Weltweite Risikokapitalinvestitionen in KI

Die Risikokapitalinvestitionen in künstliche Intelligenz erreichten im Jahr 2025 ein neues Ausmaß, doch hinter den Schlagzeilen verbirgt sich ein Markt, der sich zunehmend auf eine kleine Gruppe von Unternehmen konzentriert. Nach Angaben der OECD zogen KI-Unternehmen im Laufe des Jahres $258,7 Mrd. an, was 61 Prozent aller weltweiten Risikokapitalinvestitionen entspricht. Der Marktanteil der KI hat sich seit 2022, als er noch bei etwa 30 Prozent lag, mehr als verdoppelt, doch ein Großteil des neuen Kapitals floss in Entwickler von Grundmodellen und Infrastrukturunternehmen, die Milliarden von Dollar benötigen, um wettbewerbsfähig zu bleiben.

Dieser Anstieg spiegelt echte technologische Fortschritte und eine starke Nachfrage von Unternehmen wider, die darauf abzielen, Softwareentwicklung, Forschung, Kundenservice und Verwaltungsaufgaben zu automatisieren. Er spiegelt zudem einen Investitionszyklus wider, in dem eine begrenzte Anzahl von Unternehmen ungewöhnlich hohe Finanzierungsrunden zu Bewertungen durchführt, die auf Erwartungen einer zukünftigen Marktdominanz basieren. Die zentrale Frage ist nicht mehr, ob Risikokapitalgeber KI für wichtig halten. Es geht vielmehr darum, ob die mit KI-Produkten erzielten Einnahmen letztendlich das Kapital rechtfertigen können, das für die Entwicklung von Modellen, den Erwerb von Rechenkapazitäten und den Betrieb von Rechenzentren erforderlich ist.

Für Investoren stellt der Markt eine schwierige Kombination aus technologischem Potenzial und finanzieller Konzentration dar. Eine erfolgreiche KI-Plattform könnte Millionen von Nutzern bedienen und fest in Unternehmensabläufe integriert werden, doch viele Start-ups sind auf externe Modellanbieter, teure Recheninfrastruktur und Kunden angewiesen, deren Zahlungsbereitschaft ungewiss bleibt. Risikokapital finanziert einen umfassenden technologischen Wandel, auch wenn die späteren Renditen möglicherweise weitaus weniger breit gestreut sein werden als die Finanzmittel.

KI hat sich von Forschungsinvestitionen zu einem kapitalintensiven Wettbewerb entwickelt

Künstliche Intelligenz zieht schon seit Jahrzehnten private Investitionen an, doch die wirtschaftlichen Rahmenbedingungen änderten sich, als maschinelles Lernen in einem breiteren Spektrum von Anwendungsbereichen kommerziell nutzbar wurde. Frühere, durch Risikokapital finanzierte Unternehmen konzentrierten sich oft auf eng gefasste Anwendungsbereiche wie Betrugserkennung, Empfehlungssysteme, Werbung oder industrielle Analytik. Ihre Produkte erforderten zwar unter Umständen spezialisiertes Fachwissen, aber nicht unbedingt die Rechenressourcen, die heute mit großen generativen Modellen verbunden sind.

Die Entwicklung des Deep Learning, die Verfügbarkeit großer Datensätze und Verbesserungen bei Spezialchips erweiterten die Möglichkeiten von KI-Systemen. Investoren begannen, Unternehmen zu unterstützen, die maschinelles Lernen in den Bereichen Gesundheitswesen, Finanzen, Logistik und Cybersicherheit einsetzten, während große Technologiekonzerne ihre Ausgaben für interne Forschung und Übernahmen erhöhten.

Die Übernahme von DeepMind durch Google im Jahr 2014 wurde zu einem wichtigen Beispiel für den strategischen Wert, der der fortgeschrittenen KI-Forschung beigemessen wurde. DeepMind hatte zwar noch kein herkömmliches Massenmarktprodukt entwickelt, doch seine Forschungskapazitäten und sein wissenschaftliches Potenzial wurden als so wertvoll erachtet, dass die Übernahme durch eines der weltweit größten Technologieunternehmen gerechtfertigt war. Zu den nachfolgenden Projekten des Unternehmens gehörten Systeme zur Vorhersage von Proteinstrukturen, zur Energieeffizienz und zum universellen maschinellen Lernen.

Die Einführung allgemein zugänglicher generativer KI-Systeme löste einen weiteren Wandel aus. Verbraucher und Unternehmen konnten nun direkt mit Modellen interagieren, die in der Lage waren, Texte, Bilder, Computercode und Analysen zu erzeugen. Diese Sichtbarkeit ermutigte Unternehmen aus allen Wirtschaftsbereichen, KI-Tools zu testen, und veranlasste Investoren dazu, weitaus größere Summen in die Unternehmen zu investieren, die die zugrunde liegenden Modelle entwickelten.

Im Gegensatz zu vielen früheren Softwareunternehmen benötigen Entwickler von Grundmodellen erhebliche Rechenkapazitäten, bevor sie sich eine stabile Marktposition sichern können. Das Trainieren komplexer Modelle kann große Cluster spezialisierter Prozessoren erfordern, während die Bedienung von Millionen von Nutzern laufende Kosten für die Inferenz verursacht. Aufgrund dieser Kapitalintensität haben sich Teile des KI-Marktes stärker in Richtung Infrastrukturfinanzierung als in Richtung traditionelles Software-Risikokapital verschoben.

Das Finanzierungswachstum hat sich stark konzentriert

Das Ausmaß der KI-Risikokapitalinvestitionen im Jahr 2025 lässt sich nicht verstehen, ohne die Verteilung des Kapitals zu betrachten. Eine Analyse der OECD ergab, dass Transaktionen im Wert von über $100mn etwa 73 Prozent der gesamten KI-Risikokapitalinvestitionen ausmachten. Das bedeutet, dass die Gesamtmarktzahl überproportional durch große Finanzierungsrunden getrieben wurde und nicht durch ein gleichmäßiges Wachstum über Tausende von Unternehmen in der Frühphase.

OpenAI, Anthropic, xAI, Scale AI und mehrere andere namhafte Unternehmen haben im Laufe des Jahres Finanzierungsrunden in Höhe von mehreren Milliarden Dollar abgeschlossen. Laut Crunchbase sicherten sich allein diese fünf Unternehmen rund $84bn, was etwa einem Fünftel aller weltweiten Risikokapitalfinanzierungen im Jahr 2025 entspricht. Diese Konzentration ist selbst für die Verhältnisse einer Branche ungewöhnlich, in der erfolgreiche Unternehmen schon immer einen großen Teil des verfügbaren Kapitals auf sich gezogen haben.

Investoren gehen strategisch davon aus, dass eine kleine Anzahl von Modellanbietern durch Skaleneffekte, Daten, Vertriebskanäle und den Zugang zu Rechenkapazitäten nachhaltige Wettbewerbsvorteile entwickeln könnte. Sobald ein Modell in Arbeitsplatzsoftware, Entwicklertools und Verbraucherdienste integriert ist, können die Wechselkosten steigen, und der Anbieter erhält möglicherweise Zugang zu Nutzungsdaten, die zur Verbesserung künftiger Produkte beitragen.

Diese Konzentration birgt finanzielle Risiken. Ein Unternehmen, das bei einer hohen Bewertung Milliarden einnimmt, muss letztendlich außergewöhnliche Umsätze erzielen oder eine marktbeherrschende strategische Position erreichen. Wenn sich die Modellleistung der verschiedenen Anbieter immer mehr angleicht, könnten Kunden zu günstigeren Alternativen wechseln und damit die in den aktuellen Bewertungen zugrunde gelegte Preissetzungsmacht schmälern.

Große Finanzierungsrunden können zudem die Lage in anderen Bereichen des Venture-Marktes verschleiern. Unternehmen in der Frühphase könnten Schwierigkeiten haben, Kapital zu beschaffen, sofern sie keinen klaren technischen Vorteil, keinen Zugang zu proprietären Daten oder keine rasche kommerzielle Akzeptanz nachweisen können. Die Erwähnung von KI in einer Produktbeschreibung reicht nicht mehr aus, wenn Investoren das Unternehmen mit Hunderten ähnlicher Unternehmen vergleichen können.

Die Vereinigten Staaten behalten einen erheblichen Vorteil

Die Vereinigten Staaten sind nach wie vor das wichtigste Ziel für privates KI-Kapital. Dort vereinen sich etablierte Risikokapitalfonds, große Cloud-Anbieter, führende Universitäten, Fachwissen im Halbleiterbereich und ein großer Markt von Technologieabnehmern aus der Wirtschaft. Diese Faktoren verstärken sich gegenseitig: Start-ups können erfahrene Forscher einstellen, Rechenkapazitäten nutzen und Produkte an Unternehmen verkaufen, die bereits daran gewöhnt sind, neue Software einzuführen.

