, flexible Preisgestaltung und umfassende SLAs ausrollen, schrumpft die Marge für Mittelsmänner. Warum sollte ein Unternehmen für einen Zwischenhändler zahlen, wenn ein großer Anbieter ein schlüsselfertiges Enterprise-Stack samt Support, Konnektoren und Preismodellen liefern kann? Das Risiko für Aggregatoren ist, dass sie in einen reinen Preiskampf gedrängt werden oder nur noch Commodity-Services bieten.
Wertschöpfung durch Aggregation — wann es funktioniert
Aggregation kann dann langfristig funktionieren, wenn folgende Bedingungen erfüllt sind:
- Spezialisierte Routing-Logik: Dynamische Auswahl des besten Modells pro Anfrage basierend auf Kosten, Latenz und Qualitätsmetriken.
- Observability & Governance: Detaillierte Metriken, Audit-Trails und Datengovernance, die native Anbieter nicht in gleicher Tiefe bieten.
- Hybrid- und On-Prem-Optionen: Orchestrierung zwischen Cloud- und On-Prem-Modellen für regulierte Branchen.
- Kosten- und Risikomanagement: Tools zur Kostenallokation, Budgetkontrolle und Ausfallabsicherung.
Wenn Aggregatoren diese Mehrwerte nicht liefern, ist ihre langfristige Existenz gefährdet — besonders angesichts eines Marktes, in dem Anbieter ihre eigenen Enterprise-Funktionen schnell erweitern.
Parallelen zur frühen Cloud-Ära
Die Analogien zur Anfangszeit der Cloud-Entwicklung sind auffällig: Damals versuchten viele Startups, generische Infrastruktur-Brokers zu sein. Mit der Zeit überlebten hauptsächlich die Unternehmen, die sich auf Sicherheit, Migration und fein abgestimmte vertikale Dienste konzentrierten. Das gleiche Muster zeigt sich nun in der KI-Landschaft: Spezialisierung und verteidigungsfähige Assets gewinnen gegenüber dünnen Wrappern und einfachen Fügungs‑Layern an Bedeutung.
Wesentliche Lernpunkte aus der Cloud-Phase sind:
- Generische Vermittlungsdienste haben einen sehr niedrigen Eintrittsbarriere‑Nachteil.
- Vertikale Fokussierung schafft tiefere Integrationen und höhere Willingness-to-Pay seitens der Kunden.
- Langfristiger Wert entsteht durch Betriebsexzellenz, Compliance und nachgewiesene Wirtschaftlichkeit.
Handlungsoptionen für Gründer
Für Gründer ist dies ein strategischer Scheidepunkt: Baut man ein Produkt mit echtem geistigem Eigentum und tiefer Kundenintegration, oder setzt man auf eine schnelle Oberfläche, die auf dem Modell eines Dritten aufsitzt? Investoren stellen bereits die unbequemen Fragen zu Moats, Margen und langfristigem Wert.
Konkrete Optionen:
- Auf Vertikalisierung setzen: Tiefe Branchenexpertise und Workflows statt universeller Tools.
- In Dateninfrastruktur investieren: Proprietäre Annotierungsprozesse, Datenbereinigung und sichere Pipelining-Systeme aufbauen.
- Technische Differenzierung: Optimierung für Latenz, Kosten und Genauigkeit sowie hybride Bereitstellungsmodelle.
- Verträge & Compliance: Enterprise-Verträge verhandeln, Zertifizierungen erwerben und Datenschutz garantieren.
- Partnerschaften & Ökosystem: Integrationen und Partnerschaften schaffen, die einen Lock-in-Effekt unterstützen.
Technische Maßnahmen für dauerhafte Differenzierung
Proprietäre Daten und Feinabstimmung
Echter Wettbewerbsvorteil entsteht häufig durch exklusive Daten oder Prozesse zur Datengenerierung und -anreicherung. Fine-Tuning, Retrieval-Augmented Generation (RAG), domänenspezifische Embeddings und kontinuierliches Lernen aus Nutzersignalen erhöhen die Eintrittsbarriere. Unternehmen sollten in Data-Labeling-Pipelines, Qualitätssicherung und Versionierung investieren sowie rechtliche und ethische Richtlinien für die Nutzung dieser Daten implementieren.
MLOps, Observability und Kostensteuerung
Enterprise-Kunden verlangen Transparenz: Warum beantwortet das Modell eine Frage so? Wie lassen sich Ausreißer und Halluzinationen nachverfolgen? Robust implementierte MLOps-Plattformen mit Telemetrie, Modell-Monitoring, Drift-Detektion und automatischen Retrainings sind heute kein Luxus, sondern Voraussetzung. Hinzu kommen Tools zur Kostenoptimierung — z. B. Model-Slicing, Dynamic Routing und Spot-Load-Balancing — die langfristig die Rentabilität sichern.
Sicherheit, Compliance & vertragliche Garantien
Für Enterprise-Verträge sind Sicherheitszertifikate (SOC2, ISO 27001), Datenschutzkonzepte (DSGVO-konform), Datenisolierung, Verschlüsselung und Optionen für On-Prem- oder Private-Cloud-Bereitstellungen entscheidend. Zusätzlich schaffen detaillierte SLAs, Haftungsregelungen und Support-Modelle Vertrauen und erhöhen die Wechselkosten für Kunden.
Wirtschaftliche und strategische Überlegungen
Die Marktdynamik verschiebt sich von arbitrage-basierten Opportunitäten hin zu engineering- und domain-getriebenem Wettbewerb. Wichtige Fragen, die Investoren und Gründer klären müssen, sind:
- Welches Problem lösen wir tiefergehend als ein generisches Tool?
- Welche dauerhaften Assets bauen wir auf (Daten, Verträge, Integrationen)?
- Wie skalieren wir Vertrieb und Betrieb ohne die Margen zu untergraben?
- Wie schützen wir uns gegen direkte Integration durch große Modellanbieter?
Antworten auf diese Fragen sollten in Roadmaps, Go-to-Market-Plänen und technischen Architekturen verankert sein. Nur so lassen sich glaubwürdige Moats, nachhaltige Margen und langfristiger Unternehmenswert schaffen.
Produkte ohne verteidigungsfähige Schutzmauern und enterprise-taugliche Differenzierung werden die nächste Phase der KI-Reifung nicht überstehen.
Fazit
Die Ära der einfachen Arbitrage ist vorbei; die Ära von Ingenieurskunst, Datenkompetenz und branchenspezifischem Know-how beginnt. Für Gründer heißt das: Entweder Sie investieren in echte Verteidigungsmechanismen — proprietäre Daten, tiefe Integrationen, Compliance und Betriebsreife — oder Sie riskieren, vom Markt verdrängt zu werden, sobald die großen Anbieter Enterprise-Funktionalität standardisieren.
Was wird Ihr Startup wählen?
Quelle: smarti
Kommentar hinterlassen