Wie man eine AI-Produktstrategie entwickelt

• Ein Beitrag von Miqdad Jaffer, Product Lead bei OpenAI, der eine AI-Produktstrategie in einem 4-Stufen-Framework zusammenfasst
• AI-Produkte befinden sich in einem Umfeld, in dem sie nicht einfach durch das Hinzufügen von Funktionen überleben können, sondern nur mit strategischem Design
• Wegen Kostenstruktur, verschärftem Wettbewerb und Investorenerwartungen ist ein völlig anderes Wirtschaftsmodell als bei SaaS erforderlich
• Erfolgreiche Unternehmen bauen ihre Differenzierung auf drei zentralen kumulativen Burggräben (Moats) auf: Daten, Distribution und Vertrauen
• Dafür werden das 4D-Framework (Direction, Differentiation, Design, Distribution) und die 2P (Pricing, Positioning) vorgestellt
• Letztlich hängt Erfolg oder Scheitern von AI-Startups nicht von der Technologie ab, sondern davon, ob sie eine Strategie umsetzen, die Wirtschaftlichkeit, Verteidigungsfähigkeit und Vertrauen integriert

---

• In jeder Welle technologischer Entwicklung gibt es zwei Arten von Gründern
  • Gründer, die auf dem Hype wachsen und dann unter der Kostenlast zusammenbrechen
  • Gründer, die dieselbe Welle in einen nachhaltigen Burggraben (Moat) verwandeln und den Markt über mehr als zehn Jahre dominieren
• AI ist keine Ausnahme, vielmehr ist der Preis strategischer Fehler noch sehr viel höher und schneller spürbar
• Bei SaaS oder Mobile konnte man auch verspätet noch aufholen und überleben, AI aber ist ein Markt, der strategische Leere nicht verzeiht
  • Chegg: Zu spät auf AI reagiert, 90 % Unternehmenswert verloren; während Studierende zu ChatGPT abwanderten, reagierte das Unternehmen nur nachträglich und zahlte dafür am Markt einen hohen Preis
  • Jasper: Einst das führende Unternehmen für AI-Schreiben, mit 125 Mio. US-Dollar Finanzierung und 1,2 Mrd. US-Dollar Bewertung, erlebte jedoch wegen eines fehlenden echten Moats und einer Fehlanpassung zwischen SaaS-Preismodell und explodierenden Inferenzkosten Nutzerabwanderung, Preissenkungen und den Verlust der Marktführerschaft
  • Duolingo: Integrierte AI nicht nutzererlebnisorientiert, sondern auf erzwungene und extraktive Weise, führte einen AI-Tutor ein und baute Personal ab; das Ergebnis waren Hunderttausende abgewanderte Nutzer und der Verlust von 300.000 Followern, was der Reputation schadete
• Diese Beispiele zeigen keine einmaligen Fehler, sondern wie riskant es ist, AI nachträglich anzukleben oder ohne Blick auf die Wirtschaftlichkeit anzugehen
• Zahlreiche Unternehmen sind gescheitert, weil sie AI nachträglich ergänzt oder nur als bloßes Feature eingeführt und dabei Wirtschaftlichkeit ignoriert sowie Differenzierung verfehlt haben
• Der Markt gibt keine zweite Chance, und verspätete Reaktionen führen zu irreversiblen Verlusten
• Die Strategie „Das können wir später machen“ wirkt im AI-Umfeld als unmittelbar tödliches Risiko

• In AI ist Zeit komprimiert

  • Adoptionszyklen: verkürzen sich von Jahren auf Quartale
  • Geschwindigkeit der Kommodifizierung: tritt nicht in Monaten, sondern innerhalb weniger Wochen ein, wodurch funktionsbasierte Vorteile schnell bedeutungslos werden
  • Investoren, Nutzer und Markt bestrafen Zögern hart, was sich unmittelbar in Bewertung, Adoptionsrate und Reputation niederschlägt
• Der folgende Inhalt versteht sich als AI Product Strategy 101, die Gründern eine strategische Grundlage bietet, um nicht nur zu überleben, sondern den Markt zu dominieren
• Kurz gesagt: In AI ist Strategie der entscheidende Erfolgsfaktor, mit Funktionen allein ist kein Erfolg möglich

Die Illusion „Man muss einfach nur AI hinzufügen“

• Auf der ersten Folie der meisten Pitch Decks steht heute der Ausdruck „AI-powered“, um die Aufmerksamkeit von Investoren und Kunden zu gewinnen, doch das garantiert keine echte Glaubwürdigkeit
• AI selbst ist kein Burggraben (Moat); jeder hat Zugang zu Modellen wie GPT-4o, Claude, Llama oder Mistral, die Eintrittsbarriere liegt faktisch nahe bei null
• Eine Struktur, die einfach nur die OpenAI API aufruft und eine UI darüberlegt, ist kein Unternehmen, sondern lediglich eine teure Demo, die über Nacht kopiert werden kann
• Die entscheidende Frage, die Gewinner und Verlierer trennt, ist, wie man sich differenzieren will, wenn Wettbewerber morgen auf dasselbe Modell zugreifen können
• Wenn die Antwort darauf nur lautet: „Wir werden es schneller bauen“, dann hat man das Spiel praktisch schon verloren

Warum AI Gründer ohne Strategie scheitern lässt

• AI ist deshalb so gnadenlos, weil Gründer im Unterschied zu SaaS von Kosten-, Wettbewerbs- und Investitionsumfeld viel schneller und direkter unter Druck gesetzt werden
  • 1. Kostenstruktur: Bei SaaS nähert sich nach dem Aufbau des Produkts der Grenzkostenpreis pro Nutzer null, bei AI entstehen jedoch für jede Abfrage, Generierung und Inferenz Token-, GPU- und Hosting-Kosten, sodass ohne Strategie die Kosten schneller steigen als der Umsatz
  • 2. Sofortige Kommodifizierung: SaaS-Funktionen brauchen Jahre, bis sie kopiert werden, AI-Klone tauchen dagegen innerhalb weniger Wochen auf; die einzigen Verteidigungsmittel sind Moats wie Daten, Vertrauen und Distribution
  • 3. Hype und Wettbewerb: Sobald eine neue AI-Funktion erscheint, tauchen auf Product Hunt Hunderte Klone auf, von denen einige den Markt strategieloser Unternehmen kannibalisieren
  • 4. Reifere Investoren: 2021 reichte es, „AI“ ins Pitch Deck zu schreiben, um Kapital einzuwerben; 2025 fragen VCs jedoch nach Verteidigungsstrategie nach dem Launch von GPT-5 und nach Plänen zur Steuerung der Inferenzkosten; gibt es darauf keine Antwort, kommt kein Investment zustande
• Deshalb geht es bei AI nicht darum, eine glänzende Demo zu bauen, sondern darum, das System rund um AI zu entwerfen
  • Wie die Profitabilität erhalten bleibt, wenn die Nutzung um das 10-Fache steigt
  • Wie Kunden gehalten werden, wenn Modelle billiger und leistungsfähiger werden
  • Wie Distributionskanäle in einen Zinseszinseffekt verwandelt werden
  • Wie trotz Halluzinationen und Datenschutzproblemen Vertrauen aufgebaut wird
• Dieser Unterschied trennt Unternehmen, die sterben, von Unternehmen, die den Markt dominieren
• Nicht diejenigen gewinnen, die AI einfach nur hinzufügen, sondern nur Gründer, die mit einer Strategie für Skalierung, Verteidigung und kumulative Effekte entwerfen
• Besonders im AI-Markt geht die Schere zwischen Gewinnern und Verlierern schneller auf als in jeder anderen Technologiewelle
  • Wenn die Kosten explodieren, beträgt die Aufschubfrist für Gegenmaßnahmen nicht Jahre, sondern Monate
  • Wenn Kommodifizierung einsetzt, beträgt die Reaktionsfrist nicht Quartale, sondern Wochen
• Fazit: Eine AI-Produktstrategie ist keine Option, sondern die einzige Überlebensvorrichtung, die hyper­schnelles Wachstum von Zusammenbruch trennt

AI-Ökonomie: die neue Unit Economics der Startups

• Die Grundformel von SaaS war einfach
  • Produkt einmal bauen
  • Nutzer gewinnen
  • die Grenzkosten pro Nutzer liegen nahezu bei null
  • und mit jedem neuen Kunden steigt der Gewinn exponentiell
• Dank dieser Struktur konnten SaaS-Unternehmen hohe Margen von 70 bis 80 % halten, und selbst ein Abo-Modell für 29 US-Dollar pro Monat konnte milliardenschwere Unternehmen hervorbringen
• AI folgt jedoch nicht den Regeln von SaaS
• In AI existieren Grenzkosten hartnäckig in der Realität, und die Struktur ist so, dass mit mehr Nutzern, Abfragen und Inferenz auch die Kosten steigen

• Warum Grenzkosten in AI und SaaS unterschiedlich wirken

  • Jede Abfrage in AI ist eine kostenpflichtige Anfrage
    • Beispiel: Eine einzelne ChatGPT-Abfrage kostet je nach Modell einige Cent bis mehrere Dutzend Cent
    • Skaliert man das auf Millionen Nutzer, kann allein der Betrieb einer Free-Tier jeden Monat Millionen US-Dollar kosten
  • Bei SaaS sinken die Kosten mit wachsender Größe, bei AI führt Skalierung jedoch ohne in das Produktdesign eingebaute Effizienz eher zu höheren Kosten
  • Die harte Realität ist, dass Inferenzkosten die neue AWS-Rechnung sind; so wie frühe Startups an Cloud-Kosten scheiterten, bluten heutige AI-Startups an unkontrollierbaren Token-Kosten aus

• Fallstudie: Perplexity vs Midjourney vs ChatGPT

  • Perplexity: Statt jede Anfrage direkt an GPT weiterzuleiten, wurde eine hybride Search+LLM-Schicht eingeführt, die den Token-Verbrauch drastisch senkt
    • Dadurch wurden gleichzeitig Kosten gesenkt, Antworten beschleunigt und die UX durch zusätzliche Zitate verbessert
  • Midjourney: Hatte Erfolg beim Community-Wachstum auf Discord, intern bestand jedoch das Problem explodierender GPU-Kosten
    • Da pro Bild erhebliche Rechenkosten anfielen, waren Gratisnutzer nicht tragfähig, weshalb frühzeitig aggressive Bezahlpläne eingeführt wurden
  • ChatGPT: Gewann in nur zwei Monaten 100 Millionen Nutzer, brachte OpenAI damit aber fast an den Rand, das eigene Rechenbudget zu überschreiten
    • Der Tarif „ChatGPT Plus“ (20 US-Dollar/Monat) wurde nicht einfach zur Monetarisierung eingeführt, sondern als Mechanismus zur Kostendämpfung
• Das klare Muster ist: Gründer, die bis zur Skalierungsphase überleben, haben ihre Unit Economics von Anfang an entworfen

Die verborgenen Fallstricke von Token-Kosten und API-Abhängigkeit

• Viele frühe AI-Startups sind nur einfache API-Wrapper und zu 100 % von Foundation Models wie OpenAI oder Anthropic abhängig
• Auf Prototyp-Niveau ist das in Ordnung, doch beim Wachstum zu einem echten Unternehmen birgt es fatale strukturelle Risiken
  • 1. Keine Preiskontrolle: Wenn OpenAI die API-Preise erhöht, führt das unmittelbar zu einem Margenkollaps
  • 2. Keine Leistungskontrolle: Wenn beim Modell Latenz oder Downtime auftreten, wird der gesamte Service lahmgelegt
  • 3. Keine Kontrolle über Differenzierung: Wenn jeder dieselbe API nutzen kann, kann ein Wettbewerber das gesamte Produkt über ein Wochenende kopieren
• Deshalb müssen API-first-AI-Produkte schnell wieder verschwinden; es ist kaum etwas anderes, als eine Demo mit einem Unternehmen zu verwechseln

Wie man Kosten modelliert, wenn die Nutzung um das Zehnfache wächst

• Mit einem einfachen Gedankenexperiment lässt sich die Kostenstruktur-Falle von AI-Services erkennen

• Basisszenario

  • Preis: 29 $ pro Nutzer und Monat
  • Durchschnittliche Nutzung: 500 Queries pro Monat
  • Kosten pro Query: 0,002 $
  • Inferenzkosten pro Nutzer: 1,00 $ pro Monat
  • Gesamtmarge: rund 97 %, was sehr gesund aussieht

• Bei Skalierung

  • Nutzerzahl: 1.000 → 100.000
  • Query-Anzahl: 500.000 → 50 Millionen/Monat
  • Kosten: 100.000 $/Monat → 10 Mio. $/Jahr
  • An diesem Punkt sind die Inferenzkosten so überwältigend, dass selbst AWS-Cloud-Kosten klein wirken

• Die Falle und Gegenmaßnahmen

  • Im kleinen Maßstab (1.000 Nutzer) sind die Margen solide, im großen Maßstab (100.000 Nutzer) brechen sie jedoch abrupt ein
  • Strategien, um das zu verhindern:
    • Intelligentes Batching und Caching: Dieselbe Ausgabe nicht wiederholt neu erzeugen
    • Model Routing: Einfache Aufgaben an günstige Modelle, nur komplexe Aufgaben an leistungsstarke Modelle
    • Aufbau eigener Infrastruktur: Kleinere, auf bestimmte Domänen spezialisierte Modelle trainieren und günstiger betreiben

Die wahre Mathematik der AI-Profitabilität

• Derzeit erwirtschaften die meisten AI-Startups de facto keinen Gewinn
• Oberflächlich wirkt es wie Wachstum, tatsächlich wird die Nutzerakzeptanz mit VC-Kapital subventioniert, während die Wirtschaftlichkeit ignoriert wird

• Drei Differenzierungsstrategien der Gewinner

  • 1. Strategisches Pricing
    • Die kostenlose Tier dient nur als einfacher Köder
    • Schnell kostenpflichtige Pläne einführen und mit nutzungsbasierter Preisgestaltung Kosten und Erlöse in Einklang bringen
    • Beispiel: Dass Midjourney die kostenlose Bilderzeugung abgeschaltet hat, lag daran, dass die mathematische Kostenstruktur zusammengebrochen war
  • 2. Die Kostenkurve in das Produktdesign einbauen
    • Perplexity: Search+LLM-Struktur zur Reduzierung des Token-Verbrauchs → Kosteneinsparung als Moat
    • Grammarly: schrittweises Fine-Tuning senkt die Kosten für Korrekturen im Zeitverlauf
    • Canva: Positioniert AI-Funktionen als unterstützendes statt zentrales Element, um die Kostenbelastung zu minimieren
  • 3. Abhängigkeiten diversifizieren
    • Routing auf mehrere Modellanbieter (OpenAI, Anthropic, Cohere, Mistral) verteilen
    • Wenn möglich, domänenspezifische Modelle selbst trainieren und kostengünstig betreiben
    • Mit wachsender Größe zum Besitz der Infrastruktur wechseln, um Kostenkontrolle zu gewinnen