Laut dem AI Index der Stanford University beliefen sich die privaten KI-Investitionen in den USA im Jahr 2024 auf $109,1 Mrd., was fast dem Zwölffachen des entsprechenden Wertes für China entspricht. Aktuellere Zahlen der OECD für das Jahr 2025 bestätigen, dass nordamerikanische Unternehmen weiterhin die weltweite Venture-Capital-Aktivität dominierten, insbesondere bei Transaktionen im Bereich großer Modelle und Infrastruktur.

China hat bedeutende KI-Kapazitäten aufgebaut, unterstützt durch große Technologieunternehmen, Forschungseinrichtungen und die Industriepolitik der Regierung. Chinesische Unternehmen sehen sich beim Zugang zu den modernsten, in den USA entwickelten Chips mit Einschränkungen konfrontiert, was Investitionen in heimische Hardware und recheneffizientere Modelle gefördert hat. Das Aufkommen wettbewerbsfähiger chinesischer Systeme hat die Annahme in Frage gestellt, dass nur Unternehmen mit den größten US-amerikanischen Forschungsbudgets leistungsfähige Modelle entwickeln können.

Europa verfügt über starke Forschungsuniversitäten und spezialisierte Unternehmen, doch sein KI-Venture-Markt ist nach wie vor kleiner und fragmentierter. Das französische Unternehmen Mistral AI hat große Finanzierungsrunden angezogen und sich als europäischer Anbieter von Grundmodellen positioniert, während Unternehmen aus den Bereichen Gesundheitswesen, Verteidigung, Industrietechnik und Unternehmenssoftware zunehmend das Interesse der Investoren auf sich ziehen. Dennoch sieht sich Europa mit einem Mangel an Kapital für Spätphasen, höheren Rechenkosten und einem weniger integrierten Markt als in den Vereinigten Staaten konfrontiert.

Die geografische Kluft ist nicht nur ein Maß für technische Kompetenz. Sie spiegelt den Zugang zu Kunden, Kapitalmärkten, Cloud-Infrastruktur und erfahrenen Managementteams wider. Länder, die eine eigene KI-Industrie aufbauen wollen, benötigen daher mehr als nur Forschungszuschüsse. Sie benötigen ein umfassendes Umfeld, in dem Unternehmen über das Labor hinaus wachsen und international konkurrieren können.

Foundation-Modelle nehmen die größten Schecks entgegen

Unternehmen, die auf Foundation-Modellen basieren, besetzen den kapitalintensivsten Teil des KI-Marktes. Sie trainieren Allzwecksysteme, die sich an Aufgaben anpassen lassen, die von der Programmierung über die Forschung bis hin zum Kundensupport und der Erstellung von Inhalten reichen. Investoren reizt die Aussicht, dass eine kleine Anzahl von Anbietern zu einer unverzichtbaren Infrastruktur für die digitale Wirtschaft werden könnte.

Das Geschäftsmodell ist noch nicht endgültig festgelegt. Anbieter können Gebühren für Verbraucherabonnements, Unternehmenslizenzen oder die Nutzung über Anwendungsprogrammierschnittstellen erheben. Sie können ihre Modelle auch über Cloud-Plattformen vertreiben oder in Produktivitätssoftware integrieren. Bei mehreren führenden Unternehmen steigen die Umsätze rasant an, doch auch die Betriebs- und Infrastrukturkosten sind beträchtlich.

Der Wettbewerb übt Druck auf beide Seiten der Gewinn- und Verlustrechnung aus. Modelle müssen regelmäßig verbessert werden, um attraktiv zu bleiben, was kontinuierliche Investitionen in Forschung und Rechenkapazitäten erfordert. Gleichzeitig können Open-Source- und kostengünstigere Alternativen die Preise senken und es den Anbietern erschweren, Kunden allein durch die Qualität ihrer Modelle zu binden.

Ein auf einem Grundmodell basierendes Unternehmen benötigt daher möglicherweise Vorteile, die über das Modell selbst hinausgehen. Der Vertrieb über eine große Softwareplattform, der Zugang zu Unternehmenskunden, proprietäre Daten und eine effiziente Infrastruktur können ebenso wichtig werden wie die Benchmark-Leistung. Risikokapitalgeber finanzieren damit nicht nur die technische Forschung, sondern auch den Versuch, eine Plattform mit nachhaltiger wirtschaftlicher Stärke aufzubauen.

Die Gefahr einer raschen technologischen Verdrängung bleibt ein zentrales Risiko. Ein Unternehmen kann auf der Grundlage eines führenden Modells Kapital beschaffen, nur um wenige Monate später mit einem Wettbewerber konfrontiert zu werden, der ähnliche Leistungen zu geringeren Kosten anbietet. Umfangreiche Finanzierungsrunden verschaffen Zeit und Ressourcen, garantieren jedoch nicht, dass der Empfänger seine technologische Position behaupten kann.

Anwendungsunternehmen stehen vor einer anderen Herausforderung

Die meisten KI-Start-ups entwickeln keine Grundmodelle. Sie nutzen bestehende Systeme, um Produkte für bestimmte Branchen oder Geschäftsbereiche zu entwickeln. Diese Unternehmen benötigen zwar weniger Kapital und können Kunden möglicherweise schneller erreichen, stehen jedoch vor der Frage, wie sie sich von der Konkurrenz abheben können.

Eine KI-Plattform für den Rechtsbereich kann Anwälten bei der Prüfung von Dokumenten helfen, während eine Anwendung im Gesundheitswesen die klinische Verwaltung oder medizinische Analysen unterstützen kann. Finanzunternehmen können KI für Compliance, Betrugsaufdeckung und Forschung nutzen, und Industrieunternehmen können sie in den Bereichen Instandhaltung und Qualitätskontrolle einsetzen. Die wirtschaftlichen Chancen hängen davon ab, ob das Produkt ein kostspieliges und wiederkehrendes Problem löst.

Anwendungsunternehmen sind anfällig, wenn ihre Hauptfunktion von einem Modellanbieter oder einem etablierten Softwareunternehmen leicht nachgebildet werden kann. Ein Start-up, das lediglich eine dialogorientierte Schnittstelle zu einem bestehenden Prozess hinzufügt, könnte in Schwierigkeiten geraten, sobald ähnliche Funktionen in weit verbreitete Unternehmensplattformen integriert werden.

Unternehmen mit tragfähigen Anwendungsbereichen verfügen mit größerer Wahrscheinlichkeit über spezialisierte Daten, regulatorisches Fachwissen, eine tiefgreifende Workflow-Integration oder vertrauensvolle Beziehungen zu ihren Kunden. Im Gesundheitswesen beispielsweise reicht ein technisch ausgereiftes Modell ohne klinische Validierung, Datenschutzmaßnahmen und Genehmigungsverfahren nicht aus. Im Finanzdienstleistungssektor müssen Produkte die Anforderungen hinsichtlich Compliance, Nachprüfbarkeit und Sicherheit erfüllen.

Auch die Umsatzqualität spielt eine Rolle. Viele Unternehmen haben in den ersten Jahren der Einführung generativer Technologien mit KI experimentiert, doch Pilotprojekte führen nicht immer zu umfangreichen, wiederkehrenden Verträgen. Investoren benötigen zunehmend Belege dafür, dass Kunden ihre Verträge verlängern, die Nutzung ausweiten und messbare finanzielle Vorteile erzielen.

Die Anwendungsschicht könnte letztendlich mehr erfolgreiche Unternehmen hervorbringen als der Markt für Grundmodelle, da die Branchen spezialisierte Werkzeuge und Implementierungen erfordern. Die Renditen werden davon abhängen, ob diese Unternehmen einen dauerhaften Teil der Kundenbeziehung selbst in der Hand haben, anstatt sich vollständig auf Modelle zu verlassen, die von einem anderen Unternehmen bereitgestellt werden.

Infrastruktur wird zum Thema für Risikokapital und Kapitalmärkte

Die Investitionen in KI beschränken sich nicht nur auf Softwareunternehmen. Für das Training und den Betrieb fortschrittlicher Modelle sind Rechenzentren, Spezialchips, Netzwerkausrüstung sowie Energieversorgungs- und Kühlsysteme erforderlich. Das Ausmaß dieses Bedarfs hat Risikokapital, Private-Equity-Fonds, Infrastrukturfonds und große Unternehmensbilanzen auf den Plan gerufen.

Halbleiter-Start-ups versuchen, Alternativen zu den marktbeherrschenden Chipherstellern zu entwickeln oder die Leistung für spezielle Anwendungsfälle zu verbessern. Unternehmen im Bereich Dateninfrastruktur unterstützen Firmen dabei, Informationen für das Training und den Abruf von Modellen zu organisieren, während Überwachungstools Kosten, Sicherheit und Modellleistung im Blick behalten.

