Dirk Röthig

Posted on Mar 7

KI-Investitionen bewerten: Ein Framework für VC und PE

#ki #venturecapital #privateequity #investmentstrategy

KI-Investitionen bewerten: Ein Framework für Venture Capital und Private Equity

Von Dirk Röthig | CEO, VERDANTIS Impact Capital | 07. März 2026

Der globale Markt für KI-Investitionen hat im Jahr 2025 ein Volumen von über 110 Milliarden US-Dollar erreicht — mehr als dreimal so viel wie noch 2022. Wer heute als Venture-Capital- oder Private-Equity-Investor in diesen Sektor einsteigen will, steht vor einem fundamentalen Problem: Die klassischen Bewertungsframeworks greifen schlicht nicht. Ein Unternehmen ohne Umsatz, das auf 8 Milliarden Dollar bewertet wird. Ein 250-Personen-Team, das Google herausfordert. Wie soll man das vernünftig einschätzen?

Tags: KI, Venture Capital, Private Equity, Investmentstrategie, Due Diligence

Das Versagen klassischer Bewertungsmodelle

Traditionelle VC- und PE-Investoren arbeiten mit vertrauten Instrumenten: Discounted-Cashflow-Modelle, EBITDA-Multiples, Umsatzwachstumsraten, Churn-Analysen. Diese Werkzeuge sind für Märkte gebaut, in denen Skalierung linear verläuft und Wettbewerbsvorteile durch Marktanteile, Vertriebskanäle oder Patente greifbar sind.

KI-Unternehmen brechen mit diesen Annahmen auf mehreren Ebenen gleichzeitig.

Erstens ist das Wachstum nicht linear, sondern exponentiell und diskontinuierlich. Cursor, der KI-gestützte Code-Editor, steigerte seinen Jahresumsatz von 100 Millionen auf 1,2 Milliarden US-Dollar innerhalb eines einzigen Jahres — eine Rate, die kein klassisches Discounted-Cashflow-Modell vorhergesagt hätte (Sacra, 2025). Diese Art von Wachstumsdynamik macht historische Benchmarks unbrauchbar.

Zweitens sind die entscheidenden Wettbewerbsvorteile immaterieller Natur. Datensätze, Modellarchitektur, Trainingspipelines und KI-Talent sind schwer zu bewerten, leicht zu überschätzen und nicht bilanzierbar. Der "Daten-Burggraben" eines Unternehmens kann ein nachhaltiger Vorteil oder eine kurzlebige Illusion sein — je nachdem, wie schnell Foundation-Modelle von OpenAI, Anthropic oder Google die Lücke schließen.

Drittens ist der regulatorische Kontext in Bewegung. Der EU AI Act, der seit 2024 schrittweise in Kraft tritt, definiert Hochrisiko-KI-Anwendungen neu und kann ganze Geschäftsmodelle innerhalb von Monaten unrentabel machen (Europäisches Parlament, 2024).

Die Konsequenz ist klar: Investoren benötigen ein eigens auf KI zugeschnittenes Evaluierungsframework — eines, das klassische Finanzanalyse mit technischer Due Diligence, Marktstrukturanalyse und regulatorischer Risikoabschätzung kombiniert.

Das Fünf-Dimensionen-Framework

Nach Auswertung der verfügbaren Forschung sowie Erfahrungen aus der Investmentpraxis lassen sich fünf Kerndimensionen identifizieren, die bei der Bewertung von KI-Unternehmen systematisch analysiert werden müssen.

Dimension 1: Technologie-Moat und Datenvorteil

Die wichtigste Frage im technischen Teil der Due Diligence lautet nicht "Wie gut ist das Modell?" — sondern "Warum wird dieses Modell in zwölf Monaten noch konkurrenzfähig sein?"

