Der größte Vertical-AI-Markt versteckt sich direkt vor unseren Augen

• Je fragmentierter und operativ komplexer eine Branche ist, desto eher ist sie ein optimaler Markt, in dem Vertical-AI-Systeme einen starken Burggraben aufbauen können — was die meisten Gründer und Investoren übersehen
• Saubere Automatisierung einzelner Aufgaben lässt sich leicht kopieren, doch Systeme, die tief in Workflows mit Regulierung, Legacy-Integrationen und Ausnahmebehandlung eingebettet sind, können von Wettbewerbern, Kunden und AI-Labs gleichermaßen nicht so leicht eingeholt werden
• Wenn man die Marktgröße nicht anhand des Softwarebudgets, sondern anhand von Service- und Arbeitskosten neu berechnet, zeigt sich, dass scheinbar kleine vertikale Märkte in Wirklichkeit riesige Ausgabenfelder sind
• Wenn ein Produkt von der Unterstützung einer Tätigkeit zur Ersetzung der Tätigkeit selbst übergeht, kann sich die abrechenbare Fläche beim selben Kunden um ein Vielfaches erweitern
• In den kommenden fünf Jahren wird sich in jeder Branche entscheiden, welcher Ansatz gewinnt: zweckgebundene vertikale Plattformen, AI-Erweiterungen bestehender SoRs oder der Inhouse-Aufbau von AI

---

Warum sich dieser Markt versteckt

• Genau die zwei Eigenschaften, die die besten Vertical-AI-Märkte verbergen, wirken zugleich als deren Burggraben
• Die erste Eigenschaft ist Workflow Grit: komplexe Arbeitsumgebungen voller Ausnahmebehandlungen, Legacy-Integrationen, menschlicher Freigaben, Compliance und kostspieliger Fehlermodi
  • Saubere, klar definierte Aufgaben sind leicht zu bauen, zu demonstrieren und zu verkaufen, werden aber in dem Moment zur Commodity, in dem sich die Intelligenz portieren lässt
  • Enge, risikoarme Aufgaben, die sich leicht in bestehende Systeme einfügen, können von Wettbewerbern funktional kopiert, von Kunden selbst gebaut oder direkt von Frontier-Labs veröffentlicht werden
• Workflows mit hohem Grit blockieren alle drei Bedrohungen: Labs wollen sich nicht mit operativer Komplexität befassen, Kunden fehlt die technische Kompetenz, und Wettbewerber können die Arbeit nicht abkürzen
• Damit AI in solchen Workflows mit hohem Grit nutzbar wird, braucht es mehr als nur Modellzugang: Strukturierung unstrukturierter Daten, Integration von Legacy-Systemen, Design von Freigabeschleifen, Definition tolerierbarer Fehlerraten und Aufbau von Vertrauen in Umgebungen mit hohen Fehlerkosten
  • Diese Arbeit akkumuliert sich still und bildet eine proprietäre Landkarte des Workflow-Betriebs, die neue Marktteilnehmer nicht replizieren können, indem sie einfach dasselbe Modell einkaufen
• Anfangs wirkt die Belohnung klein, doch genau diese schwierige operative Arbeit verschafft das Recht zur Expansion in angrenzende Workflows und größere Budgetkategorien

Praxisbeispiele: Autokredite, medizinische Abrechnung, Frachtlogistik

• Salient: baut einen AI-Sprachagenten, der Kreditnehmer mit überfälligen Autokrediten anruft. Er operiert unter den Regulierungen FDCPA, TCPA und Reg F — in einer Umgebung, in der bereits ein einzelner Verstoß regulatorische Maßnahmen auslösen kann
  • Die AI muss sich durch überlappende bundesstaatliche und föderale Regeln navigieren, Zahlungsvereinbarungen in Echtzeit verhandeln, Anrufhäufigkeitsgrenzen einhalten und bei Bedarf an menschliche Agenten weiterleiten
  • Ein menschlicher Inkassoanruf kostet $4–$12, während ein AI-Anruf nur einen Bruchteil davon kostet
• Charta Health: automatisiert die Chart-Review vor der Abrechnung über versichererspezifische Regeln, CPT-Codes und Ablehnungsmuster hinweg, die je nach Fachgebiet und Region variieren
• Im Bereich Frachtlogistik bauen HappyRobot, Pallet und Augment AI-Agenten, die die endlosen Telefonate, E-Mails und Portal-Updates übernehmen, die für die Abstimmung zwischen Frachtführern, Verladern und Lagern nötig sind
  • „Den Lkw-Fahrer anrufen, um den Beladungsstatus zu prüfen“ wirkt nicht wie ein Venture-Scale-Geschäft, doch jede einzelne Ladung umfasst Dutzende manuelle Kontaktpunkte, und die Logistikbranche gibt pro Jahr mehr als 1 Billion Dollar für nicht-physische Betriebskosten aus

