Priya Saiprasad, General Partner bei Touring Capital – Interviewreihe

Wenn Software Arbeit erledigen kann, verändert das das Produkt, den adressierbaren Markt, das Preis‑modell und die Wirtschaftlichkeit des Unternehmens, das es liefert. Wir wollten Touring von Anfang an rund um diese Chance aufbauen.

Unser Fokus liegt auf Unternehmen, die sich dem frühen Produkt‑Markt‑Fit nähern oder ihn bereits demonstrieren, wenn technisches Potenzial in Kundenakzeptanz übergeht. Das ist eine besonders entscheidende Phase bei KI: Gründer entscheiden, welche Workflows sie besitzen, wie viel Autonomie Kunden akzeptieren und wie sie frühe Nachfrage in wiederholbares Wachstum umwandeln.

Wir wollten zudem eine Unternehmens‑aufbau‑Perspektive einbringen, die durch unsere Erfahrung in Risikokapital, M&A und großen Technologieplattformen geprägt ist. Unser Ziel ist es, Gründern zu helfen, Unternehmen aufzubauen, deren Wettbewerbsvorteile mit dem Fortschritt der Technologie tiefer werden. Das erfordert Überzeugung von der Chance und die Bereitschaft, die zugrunde liegenden Annahmen kontinuierlich zu hinterfragen.

Sie haben argumentiert, dass einige der größten KI‑Chancen sich von der reinen Entwicklung größerer Grundmodelle wegbewegen und hin zu Unternehmen, die KI in spezifischen Branchen anwenden. Was hat sich technologisch oder wirtschaftlich geändert, sodass die Anwendungsebene jetzt so überzeugend ist?

Die Modelle sind deutlich leistungsfähiger und zugänglicher geworden, was verändert, wo Unternehmer Wert schaffen können. Man muss die zugrunde liegende Intelligenz nicht mehr von Grund auf neu bauen, um etwas Leistungsstarkes zu schaffen.

Damit verschiebt sich die Frage von \”Wer hat das beste Modell?\” zu \”Wer kann diese Intelligenz anwenden, um ein Problem so zu lösen, dass die Wirtschaftlichkeit oder der Workflow grundlegend verändert wird?\”

Die überzeugendsten Unternehmen setzen nicht einfach ein LLM vor ein bestehendes Softwareprodukt. Sie nutzen KI, um die Arbeitsweise neu zu überdenken. In manchen Fällen bedeutet das, große Teile eines Workflows zu automatisieren. In anderen Fällen ermöglicht es einem viel kleineren Team, deutlich mehr Output zu erzeugen.

Dort, denke ich, wird ein großer Teil der nächsten Welle der Wertschöpfung entstehen: Unternehmen, die immer leistungsfähigere Intelligenz aufnehmen und in ein Produkt verwandeln, dem Kunden vertrauen, um sinnvolle Arbeit zu erledigen.

Wenn Sie heute über verschiedene Sektoren hinweg schauen, welche Branchen glauben Sie erreichen einen echten KI‑Knickpunkt, bei dem KI Workflows grundlegend umgestalten könnte, anstatt lediglich bestehende Software effizienter zu machen?

Ich interessiere mich besonders für Branchen, die eine Kombination aus erheblicher Wissensarbeit, komplexen bestehenden Workflows und historisch niedriger Softwaredurchdringung aufweisen.

Finanzdienstleistungen, Gesundheitswesen, Rechtswesen, Industrie und Automobil sind gute Beispiele. Diese Branchen verfügen häufig über enorme Mengen wertvoller Informationen und hochspezialisierte Workflows, doch ein Großteil der Arbeit ist nach wie vor fragmentiert, manuell oder abhängig von erfahrenen Personen, die Informationen zwischen Systemen bewegen.

Die Chance besteht nicht nur darin, diese Arbeitskräfte um 10 % produktiver zu machen. Die interessanteren Unternehmen gestalten den Arbeitsablauf neu, basierend darauf, was KI jetzt leisten kann.

Das sieht man bei Unternehmen wie Numa, das KI‑Agenten einsetzt, um Kundeninteraktionen und Händlerabläufe zu automatisieren, und bei Daloopa, das KI auf die hochzeitkritischen Daten‑ und Forschungsabläufe von Finanzinstituten anwendet. Der gemeinsame Nenner ist ein tiefes Verständnis der zugrunde liegenden Arbeit. KI ist mächtig, aber sie beseitigt nicht die Notwendigkeit, die Branche zu verstehen, für die man baut.

