LONDON / LONDON (IT BOLTWISE) – Der frühere Safe Sign Technologies-Chef Alexander Kardos-Nyheim beschreibt, warum Investoren bei KI-Startups oft zu eng auf Produkt und Traction blicken. Er ordnet die überraschend frühe Übernahme durch Thomson Reuters ein und argumentiert, dass wissenschaftliche Grundlagen erst später im Markt sichtbar werden. Gleichzeitig warnt er Gründer davor, sich zu stark an den „Wrappern“ großer KI-Anbieter zu orientieren, und fordert Teams, die an Modellen und Systemen arbeiten. Das zentrale Signal: Wer die Kosten, Geschwindigkeit, Zuverlässigkeit und Interpretierbarkeit von KI verbessert, schafft den dauerhaften Hebel für künftige Plattformen.
Alexander Kardos-Nyheim hat Safe Sign Technologies verkauft, noch bevor das Startup nennenswerte Umsätze vorweisen konnte. Der Blick auf diese Episode wirkt heute wie ein Lehrstück dafür, wie KI-Gründungen in unterschiedlichen Reifegraden bewertet werden: Während klassische Software-Investoren primär nach Produktreife und klarer Nutzerbasis fragen, konnte Thomson Reuters das Team offenbar vor allem wegen des wissenschaftlichen Kerns überzeugen. Dass dies in der 170-jährigen Unternehmensgeschichte das erste pre-revenue Investment war, ist mehr als eine Randnotiz. Es verdeutlicht, wie stark sich die Bewertungslogik im KI-Zeitalter verschiebt, sobald Deep-Tech-Fähigkeiten als strategischer Engpass gelten.
Technisch beschreibt Kardos-Nyheim den Weg dahin als anspruchsvoll, obwohl die Forschungsergebnisse bereits früh „mit der Weltspitze“ vergleichbar waren. Insbesondere hebt er hervor, dass das Modell für Rechtslogik in Paper-Form überzeugte und dass die Trainingskosten im Verhältnis zu großen Laboren deutlich geringer ausfielen. Für Anleger ist diese Art von Effizienz oft schwerer greifbar, weil sie selten sofort in Dashboards, Retention-Kurven oder messbare Produktmetriken übersetzt wird. Genau hier liegt der Kernkonflikt: Die wissenschaftliche Validierung ist zwar ein Indikator für Potenzial, aber Investoren sehen den Nutzen häufig erst dann, wenn ein System belastbar in einen Produkt-Workflow eingebunden ist.
Der Markttrend, den Kardos-Nyheim in die Gegenwart hineinliest, ist dennoch klar: Für das erste Quartal 2026 werden laut Marktdaten rund 178 Milliarden US-Dollar für „foundational AI“-Startups genannt. Gleichzeitig konzentriert sich das Kapital laut der Darstellung stark auf wenige Anbieter, die bereits als Infrastrukturhalter oder Modellanbieter auftreten: OpenAI, Anthropic und xAI sollen zusammen etwa 97% absorbiert haben. Für einen Deep-Tech-Gründer entsteht dadurch eine verlockende, aber riskante Schlussfolgerung: Der Wettbewerb könnte als „entschieden“ wirken, wodurch sich die Strategie auf das Bauen oberhalb dieser Plattformen verengt. Kardos-Nyheim widerspricht und beschreibt, warum genau diese Lesart die langfristig relevanten Risiken ignorieren kann.
Aus Unternehmenssicht ist die Argumentation nachvollziehbar. Application-Layer-Unternehmen konkurrieren häufig in Kategorien, die von den Upstream-Playern jederzeit selbst adressiert werden können, etwa über neue Pricing-Modelle, bessere Zugriffsoptionen oder integrierte Funktionen. Damit sinkt der sichere Spielraum für differenzierte Wertschöpfung, weil die Kosten- und Leistungsobergrenzen außerhalb der eigenen Kontrolle liegen. Dem stellt er eine „untere Ebene“ gegenüber: Dort bleiben zentrale Systemfragen wie Kosten, Latenz, Zuverlässigkeit, Interpretierbarkeit und Sicherheit echte Forschungs- und Engineering-Herausforderungen. Ein technischer Vergleich hilft hier: Während Cloud-Setups und API-Layer schnell iterieren, sind echte Fortschritte in Training Efficiency, Architektur und Inferenzkosten oft der langsamere, aber entscheidende Teil.
