Was sollte ich vor einer Investition in ein KI-Startup prüfen?

Arbeite fünf Bereiche durch: die Daten (Herkunft und Rechte), das Modell (echt und ihres oder eine dünne Hülle), das Team (nachprüfbare, einschlägige Erfahrung), den Burggraben (was hält einen größeren Player vom Kopieren ab) und das Kommerzielle (echter Umsatz versus Pilotprojekte). Dann achte auf AI-Washing-Warnsignale. Nichts davon ist Anlageberatung.

Was ist ein „Datengraben“ und warum zählt er für KI-Startups?

Ein Datengraben ist ein proprietärer, schwer zu replizierender Datensatz, der die KI eines Startups besser macht als die eines Wettbewerbers, der nur öffentliche Daten oder Standardmodelle nutzt. Ohne ihn lässt sich viel der „KI“ von jedem mit einem API-Schlüssel reproduzieren, was die langfristige Verteidigbarkeit untergräbt.

Wie riskant ist die Investition in KI-Startups?

Sehr. Die meisten Startups scheitern, frühe Anteile sind illiquide, und KI bringt spezifische Risiken: Abhängigkeit von fremden Modellen, schnelle Konkurrenz, regulatorische Exposition und AI-Washing. Behandle es als Hochrisikokapital, das du ganz verlieren kannst.

KI-Startup-Due-Diligence: Checkliste für Angels

Geld in ein frühes „KI-Startup“ zu stecken, gehört zum Riskantesten, was ein Anleger tun kann — und zum am leichtesten falsch Gemachten, weil das Wort „KI“ die Prüfung kurzschließt. Diese Checkliste ist eine strukturierte Art, die Prüfung eingeschaltet zu lassen. Sie zielt auf Angels und Operatoren, die private Deals prüfen, aber die Fragen funktionieren für jeden, der ein echtes KI-Geschäft von einem Pitch Deck unterscheiden will.

Dies ist Bildung, keine Anlageberatung (siehe Hinweis). Nutze sie, um bessere Fragen zu stellen, nicht als Punktewert, der die Entscheidung für dich trifft.

1. Die Daten

KI lebt und stirbt mit Daten, also fang hier an.

Herkunft. Woher kommen die Trainingsdaten? Können sie es zeigen?
Rechte. Haben sie das Recht zur Nutzung? Gescrapt oder lizenziert? Unklare Antworten sind ein Rechtsrisiko, nicht nur ein Qualitätsproblem.
Graben. Sind die Daten proprietär und schwer zu replizieren — ein echter Datengraben — oder könnte jeder Wettbewerber mit einem API-Schlüssel das Ergebnis reproduzieren? Wenn Letzteres, ist viel der „KI“ nicht verteidigbar.

2. Das Modell

Echt oder Hülle? Gibt es echte Modellarbeit, oder ist das Produkt eine dünne Schicht über einer fremden API, umetikettiert als „unsere KI“? Beides können Geschäfte sein — aber sie werden sehr verschieden bewertet.
Leistung. Wie wird Genauigkeit gemessen, auf welchem Testdatensatz, und zeigen sie die Fehlerquote? „Es funktioniert großartig“ ist keine Kennzahl.
Abhängigkeitsrisiko. Wenn sie auf ein fremdes Modell setzen, was passiert, wenn der Anbieter Preis, Bedingungen oder Fähigkeit ändert? Das ist ein einzelner Ausfallpunkt auf der Roadmap eines anderen.

3. Das Team

Nachprüfbare Erfahrung. Haben Gründer und technische Leads einschlägige, prüfbare Hintergründe — nicht nur frische „Head of AI“-Titel?
Build-vs-Buy-Fähigkeit. Können sie tatsächlich bauen, was sie behaupten, oder fügen sie Standardteile zusammen? Keines disqualifiziert; beides im Pitch zu vermischen ist ein Signal.

4. Graben und Markt

Verteidigbarkeit. Was hält jenseits der Daten eine größere, besser finanzierte Firma davon ab, das in einem Quartal zu kopieren? Vertrieb, regulatorische Zulassung, Wechselkosten?
Echte Nachfrage. Zahlen Kunden, oder sind das unbezahlte Pilotprojekte und Absichtserklärungen, als Traktion verkleidet?

5. Das Kommerzielle

Umsatzqualität. Wiederkehrend und bezahlt oder einmalig und gratis? Ist „KI-Umsatz“ ausgewiesen oder in vage Summen vermischt?
Burn und Runway. KI-Rechenleistung ist teuer. Wie schnell fließt Geld ab, und was nimmt die nächste Runde an?
Bedingungen. Lock-ups, Liquidationspräferenzen, Verwässerung, SPV-Gebühren — die Struktur kann deine Rendite leise auffressen, selbst wenn es der Firma gut geht. Wir behandeln das im Pillar In KI investieren.

Die AI-Washing-Warnsignale (Schnellscan)

Dieselben Prüfungen wie für börsennotierte Firmen — bei Startups doppelt, wo es keinen 10-K gibt, der jemanden ehrlich hält:

„KI“ ohne benanntes Modell, Verfahren oder Datensatz.
Eine Demo, die stets aufgezeichnet oder leise mit Mensch in der Schleife ist.
Genauigkeitsangaben ohne Fehlerquote oder Testdatensatz.
Eine Bewertung, die auf einem KI-Rebranding sprang, nicht auf dem Geschäft.
Mehr KI auf der Startseite als im Produkt.

Unser AI-Washing-Leitfaden geht bei jedem tiefer, mit dem Rahmen des CFA Institute.

Wie man es nutzt

Behandle die Checkliste nicht als Bestanden/Durchgefallen. Behandle sie als Karte, wo zu graben ist. Ein Startup kann mehrere Punkte verfehlen und trotzdem eine großartige Investition sein; wichtig ist, dass du weißt, wo es schwach ist, und dieses Risiko bewusst einpreist. Der Fehlerfall ist nicht, eine unvollkommene Firma zu unterstützen — sondern eine, deren Schwächen du nie geprüft hast, weil „KI“ dich aufhören ließ zu fragen.

Bildungsinhalt, keine Anlageberatung. Frühphasen-Investition kann zum Totalverlust führen. Mache eigene Due Diligence und hole bei Bedarf fachlichen Rat.

Wir nennen Fakten mit Quellen und Datum. Wir bezeichnen ein konkretes Unternehmen niemals als Betrug oder „AI-Washing“ als Tatsachenbehauptung — wir zeigen überprüfbare Daten und die Fragen, die ein Anleger stellen sollte.