Direkte Antwort
Eine belastbare AI Industry Analysis basiert auf drei Frameworks: Marktanalyse (Segmentierung + TAM-Triangulation + Profit Pools), Wettbewerbsanalyse (Benchmark-Matrix + Five Forces mit AI-Anpassungen) und Moat-Analyse (Evidence-Mechanism-Durability). KI beschleunigt das Sammeln und Strukturieren von Daten massiv, aber ohne klare Frameworks produziert sie "plausible" Narrative, die nicht investierbar sind. Dieser Guide liefert die praxistauglichen Strukturen für PE, VC und Consulting – inklusive Checklisten, Tabellen und einem AI-Workflow, der IC-taugliche Memos ermöglicht.
Inhalt
- Was eine gute AI Industry Analysis leisten muss
- Framework 1: Marktanalyse – von "TAM" zu realer Zahlungsbereitschaft
- Framework 2: Wettbewerbsanalyse – jenseits von "Top 10 Players"
- Framework 3: Moat-Analyse – von Buzzwords zu Evidenz
- AI-Workflow: So nutzt du KI, ohne die Analyse zu verwässern
- Deliverable: Eine IC-taugliche Struktur für dein Industry Memo
- Häufig gestellte Fragen
Was eine gute AI Industry Analysis leisten muss
Industrieanalysen entscheiden in PE, VC und Consulting oft darüber, welche Deals priorisiert werden, wie tief man in Commercial Due Diligence einsteigt und welche Risiken man früh adressiert. Gleichzeitig sind sie notorisch zeitintensiv: Fragmentierte Quellen, widersprüchliche Zahlen, schwer vergleichbare Wettbewerber.
Eine belastbare Analyse beantwortet nicht nur "Wie groß ist der Markt?", sondern vor allem:
- Wo entsteht Wert in der Wertschöpfungskette, und wer capturt ihn?
- Welche Segmente wachsen wirklich, und warum? (Treiber, Adoption, Regulatorik)
- Wie ist Wettbewerb strukturiert? (Preisdruck, Differenzierung, Go-to-Market)
- Welche Moats sind real, messbar und verteidigbar?
- Welche Risiken sind dealrelevant? (Abhängigkeiten, Compliance, Konzentration, Substitution)
KI hilft dabei, Signale schneller zu finden und zu synthetisieren. Frameworks sorgen dafür, dass du die richtigen Fragen stellst, sauber belegst und am Ende eine Entscheidungsvorlage bekommst, die einem IC oder Steering Committee standhält.
Framework 1: Marktanalyse – von "TAM" zu realer Zahlungsbereitschaft
1) Markt sauber abgrenzen (Segmentierung vor Größenordnung)
Bevor du Zahlen sammelst, fixiere den Scope in drei Dimensionen:
| Dimension | Leitfragen |
|---|---|
| Produkt-/Use-Case-Scope | Welche Jobs-to-be-done werden gelöst, und welche nicht? |
| Kundensegmente | SMB vs. Enterprise, Branchencluster, Buyer-Persona (CFO, Ops, IT, Procurement) |
| Geografie und Regime | EU/US/APAC, Regulierung, Datenlokalität, Beschaffungslogik |
In AI-getriebenen Märkten ist die Abgrenzung besonders wichtig, weil viele Anbieter "AI" als horizontalen Claim nutzen, aber vertikal sehr unterschiedliche Budgets und Kaufprozesse bedienen.
2) Marktgröße triangulieren (Top-down, Bottom-up, Reality Checks)
Verlasse dich nicht auf eine einzige Analysten-Schätzung. Gute Praxis ist Triangulation:
| Methode | Wie sie funktioniert | Stärken | Typische Fallstricke | Wann sinnvoll |
|---|---|---|---|---|
| Top-down | Gesamtmarkt aus Studien, dann Down-Cut nach Segmenten | Schnell, guter Startpunkt | Segment-Annahmen oft weich, Doppelzählungen | Frühphase, Screening |
| Bottom-up | Anzahl Kunden × Preis/ARPA × Penetration | Näher an Realität, gut für ICP-Segmente | Kundenanzahl und Preisannahmen müssen belegt sein | DD, Go-to-Market-Plan |
| Proxy-/Adjacency | Budgettöpfe, Alternativkosten, Tool-Replacements | Starker "Willingness-to-pay"-Anker | Gefahr, nur "Spend" statt "Value" abzubilden | Disruptive Kategorien |
| Triangulation | Mehrere Methoden, Widersprüche erklären | Erhöht Robustheit | Mehr Aufwand | IC-reife Memos |
KI ist hier besonders stark beim Auffinden von Segmentdaten (Verbandsreports, RFP-Pattern, Pricing-Referenzen, Job-Postings als Nachfrageindikator), aber schwächer beim finalen Reality Check. Den musst du mit klaren Annahmen und Quellenlogik selbst führen. Für eine detaillierte Anleitung zur Tool-gestützten Marktanalyse siehe unseren Guide zu KI-Tools für strategische Marktanalyse .
3) Wachstumslogik erklären (Treiber, Constraints, Adoption)
Marktwachstum ist nicht gleich "CAGR aus Report". Für eine investierbare Story brauchst du Treiber und Bremsen:
Treiber, die du explizit testen solltest:
- Regulatorik/Compliance als Pull-Faktor oder Bremse (z.B. EU AI Act, Anforderungen an Transparenz, Auditierbarkeit)
- Workforce- und Produktivitätsdruck (Automatisierung, "do more with less")
- Data/Platform Shifts (Cloud-Migration, API-Ökosysteme, neue Standards)
Constraints, die oft übersehen werden:
- Procurement-Zyklen (insb. Enterprise), Sicherheitsreviews, Vendor Risk
- Datenzugang (Rechte, Qualität, Interoperabilität)
- Switching Costs und Change Management auf Kundenseite
Für eine tiefere Analyse der Wachstumstreiber in AI-Märkten bietet unser Artikel zu Artificial Intelligence Industry: Trends, Treiber, Risiken zusätzlichen Kontext.
4) Wertschöpfungskette und Profit Pools (wer verdient wirklich?)
Gerade in AI-Industrien liegt der Fehler häufig darin, "TAM" dort zu messen, wo Umsatz sichtbar ist, obwohl der Profit Pool woanders liegt.
Praktische Fragen:
- Welche Layer existieren? (Daten, Infrastruktur, Modelle, Applikation, Distribution, Services)
- Wo ist Differenzierung möglich, wo ist Kommoditisierung wahrscheinlich?
- Wer besitzt den Customer Access? (Distribution ist oft wichtiger als Modellqualität)
Eine strukturierte Value Chain Analyse hilft, diese Fragen systematisch zu beantworten.
Framework 2: Wettbewerbsanalyse – jenseits von "Top 10 Players"
1) Wettbewerbsraum modellieren (direkt, indirekt, "Do nothing")
Eine saubere Wettbewerbsanalyse enthält drei Ebenen:
| Ebene | Definition | Beispiel |
|---|---|---|
| Direkte Wettbewerber | Gleicher Use Case, ähnliche Buyer Persona, ähnlicher Preisanker | Zwei AI-Due-Diligence-Tools für VCs |
| Indirekte Wettbewerber | Alternative Wege zum selben Outcome | Outsourcing, Suite-Tools, interne Teams |
| "Do nothing" | Status quo | Excel, manuelle Prozesse, interne Abstimmungen |
KI hilft, Longlists zu bauen. Der Wert entsteht aber, wenn du anschließend die Anbieter nach "Wettbewerb um dasselbe Budget" sortierst. Unser Tutorial So findest du mit KI deine wichtigsten Wettbewerber zeigt den praktischen Workflow.
2) Porters Five Forces mit AI-spezifischen Ergänzungen
Porter ist weiterhin nützlich, wenn du ihn an die AI-Realität anpasst:
| Force | AI-spezifische Anpassung |
|---|---|
| Threat of new entrants | Open Source, Cloud-Services, sinkende Modellkosten senken Eintrittsbarrieren |
| Bargaining power of suppliers | Abhängigkeit von Datenquellen, Cloud, Foundation-Model-Anbietern |
| Bargaining power of buyers | Procurement, Multi-Vendor-Strategien, Preistransparenz |
| Threat of substitutes | Suite-Anbieter, interne Tools, Prozessänderungen |
| Rivalry | Feature-Parität vs. Differenzierung über Workflow, Compliance, Integration |
Zusatzdimension: "Dependency risk" (Plattform-Policies, Modellzugang, Datenlizenzen). Für Beispiele aus der Praxis siehe Five Forces Porter Beispiel Automobilindustrie .
3) Competitive Benchmarking als Matrix (nicht als Text)
Statt 20 Absätze zu schreiben, baue eine vergleichbare Matrix. Wähle wenige, aber entscheidende Dimensionen:
| Dimension | Was du misst | Warum es zählt | Typische Belege |
|---|---|---|---|
| ICP-Fit | Zielkunden, Branchen, ACV-Range | Bestimmt Wachstumshebel und Sales Motion | Case Studies, Stellenausschreibungen, Partnerseiten |
| Workflow-Tiefe | Punktlösung vs. End-to-End | Reduziert "AI demo, no rollout"-Risiko | Produktdoku, Integrationslisten |
| Daten/Quellen | Proprietär, lizenziert, öffentlich, Kundendaten | Basis für Qualität und Skalierung | Quellenangaben, Datenpartnerschaften |
| Trust/Compliance | Security, Governance, Auditierbarkeit | Enterprise-Dealfähigkeit | Security-Statements, Zertifizierungen |
| Distribution | Partnerschaften, Channels, Plattformen | Moat-Kandidat | Integrations-Ökosysteme, Reseller |
Nutze KI, um zu jedem Wettbewerber dieselben Felder zu befüllen und Quellen zu referenzieren. Wichtig ist eine konsistente Taxonomie. Für AI-Tools, die diesen Prozess unterstützen, siehe Die besten AI Tools für die Konkurrenzanalyse .
4) Win/Loss Signale und Pricing-Mechanik testen
Wenn möglich, ergänze Desk Research durch Indikatoren, die näher an realen Deals sind:
- Win/Loss-Signale aus öffentlichen Referenzen (Case Studies), Job-Posts (Tooling), Partner-Listings
- Pricing-Mechanik (seat-based, usage-based, outcome-based, enterprise license)
- Implementation Friction: Time-to-value, Integrationsaufwand, Professional Services Anteil
Framework 3: Moat-Analyse – von Buzzwords zu Evidenz
"Moat" ist das am häufigsten überstrapazierte Wort in AI-Pitches. Eine gute Moat-Analyse ist evidenzbasiert, zeitlich(wie lange hält er?) und kontextbezogen (gegen wen?).
1) Moat-Typen, die in AI-Märkten wirklich zählen
| Moat-Typ | Beschreibung | AI-Relevanz |
|---|---|---|
| Distribution Moat | Embedded in bestehende Workflows, starke Partnerschaften | Oft wichtiger als Modellqualität |
| Switching Costs | Datenmigration, Prozessintegration, Compliance-Freigaben | Stark bei System-of-Record-Rolle |
| Data Advantage | Exklusive Daten, bessere Labels, Feedback-Loops | Nur wenn schwer kopierbar |
| Workflow/Process Moat | End-to-End Execution statt "Model as a feature" | Reduziert Kommoditisierungsrisiko |
| Network Effects | Marketplace, Community, gemeinsame Datenbasis | Selten, aber sehr stark |
| Regulatory/Trust Moat | Enterprise Security, Governance, Audit Trails | Kritisch für regulierte Branchen |
| Brand und Category Leadership | First-Mover-Vorteil | Relevant bei hohem Buyer Risk |
2) Moat als Checkliste: Evidence, Mechanism, Durability
Stelle Moat-Hypothesen immer in diesem Dreischritt dar:
| Moat-Hypothese | Harte Evidenz (Beispiele) | Typische Red Flags |
|---|---|---|
| Data Advantage | Exklusive Datenrechte, langfristige Lizenzen, klare Feedback-Loop-Metriken | "Wir haben viele Daten" ohne Rechte/Qualität |
| Switching Costs | Tiefe Integration, Prozesse, Compliance-Freigaben, Training | Onboarding in Tagen ohne Lock-in |
| Distribution | Channel-Deals, Plattform-Listings, Co-Sell Motion | Abhängigkeit von einem Partner |
| Trust/Compliance | Nachvollziehbare Sicherheits- und Governance-Story | Security nur als Marketing |
| Network Effects | Mehr Nutzer erhöhen Wert für alle | "Mehr Nutzer" ohne Interaktionsmechanik |
Wichtig: Viele AI-Produkte haben kurzfristig einen "Feature Moat". Das ist selten verteidigbar, weil Features schnell kopiert werden. Prüfe deshalb, ob der Moat außerhalb des Modells liegt.
3) Moat Erosion aktiv modellieren
Zwei Erosionspfade sind besonders häufig:
(1) Modell-Kommoditisierung: Leistungsfähigkeit wird günstiger und verfügbarer. Differenzierung verschiebt sich zu Daten, Workflow, Trust und GTM.
(2) Plattform-Shifts: OS-, Cloud- oder Suite-Anbieter integrieren den Use Case nativ. Punktlösungen müssen entweder tiefer werden (End-to-End) oder in Distribution gewinnen.
Für eine tiefere Analyse dieses Phänomens siehe Figma's Death: Innovator's dilemma, AI moats & Vibe Coding .
AI-Workflow: So nutzt du KI, ohne die Analyse zu verwässern
KI ist am stärksten als "Research Copilot": sammeln, strukturieren, vergleichen, Widersprüche markieren. Sie ist am schwächsten, wenn sie Fakten ohne Quellen "erfindet".
Die vier Prinzipien für robusten KI-Einsatz
1) Source-first statt Story-first
Lass dir Aussagen immer mit Quellen belegen und trenne sauber:
- Fakt (mit Quelle)
- Annahme (mit Begründung)
- Interpretation (deine Schlussfolgerung)
2) Konflikte sichtbar machen
Wenn zwei Quellen unterschiedliche Zahlen liefern, ist das kein Fehler, sondern ein Signal. Gute Analysen erklären, warum die Zahlen differieren.
3) Risiko-Frameworks ergänzen
Für AI-bezogene Risiken ist ein anerkannter Rahmen hilfreich, z.B. das NIST AI Risk Management Framework als Struktur für Governance-, Bias-, Security- und Operational-Risiken.
4) Security und Datenschutz nicht nachgelagert behandeln
Gerade in PE/VC/Consulting ist Research oft deal-sensitiv. Prüfe bei Tools immer, wie sie mit Daten umgehen.
Für fortgeschrittene Techniken zum Umgang mit LLMs in Finanz- und Strategiekontexten siehe unseren Prompt Engineering Leitfaden für Finanzen und Strategie .
Deliverable: Eine IC-taugliche Struktur für dein Industry Memo
Wenn du am Ende ein 2 bis 6-seitiges Memo liefern willst, das Entscheidungsträger wirklich nutzen, hat sich diese Struktur bewährt:
Memo-Struktur
| Abschnitt | Inhalt |
|---|---|
| Markt | Definition, Segmente, TAM/SAM/SOM (mit Triangulation), Wachstumslogik (Treiber/Constraints), Profit Pools |
| Wettbewerb | Wettbewerbsraum, Top-Anbieter nach Segment, Benchmark-Matrix, Pricing-Mechanik, Differenzierungslogik |
| Moat und Risiken | Moat-Hypothesen (Evidence, Mechanism, Durability), Erosionspfade, AI- und Compliance-Risiken, Abhängigkeiten |
| Implikationen | Welche Segmente sind "investable", welche Thesen sind testbar, welche Open Questions bestimmen die nächste DD-Welle |
Für Beispiele, wie solche Memos strukturiert werden, siehe Investment Memo schreiben: Template, Struktur und Beispiele .
Von Frameworks zu belastbaren Ergebnissen
Die größte Hürde bei systematischer Industry Analysis ist nicht die Methodik – es ist die kontinuierliche Datensammlung und Synthese. Fragmentierte Quellen, widersprüchliche Zahlen und schwer vergleichbare Wettbewerber kosten Teams Stunden, die sie für strategische Bewertung nutzen könnten.
Researchly unterstützt VCs, PE-Fonds und Strategieberater dabei, Markt-, Wettbewerbs- und Due-Diligence-Recherchen systematisch zu automatisieren. Unsere spezialisierten KI-Agenten sammeln Daten aus 50+ Quellen, strukturieren sie nach Ihren Frameworks und liefern quellenbasierte Synthesen – mit nachvollziehbaren Belegen für jeden Datenpunkt .
Wenn Sie sehen möchten, wie Sie Ihre Industry-Analysis-Workflows von Tagen auf Stunden reduzieren können:
