Warum ein KI-Geschäftsmodell nicht mit der Modellwahl beginnt
Die Versuchung beim Start eines KI-Produkts ist, mit der Frage „welches Modell nehmen wir“ zu beginnen. Das ist die falsche Reihenfolge. Klassische Software hat Grenzkosten nahe null, deshalb drehte sich Strategie um Distribution und Retention. Bei KI kostet jede Anfrage Geld, die Qualität ist probabilistisch, und der Vorsprung liegt nicht im Feature, sondern in den Daten und im System rund um das Modell. Ein KI-Geschäftsmodell beginnt deshalb mit der Strategie: was genau Wert schafft, wodurch es verteidigt ist und wie es mit den Kosten zusammenhängt. Das Modell ist eine austauschbare Komponente – es wird mehr als einmal gewechselt.
Drei Wertebenen statt eines Wertversprechens
Nützlicher als ein „Wertversprechen“ ist ein Wertesystem auf drei Ebenen, weil sie sich unterschiedlich monetarisieren lassen.
Die Kernebene ist das, was KI besser kann als Mensch oder Vorgängersoftware: Zusammenfassen, Vorhersagen, Transformation von Inhalten, Retrieval und Sensemaking, Automatisierung von Routine. Leicht zu verkaufen, aber leicht zu kopieren – hier gibt es kaum Verteidigbarkeit.
Die Verstärkungsebene ist, wie KI in einen bestehenden Workflow eingebettet wird und ihn schneller oder genauer macht: weniger Zeit pro Aufgabe, geringere kognitive Last, personalisierte Assistenz. Der Wert ist höher, weil er in den Metriken des Kunden selbst messbar ist.
Die Innovationsebene ist das, was ohne KI nicht existierte: Copiloten, autonome Agenten, multimodale Generierung, dynamische Workflows. Höchste Marge und höchstes Risiko: Hier ballen sich lange Kontexte und mehrstufige Abläufe, die die Kosten am stärksten treiben.
Der Vorsprung liegt im System, nicht im Modell
Basismodelle sind über APIs für jeden verfügbar, deshalb schafft das Modell allein fast nie einen dauerhaften Abstand. Den Abstand bilden proprietäre Datenbestände, optimierte Retrieval-Pipelines, domänenspezifisches Fine-Tuning, hochwertige Evaluationssysteme, Einbettung in den Workflow und der Compound-Effekt der Nutzungsdaten – wenn das Produkt genauer wird, je mehr es genutzt wird. Der Burggraben entsteht aus der Kombination mit Distribution, Vertrauen und Compliance; keines dieser Elemente hält einen Wettbewerber allein lange auf.
Der Fähigkeits-Stack: von den Daten bis zum Interface
Ein belastbares KI-Produkt arbeitet auf vier Ebenen, und Kosten wie Risiken verteilen sich ungleich darauf.
Die Datenebene – Pipelines, Feature Stores, Vektordatenbanken, Labeling, Qualitätskontrollen. Die Modellebene – Basismodelle per API oder Open-Source, domänenspezifisch feinabgestimmt, retrieval-verstärkt. Die Orchestrierungsebene – Prompts und Templates, Agentenlogik, Routing und Fallback, Evaluation und Guardrails; hier fallen die meisten Entscheidungen, die den Preis pro Anfrage bestimmen. Die Experience-Ebene – Copiloten, Automatisierungsflows, Dashboards, Suche, Content-Generierung.
Jede Fähigkeit gehört durch die Matrix „Wert – Kosten – Risiko“: Nutzerwert, technische Machbarkeit, Datenanforderungen, Inferenzkosten, Risikoprofil, Skalierungsgrenze. Diese Matrix, nicht die Intuition, entscheidet, was in den Basistarif kommt, was in den Premium-Tarif und was unter ein hartes Limit. Priorität bekommt, was bei verfügbaren Daten und Modellreife Wirkung zeigt; eine Fähigkeit mit hohem Wert, aber instabilem P99 bei den Kosten wandert im Tarif nach oben oder unter einen Deckel.
Erlösmodelle: Preis gekoppelt an Verbrauch, Wert und Kosten
Nutzungsbasierte Abrechnung – nach Tokens, Requests, Compute, Retrieval oder erledigtem Agenten-Task – koppelt Umsatz am ehrlichsten an die Kosten und ist für technische Kunden transparent, aber für neue schlecht planbar: Niemand weiß, wofür eine Million Tokens reicht.
Abostufen mit Limits unterscheiden sich nach Modellzugang, Kontextfenster, Generierungsqualität und Automatisierungsgrad. In der Praxis ist für die meisten Produkte der Hybrid optimal: feste Basis plus Abrechnung über der Quote – die Basis gibt Planbarkeit, der Deckel schützt die Marge vor Heavy-Usern.
Credits (1000 Tokens = X Credits, ein Bild = Y, eine Analyse = Z) vereinfachen die Preiswahrnehmung und ermöglichen sauberes Upselling über ein gemeinsames Guthaben mehrerer Produkte. Value-Based Pricing rechnet den Preis vom Ergebnis her – eingesparte Stunden, höhere Conversion, automatisierte Dokumente – und funktioniert dort, wo der Kunde das Ergebnis selbst misst.
Enterprise zahlt für etwas anderes: domänenspezifische Modelle, private Datenpipelines, Compliance-Tools, SLAs und dedizierte Compute, Integrationen. Der Hauptaufwand ist hier nicht Inferenz, sondern Rollout und Support, deshalb ist der Vertrag meist mehrjährig: Plattformgebühr plus Nutzung. Praktische Folge – man drückt beim Enterprise-Kunden nicht die Modellkosten: Die Ersparnis kommt woanders her, und die Antwortqualität wiegt für ihn schwerer als ein paar Cent pro Anfrage.