Die zweite Eigenschaft: Marktstruktur

• Eine Marktstruktur, die über Tausende Betreiber hinweg fragmentiert ist und deren Käufer nur wenig technologische DNA besitzen
• Horizontale AI-Anbieter brauchen konzentrierte, hochwertige Kunden, damit die Deployment-Ökonomie funktioniert. Wenn sich Umsätze jedoch über Tausende kleine und mittlere Unternehmen verteilen, die jeweils mit anderen Systemen und unstrukturierten Daten arbeiten, kann ein generischer Player den GTM-Aufwand nicht rechtfertigen
• Immobilienverwalter, Field-Service-Unternehmen oder ambulante Reha-Kliniken haben nicht die technische Fähigkeit, produktionsreife AI intern aufzubauen, und sehen Technologie als etwas, das man einkauft statt besitzt
• Fragmentierung schafft den Raum zum Bauen, und die geringe Tendenz zum Eigenbau vergrößert diesen Raum noch — sodass man Zeit gewinnt, als Erster operativen Kontext mit Zinseszinseffekt zu akkumulieren

Beispiel: US-Markt für Steuer- und Accounting-Dienstleistungen

• Der US-Markt für Steuer- und Accounting-Dienstleistungen ist eine Branche im Umfang von 145 Milliarden Dollar mit einem Long Tail von rund 46.000 CPA-Firmen, von denen 86 % weniger als 10 Mitarbeiter haben
  • Gleichzeitig umfasst er auch die Big Four und große landesweit tätige Kanzleien
• Blue J: eine AI-basierte Plattform für Steuerrecherche, die an beiden Enden des Marktes Traktion erzielt. Sie bedient derzeit mehr als 2.800 Organisationen, bei einem Nutzungswachstum von über 700 % gegenüber dem Vorjahr
• Die Long-Tail-Struktur macht den Markt für generische Player unattraktiv, und Workflow Grit wie überlappende Steuergesetze, mehrdeutige Sachverhaltsmuster und Antworten, für die Experten ihren Ruf einsetzen, schafft selbst in einem schwierigen Käuferumfeld einen nachhaltigen Einstiegspunkt

Der zusammengesetzte Verstärkungseffekt des Burggrabens

• Operative Komplexität erzeugt Wechselkosten (switching costs): Wer das System entfernt, muss wieder Personal einstellen, Prozesse neu aufbauen und über Jahre akkumulierten Workflow-Kontext aufgeben
• Fragmentierung nimmt auch mit der Zeit nicht ab, und Käufer entwickeln nicht plötzlich Engineering-DNA
• Bis OpenAI oder Anthropic überhaupt die Existenz dieses Marktes erkennen, haben sich operativer Kontext und Distributionsbasis des vertikalen Systems bereits über Jahre mit Zinseszinseffekt aufgebaut

Goldilocks-TAM

• Die meisten Vertical-AI-Märkte bleiben verborgen, weil ihre Marktgröße falsch gemessen wird
• Der Standardansatz betrachtet die Softwareausgaben der jeweiligen Kategorie als TAM, doch in fragmentierten und operativ komplexen Branchen sind Softwarebudgets meist klein
• Der richtige Maßstab ist, wie viel die Branche für die Arbeit selbst ausgibt: für Mitarbeiter, Outsourcing-Anbieter, Agenturen, Contractor und damit für Service- und Arbeitsbudgets
• Diese Neudefinition erklärt auch, warum die gefährlichsten Wettbewerber den Markt übersehen: Betrachtet man „AI für Immobilienvermietung“ nach Softwarebudget, wirkt es wie eine Nische, ohne Grund für Frontier-Labs, Ressourcen zu mobilisieren
  • Nach Arbeits- und Servicebudgets betrachtet ist es riesig, aber wenn das sichtbar wird, haben vertikale Systeme bereits über Jahre akkumuliert
• Die Bedingungen für einen Goldilocks-TAM: groß genug für Venture-Ergebnisse, aber hinter einer bescheidenen Software-Oberfläche getarnt, wegen operativer Komplexität übersehen und nach Etablierung einer Systemposition dramatisch erweiterbar

Vom Assistieren zum Ersetzen

• Die Expansion kommt, wenn ein Produkt von der Unterstützung einer Tätigkeit zu deren Ausführung übergeht
• Beispiel einer Immobilienverwaltung: jährliche Ausgaben von $30.000 für Vermietungssoftware und $300.000 für Vermietungspersonal
  • Sobald das Produkt beginnt, die Tätigkeit selbst auszuführen, verkauft man nicht mehr gegen den Posten von $30K, sondern gegen den Posten von $300K
  • Wenn es sich über den Workflow und den gesamten Betrieb ausweitet, kann es auf das gesamte Betriebsbudget von mehr als $1 Mio. zugreifen
  • Beim selben Kunden, im selben Unternehmen, vergrößert sich die abrechenbare Fläche um das 30-Fache

Beispiel: EliseAI

• EliseAI: eine AI-Plattform für Immobilienmanagement, die in einem begrenzten PropTech-Markt begann
  • Anfangs als Leasing-Automatisierungslösung mit einem einzelnen SKU bei ~$50K ACV gestartet
  • Das Produkt expandierte, als es Leasing-Aufgaben nicht mehr nur unterstützte, sondern ersetzte, und wurde anschließend auf Instandhaltung, Inkasso und AI-geführte Besichtigungen über den gesamten Mieterlebenszyklus hinweg ausgeweitet
  • Heute bedient das Unternehmen 1 von 8 Apartments in den USA, und Immobilienmanager sowie Betreiber geben mehrere Millionen Dollar auf der Plattform aus
  • Das Unternehmen expandiert auch ins Gesundheitswesen und adressiert dort mit demselben Playbook jährliche Verwaltungskosten von 600 Milliarden Dollar
• Nicht der TAM ist mit dem Produkt gewachsen, sondern das Produkt hat offengelegt, wie groß der TAM schon immer war

Was passiert, wenn man zuerst dort ankommt

• Vertical-AI-Unternehmen, die in diesen Märkten eine Systemposition erreichen, bauen nicht nur große Unternehmen auf, sondern definieren, wie ganze Branchen in den nächsten zehn Jahren operieren werden
• Anthropic und OpenAI sind zwar eine reale Bedrohung für die Application-Layer, müssen aber zugleich widersprüchliche Prioritäten bewältigen
  • Sie müssen weiter in die Modell-Frontier investieren, und die Maximierung tokenbasierter Umsätze gerät mit dem Endkunden in Interessenkonflikt, je stärker Agenten eingeführt werden
  • Darüber hinaus müssten sie gleichzeitig hochwertige, maßgeschneiderte Anwendungen für Dutzende unterschiedlicher Verticals bauen
• In den meisten Märkten werden zweckgebundene Vertical-AI-Anbieter die Labs durch pure Fokussierung in der Ausführung übertreffen
• Die nächsten fünf Jahre entscheiden in jedem Markt, welcher Ansatz gewinnt: zweckgebundene Plattformen, die einen AI-Wedge zu einem vertikalen System ausbauen, bestehende SoRs (System of Record), die „gute genug“ AI aufsetzen, um ihre Marktposition zu halten, oder Inhouse-AI, die auf Anthropic/OpenAI aufbaut
• Die zentrale Strategie: In einem Markt, der zu klein wirkt, einen scharfen, operativ komplexen Einstiegspunkt wählen, sich über den gesamten Workflow ausdehnen, Autorität gewinnen, Arbeit ersetzen und zu einem System werden, ohne das der Kunde nicht operieren kann
• „Das Modell gewinnt in der Demo, der Wedge im Pilotprojekt, das System im Markt“