Auch Wettbewerbsstrategien großer Labs lassen sich historisch einordnen. DeepMind und OpenAI wurden zunächst als Forschungsinitiativen sichtbar, ohne dass ein klarer Produktkanal im Vordergrund stand; in der Frühphase war ihr Nutzen für „konventionelle“ Software-Investoren schwerer zu bewerten. Kardos-Nyheim greift genau diesen Punkt auf und formuliert sinngemäß eine harte These: Deep-Tech-Teams wirken oft in frühen Finanzierungsrunden unattraktiv, werden aber später als unverzichtbar wahrgenommen. Wie Branchenbeobachter in diesem Zusammenhang diskutieren, unterschätzen viele Märkte die Zeitspanne, bis Fähigkeiten aus dem Labor in robuste Produkt-Slots überführt werden. Seine eigene Investmentlogik sucht daher „wissenschaftliche Fundamentarbeit“, statt kurzfristig nur die Quartalspläne eines Wrapper-Produkts zu optimieren.
Damit verknüpft er konkrete Fragen an Gründer, die wie ein Due-Diligence-Check aussehen, aber inhaltlich auf Architektur- und Teamkompetenz abzielen. Zentral ist für ihn, ob die technische Mannschaft auf Augenhöhe mit Spitzenforschungsteams wie DeepMind liegt und ob das Problem im Modell- und Systemdesign sitzt oder lediglich eine zusätzliche Schicht auf fremden Komponenten ist. Außerdem fragt er, ob das „Produkt“ in fünf Jahren schwerer entbehrlich wird oder lediglich heute funktioniert, weil es günstige Marktfenster ausnutzt. Aus Regulatory- und Security-Perspektive ist diese Ausrichtung besonders relevant: Wer die Systemlogik und Datenflüsse tiefer versteht, kann eher nachvollziehbar Maßnahmen gegen Fehlverhalten, Leakage und unerwünschte Outputs implementieren, was in regulierten Branchen wie Legal Tech, Finanzen oder Healthcare zunehmend zur Pflicht wird. Insgesamt fordert Kardos-Nyheim eine Strategie, die den Markttrend nicht nur ausnutzt, sondern Voraussetzungen schafft, die alle späteren Anwendungen brauchen.
Für die Zukunft lassen sich daraus mehrere Implikationen ableiten. Erstens wird die Deep-Tech-Kapitalallokation zwar weiterhin zäh sein und sich zunächst auf bekannte Namen stützen, aber entscheidende Fortschritte in Effizienz und Sicherheit werden schließlich Märkte verschieben—und dann kommt oft genau die „unfashionable“ Forschungslücke in den Fokus. Zweitens profitieren Entwickler- und Enterprise-Teams stärker von Systemen, die messbar niedrigere Inferenzkosten, reproduzierbare Ergebnisse und bessere Interpretierbarkeit liefern, statt nur auf funktionierende Oberfläche zu setzen. Drittens zeigt die Safe-Sign-Episode, dass ein strategischer Käufer wie Thomson Reuters nicht zwingend auf sofortige Umsatzreife besteht, wenn der wissenschaftliche Kern die langfristige Produkt-Roadmap beschleunigt. Der Ausblick ist damit weniger ein Wettrennen um Sichtbarkeit, sondern ein Wettbewerb um die Grundlagen, auf denen die nächsten Generationen von KI-Anwendungen wirtschaftlich tragfähig werden.
💳 Amazon-Kreditkarte mit 2.000 Euro Limit bestellen!
🔥 Heutige Hot Deals bei Amazon: Bis zu 80% Rabatte!
🎉 Amazon Haul-Store für absolute Schnäppchenjäger!