Touring Capital legt bei der Bewertung von KI‑Unternehmen Wert auf Daten‑Moats, Produkt‑Flywheels und domänenspezifische Expertise. Wie sieht ein wirklich verteidigungsfähiges vertikales KI‑Geschäft aus, und wie unterscheidet man es von einem Unternehmen, dessen Hauptvorteil lediglich das Einbetten eines Drittanbieter‑Large‑Language‑Models ist?

Ein wirklich verteidigungsfähiges KI‑Geschäft wird stärker, je mehr es operiert.

Das zugrunde liegende Modell kann sich im Laufe der Zeit verbessern, und ein Unternehmen kann das Modell komplett wechseln, aber der Wert des Geschäfts sollte nicht verschwinden, weil sich das darunterliegende Modell ändert. Entscheidend ist, was das Unternehmen rund um dieses Modell besitzt: die Kundenbeziehung, den Arbeitsablauf, die proprietären Daten, die Integrationen und das Vertrauen, immer wichtigere Aufgaben zu übernehmen.

Eines der Dinge, auf die wir besonders achten, ist, ob das Produkt im Laufe der Zeit tiefer verankert wird. Vertrauen die Kunden darauf, dass es mehr Arbeit übernimmt? Verstärken sich Nutzung und Ergebnisse? Lernt das Unternehmen aus seinen Implementierungen in einer Weise, die das Produkt verbessert?

Diese Dynamiken schaffen ein deutlich stärkeres Unternehmen, als nur eine gute Benutzeroberfläche auf einem Drittanbieter‑Modell zu haben. Funktionen können sich bei KI sehr schnell angleichen. Anhaltende Nutzung und tiefere Integration in Arbeitsabläufe sind viel schwerer zu replizieren.

Wenn Grundmodelle leistungsfähiger und zunehmend commodifiziert werden, stärkt das vertikale KI‑Unternehmen, indem es ihnen billigere Intelligenz zum Aufbau bietet, oder birgt es das Risiko, dass die Modell‑Anbieter selbst mehr von der Anwendungsschicht übernehmen?

Beide Dynamiken können gleichzeitig auftreten. Bessere Modelle erweitern das, was Anwendungsunternehmen liefern können, und ermöglichen gleichzeitig den Modell‑Anbietern, weiter in Produkte und Arbeitsabläufe vorzudringen.

Die Frage bei der Due Diligence lautet, wie sich die Position eines Unternehmens verändert, wenn die zugrunde liegende Intelligenz verbessert wird. Wir stellen zwei Fragen gleichzeitig: Was wird für dieses Unternehmen mit der nächsten Modellgeneration möglich, und welcher Teil seines aktuellen Wertversprechens könnte zu einer Standard‑Modell‑Fähigkeit werden? Das hilft, Unternehmen zu unterscheiden, die vom Fortschritt profitieren, von solchen, deren Differenzierung von einer vorübergehenden Einschränkung abhängt.

Vertikale Geschäftsmodelle können dauerhafte Positionen durch spezialisierte Arbeitsabläufe, Kundenzugang, Integrationen, Bewertungssysteme und die operative Verantwortung, die sie übernehmen, aufbauen. Diese Vorteile erfordern kontinuierliche Investitionen; reine Domänen‑Expertise ist kein permanenter Schutz.

Die Unternehmen, die ich am überzeugendsten finde, haben einen klaren Weg, mit fortschreitenden Modellen wertvollere Aufgaben zu übernehmen. Ihre Kunden erzielen bessere Ergebnisse, ihre Lieferökonomie stärkt sich, und ihr angesammeltes Wissen wird nützlicher. Das ist die Beziehung zum Modell‑Fortschritt, die wir unterstützen wollen.

Traditionelle Software‑as‑a‑Service‑Unternehmen wurden historisch anhand von Kennzahlen wie Annual Recurring Revenue, Bruttomargen, Retention und Sitz‑Expansion bewertet. Wie verändert KI die Kennzahlen, auf die Sie sich verlassen, insbesondere da Inferenz‑Kosten, nutzungsbasierte Preisgestaltung und ergebnisbasierte Geschäftsmodelle wichtiger werden?

ARR, Retention und Bruttomargen bleiben wichtig. Das Problem ist, dass sie allein nicht mehr ausreichend Aufschluss geben.

Ein KI‑Unternehmen kann in kürzester Zeit ARR in Höhe von mehreren zehn Millionen erreichen, während die zugrunde liegende Nutzung innerhalb seiner Kundenbasis bereits rückläufig ist. Der Kunde kann noch vertraglich gebunden sein, aber bis zur Verlängerung ist das Produkt praktisch ersetzt. Das bezeichnen wir als latente Abwanderung.

Daher schauen wir zunehmend unter das Preis‑Modell und fragen, welche Arbeit tatsächlich geleistet wird. Steigt die Anzahl der Arbeitsabläufe und Ergebnisse im Laufe der Zeit? Vertraut der Kunde dem Produkt, mehr Arbeit zu übernehmen? Setzt die Nutzung nach dem anfänglichen Enthusiasmus der Einführung fort?

Wir betrachten auch viel genauer die Wirtschaftlichkeit hinter dem Wachstum. KI‑Unternehmen können Personal durch Automatisierung ersetzen, aber Rechenleistung wird zu einem echten Teil der Belegschaft und Kostenstruktur. Deshalb analysieren wir Konzepte wie Workflow‑Intensität, Effizienz‑Multiplikatoren, Umsatz pro angepasstem Mitarbeiter und Kosten‑Hebelwirkung.

Die größere Frage ist, ob das Wachstum im Laufe der Zeit beständiger und effizienter wird. Spektakuläres Wachstum und beständiges Wachstum sind nicht zwangsläufig dasselbe.

Viele KI‑Agenten werden so konzipiert, dass sie nicht nur Mitarbeiter unterstützen, sondern ganze Arbeitsabläufe autonom abschließen. Wie verändert das die Marktchance für Unternehmenssoftware, und könnten KI‑Unternehmen letztlich einen Teil der Budgets für Arbeit einnehmen, die historisch außerhalb der Softwareausgaben lag?

Ich denke, das ist einer der wichtigsten Wandel im Bereich der Unternehmenssoftware.

Historisch wurde Software größtenteils als Werkzeug verkauft, das einem Mitarbeitenden bei seiner Arbeit half. Der Mitarbeitende blieb für die Erstellung der Arbeit verantwortlich, und das Softwarebudget war getrennt vom Personalkostenbudget.

KI ändert diese Gleichung, weil Software zunehmend Teile der Arbeit selbst erledigen kann.

Das erweitert die Marktchance erheblich. Sie verkaufen nicht mehr nur ein Produktivitätswerkzeug aus einem IT‑ oder Softwarebudget. Wenn ein Produkt zuverlässig die Verantwortung für bedeutungsvolle Arbeit übernehmen und ein messbares Ergebnis liefern kann, kann es potenziell auch Wert aus den Personalkostenbudgets erfassen.

Wichtig ist der Unterschied zwischen einem KI‑Assistenten und einem KI‑System, dem Kunden tatsächlich vertrauen, um auszuführen. Letzteres hat das Potenzial, deutlich wertvoller zu werden, muss jedoch echte Zuverlässigkeit, Verantwortlichkeit und Wirtschaftlichkeit nachweisen. Kunden werden letztlich nicht darauf achten, wie ausgefeilt die KI ist, wenn das Produkt das versprochene Ergebnis nicht konsequent liefern kann.

Sie sitzen derzeit in den Vorständen von Unternehmen wie Numa und Daloopa, die Technologie in sehr unterschiedlichen Branchen einsetzen, etwa in der Automobilbetrieb und bei Finanzdaten. Was haben Ihnen diese Unternehmen darüber gelehrt, was nötig ist, um KI erfolgreich in Branchen mit tief verankerten Arbeitsabläufen und Fachwissen einzuführen?

Die wichtigste Erkenntnis ist, dass KI die Bedeutung von Fachwissen nicht eliminiert. In vielerlei Hinsicht macht sie es sogar noch wichtiger.

Um KI erfolgreich in einer etablierten Branche einzuführen, muss man den Arbeitsablauf so gut verstehen, dass man weiß, wo Automatisierung tatsächlich Mehrwert schafft und wo menschliches Urteil weiterhin wichtig ist. Man muss zudem verstehen, wie Kunden das Produkt übernehmen werden, wie es in ihre bestehenden Systeme und den KI‑Adoptionszyklus passt und was nötig ist, um ihr Vertrauen zu gewinnen.

Numa und Daloopa agieren in sehr unterschiedlichen Märkten, doch beide sind eng mit der konkreten Arbeit verbunden, die ihre Kunden erledigen müssen. Die erfolgreichsten vertikalen KI‑Unternehmen beginnen nicht mit „Wo können wir KI einsetzen?“, sondern mit einem bedeutungsvollen Problem oder Arbeitsablauf und gestalten diesen dann neu, basierend darauf, was KI jetzt leisten kann.

Deshalb denke ich, dass Fachwissen im Laufe der Zeit zu einem bedeutenden Vorteil werden kann. Je tiefer man die Arbeit versteht, desto effektiver kann man ein Produkt entwickeln, auf das Kunden vertrauen wollen.

Die jüngsten Investitionen von Touring umfassen sowohl domänenspezifische Anwendungen als auch die Bereitstellung von KI‑Infrastruktur. Wie denken Sie über das Gleichgewicht zwischen Investitionen in die Anwendungsebene versus die dafür notwendige Infrastruktur, und wo sehen Sie heute die größere Chance für renditestarke Venture‑Investitionen?

Wir sehen die Chance nicht ausschließlich in einer Schicht des Stacks. Wir konzentrieren uns darauf, wo wichtige Engpässe entstehen und wo ein Unternehmen eine bedeutungsvolle Position aufbauen kann, wenn die KI‑Adoption skaliert.

Auf der Anwendungsseite sind wir begeistert von Unternehmen, die KI in messbaren wirtschaftlichen Mehrwert übersetzen können, indem sie wichtige Arbeitsabläufe besitzen und reale Ergebnisse liefern. Auf der Infrastrukturseite interessieren uns Unternehmen, die die Beschränkungen lösen, die bestimmen, ob KI tatsächlich effizient in großem Maßstab eingesetzt werden kann.

Unsere Investitionen in Unternehmen wie Infinity und Parasail spiegeln das wider. Das eine adressiert die Software‑Herausforderung, verschiedene KI‑Chips für das Ausführen moderner Modelle bereit zu machen, während das andere Entwicklern hilft, KI‑Workloads zu deployen und zu skalieren, ohne die zugrunde liegende Infrastruktur selbst verwalten zu müssen.

Die bessere Chance wird nicht unbedingt dadurch bestimmt, ob ein Unternehmen im Anwendungs‑ oder im Infrastrukturbereich tätig ist. Die zentrale Frage ist, ob das Unternehmen ein wichtiges und dauerhaftes Problem löst, das mit dem Fortschreiten des KI‑Marktes zunehmend wertvoller werden kann.

Da enorme Kapitalmengen jetzt auf eine relativ kleine Anzahl von Vorreiter‑KI‑Unternehmen konzentriert sind, wo glauben Sie, dass Investoren die Chance noch unterschätzen, und welche KI‑nativen Kategorien oder Geschäftsmodelle erhalten deutlich weniger Aufmerksamkeit, als sie verdienen?

Ein Bereich, den ich besonders interessant finde, ist das Mittelfeld des Marktes.

Derzeit ist das Venture‑Capital‑Umfeld zunehmend stark fragmentiert. Es gibt eine enorme Nachfrage nach vielversprechenden Unternehmen in den frühesten Phasen, insbesondere solchen mit außergewöhnlichen Teams und überzeugender Technologie. Gleichzeitig steht beträchtliches Kapital für die sehr größten, am besten bewährten Unternehmen zur Verfügung.

Doch das Mittelfeld, insbesondere die traditionellen Series‑B‑ und Series‑C‑Phasen, ist deutlich schwieriger geworden.

KI hat die Erwartungen komprimiert. Unternehmen können jetzt von null zu bedeutenden Einnahmen schneller wachsen als je zuvor, was die Messlatte deutlich anhebt, sobald ein Unternehmen Einnahmen erzielt. Wachstum, das vor einigen Jahren noch als außergewöhnlich galt, fällt heute möglicherweise nicht mehr auf.

Das schafft sowohl Risiken als auch Chancen.

Einige Unternehmen werden dazu gedrängt, sich nach dem zu richten, was der Fundraising‑Markt zu einem bestimmten Zeitpunkt verlangt: 5‑faches Wachstum, 10‑faches Wachstum, ein bestimmter Umsatzmeilenstein, unabhängig davon, ob dieser Kurs ein nachhaltiges Geschäftsmodell schafft. Der Markt kann sich innerhalb von sechs bis neun Monaten dramatisch verändern, sodass Gründer vorsichtig sein müssen, nicht ausschließlich für die Erwartungen der nächsten Finanzierungsrunde zu bauen.

Für Investoren denke ich, dass es echte Chancen gibt, Unternehmen zu identifizieren, die solide Fundamentaldaten besitzen, aber nicht klar in die Extreme des heutigen Marktes passen. Die Herausforderung besteht darin, diszipliniert genug zu sein, um nachhaltiges Wachstum von einem Unternehmen zu unterscheiden, das lediglich durch den aktuellen KI‑Finanzierungszyklus nach vorne gezogen wird.

Danke für das großartige Interview, Leser, die mehr über dieses VC‑Unternehmen erfahren möchten, sollten Touring Capital besuchen.