22.08.2017

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

In Kooperation mit Venionaire Capital veröffentlicht der Der Brutkasten eine vierteilige Artikelserie zum Thema Künstliche Intelligenz. Dabei spannen wir den Bogen von wirtschaftlichen Aspekten über Funktionsweise von KI zur aktuellen Forschung und der Zukunft von Künstlicher Intelligenz.
/artikel/venionaire-kuenstliche-intelligenz-teil2
(c) fotolia.com - phonlamaiphoto

Im ersten Artikel haben wir „Künstliche Intelligenz (KI)“ als die Fähigkeit einer Maschine beschrieben, aus eigener Erfahrung zu lernen und sich anzupassen. In diesem Artikel wollen wir tiefer in die Materie eintauchen. KI besteht aus vielfältigen Technologien, die das Ergebnis einer Kombination aus drei Elementen ist: Verstehen, Fühlen und Handeln.

+++ Teil 1 der Serie: Wirtschaftswachstum durch Künstliche Intelligenzen +++

(c) Venionaire

Verstehen: Den Input verarbeiten und sinnvoll antworten

Beim Verstehen stehen Sprachverarbeitung und Wissensrepräsentation im Vordergrund. Umgesetzt auf Menschen geht es also um die typische Kette: Zuhören (oder Lesen) – Verarbeiten – sinnvoll Antworten. Natural Language Processing (NLP) kombiniert Technologien, die in der Lage sind, Sprache in gesprochener oder schriftlicher Form zu verstehen und zu generieren. Wissensrepräsentation hilft dabei, Wissen zu kommunizieren und die anschließende Entscheidungsfindung zu erleichtern, wie es beispielsweise bei digitalen Assistenten der Fall ist. So arbeitet etwa ein Team ehemaliger FH-Hagenberg Studenten mit myAlfred an einem digitalen Butler. Der Assistent soll Termine organisieren, Reisen buchen, Tische reservieren und vieles mehr.

Fühlen: Gesehenes, Gehörtes und Gespürtes verarbeiten

Das Fühlen beinhaltet maschinelles Sehen, Spracherkennung und die Weiterverarbeitung in Sensoren. Dadurch ist es möglich, die Eingabeinformationen von Kameras, Mikrofonen oder anderen Sensoren zu erfassen, zu identifizieren, zu analysieren und zu verarbeiten. Angewendet wird die Technologie in den unterschiedlichsten Industrien. Das niederösterreichische Unternehmen Peschak Autonome Systeme hat sich etwa auf die Landwirtschaft spezialisiert und rüstet Traktoren zu selbstfahrenden Maschinen um. Das System nutzt Stereokameras, um ein präzises dreidimensionales Bild der Umgebung zu schaffen und kann so auf seine Umwelt reagieren.

Handeln: Das Verstandene und Gefühlte umsetzen

Nachdem Informationen durch Verstehen und Fühlen gesammelt sind, ist der logische dritte Schritt das Handeln. Das kommt vor allem in der industriellen Robotik zum Einsatz, wie Amazons Lagerhallen eindrucksvoll zeigen. Auch für heimische Unternehmen könnte das enormes Potential haben, man denke nur an die riesigen Lagerflächen großer Supermarktketten.

Was brauchen Maschinen, um „menschlich“ zu handeln?

Verständnis, Sensorik und Verarbeitung, also Verstehen, Fühlen und Handel, sind die drei Säulen der Künstlichen Intelligenz. Stuart Russell und Peter Norvig beschreiben in ihrem 2009 erschienen Buch „Artificial Intelligence: A Modern Approach“ welche konkreten Fähigkeiten Maschinen besitzen müssen, um wie Menschen handeln zu können:

  1. Natürliche Sprachverarbeitung
  2. Einen Speicher für die vor oder während des Gesprächs bereitgestellten Informationen
  3. Automatisierte Argumentation
  4. Machine Learning, um sich an neue Umstände anzupassen und Muster abzuleiten

