AI-First Unternehmen: Was das wirklich bedeutet und warum VCs jetzt investieren
Wenn Leute "AI-First" hören, denken sie an ein Team, das ChatGPT benutzt. Das ist es nicht. AI-First ist ein Betriebsmodell, kein Tool-Stack. Der Unterschied: nicht schneller arbeiten, sondern die Delivery-Struktur eines Unternehmens grundlegend verändern, weg von linearem Headcount, hin zu skalierbarer Infrastruktur mit Software-ähnlichen Margen.
Das ist der Grund, warum Y Combinator seit 20 Jahren erstmals in Agenturen investiert. Nicht weil Agenturen plötzlich cool geworden sind, sondern weil AI-native Unternehmen eine ökonomische Struktur haben, die vorher nur Software-Firmen vorbehalten war: wiederholbare Delivery, Margen zwischen 70 und 90%, Wachstum ohne proportionale Personalaufstockung.
Das alte Modell funktioniert nicht mehr
Das klassische Service-Modell kennt jeder, der eine Beratung, Agentur oder Professional-Services-Firma von innen gesehen hat. Mehr Kund*Innen heißt mehr Leute einstellen. Delivery ist manuell, jedes Projekt Einzelanfertigung, Margen irgendwo bei 20-35%.
VC hat diese Firmen nie angefasst. Zu personalabhängig, zu wenig skalierbar, kein IP. Drei Senior-Leute kündigen, halbe Delivery-Kapazität weg. Das Bewertungsmodell für Service-Firmen reflektiert das: 4-8x EBITDA, während SaaS-Unternehmen mit 15-25x bewertet werden.
Die Rechnung dahinter ist simpel. Wenn ein Unternehmen Stunden verkauft, gibt es eine natürliche Obergrenze: die Anzahl der Mitarbeiter*Innen multipliziert mit der Anzahl der fakturierbaren Stunden. Wachstum erfordert immer proportional mehr Personal, mehr Overhead, mehr Komplexität. Das ist kein Modell, in das ein VC investiert.
Was AI-First wirklich heißt
AI-First ist nicht "wir nutzen KI-Tools". AI-First heißt: AI ist die Delivery-Infrastruktur, nicht das Add-on.
Konkret: Statt fünf Analysten, die drei Wochen an einer Due Diligence arbeiten, baut ein AI-First-Unternehmen ein System. Domänenspezifische Prompts, strukturierte Wissensdatenbanken, automatisierte Qualitätskontrolle. Eine Person liefert das gleiche Ergebnis in drei Tagen.
Die Konsequenzen:
- Margen springen auf 70-90%. Die Delivery-Kosten pro Projekt sinken drastisch, während der wahrgenommene Wert für den Kunden gleich bleibt oder steigt.
- Pricing verschiebt sich von Stunden auf Ergebnisse. Kund*Innen zahlen für ein fertiges Ergebnis, nicht für Zeitaufwand. "Ich liefere eine Finanzanalyse" statt "Ich arbeite 40 Stunden daran."
- Wachstum braucht keine proportionale Personalaufstockung. Zehn Kund*Innen bedienen kostet nicht zehnmal so viel wie ein Kunde.
Das ist Productization. Dieselbe Logik, die SaaS groß gemacht hat, nur mit Service-Umsätzen. Bains Technology Report 2025 bestätigt den Trend: Unternehmen, die AI über Pilotprojekte hinaus skaliert haben, erzielen 10 bis 25% EBITDA-Steigerung.
Warum Y Combinator jetzt in Agenturen investiert
Y Combinator hat Anfang 2026 erstmals kommuniziert, dass sie aktiv nach AI-native Agencies suchen. Das ist ein Paradigmenwechsel. YC hat 20 Jahre lang ausschließlich in Software investiert. Agenturen galten als uninvestierbar.
Was hat sich geändert? Die Unit Economics.
In einer AI-native Agency ist die Delivery-Kapazität nicht an Headcount gebunden. Das Unternehmen hat proprietäre Workflows, trainierte Prompt-Systeme, kontextspezifische Wissensdatenbanken. Das ist IP. Das bleibt in der Firma, auch wenn Leute gehen. Und es wird mit jedem Kundenprojekt besser, weil jedes Projekt das System trainiert.
Für VCs heißt das:
- Wiederkehrende Umsätze durch Outcome-basierte Retainer statt einmaliger Projektarbeit
- Skalierbare Delivery ohne lineares Headcount-Wachstum
- Verteidigungsfähiges Asset in Form der internen Systeme und des akkumulierten Domain Knowledge
- Software-ähnliche Bewertungen, weil die Margenstruktur Software-ähnlich ist
Ich sehe das bei unseren Kund*Innen seit über einem Jahr. Die Bewertungslogik nähert sich Software-Multiples an. Die großen PE-Häuser werden folgen, sobald die ersten Exits in diesem Modell kommen.
Die drei Säulen eines AI-First Unternehmens
Egal ob Beratung, Agentur oder internes Team: Die Umstellung auf AI-First betrifft drei Bereiche.
Sales: Ergebnisse verkaufen, nicht Stunden
Der falsche Ansatz: "Wir bieten KI-Beratung an." Der richtige: "Wir liefern eine vollständige Wettbewerbsanalyse in 48 Stunden." Der Unterschied klingt subtil, ist aber fundamental. Im ersten Fall verkauft man Zeit und Expertise. Im zweiten ein Ergebnis mit klarem Wert.
Die Pricing-Modelle, die funktionieren:
- Setup-Fee für die initiale Konfiguration (einmalig)
- Outcome-basierter Retainer für laufende Delivery (monatlich)
- Revenue Share für Kund*Innen, bei denen der Ergebnis-Impact messbar ist (bei fortgeschrittenen Partnerschaften)
Revenue Share klingt riskant, ist aber das Modell mit dem höchsten Upside. Die Service-Firmen, die am schnellsten wachsen, kombinieren Setup-Fee mit einem laufenden Engagement.
Marketing: Positionierung über Outcomes
"Wir machen KI-Beratung" ist eine Commodity-Positionierung. Jede Firma mit einem ChatGPT-Abo kann das behaupten. Die bessere Positionierung folgt einer Formel: Ich löse Problem X für Unternehmen Y mit Methode Z und erreiche Ergebnis W.
Beispiel: "Wir reduzieren den Zeitaufwand für Due-Diligence-Screening um 70% für PE-Teams mit mehr als 20 Deals im Jahr." Das ist spezifisch, messbar und spricht eine klar definierte Zielgruppe an.
Systems: Proprietäre Workflows als Moat
Hier liegt der eigentliche Wettbewerbsvorteil. Zwei Firmen mit demselben LLM liefern sehr unterschiedliche Ergebnisse, je nachdem, was sie drumherum gebaut haben.
Was ein AI-First System ausmacht:
- Domänenspezifische Prompt-Chains. Nicht ein einzelner Prompt, sondern Ketten von Prompts mit Kontext-Injection aus verschiedenen Quellen. Branchenspezifisches Wissen, Kundenprofile, historische Ergebnisse fließen automatisch ein.
- Strukturierte Wissensdatenbanken. Das Institutional Knowledge der Firma, kodifiziert und für AI zugänglich gemacht. Jedes abgeschlossene Projekt füllt diese Datenbank.
- Automatisierte Qualitätskontrolle. AI macht 90% der Arbeit, ein Mensch prüft und gibt frei. Das Quality Gate liegt beim Experten, nicht beim Tool.
Der Moat liegt nicht im AI-Tool. Das haben alle. Der Moat liegt im Institutional Knowledge, das ins System einfließt: proprietäre Workflows, branchenspezifischer Kontext, akkumulierte Erfahrung aus hunderten Projekten.
Der Compound-Effekt: Warum First Mover gewinnen
Jeder Auftrag, der durch ein AI-First System läuft, macht das System besser. Bessere Prompts, bessere Vorlagen, bessere Daten, präzisere Ergebnisse.
Das ist ein Compound-Effekt. Nach 50 Projekten ist das System signifikant besser als nach 5. Nach 200 Projekten hat ein Unternehmen einen Erfahrungsschatz kodifiziert, den ein Wettbewerber nicht einfach nachbauen kann, auch wenn er das gleiche LLM benutzt.
In der alten Welt war dieses Wissen in den Köpfen der Mitarbeiter*Innen. Wenn jemand ging, ging das Wissen mit. In der AI-First-Welt steckt es im System. Es ist das dauerhafte Asset der Firma.
Für PE-Teams ist das ein relevanter Bewertungsfaktor. Die Frage bei der Due Diligence eines AI-First Unternehmens lautet nicht "Wie viele Mitarbeiter hat die Firma?" sondern "Wie gut sind die internen Systeme und wie viel Domain Knowledge ist darin kodifiziert?"
Was das für Berater*Innen, PE und VC bedeutet
Für Berater*Innen und Agenturen
Das Geschäftsmodell kippt von Stunden auf Ergebnisse. Kund*Innen werden fragen, warum sie Tagessätze zahlen sollen, wenn ein Wettbewerber das gleiche Ergebnis in einem Drittel der Zeit liefert. Wer weiter Stunden verkauft, konkurriert gegen Firmen, die keine Stunden mehr verkaufen.
Die Marge verschiebt sich vom Team zur Infrastruktur. Heute: fünf Analysten, drei Wochen, eine Due Diligence. In 12 Monaten: eine Person mit einem trainierten System, drei Tage. Die Marge steckt nicht im Headcount, sondern in den Workflows und Kontextsystemen. Das gleiche Muster zeigt sich bereits in Beratungen und Kanzleien, die standardisierte Analysen productizen.
Für PE und Value Creation Teams
Portfoliounternehmen, die Services liefern, haben plötzlich eine Skalierungsoption, die es vorher nicht gab. Die Frage bei jedem Portfolio-Review sollte sein: Welche Delivery-Prozesse lassen sich productizen? Wo sind die 80%, die wiederholbar und damit automatisierbar sind?
Die relevanten KPIs ändern sich:
| Traditionell | AI-First |
|---|---|
| Revenue per Employee | Revenue per AI-System |
| Billable Hours | Delivered Outcomes |
| Headcount Growth | System Maturity |
| Utilization Rate | Automation Coverage |
Für VCs
AI-native Service-Firmen sind eine neue Asset-Klasse. Sie haben die Margenstruktur von Software, die Umsätze von Service-Firmen und einen Compound-Moat durch akkumuliertes Domain Knowledge. Die Bewertung sollte die Qualität der internen Systeme reflektieren, nicht nur Revenue und Headcount.
AI-First Assessment: Fünf Fragen für die Due Diligence
Ob als Investor, Berater oder internes Value-Creation-Team: Wer den AI-First-Reifegrad eines Unternehmens bewerten will, braucht andere Fragen als die klassische Due-Diligence-Checkliste.
1. Wie viel Prozent der Delivery ist automatisiert? Nicht "nutzt das Team KI-Tools", sondern: Welcher Anteil der Wertschöpfung läuft durch ein System, das ohne proportionalen Personaleinsatz skaliert? Ein AI-First Unternehmen hat eine Automation Coverage von 60% aufwärts.
2. Hat das Unternehmen proprietäre Systeme oder nutzt es Off-the-shelf-Tools? ChatGPT benutzen kann jeder. Der Wertschöpfungskern liegt in den eigenen Prompt-Chains, Kontextdatenbanken und Qualitätsprozessen. Je proprietärer das System, desto verteidigungsfähiger das Geschäftsmodell.
3. Ist das Pricing outcome-basiert? Stunden- oder Tagessätze sind ein Warnsignal. Outcome-basiertes Pricing zeigt, dass das Unternehmen Vertrauen in seine Delivery hat und die Marge an den Output koppelt, nicht an den Input.
4. Wie entwickelt sich die Bruttomarge bei wachsender Kundenbasis? In einem echten AI-First Modell steigt die Marge mit jedem neuen Kunden, weil der Delivery-Aufwand nicht linear mitwächst. Sinkende Margen bei Wachstum deuten auf ein verkleidetes Stunden-Modell hin.
5. Wie viel Domain Knowledge steckt im System? Die entscheidende Frage. Ein Unternehmen mit 200 abgeschlossenen Projekten, deren Learnings in die Systeme eingeflossen sind, hat einen Vorsprung, den kein Tool-Kauf aufholt. Der Compound-Effekt ist der eigentliche Moat.
Die drei Gegenargumente und was davon stimmt
"AI-Output ist Slop"
Meistens stimmt das sogar. Wer einen Prompt in ChatGPT wirft und das Ergebnis an Kund*Innen schickt, liefert unterdurchschnittliche Qualität. Die Marge funktioniert nur, wenn der Output gut ist. Und dafür braucht es domänenspezifische Prompt-Systeme, strukturierte Kontextdaten und menschliche Qualitätskontrolle. Das Tool allein macht nichts. Die meisten Firmen, die "AI-powered" auf ihre Website schreiben, haben das System dahinter nicht gebaut.
"Bei komplexen Mandaten skaliert das nicht"
Teilweise richtig. Eine standardisierte Finanzanalyse oder ein Due-Diligence-Screening lässt sich gut productizen. Eine bespoke M&A-Strategie für ein Mittelstandsunternehmen weniger. AI-First heißt nicht AI-Only. AI übernimmt die wiederholbaren 80%. Die strategische Einordnung, das Urteilsvermögen bei nicht-trivialen Fragen, das bleibt beim Menschen.
"Das ist ein Race to the Bottom"
Die Sorge, dass AI die Dienstleistung zur Commodity macht. Valide für generische Angebote. Aber der Moat liegt nicht im AI-Tool. Zwei Agenturen mit demselben LLM liefern sehr unterschiedliche Ergebnisse. Der Unterschied liegt in den proprietären Workflows, dem branchenspezifischen Kontext und der akkumulierten Erfahrung aus hunderten Projekten.
Wie der Weg zum AI-First Unternehmen aussieht
Die Transformation passiert nicht über Nacht, aber sie folgt einem klaren Muster.
Schritt 1: Einen Delivery-Prozess identifizieren. Nicht alles auf einmal. Ein Prozess, der wiederholbar ist, hohen Zeitaufwand hat und standardisierbare Inputs und Outputs hat. Finanzanalysen, Wettbewerbs-Screenings, Content-Produktion, Proposal-Generierung.
Schritt 2: Das System bauen. Prompt-Chains entwickeln, Kontextdatenbanken aufsetzen, Quality Gates definieren. Die erste Version muss nicht perfekt sein. Sie muss funktionieren und 70% der manuellen Arbeit eliminieren.
Schritt 3: Das Pricing umstellen. Von Stunden auf Ergebnisse. Das erfordert Vertrauen in die eigene Delivery-Qualität. Wer das nicht hat, ist noch nicht bereit.
Schritt 4: Den Compound-Effekt nutzen. Jedes Projekt verbessert das System. Jeder Fehler wird permanent gefixt, nicht nur für den aktuellen Kunden, sondern für alle zukünftigen. Das ist der Moment, in dem sich das Modell exponentiell verbessert.
Schritt 5: Skalieren. Neue Kund*Innen hinzufügen, ohne proportional Personal aufzubauen. Die Unit Economics sollten sich bei jedem neuen Kunden verbessern, nicht verschlechtern.
Das Fenster schließt sich
AI-First ist kein Zukunftsthema. Y Combinator investiert heute. Die Unit Economics funktionieren heute. Die ersten Service-Firmen in der DACH-Region bauen ihre Delivery-Systeme heute um.
Wer in 12 Monaten anfängt, konkurriert gegen Firmen, die dann 12 Monate Compound-Effekt in ihren Systemen haben. Das ist ein Vorsprung, der sich nicht einfach aufholen lässt, auch nicht mit dem gleichen LLM.
Die Frage ist, ob man das Playbook baut oder das wird, was vom Playbook eines anderen ersetzt wird.
Vom Stundensatz zum skalierbaren System
Die meisten Analyse-Teams arbeiten heute mit fragmentierten Quellen und manuellen Workflows. Geschäftsberichte aus dem Bundesanzeiger, Vergleichsdaten aus CapitalIQ, Marktkontext aus Google. Das Ergebnis: Analyst*Innen verbringen mehr Zeit mit Datenbeschaffung als mit Bewertung.
Drei Outputs, die den Unterschied machen:
- On-Demand Unternehmensanalysen mit automatisch berechneten Finanzkennzahlen, Wettbewerbsvergleich und Risikobewertung aus öffentlichen Quellen
- Automatisierte Wettbewerbs-Screenings über Branchen und Regionen hinweg, ohne manuelles Zusammentragen von Vergleichsdaten
- Due-Diligence-Entwürfe mit strukturierter Vorprüfung in Stunden statt Wochen
Researchly baut genau diesen Intelligence Layer für PE-Teams, VCs und Berater*Innen, die ihre Delivery productizen wollen, ohne ein halbes Jahr in eigene Prompt-Systeme zu investieren.
