07.07.2023

Diese drei Fragen sollten Investor:innen KI-Startups stellen

Gastbeitrag. Worauf Investor:innen achten soll, wenn sie sich Startups im Bereich Künstliche Intelligenz (KI) ansehen, erläutert Simon Brendel von dem auf Tech-Due-Dilligence spezialisierten Beratungsunternehmen Philipps & Byrne.
/artikel/fragen-investoren-ki-startups
Simon Brendel, Philipps & Byrne
Simon Brendel, Philipps & Byrne | Hintergrund: Adobe Stock

Künstliche Intelligenz (und insbesondere Generative AI) gilt aktuell als einer der wenigen Bereiche, die dem allgemeinen Downturn in der Startup-Szene standhalten. Investments in AI sind vergleichsweise stabil und es entstehen immer mehr KI-Startups. VCs, die ihren Dealflow prüfen, stellen sich dabei natürlich oft die Frage, ob die Qualität des Machine-Learning-Setups tatsächlich hält, was das Pitchdeck oder die Equity Story verspricht. In diesem Artikel empfehle ich drei Fragen, die jeder VC auf dem Schirm haben sollte, wenn er sich ein KI-Startup anschaut.

Erste Frage: Handelt es sich wirklich um ML oder um ein traditionelles regelbasiertes System?

Zu Anfang sollte man einmal klären, ob das Startup wirklich mit Machine Learning arbeitet oder eher mit einem selbstentwickelten, regelbasierten System. Ist das System selbstlernend und verbessert es sich, wenn es mit mehr Daten trainiert wird? Dann handelt es sich um ML. Darüber hinaus umfasst selbstlernende ML auch selbstüberwachte oder unüberwachte Methoden. Die Frage, ob und wie man eine solche Selbstverbesserung am besten ermöglicht, wird als „Online-Lernen“ bezeichnet.

Wenn es sich um ein System handelt, das nach bestimmten Regeln arbeitet, die von Entwicklern im Voraus festgelegt werden, und das nicht mit Daten oder selbstlernend trainiert wird, ist das in der Regel keine echte KI – zumindest nicht im aktuellen Verständnis.

Zweite Frage: Make or Buy?

Die zweite Frage lautet: Wurde das ML-Modell selbst entwickelt oder wird ein Open-Source- oder proprietäres Modell von Drittanbietern genutzt? Wenn es sich um Open-Source-Modelle handelt, passen die Unternehmen diese Modelle sehr oft für den eigenen Business-Case an. In diesem Fall wird nicht wirklich etwas von Grund auf neu entwickelt, aber es wird auch nicht einfach etwas übernommen, das bereits existiert. Ein Beispiel wäre die jüngste Entwicklung von ChatGPT, bei der die GPT-Modelle von Open.AI verwendet werden können. Sie sind Open Source, und man kann sie unter bestimmten Lizenzmodellen für das eigene Business nutzen.

Die Unterscheidung besteht also darin, ob es sich um externe ML-Fähigkeiten handelt, die für das eigene Business-Modell genutzt und gegebenfalls angepasst werden, oder ob es sich um selbst entwickelte ML handelt. Bei Letzterem handelt es sich dann in der Regel um Deep-Tech-Startups, die eigene Foundation Models oder Large Language Models (LLM) entwickeln und in denen ein viel tieferes technologisches Wissen im Unternehmen vorhanden ist.

Dritte Frage: Mit welchen Daten wurde das ML-Modell trainiert und wem gehören sie?

ML-Modelle entwickeln sich zunehmend zu einer Ware. Der Zugang zu einem ML-Modell stellt also kein Differenzierungsmerkmal mehr für Startups dar. Die wirklich interessante Frage wird sein, von wem und auf welche Weise diese Modelle trainiert wurden. Und mit welcher Art und Menge von Daten.

Wenn das Unternehmen eigene Daten verwendet, gibt es zwei Dimensionen zu bedenken. Erstens: Die Menge der Datenpunkte im Datensatz. Es geht also darum, zu verstehen, wie statistisch signifikant bestimmte Effekte in diesem Datensatz sind. Ein größerer Datensatz ist immer interessanter, da statistische Fehler besser ausgeschlossen werden können und ein höheres Maß an Vertrauen entsteht. Dabei darf der Aspekt der Datenvielfalt nicht unterschätzt werden. Wie gut decken die verfügbaren Daten den Raum ab, in dem das Model lebt. Einige Unternehmen sind in der Lage, riesige Datensätze aus ihren eigenen Betrieben zu produzieren. Oft besteht aber das Problem, dass Datensätze zu klein sind, um wesentliche Verbesserungen in den Ergebnissen der AI zutage zu fördern.

Die zweite Dimension betrifft die Frage nach den Besitzverhältnissen der Daten. Wie ist das Unternehmen an diesen Datensatz gekommen? Ist er öffentlich zugänglich? Wurden sie von bestimmten Lieferanten bezogen? Oder werden sie vielleicht sogar von dem Unternehmen selbst gesammelt? Proprietäre Daten werden in den kommenden Jahren einen echten Wettbewerbsvorteil darstellen. Je privater der Datensatz ist, desto stärker sind die Fähigkeiten des Unternehmens, einen bestimmten Business Case zu bedienen und damit ein erfolgreiches Geschäftsmodell aufzubauen.

Fazit

Unterm Strich sollten VCs also folgende Fragen auf dem Schirm haben: Zuerst muss man herausfinden, ob das Unternehmen wirklich ML-Modelle vorweisen kann oder ob es sich um regelbasierte Systeme handelt. Zweitens müsste man klären, ob das Modell gekauft oder selbst entwickelt wurde. Und drittens muss hinterfragt werden, mit welchen Daten das Modell trainiert wurde. Und hier gilt: Je größer, vielfältiger und privater der Datensatz ist, desto besser für den Aufbau eines differenzierten Modells und den potenziellen Erfolg eines KI-Startups.


Über den Autor

Simon Brendel ist Director New Business beim Beratungsunternehmen Philipps & Byrne mit Sitz in Berlin, das auf Tech Due Diligence spezialisiert ist. Zur Zielgruppe des Unternehmens zählen Investo:innen, Growth-Stage-Startups und Unternehmer:innen. Brendel thematische Schwerpunkte sind unter anderem Themen Strategie, Technologie und Innovationen.

Deine ungelesenen Artikel:
06.10.2026

Toto Wolff: „Niemand wird bei der Fehlersuche die Hand heben, wenn er Angst hat, gefeuert zu werden“

Interview: Toto Wolff hat mit dem Mercedes-AMG-Petronas-Formula-One-Team eine lange Phase großer Erfolge verantwortet, danach vier Saisonen ohne Titelkampf erlebt und das Team in dieser Zeit umgebaut. Im Interview spricht er über psychologische Sicherheit als Voraussetzung für Fehlerkultur, über Entscheidungen unter Unsicherheit, über die Grenzen von KI im Rennsport – und über seine Beteiligungen an Nuki und Instahelp.
/artikel/toto-wolff-niemand-wird-bei-der-fehlersuche-die-hand-heben-wenn-er-angst-hat-gefeuert-zu-werden
06.10.2026

Toto Wolff: „Niemand wird bei der Fehlersuche die Hand heben, wenn er Angst hat, gefeuert zu werden“

Interview: Toto Wolff hat mit dem Mercedes-AMG-Petronas-Formula-One-Team eine lange Phase großer Erfolge verantwortet, danach vier Saisonen ohne Titelkampf erlebt und das Team in dieser Zeit umgebaut. Im Interview spricht er über psychologische Sicherheit als Voraussetzung für Fehlerkultur, über Entscheidungen unter Unsicherheit, über die Grenzen von KI im Rennsport – und über seine Beteiligungen an Nuki und Instahelp.
/artikel/toto-wolff-niemand-wird-bei-der-fehlersuche-die-hand-heben-wenn-er-angst-hat-gefeuert-zu-werden
Toto Wolff
© Sulay Kelly for Mercedes-Benz Grand Prix Ltd. - Toto Wolff.

Dieser Text ist zuerst im brutkasten-Printmagazin von August 2026 „Aufbrechen“ erschienen. Eine Download-Möglichkeit des gesamten Magazins findet sich am Ende dieses Artikels.


brutkasten: Sie haben Mercedes durch eine lange Phase großer Erfolge geführt, dann kamen schwierige Jahre. Was war Ihr wichtigstes Learning darüber, wie Organisationen nach Rückschlägen wieder in die Spur finden?

Toto Wolff: Die Formel 1 ist eine Welt der ständigen Evolution, nichts steht je still. Zum Beispiel haben die Regeländerungen 2022 schonungslos Schwächen in unseren Entwicklungsfähigkeiten und unserem Verständnis offenbart. Wir haben diese Ära klar hinter unseren Wettbewerbern gestartet und es über vier Saisonen hinweg nicht wirklich geschafft, diese Defizite auszubügeln.

Der eine oder andere Rennsieg waren die Highlights, wir haben es geschafft, zweimal in vier Jahren den zweiten Platz in der Konstrukteursmeisterschaft zu erringen; aber wir haben nie um den Titel gekämpft. Wir haben im Hintergrund größere Änderungen in unserer technischen Ausstattung, beim Personal und den Strukturen vorgenommen, um das Team stärker und wettbewerbsfähiger zu machen. Wir haben auch die Führungskultur adaptiert, weil wir das Team motivieren mussten, das begann, sich nach so vielen Jahren des Erfolgs selbst infrage zu stellen. Es war jedenfalls eine wichtige und wertvolle Phase für uns.

Sie sprechen in diesem Sinne wiederholt von einer „No Blame Culture“. Wie baut man eine Kultur auf, in der Fehler nicht versteckt oder angeprangert, sondern als Lernchance genutzt werden?

Es geht hier fast ausschließlich um psychologische Sicherheit. Niemand wird bei der Fehlersuche die Hand heben, wenn er Angst hat, gefeuert zu werden. Wir müssen aber zu unseren Fehlern stehen können. Und das fängt bei den Führungskräften an. Nur so können auch andere zu ihren Fehlern stehen. Eine „No Blame Culture“ funktioniert jedoch nur im Zusammenspiel mit einem hohen Verantwortungsbewusstsein. Man braucht Teammitglieder, die Verantwortung übernehmen, auch wenn es um Fehler geht.

In der Formel 1 hat jeder Fahrer eigene Ingenieure und Mechaniker. Wie verhindert man, dass interne Konkurrenz gegen die gemeinsame Strategie arbeitet?

Das ganze Team hat das gleiche Ziel: Die Meisterschaft für Mercedes zu gewinnen. Nicht mit dem einen oder anderen Fahrer, sondern für die Marke und das Team. Alle Mitarbeiter sind gleich incentiviert: Ausschlaggebend ist der Gewinn der Konstrukteursmeisterschaft, nicht der Fahrerwertung. Das ist die Grundlage unserer Entscheidungsfindung. Auch die Ingenieure und Mechaniker, die einem der Fahrer zugeteilt sind, arbeiten zuallererst für das Team. Beide Seiten der Garage machen jeden Boxenstopp gemeinsam. Alle technischen Daten werden zwischen den Ingenieuren der Fahrer geteilt, damit wir so wettbewerbsfähig wie möglich sein können. Das Motto ist klar: Das beste Team gewinnt, der beste Fahrer gewinnt; und zwar in dieser Reihenfolge.

Viele Gründerinnen und Gründer kämpfen damit, schnell zu wachsen und dabei die Kultur zu bewahren. Lassen sich Prinzipien aus der Formel 1 auf Startups und Scaleups übertragen?

Wir haben seit dem Cost Cap 2021 starkes Wachstum in der Formel 1 gesehen. Wir mussten uns überlegen, ob wir die Geschäftsfelder erweitern wollen, wie wir es etwa mit unserem Engagement im America’s Cup beim Segeln gemacht haben. Der Headcount ist gewachsen, vor allem in den Support-Bereichen außerhalb der technischen und operationellen Hauptbereiche. Aber dann haben wir uns wieder auf unser Kerngeschäft fokussiert, mit einem klaren Ziel: die Formel-1-Weltmeisterschaft zu gewinnen. Und bei jedem neuen Projekt stellen wir uns die Frage: Bringt uns das Projekt diesem Ziel näher, hilft es uns, Rennen und Meisterschaften zu gewinnen?

Wenn die Antwort Ja ist, dann investieren wir in das Projekt; wenn nicht, dann nicht. Ich denke, es geht vor allem darum, das Hauptziel nicht aus den Augen zu verlieren, da mit dem Unternehmenswachstum viele Elemente komplexer werden. Wenn man in einem so kompetitiven Umfeld wie der Formel 1 tätig ist, dann ist das Hauptziel relativ klar. Aber jedes Startup muss sich ein Ziel geben können und dann genau wie wir darauf fokussieren.

Wie treffen Sie strategische Entscheidungen, wenn nicht alle Informationen vorliegen? Gibt es ein Erfolgsgehmeinis?

Mein Freund und Geschäftspartner Niki Lauda hat immer auf die rasche Entscheidungsfindung gepocht – es ist besser, eine mangelhafte Entscheidung jetzt zu treffen, als darauf zu warten, alle Informationen zusammengetragen zu haben, wenn es dann zu spät ist. Man kann Entwicklungen immer noch korrigieren, wenn eine Entscheidung nicht ganz richtig war. Persönlich versuche ich die Upside und Downside bei den großen Entscheidungen zu erkennen: Wenn ich mit der Downside, dem Worst Case, leben kann, dann gibt es keinen Grund, vor der Entscheidung zurückzuschrecken.

Welche Leadership-Lektion hätten Sie gerne früher gelernt?

Meine wichtigste Erfahrung ist wohl, in Konfliktsituationen neugierig zu bleiben, zu versuchen, die Perspektive der anderen Seite zu verstehen, und auch manchmal zu akzeptieren, dass man nicht einer Meinung ist oder unterschiedliche Interessen hat; ein „agree to disagree“ als Ergebnis zu akzeptieren. Bei Leadership geht es ja vor allem darum, andere Menschen zu verstehen, sich auf eine gemeinsame Linie zu einigen, sie mit etwas zu incentivieren, das für sie auch wirklich relevant ist. Nur wer motiviert ist und sich wohlfühlt, kann 100 Prozent geben. Ziele klar formulieren, Mitarbeitern Verantwortung übertragen, ihnen dabei helfen, Herausforderungen zu meistern, und Ergebnisse offen analysieren – das ist meine Arbeitsweise.

Gibt es Ihrer Ansicht nach die eine Eigenschaft, die erfolgreiche Unternehmerinnen und Unternehmer brauchen? Und welche Fähigkeiten werden durch den zunehmenden Einsatz von KI wichtiger?

Das eigene Geschäft verstehen und die Leute kennen und verstehen, mit denen man arbeitet. Ein großes Ziel verfolgen und das Auge fürs Detail, das Gleichgewicht in allen relevanten Bereichen nicht verlieren. KI wird viel in unserer Welt verändern. Aber sie wird hoffentlich vor allem ein Instrument sein, das den Menschen dabei helfen wird, bessere Entscheidungen zu treffen. Die fähigsten Leute werden das Beste aus AI herausholen, die Stärken nutzen und sich von den Gefahren und Schwächen nicht beeinträchtigen lassen. Wir stehen sicher am Anfang einer rasanten Entwicklung, deren Ergebnis kaum vorhersehbar ist.

Und im Rennsport selbst: Kann KI helfen, die Ideallinie, die optimalen Bremspunkte oder das perfekte Setup zu entschlüsseln?

Wo die richtigen Bremspunkte sind, sollten wir eigentlich schon wissen; auch, dass, wenn es regnet, ein Reifen ohne Profil nicht so toll funktioniert. Aber im Ernst: Wir müssen AI zur Entscheidungsfindung einsetzen, wo hochkomplexe Datenmodelle es verlangen. Aber AI wird in keinem Bereich eigenständig entscheiden. Sie wird immer eine Unterstützung für unsere Ingenieure bleiben; zumindest in absehbarer Zeit.

Welche Innovationen aus dem Motorsport könnten in den kommenden Jahren für andere Industrien relevant werden?

Es gibt in der Geschichte viele Beispiele für Technologietransfer, und das geht auch heute weiter. Wir als Industrie lernen gerade viel über Batteriesysteme, über Steuerungselektronik und elektrische Motoren, aber auch über nachhaltige Treibstoffe und innovative Composite-Materialien; alles wichtige Entwicklungsbereiche für die Automobil- und Transportindustrie.

Es gibt aber auch ganz andere Bereiche, die mit dem Fahrzeug an sich nichts zu tun haben. So haben wir etwa vor ein paar Jahren Pionierarbeit beim Einsatz von 5G-Technologie an der Rennstrecke geleistet. Die Formel 1 ist in ihrer Grundcharakteristik interessant für Entwicklungen unterschiedlicher Technologien, weil sie ein sehr kompetitives Umfeld mit einer enorm hohen Entwicklungsgeschwindigkeit bietet. Das ist für Innovation und Entwicklung wertvoll.

Sie sind ja an mehreren Unternehmen beteiligt. Was sind Ihre Kriterien dabei?

Nuki und Instahelp sind ja nicht mehr Startups im eigentlichen Sinn, beide sind profitabel. Nuki macht über 50 Millionen Euro Umsatz und ist Marktführer in Europa; Instahelp hat seit zwei Jahren einen zweistelligen Millionenumsatz und verdient Geld. Unsere Kriterien waren damals, als wir die beiden Firmen mit unseren Partnern in der Up to Eleven, den Brüdern Martin und Jürgen Pansy und René Berger, gegründet haben, dass wir unsere bestehende Kompetenz bei mobiler Kommunikation, die wir mit sms.at und ucp über Jahre aufgebaut hatten, für innovative Geschäftsmodelle einsetzen wollen.

Dass wir direkt in Startups investiert haben, die wir nicht selbst gegründet haben, ist ja schon lang her; das war zu Zeiten von Marchfifteen beziehungsweise ganz vereinzelt vor über 15 Jahren. Das wichtigste Kriterium war jedenfalls immer, dass die Gründer gute Leute waren, denen man vertrauen kann. Einer davon war übrigens Oliver Holle. Auch heute vertrauen wir ihm, und zwar indem wir bei Speedinvest und damit auch weiterhin indirekt in Startups investieren.

Abschließend: Wie sieht bei Ihnen eigentlich ein Sonntag aus, an dem kein Rennen stattfindet?

Meistens bin ich in Italien, an einer Kartstrecke. Da sind Susie und ich dann die größten Fans unseres jungen Sohns. Der Apfel ist nicht weit vom Stamm gefallen.


Toll dass du so interessiert bist!
Hinterlasse uns bitte ein Feedback über den Button am linken Bildschirmrand.
Und klicke hier um die ganze Welt von der brutkasten zu entdecken.

brutkasten Newsletter

Aktuelle Nachrichten zu Startups, den neuesten Innovationen und politischen Entscheidungen zur Digitalisierung direkt in dein Postfach. Wähle aus unserer breiten Palette an Newslettern den passenden für dich.

Montag, Mittwoch und Freitag

AI Summaries

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Innovationsmanager:in?

Als Innovationsmanager:in ist es wichtig, über aktuelle Trends und Entwicklungen im Startup-Bereich informiert zu sein, um innovative Lösungen und Technologien zu identifizieren und zu nutzen. Der Artikel beschäftigt sich mit dem Thema Künstliche Intelligenz und gibt Investoren wichtige Fragen an die Hand, um die Qualität von KI-Startups zu bewerten. Diese Fragen können auch für Innovationsmanager:innen relevant sein, um potenzielle Kooperationspartner oder Lösungen im KI-Bereich genauer zu prüfen. Es geht dabei um die Unterscheidung zwischen Machine Learning und regelbasierten Systemen, den Ursprung und die Anpassung des ML-Modells sowie die Daten, mit denen das Modell trainiert wurde. Durch das Verständnis dieser Fragen können Innovationsmanager:innen sicherstellen, dass KI-Technologien in ihrer Organisation tatsächlich das halten, was sie versprechen, und eine solide Grundlage für Innovationen schaffen.

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Investor:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Welche Relevanz hat der Inhalt dieses Artikels für mich als Politiker:in?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Was könnte das Bigger Picture von den Inhalten dieses Artikels sein?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

  • Autor: Simon Brendel

Diese drei Fragen sollten Investor:innen KI-Startups stellen

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

Leider hat die AI für diese Frage in diesem Artikel keine Antwort …

Diese drei Fragen sollten Investor:innen KI-Startups stellen