Unit Economics: wo KI von SaaS abweicht
Inferenz ist der stärkste Kostentreiber und hängt von Modellgröße, Kontextlänge, Tokenzahl, Retrieval-Compute, Parallelität und Caching ab. Steigende Nutzung drückt direkt auf die Bruttomarge, deshalb modelliert man sie in Szenarien: Traffic, Margenschwellen, Sensitivität der Parameter, Break-Even.
Es lohnt, einmal zu Ende zu rechnen. Angenommen, eine Anfrage sind 1800 Input- und 400 Output-Tokens auf einem Modell der Mittelklasse (Input 3 Dollar je Million, Output 15): Sie kostet 0,0054 + 0,006 = 0,0114 Dollar. Kleinigkeit, bis ein Nutzer 360 Anfragen im Monat macht – das sind 4,10 Dollar Inferenz pro Kopf, also 21,6 % eines 19-Dollar-Abos, noch vor Retrieval und Speicher. Den Rest entscheidet die Verteilung: Typischerweise ziehen 5 % Heavy-User über die Hälfte des Modellbudgets, und sie, nicht der Durchschnittskunde, bestimmen, ob die Marge positiv bleibt.
Die Datenkosten über den Lebenszyklus übersteigen langfristig oft die Trainingskosten: Bereinigung, Annotation und Labeling, Drift-Monitoring, Retraining, Testdatensätze, MLOps-Overhead. Dazu kommen Zuverlässigkeitskosten – Modellfehler erzeugen manuelle Prüfungen, Sicherheitseskalationen und Korrekturzyklen, und all das gehört in die Unit Economics, nicht in die Fußnote.
Die Marge wird über eine Reihe von Hebeln zurückgeholt: Routing zu kleineren Modellen, Distillation, Caching, Batching, Deduplikation, optimierte Embeddings, Prompt-Kompression. Jeder tauscht Qualität gegen Kosten, deshalb ist Kostenoptimierung keine einmalige Aufräumaktion, sondern eine feste Zeile in der Roadmap.
Daten als eigentlicher Wettbewerbsvorteil
Daten kommen aus Nutzungsdaten, Workflows, Integrationen, öffentlichen Datensätzen und Partnernetzwerken, und hier zählt Qualität mehr als Menge: Aktualität, Vollständigkeit, das Fehlen systematischen Bias und konsistente Labels bestimmen die Modellleistung direkter als die Korpusgröße. Data Governance ist kein juristisches Anhängsel, sondern Teil des Geschäftsmodells: Consent-Tracking, Data-Lineage, Lösch-Pipelines, PII-sichere Embeddings und Audit-Logs entscheiden, ob man mit einem Enterprise-Kunden überhaupt arbeiten darf.
Validierung entlang von vier Achsen
Ein KI-Geschäft prüft man auf Wünschbarkeit, Machbarkeit, Tragfähigkeit und Modellqualität, und die Experimente je Achse sind verschieden.
Modellexperimente – Offline-A/B, Benchmarks, Golden Datasets, Sicherheits- und Halluzinationstests. Produktexperimente – Task-Success, Einfluss auf Retention, Zahlungsbereitschaft, tatsächliche Workflow-Adoption. Preisexperimente – Wirksamkeit der Stufen, Elastizität, Credit-Pack-Tests, Nutzungslimits. Ökonomische – Kosten-Stresstests, Inferenzlast-Simulation, Margensensitivität. Die Reihenfolge zählt: erst Wert und Qualität bestätigen, dann am Preis drehen, sonst misst der Preistest nur Rauschen.
Alles auf einer Leinwand
Ein vollständiges Modell besteht aus mehreren Schichten, die miteinander stimmen müssen. Die Strategieschicht – Markt, Problem, Wertesystem, Differenzierung, Moat. Die Architektur – Daten, Modelle, Orchestrierung, UX. Die Ökonomie – Erlösmodelle, Kostenstrukturen, Unit Economics, Break-Even. Die Experimentschicht – Modellevaluation, Wertvalidierung, Preishypothesen. Die Governance – Sicherheit, Compliance, Lifecycle-Dokumentation. Die Organisation – Reifegrade von PM, DS und Engineering und Übergänge im Operating Model. Genau die Fehlpassung einer Schicht zu den übrigen ist der typische Grund, warum ein technisch starkes KI-Produkt kein Geschäft wird.
Kurze Antworten
Worin unterscheidet es sich von SaaS
In den variablen Inferenzkosten, der Datenabhängigkeit und dem stochastischen Modellverhalten. Die Ökonomie ist dynamisch und mehrschichtig, nicht „Grenzkosten nahe null“.
Welches Erlösmodell trägt am weitesten
Für die meisten Produkte der Hybrid aus Abo und Nutzung; im Enterprise die Plattformgebühr plus Verbrauch. Ein reines Abo für KI zerbricht an Heavy-Usern.
Wie rechnet man Unit Economics
Über ein Modell aus Inferenz-, Daten-Lifecycle- und MLOps-Kosten, gespiegelt am gestifteten Wert und der Zielmarge, in Lastszenarien.
Was macht ein KI-Geschäft verteidigbar
Datenqualität, proprietäre Workflows, domänenspezifische Fähigkeiten und Systemdesign – nicht die Modellwahl, die sich in Wochen kopieren lässt.
Wie prüft man die Annahmen
Mit mehrschichtigen Experimenten: Offline- und Online-Modellevaluation, Preistests, Szenariosimulationen der Kosten – in der Reihenfolge vom Wert zum Preis.