Wenn Maschinen nicht mehr von Menschen zu unterscheiden sind

Bekannt ist in diesem Zusammenhang der 1950 entwickelte Turing-Test. Das Testverfahren besteht zusammengefasst darin, dass sich ein menschlicher Fragesteller mit zwei ihm unbekannten Gesprächspartnern unterhält. Der eine Gesprächspartner ist ein Mensch, der andere eine Maschine. Wenn der Fragesteller trotz intensiver Befragung nicht klar sagen kann, welcher von beiden die Maschine ist, hat die Maschine den Turing-Test bestanden. Bis jetzt hat es kein Computer geschafft, die Fragenden zu überzeugen. Einzig das russische Programm Eugene Goostman konnte 2014 rund ein Drittel aller Tester täuschen, allerdings bediente es sich einiger Tricks, wie etwa der Angabe, dass Englisch nicht die Muttersprache sei und man deshalb Verständigungsprobleme hätte.

Eingeschränkte KI: Der Schachcomputer kann keine Pizza bestellen

Der Turing-Test ist nun schon über ein halbes Jahrhundert alt und trotzdem stehen wir erst am Anfang der Entwicklung. Artificial Narrow Intelligence oder auf Deutsch „eingeschränkte künstliche Intelligenz“ beschreibt, was heute technisch möglich ist. Maschinen können sehr gut ein definiertes Set an Aufgaben lösen. Der Schachcomputer schafft es, Millionen von komplexen Zügen vorauszuberechnen, aber er kann keine Pizza bestellen.

Redaktionstipps

Mit einer Größe von drei Tennisfeldern dem Menschen ebenbürtig

Nur Maschinen mit riesiger Rechenkapazität können verschiedenste Situationen intellektuell verarbeiten, womit Artificial General Intelligence (AGI) umschrieben ist. Einige bemerkenswerte Projekte in diesem Bereich existieren bereits, wie etwa der chinesische Supercomputer „Tianhe-2“. Dieser Computer hat theoretisch die Rechenleistung, um dem intellektuellen Verständnis eines Menschen nahezukommen. Mit einer Grundfläche von fast drei Tennisfeldern ist Tianhe-2 aber nicht gerade fürs Home-Office geeignet. AGI bleibt daher vorerst großen Forschungsprojekten vorbehalten.

Mit Qubits zur Überlegenheit

Allerdings zeigte schon die Smartphone-Entwicklung, wie schnell immer bessere Rechenleistung in kleinere Geräte verbaut wurde. Mehr Rechenleistung wird wiederum die Entwicklung von entsprechender Software vorantreiben, bis vielleicht sogar Artificial Superintelligence (ASI) möglich wird. ASI wäre ein Computer, dessen Intelligenz die des Menschen überschreitet. In diesem Zusammenhang ist auch Quantum Computing ein wichtiger Begriff. Während Computer mit Bits – also Nullen und Einsen arbeiten – nutzen Quantencomputer sogenannte Qubits, die mehrere Zustände einnehmen können und dadurch enorme Rechenleistungen erlauben.

Viele Meilensteine zurück – noch mehr voran

„Künstliche Intelligenz“ wurde erstmals zum Thema auf der Darmouth Conference, die 1956 vom Informatiker John McCarthy organisiert wurde. Nach der Konferenz gab es die ersten Systeme, die als „allgemeine Problemlöser“ bezeichnet werden können. Im Jahr 1985 entwickelte der Psychologe Frank Rosenblatt mit „perceptron“ das erste neurale Netzwerk. Die 80er-Jahre brachten dann den Aufstieg des Deep Learnings, als Pionier Geoffrey Hinton einen Weg fand, um neurale Netzwerke zu trainieren und Fehler zu korrigieren. 1996 schlug IBMs Supercomputer „Deep Blue“ den amtierenden Schachweltmeister Garri Kasparow.

Im Jahre 2007 gründete Li Fei-Fei, Professorin an der Standford University, mit ImageNet eine kostenfreie Online-Datenbank mit mehr als 14 Millionen verschlagworteten Bildern, die als Grundlage für neurale Netze dient. Im Jahre 2012 hörte man erneut von KI und Deep Learning, als Google Brain die Ergebnisse von „cat experiment“ veröffentlichte. Ein neurales Netzwerk hat sich selbst so trainiert, dass es Katzen aus 10 Millionen nicht beschrifteten Bildern auf YouTube erkannte.