KI-Modelle werden schnell zur Commodity. Was bleibt, ist die Dateninfrastruktur: proprietäre Trainingsdaten, Feedback-Loops aus echter Nutzung, und die Fähigkeit, Modelle kontinuierlich zu verbessern. Unternehmen, die Zugang zu exklusiven, schwer zu replizierenden Datensätzen haben, genießen eine 15 bis 20 Prozent höhere Bewertungsprämie als vergleichbare Wettbewerber ohne diesen Vorteil (Aventis Advisors, 2025).

Konkrete Prüfpunkte in dieser Dimension:

Sind die Trainingsdaten rechtlich sauber lizenziert? IP-Klagen gegen Entwickler großer Modelle zeigen das erhebliche juristische Risiko bei ungeklärten Datenrechten (researchly.at, 2025).
Hat das Unternehmen Zugang zu Daten, die Wettbewerber nicht kaufen oder synthetisieren können?
Wie hoch ist die Abhängigkeit von externen Foundation-Modellen (OpenAI API, Claude, Gemini)? Eine hohe Abhängigkeit erhöht Marge- und Ausfallrisiken.

Dimension 2: Einheitsökonomie und Skalierbarkeit

KI-native Unternehmen weisen eine radikal andere Kostenstruktur auf als traditionelle Software-Unternehmen. Der entscheidende Unterschied liegt in den Inferenzkosten: Jede Modellanfrage kostet Geld — und diese Kosten skalieren mit dem Nutzungsvolumen, nicht immer günstiger als der Umsatz.

Laut PitchBook-Daten lagen die durchschnittlichen Series-A-Bewertungen für KI-Startups in den USA 2025 zwischen 40 und 150 Millionen US-Dollar für Unternehmen mit 0,5 bis 3 Millionen US-Dollar ARR, entsprechend Multiples von 25x bis 60x (PitchBook / Metal.so, 2025). Diese Multiples sind im Vergleich zu traditionellem SaaS hoch — rechtfertigen aber nur dann eine Investition, wenn die Gross Margin auf einem nachhaltigen Niveau liegt.

Ein kritischer Benchmark: KI-Unternehmen sollten mittelfristig Gross Margins von über 60 Prozent anstreben. Viele frühe KI-Firmen haben negative Gross Margins, weil Inferenzkosten den Umsatz übersteigen — ein unhaltbarer Zustand, der mit steigendem Nutzungsvolumen eskaliert, nicht verschwindet.

Der Revenue-per-Employee ist ein weiterer Schlüsselindikator. KI-native Startups erreichen durchschnittlich 3,48 Millionen US-Dollar Umsatz pro Mitarbeiter — gegenüber 580.000 US-Dollar im klassischen SaaS-Sektor (Deepstar Strategic, 2025). Diese Kennzahl zeigt, ob ein Unternehmen wirklich KI-nativ operiert oder nur oberflächlich mit KI-Werkzeugen arbeitet.

Dimension 3: Team und Ausführungskompetenz

In kaum einer Branche ist das Team so entscheidend für den Investmenterfolg wie in der KI. Der Markt für Top-KI-Talente ist extrem eng. Ein einziger Senior-Forscher mit relevantem Spezialwissen kann den technologischen Vorsprung eines Unternehmens um Jahre beschleunigen — oder, wenn er das Unternehmen verlässt, innerhalb von Monaten entwerten.

Investoren sollten prüfen:

Hat das Gründerteam nachgewiesene Expertise in maschinellem Lernen, Systemarchitektur und Domänenwissen?
Wie ist die KI-Talentdichte im Vergleich zum Wettbewerb?
Gibt es klare Retention-Strukturen für Schlüsselpersonen (Vesting, Boni, IP-Beteiligungen)?
Hat das Team bereits bewiesen, dass es Forschungsexzellenz in Produkt und Markt übertragen kann?

Technisches Gründerteam ohne Go-to-Market-Kompetenz ist ein häufiges Muster im KI-Sektor — und ein häufiges Risiko. Das Gegenteil gilt ebenfalls: starkes Vertriebsteam ohne tiefe technische Kompetenz ist in einem Markt, in dem die Produktdifferenzierung algorithmisch ist, nahezu wertlos.