Diese Chancen hängen mit dem anhaltenden Wachstum im Bereich der KI-Nutzung zusammen, bergen jedoch andere Risiken als Software-Investitionen. Die Hardware-Entwicklung erfordert hohe Vorabinvestitionen und lange Produktionszyklen. Rechenzentren sind von der Verfügbarkeit von Strom, der Genehmigung von Bauvorhaben, den Baukapazitäten und der langfristigen Kundennachfrage abhängig.

Die Branche sieht sich zudem mit der Gefahr eines Überangebots konfrontiert. Unternehmen und Investoren könnten Infrastruktur auf der Grundlage optimistischer Prognosen zur Modellnutzung errichten, während Verbesserungen bei der Chipeffizienz oder kleinere Modelle den Rechenbedarf senken könnten. Die Nachfrage kann weiter steigen, während einzelne Projekte aufgrund ihres Standorts, der Finanzierung oder der Stromkosten weiterhin nur geringe Renditen erzielen.

Bei Infrastrukturinvestitionen müssen daher vertraglich vereinbarte Einnahmen, Kundenkonzentration und technologischer Wandel berücksichtigt werden. Eine Anlage, die durch langfristige Verpflichtungen mehrerer bonitätsstarker Nutzer abgesichert ist, weist ein anderes Risikoprofil auf als eine Anlage, die in Erwartung künftiger Nachfrage errichtet wurde.

Unternehmensinvestoren verfolgen sowohl strategische als auch finanzielle Ziele

Große Technologieunternehmen haben sich zu wichtigen Akteuren bei der Finanzierung von KI entwickelt. Die Zusammenarbeit von Microsoft mit OpenAI, die Investitionen von Amazon und Google in Anthropic sowie die Unterstützung anderer Modellentwickler durch Unternehmen verdeutlichen, wie strategische Investoren Venture-Transaktionen nutzen, um ihre Cloud- und Software-Geschäfte zu stärken.

Diese Vereinbarungen können Verpflichtungen zum Erwerb von IT-Dienstleistungen beinhalten, wodurch die Beziehung komplexer wird als bei einer herkömmlichen Kapitalbeteiligung. Das Start-up erhält Kapital und Infrastruktur, während der Unternehmensinvestor einen Großkunden, Zugang zu Technologie und eine stärkere Position auf dem KI-Markt gewinnt.

Solche Partnerschaften können die Entwicklung beschleunigen, da Start-ups dadurch Rechenkapazitäten erhalten, die sie sich sonst nur schwer beschaffen könnten. Sie können jedoch auch die Unabhängigkeit einschränken, wenn ein Unternehmen stark von einem einzigen Cloud-Anbieter oder Vertriebspartner abhängig wird.

Unternehmensinvestitionen können die Bewertungsanalyse erschweren. Ein Teil des investierten Kapitals kann über Cloud-Ausgaben an den strategischen Investor zurückfließen, während kommerzielle Vereinbarungen die scheinbare Wirtschaftlichkeit der Beziehung beeinflussen können. Risikokapitalgeber müssen zwischen echter externer Nachfrage und Umsätzen unterscheiden, die im Rahmen einer Finanzierungspartnerschaft generiert werden.

Die Wettbewerbsbehörden prüfen zudem, ob diese Strukturen großen Technologieunternehmen Einfluss auf aufstrebende Wettbewerber verschaffen, ohne dass eine vollständige Übernahme erforderlich ist. Ein Eingreifen der Regulierungsbehörden könnte die Bedingungen ändern, zu denen strategische Investoren an künftigen Finanzierungsrunden teilnehmen.

Die Ausstiegsmärkte stellen nach wie vor eine erhebliche Schwachstelle dar

Die Renditen von Risikokapital hängen von erfolgreichen Exits durch Übernahmen, Börsengänge oder Sekundärverkäufe von Anteilen ab. KI-Unternehmen haben große Mengen an privatem Kapital angezogen, doch viele der größten Unternehmen sind nach wie vor nicht börsennotiert und haben den Anlegern bislang noch keinen herkömmlichen Exit ermöglicht.

