Die größten Vertical-AI-Märkte verbergen sich direkt vor unseren Augen

• Je fragmentierter und operativ komplexer eine Branche ist, desto eher ist sie ein idealer Markt, in dem Vertical-AI-Systeme einen starken Burggraben aufbauen können – doch die meisten Gründer und Investoren übersehen das.
• Saubere Automatisierung einzelner Tasks lässt sich leicht kopieren, aber Systeme, die tief in Workflows aus Regulierung, Legacy-Integrationen und Ausnahmebehandlung eingebettet sind, sind für Wettbewerber, Kunden und AI-Labore gleichermaßen schwer nachzubauen.
• Wird die Marktgröße nicht nach Software-Budget, sondern nach Service- und Arbeitskosten neu berechnet, zeigt sich, dass scheinbar kleine vertikale Märkte in Wirklichkeit riesige Ausgabenbereiche sind.
• Wenn ein Produkt von der Unterstützung von Arbeit zur Ersetzung der Arbeit selbst übergeht, kann sich das abrechenbare Feld beim selben Kunden um ein Vielfaches erweitern.
• In den kommenden fünf Jahren wird sich in jeder Branche entscheiden, welcher Ansatz gewinnt: zweckgebundene Vertical-Plattformen, AI-Erweiterungen bestehender SoR oder Inhouse-AI.

---

Warum sich dieser Markt versteckt

• Die zwei Eigenschaften, die die besten Vertical-AI-Märkte verbergen, fungieren zugleich als deren Burggraben.
• Die erste Eigenschaft ist Workflow Grit: komplexe Arbeitsumgebungen voller Ausnahmebehandlung, Legacy-Integrationen, menschlicher Freigaben, Compliance und kostspieliger Fehlermodi.
  • Saubere, klar definierte Tasks sind leicht zu bauen, zu demonstrieren und zu verkaufen, werden aber in dem Moment zur Commodity (commoditized), in dem sich Intelligenz portieren lässt.
  • Enge, risikoarme Aufgaben, die sich leicht in bestehende Systeme einfügen lassen, können von Wettbewerbern funktional kopiert, von Kunden selbst gebaut oder von Frontier-Labs direkt veröffentlicht werden.
• Workflows mit hohem Grit blockieren alle drei Bedrohungen: Labs wollen die operative Komplexität nicht handhaben, Kunden haben nicht die technischen Fähigkeiten, und Wettbewerber können die Arbeit nicht abkürzen.
• Damit AI in Grit-reichen Workflows überhaupt nutzbar wird, braucht es mehr als nur Modellzugang: die Strukturierung unstrukturierter Daten, Integration in Legacy-Systeme, das Design von Freigabeschleifen, die Definition tolerierbarer Fehlerraten und den Aufbau von Vertrauen in Umgebungen mit hohen Fehlerkosten.
  • Diese Arbeit akkumuliert still und bildet eine proprietäre Landkarte des Workflow-Betriebs, die ein neuer Marktteilnehmer nicht replizieren kann, indem er einfach dasselbe Modell einkauft.
• 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 säumige Autokreditnehmer anruft. Das System arbeitet unter FDCPA-, TCPA- und Reg-F-Regulierung – in einem Umfeld, in dem schon ein einzelner Verstoß regulatorische Maßnahmen auslösen kann.
  • Die AI muss sich durch überlappende bundesstaatliche und föderale Regeln navigieren, Zahlungsvereinbarungen in Echtzeit verhandeln, Beschränkungen der Anruffrequenz einhalten und bei Bedarf an menschliche Agenten weiterleiten.
  • Menschliche Inkassoanrufe kosten $4–$12, während AI-Anrufe nur einen Bruchteil davon kosten.
• Charta Health: automatisiert die Chart-Review vor der Abrechnung über Versichererregeln, CPT-Codes und Ablehnungsmuster hinweg, die sich je nach Fachgebiet und Region unterscheiden.
• In der Frachtlogistik bauen HappyRobot, Pallet und Augment AI-Agenten, die die endlosen Telefonate, E-Mails und Portal-Updates koordinieren, die zwischen Frachtführern, Verladern und Lagern nötig sind.
  • „Einen Lkw-Fahrer anrufen, um den Beladungsstatus zu prüfen“ klingt nicht nach einem Venture-Scale-Geschäft, doch jede einzelne Ladung umfasst Dutzende manuelle Kontaktpunkte, und die Logistikbranche gibt jährlich mehr als 1 Billion Dollar für nicht-physische Betriebskosten aus.

Die zweite Eigenschaft: Marktstruktur

• Eine über Tausende Betreiber hinweg fragmentierte Marktstruktur mit geringer technischer DNA auf Käuferseite.
• Horizontale AI-Anbieter brauchen konzentrierte, hochwertige Kunden, damit sich ihre Deployment-Ökonomie rechnet. Wenn der Umsatz jedoch auf Tausende kleine und mittlere Unternehmen verteilt ist, die jeweils andere Systeme und unstrukturierte Daten betreiben, kann ein Generalist den GTM-Aufwand nicht rechtfertigen.
• Immobilienverwalter, Field-Service-Unternehmen und ambulante Reha-Kliniken haben nicht die technischen Fähigkeiten, um produktive AI intern aufzubauen, und betrachten Technologie eher als etwas, das man einkauft, als als etwas, das man selbst besitzt.
• Fragmentierung schafft Raum zum Aufbauen, und die geringe Neigung zum Eigenbau vergrößert diesen Raum noch – so bleibt Zeit, operativen Kontext mit Zinseszinseffekt vor allen anderen aufzubauen.

Beispiel: US-Markt für Steuern und Rechnungswesen

• Der US-Markt für Steuern und Rechnungswesen ist eine Branche im Umfang von $145 Milliarden mit einem Long Tail aus rund 46.000 CPA-Firmen, von denen 86 % weniger als 10 Mitarbeitende haben.
  • Gleichzeitig gehören auch die Big Four und große nationale Kanzleien dazu.
• Blue J: eine AI-basierte Plattform für Steuerrecherche, die an beiden Enden des Marktes Traktion gewinnt. Sie bedient inzwischen mehr als 2.800 Organisationen, bei einer Nutzung mit über 700 % Wachstum im Jahresvergleich.
• Die Long-Tail-Struktur macht den Markt für Generalisten unattraktiv, und Workflow Grit in Form von überlappendem Steuerrecht, mehrdeutigen Sachverhalten und Antworten, für die Experten mit ihrer Reputation einstehen, schafft auch in einem schwierigen Käuferumfeld einen nachhaltigen Einstiegspunkt.

Die kumulative Verstärkung des Burggrabens

• Operative Komplexität erzeugt Wechselkosten (switching costs): Wer das System entfernt, muss Personal neu einstellen, Prozesse neu aufbauen und über Jahre angesammelten Workflow-Kontext aufgeben.
• Fragmentierung verschwindet nicht einfach mit der Zeit, und Käufer entwickeln nicht plötzlich eine Engineering-DNA.
• Bis OpenAI oder Anthropic überhaupt erkennen, dass es diesen Markt gibt, haben sich operativer Kontext und Vertriebsbasis eines Vertical-Systems bereits über Jahre hinweg kumulativ aufgebaut.

Das Goldlöckchen-TAM

• Die meisten Vertical-AI-Märkte bleiben verborgen, weil die Marktgröße falsch gemessen wird.
• Der Standardansatz setzt die Software-Ausgaben einer Kategorie mit dem TAM gleich, doch in fragmentierten, operativ komplexen Branchen sind Software-Budgets meist klein.
• Der richtige Maßstab ist, wie viel eine Branche für die Arbeit selbst ausgibt: für Mitarbeitende, Outsourcing-Anbieter, Agenturen, Auftragnehmer – also für Service- und Arbeitsbudgets.
• Diese Neudefinition erklärt auch, warum die gefährlichsten Wettbewerber den Markt übersehen: Wer „AI für Vermietung im Immobilienbereich“ nach Software-Budget betrachtet, sieht eine Nische, für die sich der Einsatz eines Frontier-Labs nicht lohnt.
  • Nach Arbeits- und Service-Budget betrachtet ist der Markt riesig – aber bis das sichtbar wird, hat sich das Vertical-System bereits über Jahre aufgebaut.
• Die Bedingungen eines Goldlöckchen-TAM: groß genug für Venture-Erfolg, aber hinter einer bescheidenen Software-Oberfläche verborgen; wegen operativer Komplexität leicht zu übersehen; und nach Etablierung einer Systemposition dramatisch skalierbar.

Vom Assistieren zum Ersetzen

• Wachstum entsteht, wenn ein Produkt von der Unterstützung einer Arbeit zu deren Ausführung übergeht.
• Beispiel einer Immobilienverwaltung: $30.000 jährliche Ausgaben für Vermietungssoftware, $300.000 für Vermietungspersonal.
  • Wenn das Produkt beginnt, die Arbeit selbst zu erledigen, verkauft man nicht mehr gegen den $30K-Posten, sondern gegen den $300K-Posten.
  • Mit Expansion über den gesamten Workflow und Betrieb hinweg wird sogar das gesamte operative Budget von mehr als $1 Mio. adressierbar.
  • Beim selben Kunden, im selben Unternehmen, erweitert sich das abrechenbare Feld um das 30-Fache.

Beispiel: EliseAI

• EliseAI: eine AI-Plattform für Immobilienmanagement, die in einem begrenzten Proptech-Markt gestartet ist.
  • Anfangs begann sie als Single-SKU-Lösung zur Vermietungsautomatisierung bei ~$50K ACV.
  • Als das Produkt Vermietungsarbeit nicht mehr nur unterstützte, sondern ersetzte, expandierte es und wurde später auf Instandhaltung, Inkasso und AI-geführte Besichtigungen über den gesamten Mieterlebenszyklus ausgeweitet.
  • Heute bedient das Unternehmen eine von acht Wohnungen in den USA, und Immobilienmanager sowie Betreiber geben mehrere Millionen Dollar für die Plattform aus.
  • Das Unternehmen expandiert auch ins Gesundheitswesen und greift mit demselben Playbook $600 Milliarden jährlicher Verwaltungskosten an.
• Das TAM ist nicht mit dem Produkt gewachsen – vielmehr hat das Produkt offengelegt, wie groß das TAM von Anfang an war.

Was passiert, wenn man zuerst dort ankommt

• Vertical-AI-Unternehmen, die in diesem Markt eine Systemposition erreichen, bauen nicht nur große Geschäfte auf, sondern definieren, wie ganze Branchen in den nächsten zehn Jahren operieren.
• Anthropic und OpenAI sind zwar eine reale Bedrohung für die Application Layer, müssen aber widersprüchliche Prioritäten gleichzeitig managen.
  • Sie müssen weiter kontinuierlich in die Modell-Frontier investieren, und die Maximierung tokenbasierter Umsätze gerät mit dem Interesse der Endkunden in Konflikt, je stärker sich Agenten durchsetzen.
  • Darüber hinaus müssten sie gleichzeitig hochwertige, maßgeschneiderte Anwendungen für Dutzende verschiedener Verticals bauen.
• In den meisten Märkten werden zweckgebundene Vertical-AI-Anbieter die Labs durch reinen Fokus in der Umsetzung übertreffen.
• Die kommenden fünf Jahre entscheiden in jedem Markt, welcher Ansatz gewinnt: zweckgebundene Plattformen, die einen AI-Wedge zu einem Vertical-System ausbauen, bestehende SoR (System of Record), die „gut genug“ AI aufsetzen, um ihre Marktposition zu halten, oder Inhouse-AI, die auf Anthropic/OpenAI aufbaut.
• Die Kernstrategie: in einem Markt, der zu klein wirkt, einen scharfen und operativ komplexen Einstiegspunkt wählen, über den gesamten Workflow hinweg expandieren, Autorität gewinnen, Arbeit ersetzen und zu einem System werden, ohne das der Kunde nicht mehr operieren kann.
• „Modelle gewinnen in der Demo, der Wedge gewinnt im Pilot, das System gewinnt im Markt“