Dimension 4: Marktgröße, Timing und Wettbewerbsstruktur

Die Frage nach dem Total Addressable Market (TAM) ist in KI-Investitionen besonders tückisch. Viele KI-Unternehmen adressieren Märkte, die es in ihrer aktuellen Form noch nicht gibt — weil das KI-Produkt den Markt erst schafft. Harvey (legal AI) adressiert keinen "legal software market" — es schafft einen neuen Markt für juristische Entscheidungsdienstleistungen, der durch KI-Durchsatz skaliert statt durch Anwaltstunden (TechCrunch, 2025).

Diese Marktdefinition macht Top-Down-TAM-Analysen weitgehend bedeutungslos. Investoren sollten stattdessen Bottom-Up vorgehen:

Wie viele zahlende Kunden gibt es heute?
Was ist der durchschnittliche Vertragswert (ACV), und in welche Richtung entwickelt er sich?
Wie ist die Net Revenue Retention (NRR)? Werte über 120 Prozent signalisieren, dass bestehende Kunden mehr ausgeben — ein Zeichen struktureller Wertschöpfung.

Das Wettbewerbsumfeld verdient besondere Aufmerksamkeit. Private-Equity-Investoren, die traditionell auf späte Phasen mit klaren KPIs setzen, müssen in der KI-Welt früher eingreifen — oder riskieren, dass ihre potenziellen Portfolio-Unternehmen bereits von VC-Kapital zu nicht reproduzierbaren Bewertungen aufgekauft wurden (Cambridge Associates, 2026).

Dimension 5: Regulatorisches Risiko und EU AI Act-Compliance

Seit dem schrittweisen Inkrafttreten des EU AI Acts ab 2024 hat sich die regulatorische Risikolandschaft für KI-Investitionen fundamental verändert. Anwendungen in der Kategorien "Hochrisiko-KI" — darunter medizinische Diagnose, Kreditentscheidungen, biometrische Erkennung und KI in kritischer Infrastruktur — unterliegen strengen Anforderungen an Transparenz, menschliche Aufsicht und technische Robustheit (Europäisches Parlament, 2024).

Investoren müssen evaluieren:

In welcher Risikokategorie des EU AI Acts operiert das Unternehmen?
Welche Compliance-Kosten entstehen, und sind sie im Geschäftsmodell eingepreist?
Hat das Unternehmen einen Chief AI Ethics Officer oder äquivalente Governance-Strukturen?
Wie anfällig ist das Geschäftsmodell für neue Regulierung in den USA, China oder anderen Kernmärkten?

Devoteam, ein europäisches IT-Beratungsunternehmen, hat gezeigt, dass präzise technische Audits Investoren vor regulatorisch bedingten Fehlinvestitionen schützen können — besonders bei M&A-Transaktionen, bei denen KI-Risiken oft in der Due Diligence unterschätzt werden (Devoteam, 2026).

Die 10 kritischen Fragen für die KI-Due-Diligence

Über die fünf Dimensionen hinaus hat sich in der Praxis eine Checkliste von zehn Fragen bewährt, die Investoren vor Abschluss jeder KI-Investitionsentscheidung stellen sollten:

Datenrechte: Sind alle Trainingsdaten rechtlich einwandfrei lizenziert, dokumentiert und vor IP-Klagen geschützt?
Modellabhängigkeit: Wie stark ist das Unternehmen von externen API-Anbietern abhängig, und was passiert bei Preiserhöhungen oder API-Abschaltungen?
Halluzinations-Risikomanagement: Welche technischen und prozessualen Maßnahmen existieren gegen Modell-Fehler in produktionskritischen Anwendungen?
Gross Margin Trajectory: Entwickelt sich die Bruttomarge mit steigendem Volumen positiv — oder negativ durch skalierte Inferenzkosten?
Net Revenue Retention: Liegt die NRR über 100 Prozent, und warum kaufen Bestandskunden mehr?
Talent-Retention: Welche Schlüsselpersonen könnten das Unternehmen verlassen, und welche Absicherungen existieren?
Competitive Moat Timeline: Warum ist das Produkt in 24 Monaten noch führend, obwohl Foundation-Modelle sich verbessern?
EU AI Act Kategorie: Ist das Unternehmen regulatorisch compliant, und welche Kosten entstehen für zukünftige Anforderungen?
EBITDA-Pfad: Gibt es eine klare, validierbare Linie zur EBITDA-Positivität innerhalb von 18 bis 24 Monaten?
Exit-Strategie: Welche strategischen Acquirer kämen infrage, und zu welchen Multiples wurden vergleichbare Transaktionen abgeschlossen?