- ★ 23-stufiges KI-Go-Training – Für Spieler mit Grundkenntnissen der Regeln – Entwickelt als intelligenter Trainingspartner passt sich die KI Spielern von 18K bis 9D an. Ideal für alle, die die Grundregeln bereits beherrschen und ihr Spiel verbessern möchten.
- IHR EMOTIONALER AI-BEGLEITER: Eiliko ist mehr als nur ein Anhänger, es ist ein charismatischer KI-Freund. Mit einem dynamischen LED-Bildschirm, der eine Vielzahl von animierten Gesichtern und Ausdrucksformen anzeigt, reagiert er auf Ihre Interaktionen mit einzigartiger Persönlichkeit und Charme.
- NIEDLICHER BEGLEITER: Eilik ist der ideale Begleiter für Kinder und Erwachsene, die Haustiere, Spiele und intelligente Roboter lieben. Mit vielen Emotionen, Bewegungen und interaktiven Funktionen.
- 【XL-Größe für gedeihende Pflanzen】Geben Sie Ihren Pflanzen den Raum, den sie verdienen! Unser verbessertes, großes 13,7 cm großes Design bietet Platz für Pflanzen mit einem Durchmesser von bis zu 8,9 cm und damit deutlich mehr Platz für Wurzelwachstum und Pflanzengesundheit im Vergleich zu kleineren, veralteten Modellen. Die Produktabmessungen betragen 13,6 x 13,6 x 13,2 cm und das Gerät wiegt nur 355 g.
- V28 Update - JETZT MIT NEUEN FUNKTIONEN! Als Reaktion auf das Ladeproblem von Loona haben wir das automatische Aufladen 2.0 verbessert. Diese Optimierung hilft Loona, die Ladewege in verschiedenen Szenarien zu erkennen und anzupassen, um die Erfolgsquote beim automatischen Aufladen zu erhöhen. Mobile Hotspots können sich mit Loona verbinden und überwinden WLAN-Einschränkungen, sodass Sie jederzeit und überall mit Loona interagieren können.
- Die besten Bücher rund um KI & Robotik!
- Die besten KI-News kostenlos per eMail erhalten!
- Zur Startseite von IT BOLTWISE® für aktuelle KI-News!
- IT BOLTWISE® kostenlos auf Patreon unterstützen!
- Aktuelle KI-Jobs auf StepStone finden und bewerben!
- Künstliche Intelligenz: Dem Menschen überlegen – wie KI uns rettet und bedroht | Der Neurowissenschaftler, Psychiater und SPIEGEL-Bestsellerautor von »Digitale Demenz«
Du hast einen wertvollen Beitrag oder Kommentar zum Artikel "Wenn KI-Startups vor Umsatz verkaufen: Warum Deep-Tech zählt" für unsere Leser?
#Sophos
#AmazonPrime
#Bestseller
Es werden alle Kommentare moderiert!
Für eine offene Diskussion behalten wir uns vor, jeden Kommentar zu löschen, der nicht direkt auf das Thema abzielt oder nur den Zweck hat, Leser oder Autoren herabzuwürdigen.
Wir möchten, dass respektvoll miteinander kommuniziert wird, so als ob die Diskussion mit real anwesenden Personen geführt wird. Dies machen wir für den Großteil unserer Leser, der sachlich und konstruktiv über ein Thema sprechen möchte.
Du willst nichts verpassen?
Du möchtest über ähnliche News und Beiträge wie "Wenn KI-Startups vor Umsatz verkaufen: Warum Deep-Tech zählt" informiert werden? Neben der E-Mail-Benachrichtigung habt ihr auch die Möglichkeit, den Feed dieses Beitrags zu abonnieren. Wer natürlich alles lesen möchte, der sollte den RSS-Hauptfeed oder IT BOLTWISE® bei Google News wie auch bei Bing News abonnieren.
Nutze die Google-Suchmaschine für eine weitere Themenrecherche: »Wenn KI-Startups vor Umsatz verkaufen: Warum Deep-Tech zählt« bei Google Deutschland suchen, bei Bing oder Google News!