Hohe private Bewertungen können Börsengänge verzögern, da Unternehmen Kapital beschaffen können, ohne die mit einer Börsennotierung verbundenen Offenlegungspflichten und die Marktkontrolle in Kauf nehmen zu müssen. Sekundärtransaktionen ermöglichen es Mitarbeitern und frühen Investoren, ausgewählte Anteile zu verkaufen, führen jedoch nicht zu derselben breiten Marktbewertung wie ein Börsengang.

Übernahmen können für kleinere Unternehmen einen Ausstiegsmöglichkeit darstellen, insbesondere wenn Technologie oder Fachteams für etablierte Konzerne von großem Wert sind. Die Aufsichtsbehörden beobachten jedoch Übernahmen durch marktbeherrschende Technologieunternehmen zunehmend genauer, was einen traditionellen Ausstiegsweg einschränken könnte.

Ein schwieriges Ausstiegsumfeld wirkt sich auf das gesamte Venture-Ökosystem aus. Fonds sind auf Ausschüttungen aus älteren Investitionen angewiesen, um neue Fonds aufzulegen und weitere Zusagen zu finanzieren. Wenn Kapital in privaten Unternehmen gebunden bleibt, könnten Investoren selektiver vorgehen, selbst wenn die Begeisterung für KI weiterhin groß ist.

Daher wird es entscheidend sein, ob führende KI-Unternehmen erfolgreich an die Börse gehen können. Öffentliche Investoren werden die Umsatzqualität, die Margen, die Investitionen in die Infrastruktur und die Unternehmensführung genauer unter die Lupe nehmen als dies bei Ankündigungen privater Finanzierungen oft der Fall ist. Ein erfolgreicher Börsengang könnte Teile des Marktes bestätigen, während eine enttäuschende Entwicklung die Bewertungen in der gesamten Branche beeinflussen könnte.

Bewertungen basieren auf unsicheren langfristigen Annahmen

Die Bewertung eines KI-Start-ups ist schwierig, da sich Technologie, Marktstruktur und Kostenbasis gleichzeitig verändern. Ein Unternehmen kann zwar ein rasantes Umsatzwachstum verzeichnen, gleichzeitig aber Rabatte gewähren, um die Akzeptanz zu fördern, oder erhebliche Summen für Rechenkapazitäten aufwenden. Die aktuellen Umsätze liefern daher kein vollständiges Bild der zukünftigen Rentabilität.

Investoren stützen sich häufig auf Umsatz-Forward-Multiplikatoren, Vergleiche mit börsennotierten Softwareunternehmen und Annahmen über den künftigen Marktanteil. Diese Methoden erweisen sich jedoch als wenig zuverlässig, wenn Unternehmen in Märkten tätig sind, die vor einigen Jahren noch nicht existierten und in denen sich die Preisgestaltung rasch ändern kann.

Die höchsten Bewertungen basieren auf der Annahme, dass führende KI-Unternehmen nach einer anfänglichen Phase der Infrastrukturinvestitionen hohe Margen erzielen werden. Dies könnte eintreten, wenn die Modellkosten sinken, die Nutzung zunimmt und die Anbieter ihre Preissetzungsmacht behalten. Es könnte jedoch auch nicht eintreten, wenn der Wettbewerb den Zugang zu Modellen zu einer Massenware macht.

Start-ups sehen sich zudem einer Verwässerung durch wiederholte große Finanzierungsrunden ausgesetzt. Ein früher Investor hält zwar möglicherweise einen geringeren Anteil an einem wertvolleren Unternehmen, doch hängt das Ergebnis davon ab, ob der Anstieg der Bewertung einen nachhaltigen wirtschaftlichen Fortschritt widerspiegelt.

Ein Schutz vor Wertverlusten kann durch Liquidationspräferenzen und andere vertragliche Bestimmungen eingebaut werden, was bedeutet, dass die nominelle Bewertung nicht immer die wirtschaftliche Lage jedes einzelnen Anteilseigners widerspiegelt. Je nach Finanzierungsstruktur können Mitarbeiter und kleinere Investoren bei ein und demselben Exit unterschiedliche Ergebnisse erzielen.

Die Regulierung wird Teil der wirtschaftlichen Due Diligence

KI-Unternehmen agieren in einem sich rasch entwickelnden regulatorischen Umfeld. Regierungen erlassen Vorschriften zu Sicherheit, Datenschutz, Urheberrecht, Diskriminierung und dem Einsatz von KI bei sensiblen Tätigkeiten. Der regulatorische Aufwand variiert je nach Produkt und Rechtsraum.

Das KI-Gesetz der Europäischen Union führt Verpflichtungen ein, die sich nach dem mit den verschiedenen Systemen verbundenen Risiko richten. Unternehmen, die Anwendungen in den Bereichen Beschäftigung, Kreditwesen, Gesundheitswesen oder kritische Infrastruktur anbieten, müssen unter Umständen strengere Anforderungen erfüllen als Anbieter von Tools mit geringerem Risiko.

In den Vereinigten Staaten ist die Regulierung zwischen Bundesbehörden, Bundesstaaten und Branchen nach wie vor eher fragmentiert. Unternehmen müssen unter Umständen bestehende Vorschriften in den Bereichen Datenschutz, Verbraucherschutz, Arbeitsrecht und Finanzen einhalten, auch wenn es kein einheitliches KI-Gesetz gibt.

Rechtsstreitigkeiten im Zusammenhang mit Urheberrechten stellen eine weitere wesentliche Unsicherheit dar. Modellentwickler haben ihre Systeme anhand umfangreicher Datensätze trainiert, die Texte, Bilder, Musik und Software enthalten, was dazu geführt hat, dass Rechteinhaber die Rechtmäßigkeit dieser Nutzung anzweifeln. Der Ausgang dieser Streitigkeiten könnte sich auf die Trainingskosten, die Lizenzierungsmodelle und die Haftung auswirken.

Anleger sollten die regulatorische Kompetenz als Teil der Wettbewerbsposition eines Unternehmens betrachten. Ein Unternehmen mit solider Dokumentation, Testverfahren und Governance kann möglicherweise effektiver in regulierte Märkte eintreten als ein technisch beeindruckender Wettbewerber, der nicht erklären kann, wie sich sein System verhält.

Die Sorgfaltspflicht muss über das „KI“-Label hinausgehen

Die Konzentration von Kapital im Bereich der KI hat die Auswahl der Investitionen noch wichtiger gemacht. Anleger sollten zunächst herausfinden, was das Unternehmen tatsächlich besitzt und warum die Kunden auch weiterhin dafür bezahlen werden.

Einige Fragen sind dabei besonders relevant:

• Welches Problem wird gelöst? Das Produkt sollte eine wesentliche Kosten-, Risiko- oder Umsatzchance angehen, anstatt lediglich eine beeindruckende Demonstration ohne nachhaltigen Anwendungsfall zu bieten.
• Wer kontrolliert die entscheidende Technologie? Anleger sollten sich darüber im Klaren sein, ob das Unternehmen Eigentümer seiner Modelle und Daten ist oder von Drittanbietern abhängig ist, die Preise und Konditionen ändern können.
• Wie stark ist die Kundenbindung? Pilotprojekte und die anfängliche Nutzung sollten von wiederkehrenden Verträgen und dem Ausbau von Kundenbeziehungen getrennt betrachtet werden.
• Wie hoch sind die tatsächlichen Bruttomargen? Bei der Bewertung der Rentabilität von Software sollten die Kosten für Rechenleistung, Daten und Modellzugriff berücksichtigt werden.
• Verfügt das Unternehmen über firmeneigene Daten? Exklusive oder schwer reproduzierbare Informationen können einen größeren Vorteil bieten als der Zugang zu einem allgemein verfügbaren Modell.
• Inwieweit ist das Unternehmen regulatorischen Auflagen ausgesetzt? Produkte, die bei sensiblen Entscheidungen zum Einsatz kommen, erfordern strengere Kontrollmechanismen, eine umfassendere Dokumentation und gründlichere Tests.
• Kann das Unternehmen im Wettbewerb der Plattformen bestehen? Anleger sollten prüfen, ob ein Cloud-Anbieter oder ein etabliertes Softwareunternehmen die wichtigsten Funktionen nachbilden könnte.
• Wie sieht der Weg zum Ausstieg aus? Eine hohe private Bewertung ist weniger attraktiv, wenn es nur wenige potenzielle Käufer gibt und die öffentlichen Märkte weiterhin nicht zugänglich sind.

Technisches Fachwissen ist nach wie vor wichtig, doch geschäftliche Erfolge gewinnen zunehmend an Bedeutung. Die Fähigkeit, ein KI-Produkt zu entwickeln, bedeutet noch nicht, dass das Unternehmen dieses auch gewinnbringend verkaufen oder seine Marktposition verteidigen kann.

In der nächsten Phase wird die Reichweite des Auslegers getestet

KI dürfte in den nächsten drei bis fünf Jahren das wichtigste Thema im globalen Risikokapitalbereich bleiben, doch die Verteilung der Finanzmittel könnte selektiver werden. Führende Modellentwickler und Infrastrukturunternehmen werden weiterhin erheblichen Kapitalbedarf haben, während Anwendungsunternehmen stärkeren Anforderungen hinsichtlich Umsatz, Kundenbindung und Differenzierung gegenüberstehen werden.

Die Gesamtfinanzierungssummen können weiterhin Schwankungen unterliegen, da bereits eine kleine Anzahl großer Finanzierungsrunden die Jahreszahlen erheblich beeinflussen kann. Der Markt im Jahr 2025 verdeutlicht dies: Der Bereich KI vereinnahmte den größten Teil der weltweiten Risikokapitalinvestitionen, doch Mega-Deals machten dabei den überwiegenden Anteil aus. Ein Rückgang bei nur wenigen großen Transaktionen könnte das folgende Jahr deutlich schwächer erscheinen lassen, selbst wenn die Aktivitäten in der Frühphase stabil bleiben.

Der geopolitische Wettbewerb wird die Investitionslandschaft prägen. Regierungen streben einen inländischen Zugang zu Recheninfrastruktur, Modellen und Halbleiter-Lieferketten an, was Chancen für Unternehmen eröffnet, die sich an den nationalen Industriestrategien orientieren. Dieselben politischen Maßnahmen könnten jedoch zu einer Fragmentierung der Märkte führen und die internationale Expansion einschränken.

Auch die Effizienz wird von Investoren stärker beachtet werden. Unternehmen, die mit kleineren Modellen, geringerem Rechenaufwand oder gezielteren Datensätzen wettbewerbsfähige Ergebnisse erzielen, könnten die Annahme in Frage stellen, dass allein die Größe über den Erfolg entscheidet. Das Aufkommen leistungsfähiger, kostengünstigerer Modelle hat bereits gezeigt, dass technischer Fortschritt nicht immer ein möglichst großes Budget erfordert.

Die stärksten, durch Risikokapital finanzierten Unternehmen werden diejenigen sein, die in der Lage sind, ihre technische Kompetenz in eine verteidigungsfähige Marktposition umzusetzen. Dazu können Anbieter von Basis-Modellen mit Vertriebsvorteilen, in regulierte Arbeitsabläufe eingebettete Spezialanwendungen sowie Infrastrukturunternehmen gehören, die von einer beständigen Nachfrage profitieren.

Kapital ist reichlich vorhanden, doch die Renditen sind noch nicht gesichert

Die weltweiten Risikokapitalinvestitionen in KI haben ein Niveau erreicht, das dieser Technologie eine zentrale Rolle auf dem gesamten Start-up-Markt einräumt. Die Schätzung der OECD von $258,7 Mrd. im Jahr 2025 zeigt, dass KI nicht mehr nur eines von vielen Investitionsthemen ist. Sie ist zum Hauptziel für Risikokapitalinvestitionen geworden.

Das Ausmaß der Investitionen spiegelt echte Fortschritte und ein breites wirtschaftliches Interesse wider, garantiert jedoch keine ebenso hohen Renditen für die Investoren. Die Finanzierung ist konzentriert, die Infrastrukturkosten sind hoch, und der Wettbewerb kann den Wert der technischen Führungsposition schnell mindern. Viele Anwendungsunternehmen sind zudem weiterhin von Modellanbietern abhängig, deren Preisgestaltung und strategische Prioritäten sich ändern können.

Die Übernahme von DeepMind hat vor mehr als einem Jahrzehnt gezeigt, dass fortgeschrittene KI-Forschung einen erheblichen strategischen Wert haben kann. Der aktuelle Markt stellt nun eine anspruchsvollere Frage: Ob Hunderte von durch Risikokapital finanzierten Unternehmen diesen technologischen Wert in nachhaltige Umsätze und letztendlich in Exits umwandeln können.

KI könnte weite Teile der Wirtschaft neu gestalten, während sie für viele Anleger, die bei überhöhten Bewertungen einsteigen oder Unternehmen ohne nachhaltige Wettbewerbsvorteile unterstützen, weiterhin enttäuschende Renditen abwirft. Der entscheidende Faktor wird nicht die Höhe des investierten Kapitals sein, sondern die Frage, welche Unternehmen Kunden binden, ihre Kosten im Griff behalten und auch bei fortschreitender technologischer Entwicklung relevant bleiben können.