Alle diese historischen Meilensteine zeigen, welchen langen Weg das Thema künstliche Intelligenz bereits hinter sich hat. Im dritten Teil der Artikelserie werden wir uns mehr der aktuellen KI-Forschung widmen.

+++ Kurioser Usecase: Artificial Intelligence benennt Meerschweinchen +++


Über die Autoren

Dieser Artikel ist Bestandteil einer von Venionaire Capital verfassten vierteiligen Serie über Künstliche Intelligenz für DerBrutkasten.com. Autoren sind Aleksandar Vucicevic (Senior Analyst), Sarah Grandits (Marketing Assistant), Fabian Greiler (Junior Partner) und Berthold Baurek-Karlic (Managing Partner).

Venionaire hat sich auf die Innovationsberatung, Corporate Startup Engagement und dem Management von Venture Capital Fonds für Dritte spezialisiert.

Mit Partnern der KPMG Österreich hat Venionaire zudem das Investorennetzwerk European Super Angels Club gegründet, der in geschäftlichen Beziehungen mit im Text genannten Startups Yodel.io, Grape und oratio steht.

Deine ungelesenen Artikel:
09.10.2026

X-Faktor: Warum Liquidation Preference bei einem Millionen-Exit zum Albtraum werden kann

Ein Exit in Millionenhöhe – und trotzdem bleibt für die Gründer:innen kaum etwas übrig. Schuld daran können sogenannte Liquidation Preferences sein, die darüber entscheiden, wer beim Verkauf eines Startups bevorzugt wird. Rechtsanwalt Manuel Mofidian ordnet ein.
/artikel/x-faktor-warum-liquidation-preference-bei-einem-millionen-exit-zum-albtraum-werden-kann
09.10.2026

X-Faktor: Warum Liquidation Preference bei einem Millionen-Exit zum Albtraum werden kann

Ein Exit in Millionenhöhe – und trotzdem bleibt für die Gründer:innen kaum etwas übrig. Schuld daran können sogenannte Liquidation Preferences sein, die darüber entscheiden, wer beim Verkauf eines Startups bevorzugt wird. Rechtsanwalt Manuel Mofidian ordnet ein.
/artikel/x-faktor-warum-liquidation-preference-bei-einem-millionen-exit-zum-albtraum-werden-kann
Liquid Preference, Mofidian
© Armin Hubner/Canva - Wirtschafts- und Tech-Anwalt Manuel Mofidian.

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


Für viele Gründer:innen sind 40-Stunden-Wochen ein Fremdwort und freie Wochenenden ein ferner Wunsch – sie opfern unzählige Arbeitsstunden und verzichten auf Gehalt, um ihr Startup aufzubauen. Doch am Ende dieses jahrelangen harten Einsatzes bleibt selbst bei einem vermeintlich erfolgreichen Millionen-Exit in manchen Fällen kaum etwas übrig. Der Grund kann in einer unscheinbaren Klausel des Beteiligungsvertrags liegen; einer Sonderregel für die Verteilung des Exit-Erlöses. Räumt man etwa späteren Investoren eine „Liquidation Preference“ ein, bedienen sich diese beim Verkauf zuerst. Die Realität sieht dann wie folgt aus: Während die Branche gratuliert, können die Gründer:innen und frühe Kapitalgeber trotz fließender Millionen fast leer ausgehen.

So ein Fall sorgte jüngst für Aufsehen, als Martin Granig, Gründer der Spar-App monkee.rocks, von einem Bekannten berichtete, der einen 15-Millionen-Exit hingelegt hatte. Der Founder meinte nach Glückwünschen bloß, der Exit hätte massiver sein müssen, „damit sich was ausgeht“ – hier hatte die Liquidation Preference gegriffen.

Was ist eine Liquidationspräferenz?

Die historischen Wurzeln der Liquidationspräferenz reichen bis ins 19. Jahrhundert zurück, als US-Eisenbahngesellschaften und Banken Vorzugsaktien nutzten. In den 1950er- bis 1970er-Jahren adaptierte die VC-Branche das Modell und machte es im Silicon Valley zum Standard. Doch obwohl die Klausel omnipräsent ist, sorgt sie bis heute für Missverständnisse.

