Etwa zwei Jahre lang war der schnellste Weg, Geld in KI zu sammeln, eine nette Oberfläche auf das Modell von jemand anderem zu setzen.
Man konnte es in sechs Wochen bauen. Die Demo sah aus wie Magie. Investoren waren verzweifelt auf der Suche nach irgendetwas, irgendetwas mit KI im Pitch-Deck. Ganze Seed-Runden wurden für Produkte abgeschlossen, die im Grunde nur ein Textfeld waren, das eine Anfrage an eine API weiterleitete.
Dieses Fenster hat sich geschlossen. Nicht, weil KI weniger interessant geworden ist, sondern weil der Markt gelernt hat, zwischen einem Unternehmen und einem Feature zu unterscheiden.
Wir verbringen unsere Tage bei Sandborn zwischen zwei Stühlen: Wir coachen Gründer auf der einen Seite und prüfen Investitionen auf der anderen. Von beiden Stühlen aus ist der gleiche Wandel sichtbar. Hier ist also, wohin sich unserer Meinung nach der Wert verlagert und was wir jetzt von Gründern wissen wollen, bevor wir Interesse zeigen.
Was ein Wrapper eigentlich ist
Ein Wrapper ist ein Produkt, dessen Kernfunktionalität jemand anderem gehört. Sie mieten ein Modell von OpenAI, Anthropic, Mistral oder wem auch immer, verpacken es in eine saubere Oberfläche mit gut durchdachten Anweisungen und verkaufen den Zugang.
Um es klar zu sagen: Das ist nicht dumm. Es war der richtige Schritt im Jahr 2024. Distribution und Oberfläche sind wirklich wichtig, und die Vorreiter, die verstanden haben, was diese Modelle leisten können, haben echte Nutzer gewonnen, während alle anderen noch interne Memos über KI-Strategien schrieben.
Aber eine gemietete Fähigkeit hat drei Probleme, die alle gleichzeitig auftreten.
Sie haben nichts zu verteidigen. Wenn Ihr Produkt im Wesentlichen ein sehr guter Prompt ist, kann ein Konkurrent es in einem Monat nachbauen. Es gibt keinen kumulativen Vorteil. Jeden Morgen fangen Sie bei Null an, gegen jeden, der beschließt, einzusteigen.
Die Plattform frisst Sie auf. Das ist die harte Wahrheit. Ein Startup baut ein Tool, mit dem man seine PDFs abfragen kann. Sechs Monate später liefert der Modellanbieter das nativ und kostenlos an zweihundert Millionen Nutzer aus. Das Startup war nie ein Unternehmen. Es war ein Feature, um das sich die Plattform noch nicht gekümmert hatte.
Ihre Margen gehören jemand anderem. Sie zahlen pro Anfrage und leben von der Differenz. Wenn Ihr Lieferant die Preise ändert, ändert sich Ihr Geschäftsmodell damit, und niemand fragt nach Ihrer Meinung. Das ist kein Unternehmen, das ist ein Wiederverkäufervertrag mit zusätzlichen Schritten.
Was wir stattdessen betrachten
Die Startups, die jetzt unsere Aufmerksamkeit erregen, haben eines gemeinsam: Die KI muss den Browser verlassen.
Das meinen wir wörtlich und im übertragenen Sinne.
Wörtlich: Anwendungen, die offline laufen, am Edge, in einer Maschine, in einem Labor, in einer Fabrik, in einem Fahrzeug. Dort, wo Sie nicht einfach eine API anrufen können, weil es keine zuverlässige Verbindung gibt, weil Latenz wichtig ist, weil die Daten rechtlich das Gebäude nicht verlassen dürfen oder weil das Ding, das Sie steuern, sich schneller bewegt als eine Hin- und Her-Reise zu einem Rechenzentrum. Edge Computing ist hier kein Buzzword, es ist eine Einschränkung, die alle aussortiert, die es nicht ernst meinen.
Übertragen: Das Schwierige ist nicht das Modell, es ist die Domäne. Die Daten, die sonst niemand hat. Der Prozess, den niemand außerhalb der Branche versteht. Die Regulierung, die alle anderen zu langweilig finden, um sie zu lernen.
Wenn Ihr Burggraben das Modell ist, haben Sie keinen Burggraben. Wenn Ihr Burggraben die Domäne ist, ist das Modell nur die Rohrleitung.
Dies ist eine weniger glamouröse Art von Unternehmen. Es dauert länger, sie aufzubauen. Die Verkaufszyklen sind langsamer, denn Krankenhäuser, Hersteller und Versicherer kaufen nicht an einem Dienstagnachmittag nach einer Demo. Fundraising erfordert mehr Erklärung.
Es ist auch viel schwerer zu kopieren. Das ist der ganze Punkt.
Die Forschungsseite sagt dasselbe
Dies ist nicht nur eine Sichtweise vom Investorenstuhl aus. Isabelle war letzten Monat in Barcelona auf dem Panel für KI-gesteuerte Innovation beim Workshop on Multimodal Foundation Models: From Research to Innovation, veranstaltet vom Computer Vision Center, an der Seite von Jordina Torrents Bardina und Lukas Fischer von NXAI, und ein Großteil dieser Diskussion drehte sich um dieselbe Lücke.
Europa veröffentlicht einige der besten KI-Forschungsergebnisse der Welt. Diese in Unternehmen zu verwandeln, die von hier aus skalieren, ist der schwierige Teil. Und die Technologie ist nicht mehr der Engpass: Multimodale Modelle, die über Text, Bilder, Videos und Sensoren hinweg denken, bewegen sich bereits aus Papieren in Produkte, von der medizinischen Bildgebung bis zur Robotik, und sie laufen zunehmend am Edge.
Eines, das man von diesem Panel mitnehmen sollte, weil es einer gängigen Annahme widerspricht: Es gibt keinen sauberen Moment, in dem man aufhört zu forschen und anfängt zu bauen. Im Deep Tech betreiben die stärksten Unternehmungen weiterhin ernsthafte Forschung innerhalb des Unternehmens. Was das Ergebnis entscheidet, ist die Schnittstelle zwischen beidem und ob man tatsächlich ausführt.
Ein Beispiel: Vale Biolabs
Vale Biolabs in Schlieren ist eine gute Illustration des Musters.
Die Arzneimittelforschung stützt sich immer noch stark auf Tiermodelle und Endpunkt-Assays, die das menschliche Ansprechen schlecht vorhersagen. Das ist ein bekanntes und teures Problem, denn Misserfolge zeigen sich spät, in klinischen Studien, nachdem das Geld ausgegeben wurde.
Vale Biolabs baut eine Hochdurchsatz-Organoid-Datenplattform, die das Zeitreihen-Phänotyping automatisiert. Einfach gesagt: Sie züchten menschliche Gewebemodelle, beobachten sie im Laufe der Zeit auf automatisierte Weise und verwandeln das, was passiert, in strukturierte Daten, auf die man tatsächlich reagieren kann.
Achten Sie darauf, wo die KI sitzt. Sie ist nicht das Produkt. Sie ist das, was das Datenvolumen nutzbar macht.
Schauen Sie sich jetzt das Team an, denn hier liegt tatsächlich die Verteidigungsfähigkeit. Ilaria Incaviglia, Mitgründerin und CEO, hat einen Doktortitel in Biophysik von der ETH und Harvard und verbrachte drei Jahre im Risikokapital für Frühphasen-Unternehmen. Shenchen Wang, Mitgründer und CTO, kam aus dem Software-Engineering bei Meta und gründet sein zweites Unternehmen in der Laborautomation. Angeliki Damilou, Gründungs-Wissenschaftlerin, ist Postdoc-Stipendiatin an der Harvard Medical School mit einem Doktortitel in Entwicklungsneurowissenschaften von der UZH.
Organoid-Biologie, Laborautomation, Datentechnik und ein Verständnis dafür, wie Investoren denken – alles in einem Raum. Das ist keine Kombination, die man an einem Wochenende zusammenstellt, egal welches Modell man zur Verfügung hat. Es ist auch eine nützliche Erinnerung daran, dass im Deep Tech die Teamzusammensetzung oft der Burggraben ist.
Sie wurden im April 2026 gegründet und werden von Venture Kick unterstützt. Sie werden auch von einer weiblichen CEO geleitet, was im Deep Tech immer noch seltener ist, als es sein sollte, und ein Teil des Grundes, warum wir aufmerksam werden.
Die vier Fragen, die wir jetzt stellen
Wenn Sie im Bereich KI aufbauen und wissen wollen, wie wir auf Ihr Unternehmen schauen werden, läuft es ungefähr darauf hinaus:
1. Was wissen Sie, was niemand außerhalb Ihrer Branche weiß? Nicht, was Ihr Modell kann. Was Sie über einen spezifischen, chaotischen, realen Prozess verstehen, für dessen Erlernen Sie Jahre gebraucht haben.
2. Was passiert mit Ihnen, wenn die Modellanbieter Ihr Feature im nächsten Quartal ausliefern? Wenn die ehrliche Antwort lautet „Wir sind am Ende“, dann ist das das Gespräch. Besser, es jetzt zu führen als in Ihrer Series A.
3. Woher kommen Ihre Daten und werden sie besser, wenn Sie wachsen? Öffentliche Daten sind kein Vorteil, jeder hat sie. Daten, die Ihre Kunden durch die Nutzung Ihres Dienstes generieren, sind etwas ganz anderes.
4. Warum muss das dort laufen, wo es läuft? Wenn die Antwort „offline, auf dem Gerät, innerhalb einer regulierten Umgebung oder unter einer Latenzeinschränkung“ lautet, ist das normalerweise der Punkt, an dem die echte Technik und die echte Verteidigungsfähigkeit liegen.
Was das nicht bedeutet
Dies ist eine These, kein Naturgesetz. Manche Unternehmen begannen als „Thin Wrapper“ und entwickelten sich durch Vertrieb, Marke oder Daten, die sie im Laufe der Zeit sammelten, zu bedeutenden Unternehmen. Schnittstellen und Markteinführungsstrategien sind echte Vorteile, und sie gänzlich abzutun, zeugt von einer ganz eigenen Art von Naivität.
Und „langweilige Branche plus KI“ ist auch nicht automatisch ein gutes Geschäft. Viele Gründer haben sich eine schwierige Branche ausgesucht, sich gründlich darin eingearbeitet und dennoch etwas aufgebaut, für das niemand bezahlen wollte.
Der Punkt ist enger gefasst, als es klingt: Das Modell ist nicht mehr das Unterscheidungsmerkmal, da jeder Zugang zu ungefähr denselben Modellen hat. Was auch immer euch schwer ersetzbar macht, muss von woanders herkommen. Findet das zuerst heraus, dann entscheidet, welches Modell ihr verwendet.