Bewertungsmultiples: Ein realistisches Bild für 2026

Nach dem Bewertungsexzess von 2021 bis 2023 hat der Markt eine deutliche Korrektur erfahren. KI-Startups erzielen 2025 im Median Bewertungsmultiples von 20x bis 30x auf den Jahresumsatz — mit einer erheblichen Bandbreite je nach Differenzierungsgrad, Marktposition und Wachstumsrate (Aventis Advisors, 2025).

Unternehmen mit proprietären Daten-Moats und stabilen Gross Margins über 70 Prozent können weiterhin Multiples von 40x bis 50x rechtfertigen. Reine API-Wrapper ohne eigenes Modell oder differenzierte Dateninfrastruktur werden zunehmend mit 8x bis 15x bewertet — dem Niveau traditioneller Software-Unternehmen (Qubit Capital, 2025).

Über 80 Prozent aller PE- und VC-Firmen setzen laut Branchendaten mittlerweile KI-gestützte Due-Diligence-Tools ein — gegenüber 47 Prozent noch ein Jahr zuvor (Brightwave.io, 2025). Die Ironie ist bemerkenswert: Investoren nutzen KI, um KI-Unternehmen zu bewerten.

Earn-outs, meilensteinbasierte Vergütungen und Performance-Klauseln werden häufiger eingesetzt, um die Bewertungslücke zwischen KI-Hype und nachgewiesenen Cashflows zu überbrücken (Morrison Foerster, 2025). Diese Mechanismen sind besonders dann sinnvoll, wenn das Unternehmen starke operative Metriken, aber noch keine sichtbare EBITDA-Brücke vorweisen kann.

Red Flags und Green Flags: Ein Schnellcheck

Red Flags — Vorsicht geboten bei:

Bewertungsargumenten, die ausschließlich auf TAM-Schätzungen und "transformative Technologie" basieren, ohne messbare Unit Economics
Negativer Bruttomarge trotz bestehendem Umsatz
Gründerteams ohne nachweisbare Erfahrung in KI-Produktentwicklung
Vollständiger Abhängigkeit von einem einzigen externen API-Anbieter
Fehlenden Aussagen zur EU-AI-Act-Compliance in Hochrisiko-Anwendungen
NRR unter 90 Prozent — ein Zeichen, dass Kunden das Produkt nicht wirklich nutzen oder abwandern

Green Flags — Starke Signale für solide KI-Investments:

NRR über 120 Prozent (Bestandskunden kaufen mehr)
Proprietary Data Moat mit klarer rechtlicher Absicherung
Revenue per Employee über 1 Million US-Dollar
Pathway zu 60+ Prozent Gross Margin innerhalb von 12 Monaten
Kundenbasis mit hohem Switching-Cost (tief in Workflows integriert)
Nachgewiesene EBITDA-Wirkung innerhalb bestehender Kunden in unter sechs Monaten

Der Reifeprozess eines Marktes

Dirk Röthig beobachtet in seiner Investitionspraxis, dass der KI-Investitionsmarkt gerade eine wichtige Reifeprüfung durchläuft: Die Phase, in der jedes Startup mit "KI" im Namen Kapital einwerben konnte, ist vorbei. Institutionelle Investoren verlangen zunehmend nachgewiesene Wertschöpfung, messbare Unit Economics und einen klaren EBITDA-Pfad.