Der Wirtschafts- und Tech-Anwalt Manuel Mofidian bringt es auf den Punkt: „Eine Liquidationspräferenz ist kein gesetzlich definierter Begriff, sondern eine Klausel in einem Beteiligungsvertrag, die man im Einzelfall auslegen muss, aber häufig einem gewissen spezialisierten Marktstandard entspricht.“ Verankert wird sie in der Praxis meist im sogenannten Shareholders Agreement (kurz SHA, deutsch: Gesellschaftervereinbarung). Es geht dabei nicht um die prozentuelle Beteiligung an einem Startup, sondern um die harte Reihenfolge bei der Verteilung von echten Einnahmen (Proceeds) nach einem bestimmten Trigger-Event – im Normalfall dem Exit.

„Vereinfacht gesagt ist die Liquidationspräferenz eine vertraglich vereinbarte Erlösvorzugs-Regelung. Im Normalfall wird ein Verkaufserlös entsprechend den Beteiligungsquoten (pro rata) verteilt; das entspricht auch der gesetzlichen Grundregel. Für den Exit-Fall soll jedoch eine Sonderregel geschaffen werden; mit mitunter überraschendem Ergebnis: Wer etwa 20 Prozent der Anteile hält, aber 70 Millionen Euro investiert hat, kann bei einem Verkaufserlös von 70 Millionen Euro den gesamten Erlös erhalten – und das dank einer Liquidationspräferenz“, so Mofidian.

„Erst wenn die jeweilige Liquidationspräferenz erfüllt wurde, kommt die nächste liquidationspräferierte Gruppe zum Zug; sind alle Liquidationspräferenzen bedient, wird der Rest pro rata verteilt“, erklärt der Wirtschaftsanwalt das sogenannte „Wasserfallprinzip“. Reicht das Geld bei einem mittelgroßen oder kleinen Exit nicht aus, könnten all jene, die ganz unten im Wasserfall stehen, leer ausgehen.

„Ein Startup durchläuft typischerweise gewisse Phasen“, erläutert Mofidian. „So lassen sich die Investorengruppen ganz gut typisieren: Häufig startet man mit ersten Investoren, Business Angels, Family and Friends, teilweise noch Convertibles. Hier herrscht oft noch eine andere Logik als bei späteren Investmentrunden, wo beispielsweise VC-Fonds einsteigen. In diesen späteren Runden, den ‚Series‘, mit professionelleren neuen Investoren verschieben sich regelmäßig die Kräfteverhältnisse, was zu einer Anpassung der Verträge und der damit verbundenen Rechte führt.“

Das Multiple (X-Faktor) als wichtiger Hebel

Bevor man sich jedoch in rechtliche Details und konkrete Definitionen vertieft, muss man bei Liquidation Preference einen wichtigen Hebel verstehen: das Multiple (oder den X-Faktor). Diese Zahl legt fest, wie viel von seinem ursprünglichen Investment der Geldgeber beim Exit vorrangig – also vor der allgemeinen Verteilung nach Beteiligungsquoten – beanspruchen kann.

Das „1×-Multiple“ findet sich so häufig in den Verträgen, dass man dieses fast schon als Branchenstandard bezeichnen könnte. Das bedeutet: Der Investor holt sich zunächst exakt jene Summe zurück, die er in das Startup gesteckt hat. Komplex wird es, wenn Investoren in schwierigen Marktphasen höhere Multiples durchsetzen. Liegt der Faktor bei 1,5×, 2× oder gar 3×, bedeutet das, dass der Investor vorab – also vor der Verteilung nach Prozenten – ein Vielfaches seines eingesetzten Kapitals fordern kann. „Der Faktor hat mit der Beteiligungsquote nichts zu tun: Auch wer nur ein Prozent hält, kann eine fünffache Liquidationspräferenz vereinbart haben“, erklärt Mofidian. Hat ein VC-Fonds also beispielsweise zehn Millionen Euro bei einem 2×-Multiple investiert, zieht er beim Exit sofort 20 Millionen Euro als Liquidationspräferenz ab, bevor der nächste Gesellschafter auch nur einen Cent sieht. Das schmälert den Erlös für Gründer:innen und frühe Investor:innen – mitunter auch für andere, im Rang nachstehende Investorengruppen – dramatisch.