• Wenn Unit Economics ignoriert werden

  • Wachstum wird mit Erfolg verwechselt, und mit wachsender Größe entstehen noch höhere Verluste
  • Am Ende werden die Margen negativ, und die Geduld der Investoren ist erschöpft

• Wenn Unit Economics von Anfang an mitdesignt werden

  • Mit steigender Nutzung sinken die Kosten durch Caching, Routing und effizientere Infrastruktur
  • Wettbewerber können im Preiswettbewerb aufgrund ihrer Kostenstruktur nicht mithalten
  • Wachstum ist dann nicht bloß Hype, sondern akkumuliert sich zu einem echten Moat
• Genau darin liegt der entscheidende Unterschied zwischen einem Unternehmen, das nur eine Demo ist, und einem Unternehmen, das ein Jahrzehnt prägt

Das 4D-Framework für AI-Produktstrategie: The 4D Framework for AI Product Strategy

• AI-Unternehmen scheitern nicht wegen fehlender Ideen, sondern wegen fehlender Strategie
• Konkret ist eine Strategie das Problem, die Skalierung, Verallgemeinerung und Kostendruck nicht standhält
• Der Autor hat aus eigener Erfahrung beim Aufbau, der Skalierung und dem Exit von AI-Unternehmen sowie aus der Beobachtung zahlloser Erfolgs- und Misserfolgsfälle von Gründern das 4D-Framework entwickelt, um jede Produktentscheidung zu überprüfen
• Es ist so etwas wie eine Survival Map; ein Unternehmen ohne diese Linse zu führen, ist wie mit verbundenen Augen zu managen
• Dieses Dokument stellt das grundlegende 4D-Framework vor; im Cohort-Programm wird eine vertiefte Version mit konkreten Beispielen behandelt

• Die vier Elemente des 4D-Frameworks

  • 1. Direction → die Wahl eines Moat, der sich mit der Zeit aufbaut
  • 2. Differentiation → eine Verteidigungsstrategie, die auch dann trägt, wenn Funktionen zum Standard werden
  • 3. Design → Aufbau einer Produktarchitektur, die Nutzerakzeptanz und Kosteneffizienz ausgewogen berücksichtigt
  • 4. Deployment → ein Betriebsmodell, das skalierbar ist, ohne die Gewinn-und-Verlust-Rechnung (P&L) zu ruinieren

1. Richtung: Einen tatsächlich kumulativen Compound-Moat wählen

• AI-Features sind vorübergehend, ein Moat ist dauerhaft
• Einen dünnen Wrapper auf GPT-5 zu setzen, kann morgen sofort jeder nachbauen, doch der Markt belohnt diese Art von Ansatz nicht
• Was der Markt bewertet, ist, ob ein Produkt eine Struktur besitzt, die mit wachsender Nutzerzahl immer stärker wird
• Daher ist Direction die Frage, für welchen kumulativen Moat (compounding moat) sich Gründer bewusst entscheiden und welchen sie verteidigen wollen

• (a) Daten-Moat: Data Moat

  • Der nachhaltigste und am besten verteidigbare Moat in AI sind proprietäre Daten
  • Wenn ein Produkt bei jeder Nutzung einzigartige und strukturierte Daten ansammeln kann, werden diese zu einem Asset, das Wettbewerber weder kopieren noch kaufen können
  • Beispiel: Duolingo
    • Statt einfach nur AI-Funktionen hinzuzufügen, nutzt das Unternehmen über Jahre angesammelte Lerndaten von Schülern und Studierenden (Schwierigkeit einzelner Aufgaben, Korrektureffekte, Lerntrends nach Region und Demografie), um Modelle feinzujustieren
    • Dieser Datensatz ist ein Vermögenswert, den neue Wettbewerber selbst mit hohem Kapitaleinsatz nicht aufholen können
  • Ein Daten-Moat erzeugt einen Flywheel-Effekt, der mit der Zeit immer stärker wird
    • Neue Nutzer → mehr Daten → intelligentere, günstigere und stärker personalisierte Modelle → bessere User Experience → mehr Nutzer

• (b) Distributions-Moat: Distribution Moat

  • Distribution war schon immer ein wichtiges Geschäftselement, in AI ist sie jedoch praktisch alles
  • Beispiel: Notion
    • Da bereits zig Millionen Nutzer tief in ihre Workflows eingebunden sind, führt das Hinzufügen von AI-Funktionen ohne zusätzliche Marketingkosten zu sofortiger Akzeptanz
  • Beispiel: Canva
    • Statt AI-Bildgenerierung als eigenständige Funktion zu verpacken, wurde sie natürlich in den Designprozess integriert und stärkt so die User Experience
  • Ohne Distributions-Moat bleibt Startups nichts anderes übrig, als mit General-Purpose-Modellen wie ChatGPT oder Gemini in einem fragmentierten Wettbewerb zu konkurrieren

• (c) Vertrauens-Moat: Trust Moat

  • Der am meisten unterschätzte, aber entscheidende Moat in AI ist Vertrauen
  • Nutzer wollen nicht nur leistungsfähige AI, sondern vorhersehbare, sichere und verlässliche AI
  • Beispiel: Anthropic
    • Das Unternehmen konkurriert nicht einfach über Modellgröße, sondern gewinnt Unternehmenskunden mit einer Positionierung als Firma, die von Sicherheit und Alignment besessen ist
  • Beispiel: OpenAI-Enterprise-Verträge
    • Viele Unternehmen könnten eigene Modelle bauen oder günstigere Alternativen kaufen, entscheiden sich aber dennoch für OpenAI und zahlen Millionenbeträge wegen Governance, Compliance und Zuverlässigkeit
  • Vertrauen braucht lange, um aufgebaut zu werden, wird aber, sobald es etabliert ist, zu einem viel stärkeren Moat als jede Funktion
    • Schon eine einzige Halluzination oder ein Sicherheitsvorfall kann Vertrauen zerstören, doch anhaltende Stabilität schafft einen starken Lock-in-Effekt

• Fazit

  • Wenn Gründer nicht ausdrücklich eine Richtung (Direction) wählen, trifft der Markt die Wahl für sie
  • Doch die vom Markt gewählte Richtung ist fast immer Kommoditisierung (commoditization), und genau das führt Startups in den Tod

2. Differenzierung (Differentiation): In der Kommoditisierung (Commoditization) überleben

• Die harte Realität ist: Wenn ein Produkt einfach nur „X mit AI“ ist, wird es am Ende von Foundation-Model-Unternehmen wie OpenAI verdrängt
• Diese Unternehmen erweitern ihre Funktionen mit überwältigender Geschwindigkeit horizontal über Dokumente, Spreadsheets, E-Mails, Bilder und Audio hinweg
• Differenzierung bedeutet daher nicht einfach „wir haben AI hinzugefügt“, sondern den Aufbau einer Verteidigung gegen unvermeidliche Kommoditisierung
• Die zentrale Frage lautet: Warum sollten Kunden uns wählen, selbst wenn OpenAI oder Anthropic dieselbe Funktion kostenlos oder gebündelt anbieten?

• Fragen, die man sich selbst stellen muss

  • Löst unser Produkt einen bestimmten Failure Mode von Foundation-Modellen besser als alle anderen?
  • Wenn General-Purpose-Modelle zu langsam, zu teuer oder zu allgemein und damit überdimensioniert sind, bieten wir dann eine schnellere, günstigere und spezialisiertere Alternative?
  • Sorgen unsere Workflows, UX und Integrationen dafür, dass Kunden unser Produkt weiter nutzen, selbst wenn sie anderswo eine kopierte Funktion bekommen?

• Fallstudien

  • Perplexity AI
    • Jedes LLM kann Fragen beantworten, doch Perplexity differenziert sich durch einen quellen-, zitier- und suchbasierten Workflow
    • Das war nicht nur eine Funktion, sondern ein Positionierungs-Wedge als „vertrauenswürdige AI-Suche“
  • Runway AI
    • Statt allgemeine Videogenerierung zu verfolgen, konzentriert sich das Unternehmen tief auf eine bestimmte Zielgruppe: Creators, Editoren und Filmemacher
    • Der Unterschied lag nicht in „es generiert Videos“, sondern in der Identität als „Production-Tool auf Profi-Niveau“
• Differenzierung bedeutet nicht einfach, noch mehr Funktionen hinzuzufügen
• Es geht darum, für einen bestimmten Use Case den Marktstandard (default) zu besetzen, sodass Kunden uns nicht verlassen, selbst wenn andere Unternehmen die Technik kopieren können

3. Design: Adoption und Kosteneffizienz in Balance bringen

• Der Friedhof (gaveyard), auf dem die meisten AI-Startups scheitern, ist genau die Designphase
• Viele Unternehmen bauen ein „Wow-Demo“, das auf Twitter eine Woche lang Aufmerksamkeit bekommt, aber keine nachhaltige Adoption erzeugt und dessen Ökonomie durch explodierende Inferenzkosten kollabiert
• Gutes Design in AI bedeutet, User Adoption und eine nachhaltige Kostenstruktur (Cost Structure) ausgewogen in Einklang zu bringen

• Prinzipien für Adoption: Adoption Principles

  • Reibung entfernen: Nutzer sollten kein Prompt Engineering betreiben müssen; stattdessen sollte natürliches Verhalten in AI-Output übersetzt werden
    • Beispiel: Grammarly verlangt nicht, dass man „Rewrite this in a formal tone“ eingibt, sondern bietet dies mit einem einzigen Button an
  • Den Nutzer dort abholen, wo er bereits arbeitet: Wie bei Notion, Canva oder Figma steigt die Adoptionsrate um das Zehnfache, wenn AI in bestehende Workflows eingebettet wird
  • Minimum Viable Intelligence: Statt von Anfang an AGI-Niveau anzustreben, sollte man sich darauf konzentrieren, ein einzelnes Problem vollständig zu lösen
    • Beispiel: Perplexity ist gewachsen, indem es sich auf „AI + vertrauenswürdige Antworten“ konzentrierte, statt alles lösen zu wollen

• Prinzipien für Kosteneffizienz: Cost Efficiency Principles

  • Model Routing: Nicht jede Query an GPT-5 schicken; für 80 % der Aufgaben günstige Modelle nutzen und nur für den Rest High-Performance-Modelle
  • Caching: Wenn 1.000 Menschen dieselbe Frage stellen, sollte man nicht 1.000-mal zahlen, sondern über Caching Kosten sparen
  • Prompt-Optimierung: Jedes Token verursacht Kosten, daher braucht es kompakte und effiziente Prompts
  • Batching: Wenn möglich, mehrere Requests in einem einzigen Inferenzaufruf bündeln und verarbeiten

• Warum das wichtig ist

  • Erfolgreiche Gründer entwerfen eine Struktur, in der mit wachsender Nutzerzahl die Kosten pro Nutzer sinken
  • Alle anderen enden letztlich als Demo-Unternehmen, die nur Geld verbrennen und beim Skalieren zusammenbrechen

4. Deployment: Skalieren ohne Kostenexplosion

• Skalierung ist der Endgegner für AI-Startups
• In dieser Phase gelingt entweder der Sprung zum Unicorn, oder man bricht an der Kostenlast zusammen
• Das Paradox von AI ist, dass sie schneller wachsen kann als jede andere Technologie, zugleich aber auch das größte Risiko birgt, dass die Kosten den Umsatz überholen und die Lage verschlechtern
• Deshalb besteht der Kern von Deployment darin, ein System aufzubauen, das skaliert und zugleich die Gewinn-und-Verlust-Rechnung (P&L) schützt

• Preisstrategie: Pricing Strategy

  • Von Anfang an auf ein nutzungsbasiertes oder hybrides Preismodell umstellen
  • Die vom Kunden gezahlten Kosten direkt mit dem wahrgenommenen Wert verknüpfen
  • Keine unbegrenzten AI-Funktionen versprechen; das führt direkt zum Margenkollaps

• Infrastrukturstrategie: Infrastructure Strategy

  • Einen Multi-Model-Ansatz nutzen, um nicht von einem einzelnen Anbieter abhängig zu sein
    • Zwischen OpenAI, Anthropic, Mistral und Open-Source-Modellen intelligent routen
    • Den Wettbewerb zwischen Anbietern nutzen, um vorteilhafte Konditionen zu sichern
  • Mit wachsender Größe domänenspezifische Modelle trainieren, um schneller und günstiger zu sein als mit allgemeinen APIs
  • Ein Evaluierungssystem (eval system) aufbauen, um Qualität, Genauigkeit, Latenz und Halluzinationsprobleme im großen Maßstab zu überwachen

• Teamstrategie: Team Strategy

  • Nicht einfach nur ML-Ingenieure einstellen, sondern Product Engineers gewinnen, die die Trade-offs zwischen UX, Geschwindigkeit und GPU-Kosten verstehen
  • Die wertvollsten Talente könnten jene sein, die zu einer Kostenbomben-Demo, die auf der Bühne glänzt, in Wirklichkeit aber die Marge zerstört, „NEIN“ sagen können

Die 4D-Linse für Gründer: The Founder’s 4D Lens

• Jede Entscheidung eines AI-Gründers muss zwingend durch diese 4D-Linse gehen
  • 1. Direction: Bauen wir einen verteidigungsfähigen Moat auf, oder entwickeln wir nur noch einen weiteren Wrapper?
  • 2. Differentiation: Hat das Produkt noch Bedeutung, wenn OpenAI morgen dieselbe Funktion veröffentlicht?
  • 3. Design: Verbessert sich die Ökonomie, je mehr neue Nutzer hinzukommen, oder verschlechtert sie sich?
  • 4. Deployment: Können wir um das Zehnfache skalieren, ohne dass die Marge kollabiert?
• Wenn sich auch nur eine dieser vier Fragen nicht mit „Ja“ beantworten lässt, dann ist das, woran man gerade arbeitet, keine Firma (company), sondern nur ein Feature
• Features sterben am Ende, aber Firmen mit Strategie überleben lange