Das ist keine schlechte Nachricht — es ist die notwendige Voraussetzung für einen gesunden Markt. Die Unternehmen, die diesen Reifetest bestehen, werden die strukturellen KI-Gewinner der nächsten Dekade sein.

Für VC-Investoren bedeutet das: Frühere Engagements mit höherem Risiko brauchen eine klare technische These, nicht nur eine Wachstumsstory. Für PE-Investoren bedeutet es: Die interessantesten Deals liegen nicht in reinen KI-Startups, sondern in etablierten Unternehmen, die KI systematisch zur EBITDA-Steigerung einsetzen — ein Feld, das 2026 und darüber hinaus erhebliches Potenzial bietet (CLA Connect, 2026).

Das Framework ist nicht final. KI entwickelt sich zu schnell für statische Bewertungsmodelle. Was zählt, ist die Bereitschaft, die Kriterien kontinuierlich anzupassen — und die Disziplin, keine Ausnahmen zu machen, wenn ein Pitch besonders überzeugend klingt.

Quellenverzeichnis

Aventis Advisors (2025): AI Valuation Multiples in 2025. Verfügbar unter: https://aventis-advisors.com/ai-valuation-multiples/
Brightwave.io (2025): How AI Is Transforming Middle-Market Private Equity Due Diligence in 2025. Verfügbar unter: https://www.brightwave.io/blog/how-ai-is-transforming-middle-market-private-equity-due-diligence-in-2025
Cambridge Associates (2026): 2026 Outlook: Private Equity & Venture Capital Views. Verfügbar unter: https://www.cambridgeassociates.com/insight/2026-outlook-private-equity-venture-capital-views/
CLA Connect (2026): AI and Private Equity in 2026: 6 Predictions Redefining Value Creation. Verfügbar unter: https://www.claconnect.com/en/resources/blogs/private-equity/ai-and-private-equity-in-2026-6-predictions-redefining-value-creation
Deepstar Strategic (2025): AI-Native vs. Traditional SaaS: Revenue per Employee Benchmark Report. Interne Benchmark-Analyse, zitiert in: Menlo Ventures (2025), State of AI Report.
Devoteam (2026): AI Due Diligence & M&A-Sicherheit: Wie Devoteam mit präzisen Tech-Audits Investoren vor Fehlentscheidungen schützt. Verfügbar unter: https://www.devoteam.com/de/news-and-pr/ai-due-diligence-ma-sicherheit/
Europäisches Parlament (2024): Verordnung (EU) 2024/1689 — EU Artificial Intelligence Act. Amtsblatt der Europäischen Union.
Metal.so / PitchBook (2025): Average US AI Series A Valuations in 2025. Verfügbar unter: https://www.metal.so/collections/ai-series-a-valuations-2025
Morrison Foerster (2025): M&A in 2025 and Trends for 2026. Verfügbar unter: https://www.mofo.com/resources/insights/260115-m-a-in-2025-and-trends-for-2026
Qubit Capital (2025): AI Startup Valuation Multiples 2026: Benchmarks & Strategies. Verfügbar unter: https://qubit.capital/blog/ai-startup-valuation-multiples
researchly.at (2025): AI Startup: Due Diligence Checkliste für Investoren. Verfügbar unter: https://www.researchly.at/post/ai-startup-due-diligence-checkliste
Sacra (2025): Cursor Revenue Report 2025. Verfügbar unter: https://sacra.com
TechCrunch (2025): Harvey raises $160M at $8 billion valuation. Verfügbar unter: https://techcrunch.com

Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital mit Sitz in Zug, Schweiz. Als Unternehmer und Investor verbindet er die Perspektiven des operativen Gründers und des institutionellen Kapitalgebers. VERDANTIS Impact Capital investiert in naturbasierte Lösungen an der Schnittstelle von Klimaschutz, Biodiversität und nachhaltiger Landwirtschaft — darunter Agroforst-Systeme und Carbon-Credit-Projekte. Weitere Artikel und Kontakt: www.verdantiscapital.com

DEV Community