Participating vs. non-participating

Wenn der Faktor (das Multiple) bzw. damit verbunden die Höhe geklärt ist, regeln weitere Zusätze, wie genau ein Investor am restlichen Erlös beteiligt wird.

So gilt „non-participating“ als die üblichste Variante. Der Investor hat hierbei ein Wahlrecht: Er erhält entweder vorab seine Präferenz, also zum Beispiel sein 1×-Investment, zurück, oder er verzichtet auf diesen Vorabzug und nimmt stattdessen seine reguläre prozentuale Quote am gesamten Erlös. Demgegenüber steht „participating“: Diese investorenfreundliche Variante bezeichnet Mofidian als „Eierlegende Wollmilchsau“ – der Geldgeber bekommt zuerst sein Investment als garantierte Risikoprämie vorab ausbezahlt und partizipiert danach zusätzlich noch entsprechend seiner prozentualen Quote am verbleibenden Erlös-Topf; er wird also faktisch doppelt bedient.

Rangordnung – „Senior“ und „Pari passu“

Aus Sicht eines Investors spielt es zudem eine große Rolle, in welchem Rang seine Liquidationspräferenz eingeordnet wird. „Die Ränge drücken das Rangverhältnis der Liquidationspräferenzen zueinander aus. Nach dem Wasserfallprinzip wird grundsätzlich jeder vorrangige Rang vollständig bedient, bevor Erlöse an den nachfolgenden Rang verteilt werden“, erklärt Mofidian. „Reicht der Erlös auf einem Rang nicht, um alle dort angesiedelten Präferenzansprüche voll zu bedienen, wird typischerweise pro rata verteilt – meist im Verhältnis der jeweiligen Präferenzansprüche. Der genaue Schlüssel ist aber Vertragssache.“

Wird der Liquidationspräferenz eines Investors ein „Senior“-Rang eingeräumt, bedeutet das Vorrang gegenüber den zu diesem Zeitpunkt bestehenden bzw. den vertraglich bezeichneten Liquidationspräferenzen. „‚Senior‘ ist eine relative Rangangabe – man ist immer gegenüber jemandem vorrangig. Soll der oberste Rang gemeint sein, spricht man etwa von ‚most senior‘ oder ‚senior to all other liquidation preferences‘. Maßgeblich ist am Ende ohnehin die Verteilungsreihenfolge der Waterfall-Klausel selbst“, so der Anwalt. Vor später geschaffenen „noch vorrangigeren“ Rängen könne man sich durch einen Zustimmungsvorbehalt schützen; das könne allerdings künftige Finanzierungsrunden erschweren und sei auch unüblich.

Mofidian weiter: „Investor:innen vereinbaren häufig, dass ihre Liquidationspräferenz ‚pari passu‘ mit den Liquidationspräferenzen anderer Investor:innen oder Anteilsklassen rangiert – die betreffenden Präferenzen sind dann gleichrangig, keine wird vor der anderen bedient. Innerhalb derselben Anteilsklasse ist eine ausdrückliche Pari-passu-Regelung häufig nur deklaratorisch, sofern für alle Anteile dieselben Präferenzrechte gelten; sie kann jedoch in einigen Konstellationen auch klarstellende Bedeutung haben. Eine wesentliche Bedeutung entfaltet sie zwischen unterschiedlichen Anteilsklassen oder Finanzierungsrunden: Man kann etwa festlegen, dass die Liquidationspräferenzen einer Series A und einer Series B trotz unterschiedlicher Anteilsklassen auf demselben Rang stehen. ‚Pari passu‘ beschreibt also nicht die Anteilsklasse als solche, sondern das Rangverhältnis der jeweiligen Präferenzen“. Gleichrangigkeit bedeutet dabei nicht zwingend, dass auch die Höhe der Präferenzansprüche, die Multiplikatoren oder die sonstigen Investorenrechte identisch sind.

Die Rangordnung führt in der Praxis oft zu sogenannten Stacked Preferences (gestapelten Präferenzen). Faktisch gesehen kommt es dabei meist zum Prinzip „Last in, first out“: Der späteste Geldgeber (z. B. der Lead-Investor der Series C) sichert sich meist den höchsten Rang und holt sich beim Exit (nach Rückführung von Fremdkapital) als Allererster sein Geld aus dem Topf. Ist seine Präferenz bedient, darf sich die vorherige Series B aus dem verbleibenden Rest bedienen; und so weiter bis hinunter zur Series A. Häufig warten am Ende der Nahrungskette die frühen Seed-Investoren sowie Gründer:innen und Mitarbeiter:innen mit ESOP-Anteilen – ist der Exit-Erlös nicht hoch genug, ist der Topf leer, bevor sie erreicht werden.

„Eine der Schwierigkeiten bei Liquidation Preferences ist die Unschärfe der Begrifflichkeiten“, betont Mofidian an dieser Stelle und erklärt, warum es zu Streitereien unter den Beteiligten kommen könnte. Ein typischer Konfliktherd können Triggerdefinitionen sein: Was ist ein Exit? In einem „frühen“ Vertrag kann ein Exit anders definiert sein als im späteren Beteiligungsvertrag. Dazu kommen Side Letters bzw. in Investitionsdokumenten enthaltene Rechte, bei denen Widersprüche auftreten können. Liquidationspräferenzen können ein sinnvolles Instrument der Risikoverteilung sein – aber es kann zu unangenehmen Überraschungen kommen, weil die Beteiligten nicht jedes Szenario durchdenken und durchrechnen.

Die Schicksalsgemeinschaft der Frühphase

Oliver Holle, CEO des Seed-VCs Speedinvest, sieht die Debatte vor allem für die Frühphase pragmatisch: Dank klarer Standards (1×, non-participating) bilden frühe Kapitalgeber und Gründer:innen hier eine Schicksalsgemeinschaft im Sinne von „engsten Verbündeten“. Dramatisch wird es jedoch bei Wertberichtigungen in späten Runden, wenn sich die Ansprüche durch viel frisches Kapital massiv aufsummieren – die bereits erwähnten Stacked Preferences. Wie das in der Praxis aussieht, veranschaulicht Holle am E-Scooter-Anbieter Tier, dessen Preference-Stack nach mehreren Runden und Mergern auf fast eine Milliarde Euro angewachsen ist: „Das sind sie jetzt doch nicht mehr wert. Das heißt, wir haben das wahrscheinlich schon lange auf null abgeschrieben, und die Gründer auch, weil wir da kein Geld rausholen werden, auch wenn diese Firma für fünf-, sechs- oder siebenhundert Millionen Euro verkauft wird. Das ist also eine Realität, die wir absolut durchlebt haben.“ Und damit ist Speedinvest nicht allein.

Konflikte, Statistiken und eine mögliche Zukunft

Was konkrete Statistiken angeht, gibt es im DACH-Raum kaum belastbare öffentliche Marktdaten. Mofidians subjektiver Praxisbeobachtung nach kommen Liquidationspräferenzen jedoch in fast jedem Deal vor, sind ein von Investoren erwarteter Standard und in ihrer Grundform kaum wegzuverhandeln.

Aufgrund globaler Krisen brauchten viele Startups zuletzt jedoch Bridge-Finanzierungen. Um ihre Bewertungen hochzuhalten („Vanity Valuation“), akzeptierten Gründer:innen oft harte Konditionen. Mofidian kann sich vorstellen, dass es in Zukunft aufgrund dieser Dynamik zu Konflikten kommen könnte: „Aufgrund von Brückenfinanzierungen könnten Liquidationspräferenzen wahrscheinlich jetzt relevanter werden, weil wir jetzt einige Senior-Investoren sehen, die zu sehr guten Terms eingestiegen sind, darunter auch Verkaufsrechte. Wenn du in den letzten Jahren investiert hast, und das zu einer vermeintlich guten Bewertung, mit starken Terms, und dir viele Rechte geholt hast, jetzt aber daran zweifelst, dass eine neue Runde zu einer höheren Bewertung realistisch ist, dann pushst du möglicherweise in den Exit. Und das machst du wahrscheinlich nur, weil du eine Liquidationspräferenz, vielleicht sogar mit einem ‚Über-Eins-Faktor‘, hast“, zeichnet Mofidian eine mögliche Zukunft für die heimische Szene. „Ich kann mir vorstellen, dass die Logik, die Liquidationspräferenzen und anderen damit funktionell verbundenen Terms zugrunde liegt, dazu führt, dass der eine oder andere Investor sagt: ‚Ich nutze jetzt meine vertraglichen Möglichkeiten, dränge auf den Exit und hole mir lieber mein Investment 1,5-fach plus ein bisschen extra vom verbleibenden Erlöstopf. Das macht mehr Sinn, als nur darauf zu hoffen, dass es noch eine Runde zu einer viel höheren Bewertung gibt – und selbst wenn sich das so großartig entwickelt, was nicht sicher ist, steht der nächste Investor vermutlich nach dem Last-in-first-out-Prinzip mit seiner Präferenz wieder vor mir.‘“

Der Anwalt ergänzt: „‚Drängen‘ heißt in diesem Kontext: Wenn dieser Investor – etwa in Kombination mit anderen Investoren – starke Drag-Along-Rechte hat, kann er den Verkauf auch gegen den Willen der Founder rechtlich erzwingen.“ Dies gelte selbst dann, wenn die Founder die Bewertung als zu niedrig empfänden und aufgrund der Liquidation Preference leer ausgingen.

Trotz dieser Konsequenzen betont Mofidian nachdrücklich, dass man das Thema auch aus der Investorenperspektive betrachten muss: Die Liquidationspräferenz sei per se nichts Böses und in der Praxis völlig in Ordnung, wenn man sie korrekt verwendet. „Man muss diese Klauseln verstehen, durchrechnen und verschiedene Szenarien durchspielen, damit böse Überraschungen ausbleiben“, sagt der Jurist.

Secondaries als mögliches Instrument

Für Gründer gilt laut dem Experten eine wichtige Regel: Man sollte sich niemals nur auf eine möglichst hohe Firmenbewertung fixieren, wenn die Vorzugsrechte der Investoren im Gegenzug gefährlich stark ausgeprägt sind. Mofidian rät, das Term-Sheet stets als bewegliches Gesamtsystem zu betrachten.

Anstatt Deals aus reiner Angst vor einem Null-Ausstieg kategorisch platzen zu lassen, empfiehlt der Anwalt, allenfalls ungünstigere Liquidationspräferenzen durch andere Mechanismen auszugleichen. Dazu zählen klug verhandelte Drag-Along- und Tag-Along-Rechte. Wenn der Druck allerdings über die Jahre extrem hoch wird, seien Secondaries ein mögliches Tool: Durch den vorzeitigen Verkauf eines kleinen Teils der eigenen Anteile an spätere Investoren könnten Gründer bereits auf dem Weg zum Exit etwas Geld auf dem Privatkonto sichern.

„Das ist jedoch nicht gern gesehen und auch in Österreich oder im DACH-Raum relativ unüblich, aber es passiert“, sagt Mofidian. „Nach ein paar Jahren Arbeit kann man in so einem Fall sagen: ‚Ich habe eine ordentliche Netto-Summe auf meinem Konto. Das erlaubt mir zumindest, mit freiem Kopf weiter an meiner Vision zu bauen.‘“

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

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

AI Kontextualisierung

Welche gesellschaftspolitischen Auswirkungen hat der Inhalt dieses Artikels?

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

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

AI Kontextualisierung

Welche wirtschaftlichen Auswirkungen hat der Inhalt dieses Artikels?

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

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

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 …

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

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 …

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

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 …

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

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 …

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

AI Kontextualisierung

Wer sind die relevantesten Personen in diesem Artikel?

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

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz

AI Kontextualisierung

Wer sind die relevantesten Organisationen in diesem Artikel?

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

Verstehen, Fühlen, Handeln – Die Grundlagen künstlicher Intelligenz