9 min read · 15 sources

Investmentkomitees stoßen bei KI-Startups an eine Wand, und die Zahlen erklären endlich, warum. KI hat es einem Gründer-Investor zufolge 10-mal leichter gemacht, ein Unternehmen mit $10M ARR aufzubauen - aber nicht 10-mal leichter, eines im Wert von $1B zu schaffen. Cartas Daten zeigen, warum: Nur 15,4 % der Seed-Unternehmen aus Q1 2022 erreichten innerhalb von zwei Jahren eine Series A, verglichen mit 30,6 % bei den Jahrgängen von 2018.

Das Ergebnis ist das, was ein Seed- und Series-A-Investor bei FPV Ventures als „das neue Tal" bezeichnet - die $5M bis $25M ARR-Stagnationszone, in der KI-Unternehmen mit großartigen Umsatzkurven, aber ohne Differenzierung ins Stocken geraten. Jedes virale Produkt hat innerhalb von Wochen Nachahmer, und Investoren können nicht erkennen, wer wirklich etwas Dauerhaftes aufbaut. Es geht nicht darum, dass der Umsatz nicht real wäre; es geht darum, dass „warum jetzt" schlicht KI selbst ist - und das ist kein Burggraben.

Ein Seed- und Series-A-Investor bezeichnet die Stagnationszone als das neue Tal: $5M bis $25M ARR, wo 15,4 % der Seed-Unternehmen sterben.

Das neue Tal: Warum $5M-$25M ARR zum Stillstand führt

Die These ist unangenehm, weil der Umsatz real ist. Cartas Zahlen zeigen, dass die Series-A-Konversion für Seed-Unternehmen zwischen 2018 und Q1 2022 nahezu halbiert wurde, und der KI-Boom verschärfte dies, indem er den Markt mit ähnlichen Produkten überschwemmte. Investoren pausieren wöchentlich bei Unternehmen mit großartigen Umsatzkurven, um zu fragen, was wirklich einzigartig ist - und die meisten können keine Antwort geben.

Die vier Auswege laut dem FPV-Investor: Talent-M&A und „Seed-Strapping", kleine Finanzierungsrunden, schnelle Profitabilität und 80 % des Unternehmens behalten. Was auffällt - kein Pfad beinhaltet, Konkurrenten mit demselben Playbook zu übertreffen. Die Schwierigkeit ist dem Risikokapital-Job inhärent: zu erkennen, ob ein Startup über seinen anfänglichen Nischenmarkt hinauswachsen kann, bevor es der Markt tut.

Der Strick, das Pferd oder das Heu: Kategorie wählen oder untergehen

Source: queener.substack.com ↗

Es gibt drei Wege, in KI Geld zu verdienen, und die Strategien sind nahezu umgekehrt. Das Pferd ist das Foundation Model; der Strick ist die Application Layer; das Heu ist alles, was das Modell und der Strick brauchen, um im großen Maßstab gesund zu bleiben.

Der vollständige Essay argumentiert, dass die meisten Startups nicht das Pferd bauen sollten - die Kapital- und Compute-Anforderungen sind für alle außer einer Handvoll tödlich. Der Playbook, der für ein Strick-Unternehmen funktioniert (schnell bewegen, UX besitzen, Features durchpeitschen), ist falsch für ein Heu-Unternehmen (Zuverlässigkeit, SLAs, langweilige Infrastruktur). Eine Kategorie-Strategie auf eine andere anzuwenden, ist, wie Gründer Kapital und Glaubwürdigkeit verbrennen. Das Pferd ist mächtig, aber unberechenbar; es erfordert erfahrene Reiter, und die meisten Teams haben nicht genügend Erfahrung, um es zu kontrollieren.

Der neue Einstellungsfilter: Herkunft stirbt, Urteilsvermögen gewinnt

Source: iconiq.com ↗

Iconiq Growths Bericht zum Thema KI-Einstellungen macht eine Behauptung, die jeden Hiring Manager beunruhigen sollte: Traditionelle Signale wie Jahre an Erfahrung und angesehene Arbeitgeber werden weniger prädiktiv für Erfolg. KI senkte die Kosten für Execution, also ist der Differenziator nun Urteilsvermögen - Lerngeschwindigkeit und die Fähigkeit, in unbekannten Situationen zu operieren.

Der Bericht rät Gründern, für die größte Unsicherheit des Unternehmens einzustellen und Fähigkeitsnachweise über Herkunft zu stellen. Das ist keine feel-good-Verschiebung; es ist eine Antwort auf KI, das die Execution-Lücke zwischen einem 5-Jahres-Veteran und einem scharfen Neuling komprimiert. Wenn ChatGPT das Boilerplate schreiben kann, ist die Prämie auf Menschen, die wissen, was zu bauen ist und wann. Der Vorbehalt ist, dass Herkunft immer noch zählt - aber sie wird zur Untergrenze statt zur Obergrenze. Und der Bericht gibt zu, dass die Evidenz dafür, was sie ersetzt, noch entsteht.

Das Unternehmen lebt nicht im LLM

Source: hoeijmakers.net ↗

Ein scharfer technischer Essay beschreibt einen Fehlermodus, der häufiger werden wird: Das Wissen eines KI-lastigen Unternehmens wurde in LLMs eingebettet, was die Aufsicht verringerte. Die Lösung war, dauerhaftes Organisationswissen in explizite Domänen zu extrahieren, oft unter Verwendung von Git, damit Wissen der Organisation gehört und nicht einem bestimmten Modell.

Das Prinzip: Deterministische Systeme etablieren Kontext; LLMs schlussfolgern über diesen Kontext. Modelle sollten niemals etablieren, ob etwas passiert ist oder was der aktuelle Zustand eines Systems ist. Systeme sollten diese Informationen in ein Kontextdokument zusammenstellen, und Modelle sollten interpretieren, verbinden, schlussfolgern und synthetisieren. Das ist der Unterschied zwischen einem Unternehmen, dessen Wissen in einem Prompt-Cache gefangen ist, und einem, das Modelle tauschen kann, ohne sein operatives Gedächtnis zu verlieren. Wenn Ihr Wissen nur im Modell lebt, besitzen Sie Ihr Unternehmen nicht.

Citation Share ist noch keine Metrik

Source: agenticlandmark.com ↗

Die Citation-Share-Debatte bekam die Zahlen, die sie verdiente - und sie sind verheerend. Eine McKinsey-Studie zeigt, dass markengebundene Sites 1 - 2 % der LLM-Citations insgesamt ausmachen - aber diese Zahl variiert dreifach (3 - 10 %) je nach Plattform. ChatGPT, Gemini und Perplexity produzieren völlig unterschiedliche Zahlen, also geben zwei Monitoring-Tools völlig unterschiedliche Antworten.

Das Argument: Die Discovery Layer bekommt die ganze Aufmerksamkeit und das Budget, aber ihre Zahlen sind umstritten, werden von interessierten Parteien produziert und sind über Instrumente hinweg instabil. