20.05.2025
GASTBEITRAG

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

Gastbeitrag. Startmatch.ai-Gründer Robert Kopka teilt seine Learnings und gibt Tipps für Startups, um sich in der KI-Landschaft zurechtzufinden.
/artikel/jenseits-des-hypes-5-praxisnahe-lektionen-fuer-den-aufbau-eines-b2b-ki-tools
KI, Robert Kopka, Wie baue ich ein KI-Tool
(c) Startmatch/Stock-.Adobe - Robert Kopka.

KI ist aktuell überall – aber zwischen dem Hype und der Entwicklung eines B2B-Tools, das zahlende Kunden begeistert, liegen Welten. Mit StartMatch.ai haben wir ein KI-Tool entwickelt, das individuelle Empfehlungen für Förderungen erstellt und Förderanträge schreibt. Es hat schon unzähligen Startups, Scaleups und Förderberatern dabei geholfen, mehr Zeit für andere Themen zu haben. Diese fünf Erkenntnisse möchte ich Startups mitgeben, damit sie typische Fehler vermeiden und ihre KI-Lösung erfolgreich launchen können.

Erkenntnis #1: KI-Kompetenz bleibt überraschend niedrig

Obwohl ChatGPT seit über zwei Jahren öffentlich verfügbar ist, haben wir festgestellt, dass die KI-Kompetenz unter potenziellen B2B-Kunden stark variiert. Viele unserer Kunden haben nur begrenzte Erfahrung mit KI-Tools und äußern häufig Datenschutzbedenken oder Sorgen vor sogenannten Halluzinationen. Diese Unsicherheit bringt einige Herausforderungen mit sich. Startups sollten die KI-Kompetenz ihrer Zielgruppe realistisch einschätzen und ihre Kommunikation entsprechend anpassen. Der Vorteil dabei: Eine unerfahrene Zielgruppe lässt sich schon mit vergleichsweise einfachen KI-Features begeistern.

Erkenntnis #2: LLM ist nicht gleich LLM

Eine unserer frühesten und bedeutendsten Erkenntnisse war, dass nicht alle KI-Modelle gleich sind. Die Leistung von LLMs (Large Language Models) variiert dramatisch, und die Auswahl des richtigen Modells für Ihren spezifischen Anwendungsfall kann ein entscheidender Faktor sein. Als wir mit der Entwicklung von StartMatch.ai begannen, experimentierten wir zunächst mit mehreren populären Modellen. Die Unterschiede in der Ausgabequalität und Konsistenz waren auffällig. Einige Modelle glänzten beim kreativen Schreiben, hatten aber Schwierigkeiten mit strukturierten Dokumenten wie Förderanträgen. Andere zeigten beeindruckende faktische Erinnerungsfähigkeiten, ihnen mangelte es jedoch an den Schreibfähigkeiten, die für überzeugende Anträge unerlässlich sind. Für Startups, die KI-Tools entwickeln, ist es entscheidend, mehrere Modelle gründlich anhand ihrer spezifischen Anforderungen zu testen, anstatt einfach die gehypteste Option zu wählen.

Erkenntnis #3: B2B-Kunden priorisieren Datenschutz und Datensicherheit

Wenn man ein B2B KI-Produkt (für den deutschsprachigen Markt) entwickelt, muss man sich auf intensive Diskussionen über Datenschutz, DSGVO-Konformität und Privatsphäre vorbereiten. Wir erhielten mehr Fragen zu diesen Bereichen als zu Funktionen oder Fähigkeiten. Wir stellten fest, dass potenzielle Kunden genauso an den Schreibfähigkeiten unserer KI interessiert sind wie daran, wie wir mit ihren sensiblen Geschäftsinformationen umgehen. Fragen zur Datenspeicherung, zu Verarbeitungsorten und Sicherheitsmaßnahmen dominieren oft unsere Verkaufsgespräche. Für Startups ist es weitaus effizienter, von Grund auf gute Schutzmaßnahmen aufzubauen, als sie später nachzurüsten. Unsere starke Empfehlung ist es, diese Aspekte von Anfang an zu berücksichtigen.

Erkenntnis #4: LLMs haben Schwierigkeiten mit Konsistenz und Zählen

Während LLMs in vielen Bereichen bemerkenswerte Fähigkeiten zeigen, haben sie spezifische Einschränkungen, die erhebliche technische Entwicklungen erforderten, um sie zu überwinden. Förderanträge haben typischerweise strenge Zeichen- oder Wortanzahlbegrenzungen. Wir stellten fest, dass LLMs überraschend schlecht darin sind, zu zählen und konsequent innerhalb dieser Grenzen zu bleiben. Was wie eine einfache Anforderung erschien – „schreibe eine technische Projektbeschreibung mit maximal 2.000 Zeichen“ – führte oft zu Vorschlägen, die deutlich über oder unter dem Limit lagen. Ebenso erwies sich das konsistente Extrahieren von Daten aus Dokumenten als herausfordernd. Und für uns macht es einen großen Unterschied, ob das maximal unterstützte Projektvolumen €20.000 oder €200.000 beträgt. Die Bewältigung dieser Einschränkungen erforderte die Entwicklung spezialisierter Prompt-Techniken, die Implementierung von Validierungssystemen und die Schaffung robuster Überprüfungsmechanismen. Für KI-Startups kann das frühzeitige Erkennen und technische Umgehen dieser Einschränkungen Probleme später verhindern.

Erkenntnis #5: LLMs sind relativ erschwinglich

Eine der angenehmsten Überraschungen auf unserem Weg war die Zugänglichkeit leistungsstarker KI-Modelle. Jeder größere LLM-Anbieter bietet großzügige kostenlose Credits für Startups an, und selbst die regulären Preise bleiben angesichts der Fähigkeiten, die diese Modelle liefern, vernünftig. Der intensive Wettbewerb zwischen OpenAI, Anthropic, Google und den Open-Source-Modellen hat ein günstiges Umfeld für Startups geschaffen, die auf diesen Grundlagen aufbauen. Diese Wettbewerbslandschaft hat nicht nur die Preise im Zaum gehalten, sondern auch Modellverbesserungen und Spezialisierungen beschleunigt. Für Startups bedeutet das, dass der Aufbau ausgeklügelter KI-Produkte finanziell tragfähiger ist als je zuvor und man bei Produkten anfangs auch mit Kanonen auf Spatzen schießen kann, um rasch gute Ergebnisse zu erzielen.

Deine ungelesenen Artikel:
16.11.2026

Wiener Unternehmen 3Binfra entwickelt mit RailCity virtuelle Eisenbahn

66 Kilometer Schienennetz, vier Bahnlinien und 50 virtuelle Mitarbeitende: Das Wiener Softwareunternehmen 3Binfra hat mit RailCity eine digitale Referenzbahn entwickelt. Sie soll die Entwicklung und Einführung von Softwarelösungen für Bahninfrastruktur vereinfachen.
/artikel/wiener-unternehmen-3binfra-entwickelt-mit-railcity-virtuelle-eisenbahn
16.11.2026

Wiener Unternehmen 3Binfra entwickelt mit RailCity virtuelle Eisenbahn

66 Kilometer Schienennetz, vier Bahnlinien und 50 virtuelle Mitarbeitende: Das Wiener Softwareunternehmen 3Binfra hat mit RailCity eine digitale Referenzbahn entwickelt. Sie soll die Entwicklung und Einführung von Softwarelösungen für Bahninfrastruktur vereinfachen.
/artikel/wiener-unternehmen-3binfra-entwickelt-mit-railcity-virtuelle-eisenbahn
CEO von 3Binfra: Stefan Pertl | (c) 3Binfra

Gleise, Weichen, Brücken und Tunnel haben eines gemeinsam: Sie müssen über Jahrzehnte hinweg instand gehalten werden. Für Bahninfrastrukturbetreiber bedeutet das hohe Kosten und komplexe technische Herausforderungen. Genau hier setzt das Wiener Softwareunternehmen 3Binfra an.

Das Unternehmen wurde 2007 von Stefan Pertl gegründet. Zuvor hatte er rund zehn Jahre in Deutschland für Bahnunternehmen gearbeitet. Dabei fiel ihm auf, dass sich viele Aufgaben bei unterschiedlichen Bahnbetreibern wiederholten, es aber an spezialisierter Software fehlte.

„Wir haben uns recht naiv gedacht: Machen wir doch eine Standardsoftware für Eisenbahninfrastruktur“, erzählt Pertl. Der Einstieg in den Markt gestaltete sich anfangs herausfordernd. 2015 gewann das Unternehmen mit den ÖBB und der ungarischen MÁV zwei Großkunden. Mittlerweile setzen über 15 Bahnkunden auf die Softwareplattform Infralife, mit der Bahninfrastruktur verwaltet und Instandhaltungsmaßnahmen geplant werden können.

RailCity bündelt Erfahrungen von 15 Bahnkunden

Im September 2026 stellte 3Binfra auf der Verkehrsfachmesse InnoTrans in Berlin sein neues Projekt RailCity vor. Dahinter steckt keine neue Software, sondern eine virtuelle Referenzbahn, die das Wissen aus den bisherigen Kundenprojekten des Unternehmens bündelt.

„Wir brauchen ein Modell einer harmonisierten Bahn, ein Modell, das für alle Bahnen funktioniert“, erklärt Pertl. Denn obwohl sich die Anforderungen unterschiedlicher Bahnbetreiber häufig ähneln, unterscheiden sich ihre technischen Systeme und organisatorischen Abläufe.

RailCity bildet deshalb ein fiktives, 66 Kilometer langes Schienennetz mit vier unterschiedlichen Streckentypen ab: einer Gebirgsbahn, einer Regionalstrecke, einer Intercity-Strecke und einer Industriebahn. Das Modell umfasst Tausende Infrastrukturanlagen, darunter Gleise, Weichen, Brücken, Signalanlagen und Bahnhöfe. Hinzu kommen technische Regelwerke, typische Arbeitsabläufe und eine virtuelle Organisation mit rund 50 Mitarbeitenden.

„Das RailCity-Modell ist keine Software, sondern bündelt unser gesamtes Bahn-Domänenwissen“, betont Pertl. Vereinfacht gesagt liefert RailCity eine digitale Mustereisenbahn samt realistischen Daten und Abläufe. Jede Anlage hat einen definierten Standort innerhalb des Netzes sowie eine virtuelle Historie, die ihren Zustand, ihre Wartung und ihre Entwicklung über Jahrzehnte abbildet.

Auf dieser Grundlage können unterschiedliche Wartungsstrategien, Zustandsbewertungen und Managementansätze getestet und verglichen werden. Die Daten lassen sich grundsätzlich in verschiedenen Softwarelösungen verwenden. 3Binfra selbst nutzt dafür seine bestehende Plattform Infralife.

„Infrastruktur erlebbar machen“

RailCity soll vor allem die Entwicklung, Demonstration und Einführung neuer Softwarefunktionen erleichtern. Statt dafür auf die Daten einzelner Bahnkunden zurückzugreifen, kann 3Binfra neue Funktionen anhand der virtuellen Referenzbahn zeigen. Auch potenziellen Neukunden soll das Modell veranschaulichen, wie eine Softwarelösung in ihrer eigenen Infrastruktur eingesetzt werden könnte. Pertl bezeichnet RailCity deshalb als „Projektbeschleuniger“.

„Es ist eine Spielwiese mit realistischen Daten“, sagt Pertl. Sein Ziel sei es, die komplexen Prozesse der Bahnbranche verständlicher darzustellen und damit „Infrastruktur erlebbar zu machen“. Langfristig soll RailCity auch anderen Softwareanbietern, Forschungseinrichtungen und Universitäten offenstehen. 3Binfra verfolgt damit das Ziel, eine gemeinsame europäische Referenz für Bahninfrastruktur zu schaffen.

KI soll virtuellen Bahnbetrieb simulieren

Künstliche Intelligenz spielte bei der Erstellung des Referenzsystems eine Rolle. Sie half dabei, tausende Anlagen mit realistischen Daten und einer bis zu 100-jährigen Historie auszustatten. Pertl stellt allerdings klar: „Das RailCity-Modell selbst ist eine AI-freie Zone.“ Die grundlegende Struktur, die Regelwerke und organisatorischen Abläufe basieren auf dem Fachwissen des Unternehmens. KI wurde eingesetzt, um die Datenbestände in großem Umfang aufzubauen.

Künftig sollen jedoch KI-Agenten auch den laufenden Betrieb der virtuellen Eisenbahn unterstützen, indem sie beispielsweise Störungen und Arbeitsabläufe simulieren. Diese Funktionen befinden sich laut Pertl noch in Entwicklung.

Eigenfinanziert mit rund 40 Mitarbeitenden

3Binfra beschäftigt derzeit rund 40 Personen, davon 35 Festangestellte in Wien. Etwa die Hälfte des Teams arbeitet im IT-Bereich, die andere Hälfte besteht aus Eisenbahnexpert:innen. Das Unternehmen finanziert sich laut Pertl aus dem eigenen Cashflow.

Mit RailCity will 3Binfra nicht nur seine bestehende Software weiterentwickeln, sondern auch den Austausch innerhalb der Bahnbranche fördern. Langfristig sollen weitere Unternehmen und Forschungseinrichtungen an dem Modell mitarbeiten.

„Schön wäre es natürlich, wenn auf RailCity nicht nur 3Binfra draufsteht, sondern vielleicht auch andere Namen“, sagt Pertl. Für ihn steht fest, dass die Weitergabe von Wissen ein wichtiger Bestandteil der künftigen Entwicklung ist: „Wer nichts verrät und nichts zeigt, wird keinen Erfolg haben.“

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

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

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

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 …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

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 …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

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 …

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

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

Jenseits des Hypes: Fünf praxisnahe Lektionen für den Aufbau eines B2B-KI-Tools