Warum AI-Moats weiterhin wichtig sind (und wie sie sich verändert haben) [YouTube]

(youtube.com)

9 Punkte von GN⁺ 2025-12-23 | Noch keine Kommentare. | Auf WhatsApp teilen

Der Softwaremarkt im AI-Zeitalter wächst nicht mehr nur über klassische IT-Ausgaben, sondern zunehmend durch den Ersatz menschlicher Arbeit; Software tritt in eine Phase ein, in der sie reale Aufgaben direkt ausführt
Das Wesen von Moats liegt weiterhin in den strukturellen Stärken klassischer Softwareunternehmen wie Kontrolle über Workflows, Systemintegration und Netzwerkeffekte
Da die Hürden für die Einführung von AI sinken, steigt die Zahl der Wettbewerber stark, wodurch Differenzierung in frühen Phasen schwierig wird; bei großer Skalierung entstehen jedoch Daten-Netzwerkeffekte
Plattformunternehmen (wie OpenAI) bauen breite Anwendungsökosysteme auf; wichtiger als direkter Wettbewerb sind Plattformbesteuerung und das Risiko vertikaler Integration
AI-Moats bleiben relevant, doch die Quelle ihrer Verteidigungsfähigkeit verschiebt sich vom Modell selbst hin zu Kundenkontext und Integrationstiefe

Veränderung des Moat-Konzepts im AI-Zeitalter

AI ist als Differenzierungswerkzeug sehr stark, aber keine Quelle dauerhafter Verteidigungsfähigkeit
- Verteidigungsfähigkeit entsteht durch Integration in Kunden-Workflows, Kontrolle über Systems of Record und Netzwerkeffekte
Weil Software selbst Arbeit ausführt, verlagert sich die Marktchance von IT-Budgets hin zum Arbeitsmarkt
Durch AI sinken die Hürden für die Softwareproduktion, das Angebot explodiert, und der Wettbewerb verschärft sich

Daten-Netzwerkeffekte wirken erst bei großer Skalierung wirklich relevant
- Beispiel: Systeme zur Betrugsprävention brauchen Daten von Milliarden Menschen, um einen Vorsprung aufzubauen
In der Frühphase (0→1) ist Differenzierung schwierig, doch bei großer Skalierung (1→N) entsteht Verteidigungsfähigkeit
Die Zweischneidigkeit von AI: Jeder kann leicht Produkte bauen, doch Skalierung ist die zentrale Voraussetzung für Verteidigungsfähigkeit

Das klassische per-seat-Abrechnungsmodell wird durch AI-Automatisierung geschwächt
- Beispiel: Adobe, Zendesk und andere geraten durch sinkende Sitzplatzzahlen unter Umsatzdruck
Mit einem Wechsel zu per-outcome-Abrechnung kann sich die Profitabilität jedoch erholen
Die Möglichkeit, Software selbst zu bauen, ist gestiegen, doch wegen komparativer Vorteile und Komplexität bleiben kommerzielle Produkte attraktiv

Goldilocks Zone: Bereiche mit hohen Wechselkosten und geringer strategischer Wichtigkeit (z. B. Lohnabrechnung oder Reinigungsdienste)
- Selbst bei viel Wettbewerb wechseln Kunden dort kaum
Greenfield Zone: Unerschlossene Märkte, in die neue Unternehmen eintreten können
- Beispiele: neue Krankenhaus-Systeme, Legal-AI
- Entscheidend für den Erfolg sind jedoch die Geduld der Gründer und die Geschwindigkeit, mit der ein neuer Markt entsteht

Aktuelle AI-Gründer haben oft mehr technisches Können als Branchenerfahrung
- Um den Branchenkontext zu ergänzen, ist die Einstellung von Fachkräften essenziell
Beispiel: Ein Legal-AI-Startup stellt intern Anwälte ein, um Modellleistung mit realer Arbeit zu verbinden
Der Anwendungskontext von Technologie wird zu einem zentralen Baustein der Verteidigungsfähigkeit

Markenbekanntheit und Skaleneffekte bleiben starke Moats
- Beispiele: Cheerios, Amazon und andere dominieren Märkte durch die Verbindung aus Skaleneffekten und Marke
Je schneller das Momentum (Wachstumstempo), desto größer die Chance, einen skalierungsbasierten Moat aufzubauen
In Märkten mit intensivem frühem Wettbewerb entscheiden Geschwindigkeit und konzentrierter Kapitaleinsatz über Gewinner und Verlierer

Ob Plattformbetreiber selbst in Konkurrenz treten, ist eine Schlüsselfrage für das Überleben von Startups
- Beispiel: Microsoft beherrschte über Windows mit Excel den Markt
Es besteht das Risiko von Plattformbesteuerung (taxation) — Provisionssätze können willkürlich verändert werden
Derzeit mindert die Existenz mehrerer Modellunternehmen (OpenAI, Anthropic, Gemini usw.) das Monopolrisiko

Ein Feature ist eine Teilverbesserung eines bestehenden Produkts, ein Produkt ein eigenständiges System, ein Unternehmen verfügt über eine nachhaltige Erlösstruktur
Im AI-Zeitalter können auch feature-basierte Produkte hohe Umsätze erzielen
- Beispiele: Automatisierung der Zahnarzt-Rezeption, mehrsprachige Sprachberatung
Die Strategie, mit einem Feature zu starten und dann zu Produkt und Unternehmen auszubauen (backfill), bleibt wirksam

Plattformunternehmen (wie OpenAI) konzentrieren sich auf den Aufbau breiter Anwendungsökosysteme
- Statt direkt branchenspezifische Produkte zu bauen, positionieren sie sich eher als Backend-Infrastrukturanbieter
Das Risiko vertikaler Integration besteht, doch branchenspezifische Nischen (z. B. Zahnmedizin, Recht) bleiben weiterhin Chancen für Startups
Die Struktur der Plattformbesteuerung wird langfristig die Profitabilität von Startups beeinflussen

Wenn in einem Markt 20 Unternehmen aktiv sind, scheitern die meisten, und der Markt konsolidiert sich auf die Top 2–3
Wer keine Skalierung erreicht, gerät in Preiswettbewerb und verliert seine Profitabilität
Durch Spezialisierung ist das Überleben in segmentierten Märkten weiterhin möglich

AI führt weniger zur Abschaffung von Jobs als zu sinkenden Arbeitskosten und steigender Produktivität
- „Man kann keinen Menschen für 1 Dollar einstellen, aber Software kann man für 1 Dollar einstellen“
Der Markt wächst eher als Form von Arbeitserweiterung statt bloßem Arbeitsersatz
Weil die Kosten für AI-Einführung sinken, werden Dienste möglich, die früher nicht realisierbar waren (z. B. persönliche Finanzberatung, Kundensupport)

AI-Moats sind nicht verschwunden; Anwendungskontext, Kundenintegration und Skalierung bilden nun den Kern neuer Verteidigungsfähigkeit
Wettbewerbsfähigkeit wird weniger durch Modellvorteile als durch Anwendung, Betrieb und Einbettung beim Kunden bestimmt
AI ist eine Software-Revolution, die Arbeit ersetzt, bestehende Moat-Strukturen neu ordnet und ihre Bedeutung zugleich bewahrt