2P: Preise und Positionierung von AI-Produkten : Pricing and Positioning AI Products

• Viele Gründer behandeln Pricing als nachgelagerten Punkt und sagen: „Darum kümmern wir uns, nachdem wir PMF gefunden haben.“
• Bei SaaS mag das funktionieren, bei AI ist es fatal
• In AI ist Pricing nicht nur ein Umsatzmodell, sondern eine Kernstrategie zur Kostenkontrolle, zur Steuerung des Nutzerverhaltens und zum Aufbau eines Moats

• Warum man Pricing als strategischen Hebel betrachten muss

  • Bei SaaS konnte man anfangs niedrig bepreisen und AWS-Kosten in Kauf nehmen, weil sich das durch Skalierung ausgleichen ließ
  • Bei AI bestehen die Grenzkosten jedoch dauerhaft
    • Für jede Query fallen Token-, GPU-, Latenz- und Inferenzkosten an
    • Deshalb ist Pricing unmittelbar eine wirtschaftliche Überlebensstrategie

• Die vier Elemente, die Pricing steuert

  • Auswahl der Kundengruppe: leichte Nutzer vs. Enterprise-Kunden mit hohem Mehrwert
  • Nutzungsverhalten: sparsame Queries vs. exzessiver Missbrauch
  • Zeitpunkt des Break-even: im ersten Monat nach dem Launch vs. nach drei Jahren
  • Marktsignal: Premium vs. allgemeines Utility, für Profis vs. für Endverbraucher

Vier Archetypen der AI-Preisgestaltung

• 1. Nutzungsbasierte Abrechnung (Token, Queries, Compute) : Usage-Based Pricing (Tokens, Queries, Compute)

  • Funktionsweise: Kunden zahlen direkt nach den tatsächlich genutzten Token, Queries oder GPU-Minuten
  • Geeignet für: APIs, Infrastrukturprodukte und Enterprise-Tools, bei denen der Verbrauch vorhersehbar ist und direkt mit dem geschäftlichen Wert zusammenhängt
  • Beispiele:
    • OpenAI API — Abrechnung pro 1.000 Token, transparente Offenlegung der Tarife je Modell
    • ElevenLabs — Abrechnung pro Minute erzeugtem Audio
  • Vorteile: Kosten und Umsatz stimmen transparent überein; man muss Heavy User nicht querfinanzieren (subsidize), was Vertrauen leichter aufbaut
  • Nachteile: Nutzer können Abrechnungsangst (meter anxiety) verspüren und daher bei Experimenten oder breiter Einführung zögern; im Consumer-Markt kann das wenig zugänglich wirken

• 2. Erfolgsbasierte Abrechnung (für Ergebnisse zahlen) : Outcome-Based Pricing (Pay for Results, Not Usage)

  • Funktionsweise: Abgerechnet wird nicht nach Token oder Minuten, sondern nach tatsächlich erzielten Ergebnissen (z. B. Lead-Generierung, Betrugserkennung, Conversion)
  • Geeignet für: Enterprise-Produkte, deren Ergebnisse sich als KPI monetarisieren lassen (Sales, Marketing, Betrugserkennung, Compliance)
  • Beispiele:
    • AI-Sales-Plattform — Abrechnung pro qualifiziertem Meeting
    • Betrugserkennungssystem — Abrechnung pro blockiertem Betrugsfall
  • Vorteile: Kunden zahlen nur, wenn ein Wert entsteht → ermöglicht Premium-Positionierung nach dem Motto „Nur wenn Sie erfolgreich sind, sind wir es auch“
  • Nachteile: Schwer auf Consumer- oder Creative-Apps mit unklaren Ergebnissen anwendbar; zudem muss das AI-Unternehmen das Risiko mittragen, was die operative Komplexität erhöht

• 3. Seat-basierte Abrechnung (pro Nutzer/Monat) : Seat-Based Pricing (Per User, Per Month)

  • Funktionsweise: Klassisches SaaS-Modell mit festem Monats- oder Jahrespreis pro Nutzer
  • Geeignet für: AI-Produkte, die tief in Teamzusammenarbeit und Produktivitäts-Workflows integriert sind
  • Beispiele:
    • Jasper AI (früh) — Einführung eines Seat-basierten SaaS-Modells
    • Notion AI — AI-Funktionen im bestehenden SaaS-Plan enthalten
  • Vorteile: Für Unternehmenskäufer vertraut und gut planbar; sendet Investoren zugleich das stabile Signal „Enterprise SaaS + AI“
  • Nachteile: Bei großen Nutzungsunterschieden kann das Unternehmen die Kosten für einzelne intensive Nutzer tragen müssen, wodurch eine Diskrepanz zwischen Umsatz und Kosten entsteht

• 4. Hybride Abrechnung (Mix aus Nutzung + Subscription) : Hybrid Pricing (Mix of Usage + Subscription)

  • Funktionsweise: Kombination aus Grundgebühr im Abonnement und zusätzlicher nutzungsabhängiger Abrechnung bzw. Limits
  • Geeignet für: den Consumer- und Prosumer-Markt oder Produkte mit stark schwankender Nutzung, da sich so verschiedene Segmente bedienen lassen
  • Beispiele:
    • MidJourney — monatliches Abo von $10 bis $60 mit Obergrenzen in GPU-Minuten
    • ChatGPT Plus — Pauschalpreis von $20/Monat, Enterprise-Verträge mit nutzungsbasierter Abrechnung
  • Vorteile: Bedient die Subscription-Erwartung und bietet zugleich Schutzmechanismen gegen Missbrauch; skaliert von Einzelanwendern bis zu Großunternehmen
  • Nachteile: Höhere Komplexität → Risiko von Verwirrung bei Tarifmodellen; bei falsch gesetzten Limits drohen Umsatzverluste oder Unzufriedenheit bei Kunden

Fallstudien: Erfolg, Scheitern und Zusammenbruch

• 1. OpenAI API → Erfolg des nutzungsbasierten Modells

  • Klare tokenbasierte Preise direkt an den Rechenaufwand gekoppelt
  • Transparent, skalierbar und mit einer Enterprise-freundlichen Struktur
  • Positionierung: „Wir sind die Schienen der AI“
  • Ergebnis: ein vorhersehbares Umsatzmodell, bei dem Kosten und Erlöse gemeinsam skalieren
    • Es gab zwar keine Akzeptanz im Consumer-Markt, aber eine dominante Infrastrukturposition wurde erreicht

• 2. MidJourney → Hybride Abrechnung mit Guardrails

  • Monatliche Abostufen von $10 bis $60, mit Obergrenzen nach GPU-Minuten
  • Als die GPU-Kosten explodierten, wurde die kostenlose Testphase sofort eingestellt
  • Positionierung: „Kreativität für alle zugänglich, aber die Nutzung ist kostenpflichtig“
  • Ergebnis: explosive Akzeptanz im Consumer-Markt bei gleichzeitig erfolgreicher Kostenkontrolle

• 3. Jasper → Sitzplatzbasierte Abrechnung ohne Guardrails

  • Einführung einer Preisstruktur, die wie SaaS aussieht, mit $59 bis $499 pro Sitz und Monat
  • Problem: Die Inferenznutzung explodierte, aber das Preismodell passte nicht zu den Kosten
  • Größeres Problem: Mit dem Auftauchen von ChatGPT verschwand die Differenzierung
  • Gescheiterte Positionierung: Es wurde die Story „SaaS mit eingebauter AI“ erzählt, doch ohne Moat war das Produkt nur eine Mittelschicht
  • Ergebnis: von $125M ARR zu Wachstumsstagnation und einem Kollaps der Bewertung

Gründer-Playbook: Wie man Pricing wählt und sich positioniert

Die zentralen Fragen, die man sich selbst stellen muss:

• 1. Was ist unser Moat? (Daten, Distribution, Vertrauen)
  • Das Pricing muss diesen Moat zwingend stärken
  • Datenzentriert → nutzungsbasierte Abrechnung ist passend (stimmt mit Infrastruktur-Positionierung überein)
  • Vertrauenszentriert → erfolgsbasierte Abrechnung ist passend („Nur wenn der Kunde erfolgreich ist, sind wir es auch“)
  • Distributionszentriert → hybride Abrechnung ist passend (zuerst Consumer-Akzeptanz sichern, dann Pro-User monetarisieren)
• 2. Welches Verhalten wollen wir fördern?
  • Niedrigschwellige Akzeptanz → Pauschalpreis (flat pricing)
  • Effiziente Nutzung → nutzungsbasierte Abrechnung
  • User mit hohem ROI → erfolgsbasierte Abrechnung
• 3. Welche Story erzählen wir dem Markt?
  • Infrastruktur → nutzungsbasiert
  • Partner → erfolgsbasiert
  • SaaS → sitzplatzbasiert
  • Demokratisierer → hybrides Modell

Positionierungsfehler von AI-Gründern: Positioning Mistakes AI Founders Make

• Viele Gründer verbeißen sich in Modelle, Features und Infrastruktur, aber das eigentliche Schlachtfeld ist die Positionierung
• Positionierung betrifft, wie der Markt ein Produkt wahrnimmt; sie ist die Geschichte, die im Kopf des Kunden hängen bleibt
• In einem AI-Markt, in dem Technologie über Nacht zur Commodity werden kann, könnte die Story der einzige nachhaltige Vorteil sein
• Dennoch missverstehen oder ignorieren die meisten Gründer das

• 1. SaaS imitieren

  • Viele AI-Startups kopieren aus Bequemlichkeit SaaS-Positionierung:
    • „Preis pro Sitz“
    • „Enterprise-SaaS-Workflow-Tool“
    • „Salesforce mit AI“
  • Das Problem: Du baust kein SaaS
    • SaaS = Grenzkosten nahe null, Vorteil mit zunehmender Skalierung
    • AI = jede Inferenz verursacht reale Kosten
  • Alternative: Positioniere dich als AI-native und zeige in Pricing und Messaging, dass du eine AI-eigene Ökonomie verstehst statt SaaS zu kopieren

• 2. Kosten verstecken

  • Nichts zerstört Vertrauen so sehr wie Überraschungsgebühren
  • Viele Gründer versuchen, Kosten hinter festen Abos und unbegrenzter Nutzung zu verstecken, aber das Ergebnis ist:
    • Missbrauch durch Nutzer → explodierende GPU-Kosten
    • Misstrauen bei Preisänderungen
  • Positionierungsproblem: Es wurde als „magische unbegrenzte AI“ verpackt, aber die geschäftliche Realität kann das nicht tragen
  • Alternative: Transparenz ist Vertrauen
    • OpenAI: klar offengelegte Preise pro Token → vorhersehbare Infrastruktur-Positionierung
    • MidJourney: Obergrenzen nach GPU-Minuten → wird als Premium-Tool statt als Spielzeug wahrgenommen

• 3. Verwirrende Signale

  • Ein subtiles, aber tödliches Problem ist die Nichtübereinstimmung von Story und Preismodell
    • Nutzungsbasiert, aber als Consumer-Produkt vermarktet → Nutzer erwarten eine „spaßige App“, bekommen aber eine „AWS-Rechnung“
    • Pauschal-Abo bei explodierenden Inferenzkosten → Investoren sehen kollabierende Margen und sind enttäuscht
  • Alternative: Pricing und Narrativ müssen zusammenpassen
    • Nutzungsbasiert → Infrastruktur-/Schienen-Positionierung
    • Abobasiert → Consumer- und Prosumer-Produkt (mit klaren Grenzen)
    • Erfolgsbasiert → ROI-Partner

• 4. Keine Story

  • Der leiseste, aber fatalste Fehler ist, gar keine Story zu haben
  • Pricing und Features allein reichen nicht; Investoren, Medien und Nutzer brauchen eine Geschichte, die sie in einem Satz wiederholen können
  • Beispiele:
    • „Wir sind das AWS für Legal AI“ → schafft sofort Glaubwürdigkeit
    • „Wir sind das Canva für AI-Video“ → klare, virale Consumer-Story
    • „Wir sind kein Tool, sondern ein Wachstumspartner — wir rechnen nach Erfolg ab“ → ergebnisorientiertes Vertrauen
  • Alternative: Die Story zuerst schreiben, bevor das Pitch Deck entsteht
    • Die „mentale Kategorie“ festlegen, zu der wir gehören wollen (Infrastruktur, Tool, Partner, Demokratisierer)
    • Dann Pricing, Packaging und GTM-Strategie so gestalten, dass sie daraus logisch folgen

Fehler, die AI-Startups umbringen

• Die harte Wahrheit ist, dass die meisten AI-Startups nicht an der Konkurrenz scheitern, sondern an ihren eigenen strategischen blinden Flecken
• Sie verbrennen Millionen von Dollar und verlieren den gesamten Markt oder brechen unter den Kosten zusammen – nicht weil die Technologie nicht funktioniert, sondern weil die Strategie fehlt oder falsch ist

• 1. Feature-Jagd vs. Aufbau eines Burggrabens

  • Gründer wollen oft spektakuläre Features zeigen: „Unsere AI schreibt Blogs, erstellt Bilder, fasst PDFs zusammen“
  • Das Problem ist: Features sind kopierbar, ein Moat jedoch nicht
  • Gründer, die überleben, fragen nicht „Was kann AI heute tun?“, sondern „Welches verteidigungsfähige, kumulative Asset liefert AI?“

• 2. API-Gläubigkeit und Margenkollaps

  • Viele frühe AI-Startups bauen einfach nur einen Wrapper um Modelle wie OpenAI oder Anthropic
  • In der Prototyping-Phase ist das nützlich, aber beim Skalieren fatal
  • Reales Beispiel: Die AI-Assistenten-App eines Gründers gewann in 3 Monaten 50.000 Nutzer
    • Doch die OpenAI-API-Rechnung lag bei 120.000 $ pro Monat, während der Umsatz unter 10.000 $ blieb
    • Die Marge brach über Nacht zusammen, Investoren sprangen ab, und 6 Monate später war das Startup verschwunden

• 3. Falsche Preisgestaltung

  • Eine häufige Falle für SaaS-Gründer ist es, AI-Funktionen als kostenloses Zusatzfeature in bestehende Pläne einzubauen
  • Bei 100 Nutzern ist das kein Problem, aber bei einer Skalierung auf 10.000 steigt die Nutzung exponentiell, während der Umsatz gleich bleibt
  • Beispiel: Ein B2B-Gründer integrierte AI-Reporting in eine Lizenz für 99 $/Monat, aber
    • 20 % der Nutzung wandelten sich in AI-Queries um, wodurch Kosten von Tausenden Dollar pro Kunde entstanden
    • Die Preisstruktur musste hastig geändert werden, was eine schwere Churn-Krise auslöste

• 4. Evaluierungssysteme und Vertrauen ignorieren

  • Bei SaaS kann man schnell launchen und später nachbessern, aber bei AI zerstört schon eine einzige Halluzination (hallucination) das Vertrauen dauerhaft
  • Reales Beispiel: Das AI-Onboarding-Tool eines Fintech-Gründers erzeugte gefälschte regulatorische Empfehlungen und lieferte sie an Kunden aus → Vertrauensverlust, Vertragskündigungen
  • Eine andere Consumer-AI-App wurde ohne Evaluierungssystem veröffentlicht und ihr Einsatz brach über Nacht ein, nachdem ein Tweet mit offengelegter Voreingenommenheit auftauchte
  • Evaluierungssysteme (Evals) sind keine Option, sondern essentiell als QA, Sicherheitsnetz und Vertrauens-Moat

• 5. Der Irrtum „Skalierung löst die Wirtschaftlichkeit“

  • Der gefährlichste Irrtum ist der Glaube: „Die Marge ist jetzt dünn, aber wenn wir groß genug sind, werden sich die Kosten schon einpendeln“
  • Bei SaaS verbessern sich die Margen mit zunehmender Größe, aber bei AI verschlechtern sich die Kosten mit mehr Skalierung oft noch weiter
  • Beispiel: Ein Gründer, der 20 Mio. $ eingesammelt hatte, beschleunigte das Wachstum durch kostenlose Nutzung, aber
    • bei 100.000 Nutzern entstanden monatliche Compute-Kosten von über 1 Mio. $
    • bei 200.000 Nutzern war das Unternehmen insolvent
• Gemeinsam ist all diesen Fällen, dass sie dachten: „Das lösen wir später“
• Aber der AI-Markt erlaubt keinen solchen luxuriösen Aufschub

Ein einfaches Framework, um Fehler zu vermeiden

• Warnungen allein reichen nicht aus → man braucht ein Playbook, um jedes Risiko zu verringern

• 1. Feature-Jagd → Moat aufbauen

  • Frage: Was kumuliert sich, je mehr neue Nutzer hinzukommen?
  • Aufbauen: proprietäre Daten-Loops, starker Workflow-Lock-in, Markenvertrauen
  • Framework: Jede Feature-Idee mit Daten-, Distribution- oder Vertrauens-Moat verknüpfen; wenn nichts davon zutrifft, aus der Priorisierung streichen

• 2. API-Gläubigkeit → API-Strategie

  • Zu Beginn mit APIs schnell starten, langfristig jedoch auf eine hybride Infrastruktur umstellen
  • Multi-Model-Routing nutzen: 80 % über günstige Modelle, nur Edge Cases über LLMs
  • Den im Nutzungsvorgang entstehenden Data Exhaust nutzen, um kleine, kostengünstige Modelle feinzujustieren
  • Trigger definieren: „Wenn API-Kosten 20 % des Umsatzes überschreiten, beginnen wir mit Investitionen in eigene Infrastruktur“

• 3. Kostenloses Zusatzfeature → ausgerichtete Preisgestaltung

  • Preisgestaltung immer an Nutzung oder geliefertem Wert ausrichten
  • Wenn in ein SaaS-Bundle integriert, unbedingt Nutzungsobergrenzen festlegen
  • „AI-Kosten pro Nutzer“ wöchentlich verfolgen → übersteigen sie 30 % des Planpreises, ist das ein Warnsignal
  • Die Story von Anfang an klar erzählen: „AI ist ein Premium-Feature mit realen Kosten“ → Ehrlichkeit führt zu Vertrauen

• 4. Evaluierung ignorieren → Vertrauens-Moat

  • Vor der Skalierung eine Evaluierungs-Pipeline aufbauen, um Genauigkeit, Bias und Latenz zu messen
  • Schwellenwerte festlegen: „Unter 90 % Genauigkeit wird nicht gelauncht“
  • Vertrauen kommunizieren: Zuverlässigkeitsmetriken offenlegen und wie Anthropic auf Safety-Positionierung setzen
  • Das Team schulen: AI-QA ist kein Nice-to-have, sondern Pflicht

• 5. Irrtum „Skalierung ist die Lösung“ → Disziplin beim Skalieren

  • Vor dem Launch die Modellkosten bei 10x- und 100x-Skalierung unbedingt berechnen
  • Stresstest: Wenn bei einer Verzehnfachung der Nutzerzahl die P&L kollabiert, wurde PMF noch nicht erreicht
  • Nur die Hebel skalieren, die zur Margenverbesserung beitragen (Caching, Infrastruktur, Routing)
  • Skalierung verstärkt Fehler – deshalb muss zuerst die Unit Economics korrigiert werden

Playbook für Gründer: So wird AI-Strategie umsetzbar

• Viele Diskussionen über AI-Strategien sind beeindruckend, aber es fehlt an konkreten Handlungsanweisungen für die Praxis.
• Gründer nicken in Panels und Podcasts oft zustimmend, stehen am Ende vor der Roadmap aber dennoch ratlos da, was sie konkret anders machen sollen.
• Dieses Playbook liefert keine Theorie, sondern fünf sofort nutzbare Maßnahmen.
• Es ist die Disziplin, die einfache Demos von echtem Business unterscheidet.

• 1. So stresstestet man die AI-Unit-Economics

  • Häufiger Fehler: Finanzmodelle werden nur auf die aktuelle Größenordnung (z. B. 1.000 Nutzer) ausgelegt → beim langfristigen Skalieren brechen sie zusammen.
  • Anders als bei SaaS steigen bei AI mit der Zahl der Nutzer auch die Kosten → je größer die Skalierung, desto schlechter kann die Wirtschaftlichkeit werden.
  • Lösung: Vor dem Launch ein Stresstest-Modell aufbauen.
    • Durchschnittliche monatliche Query-Zahl pro Nutzer schätzen
    • Mit den Kosten pro Query (Token, GPU, Latenz) multiplizieren und so die Gesamtkosten berechnen
    • Diese mit dem Umsatz pro Nutzer vergleichen
  • Simulationen für 10x- und 100x-Skalierung durchführen → die meisten Startups scheitern an diesem Punkt.
  • Richtwert festlegen: Wenn die Kosten 20 % des Umsatzes übersteigen, wird es riskant; bei 40–50 % wird es katastrophal → Caching, Batching und Model Routing deshalb vorab einplanen.

• 2. So schreibt man ein AI-PRD, das Kosten und Adoption berücksichtigt

  • Ein traditionelles PRD ist oft nur eine Funktions-Wunschliste → bei AI muss es Kostenstruktur und Nachhaltigkeit der Adoption berücksichtigen.
  • Zwei zusätzliche Abschnitte gehören in jedes AI-PRD:
    • 1. Kostenanalyse: Monatliche Betriebskosten des Features pro Nutzer berechnen und prüfen, ob sie sich durch günstigere Modelle oder Caching senken lassen
    • 2. Adoptionsanalyse: Bewerten, ob das Feature nur kurzzeitige Neugier auslöst oder in tägliche Workflows eingebettet wird
  • Wenn diese Fragen nicht beantwortet werden können, sollte das Feature nicht freigegeben werden → AI ist nicht SaaS, und jede Entscheidung bringt ökonomische sowie strategische Trade-offs mit sich.

• 3. So prüft man Differenzierung gegen Commoditization

  • Der Albtraum jedes Gründers: Das Produkt wird gelauncht, und zwei Monate später bieten OpenAI oder Anthropic dieselbe Funktion kostenlos in ChatGPT an.
  • Lösung: Differenzierungs-Stresstest (OpenAI Test) → „Können wir weiter bestehen, wenn OpenAI morgen exakt dieselbe Funktion veröffentlicht?“
  • Jedes Quartal ein Differenzierungs-Audit durchführen
    • Identifizieren, was Foundation Models nicht können und worin wir besser sind
    • Bereiche prüfen, in denen generische LLMs scheitern (Branchendaten, Compliance, Domain-Expertise)
    • Sticky-Faktoren wie Integrationen, UX und Vertrauenssignale überprüfen
  • Wenn es keinen verteidigbaren Vorteil gibt, sofort auf Daten, Workflow-Lock-in und den Aufbau einer vertrauenswürdigen Marke pivotieren.

• 4. So präsentiert man Investoren eine AI-Strategie

  • Realität: Investoren sind von einfachem „AI-powered X for Y“ inzwischen nicht mehr beeindruckt.
  • Vier Fragen, die Investoren stellen:
    • 1. Was ist unser Moat? (Kumuliert mit der Skalierung mindestens einer von Daten, Distribution oder Vertrauen?)
    • 2. Was passiert mit unseren Unit Economics bei 10x-Skalierung?
    • 3. Wie überleben wir Commoditization? Halten wir durch, wenn GPT morgen dieselbe Funktion anbietet?
    • 4. Was ist unsere Positionierungs-Story? (z. B. das AWS für Legal AI, das Canva für Video-AI, ein performancebasierter Partner usw.)
  • Auch das Preismodell sollte als Teil der Story präsentiert werden:
    • „Usage-based Pricing bringt Kosten und Wert in Einklang, sodass sich die Margen mit zunehmender Skalierung verbessern.“ → Das ist nicht nur Preisgestaltung, sondern Positionierung.

• 5. So rekrutiert man Führungskräfte für AI-Produkte

  • Leadership für AI-Produkte unterscheidet sich grundlegend von SaaS-PMs.
  • Es braucht Menschen, die gleichzeitig drei Welten verbinden können:
    • Produktstrategie: Denken in Moat, Adoptions-Loops und Positionierung
    • Ökonomie: Modellierung von Token-Kosten, GPU-Trade-offs und Caching-Strategien
    • AI-Denkweise: Verständnis dafür, wie Modelle funktionieren, wo sie scheitern und wie Evaluierungssysteme aufgebaut werden
  • Die besten Talente sind oft hybride Profile (Ingenieure, die Produkte gelauncht haben, oder PMs, die Infrastrukturprojekte geleitet haben).
  • Sie müssen mit dem CEO über Pricing-Strategie sprechen und zugleich mit Ingenieuren Evaluierungs-Pipelines debuggen können.
  • Falsche Besetzung:
    • PMs, die AI als „nur ein weiteres Feature“ sehen → Kosten lecken weg
    • Ingenieure, die nur auf Modellleistung fixiert sind und Adoption sowie Kosten ignorieren → Demos, die niemand nutzt
  • Richtige Besetzung: Talente, die AI als System aus Technologie, Business und Nutzerpsychologie verstehen

• Zusammenfassung: Die Disziplin, die Strategie in Ausführung verwandelt

  • Unit-Economics-Stresstests verhindern den Kollaps bei Skalierung
  • PRDs mit Kosten- und Adoptionsanalyse verankern Wirtschaftlichkeit von Anfang an
  • Quartalsweise Differenzierungs-Audits bereiten auf Commoditization vor
  • Investoren wird nicht eine Funktion, sondern eine Strategie präsentiert
  • Rekrutiert wird Leadership, das Produkt, Infrastruktur und Ökonomie zugleich versteht
• Erfolgreiche Gründer sind nicht diejenigen mit den spektakulärsten Features, sondern diejenigen mit der Disziplin, ein Unternehmen wie ein System zu führen.

Warum gerade jetzt ein entscheidender Moment für Gründer ist

• In jeder Technologiegeneration gab es Gewinner und Verlierer — beim Internet, bei SaaS und bei Mobile war das genauso.
• Doch AI ist nicht einfach die nächste Welle → sie ist die schnellste, härteste und gnadenloseste Veränderungswelle überhaupt.
• Der Markt ist bereits überfüllt.
  • Jede Woche werden Hunderte „AI-basierte“ Apps veröffentlicht
  • Investoren werden von zahllosen Pitch Decks überrollt
  • Kunden sind durch zu viele Optionen verwirrt
  • Features werden innerhalb weniger Wochen zur Commodity
  • APIs werden jeden Monat günstiger, schneller und leichter zugänglich
• Paradoxerweise ist der Markt zwar überfüllt, aber echte Strategie ist selten.
• Die meisten Gründer
  • konzentrieren sich auf den Bau von Demos
  • verlassen sich auf API-Wrapping
  • ignorieren die Ökonomie
  • bepreisen Features falsch
  • hoffen darauf, dass „Skalierung die Probleme lösen wird“
• Doch AI verbrennt mit einer falschen Strategie schneller Geld als jede frühere Welle.
  • Bei SaaS konnte man mit schlechten Unit Economics noch jahrelang überleben
  • Bei AI kann schon ein einziger Monat mit explodierenden Inferenzkosten zum Untergang führen
  • Bei SaaS konnte man mit Features überleben
  • Bei AI kann Commoditization das „einzigartige Feature“ über Nacht bedeutungslos machen
• Gründer, die jetzt AI-Produktstrategie meistern, werden das kommende Jahrzehnt dominieren.
• Sie werden:
  • statt Feature-Jagd einen Moat aufbauen
  • Pricing nicht verstecken, sondern als Positionierung einsetzen
  • statt hoffnungsgetriebener Modelle mit stresstesteter Ökonomie arbeiten
  • Vertrauen nicht verspielen, sondern es mit Evaluierungssystemen (Evals) absichern
  • AI als System behandeln, nicht als bloßes Spielzeug
• Die Lücke zwischen Gewinnern und Verlierern wird sich schneller öffnen als je zuvor.
  • Und wenn sie einmal offen ist, wird sie sich nicht mehr schließen

• Fazit

  • Jetzt ist der Moment, Strategie wirklich zu beherrschen.
  • Gründer, die diese strategische Phase meistern, werden lange im Markt in Erinnerung bleiben; alle anderen werden vergessen werden.
  • Es gibt nur eine Frage: Zu welcher Seite wirst du gehören?

[hybridego]

Ein sehr guter Artikel.

[namojo]

Sehr empfehlenswerter Artikel~!

Selbst wenn KI mit Open-Source-Modellen aufgebaut wird, ist sie kein Zauber, bei dem die Grenzkosten immer weiter steigen

[sh102201]

Ein guter Artikel.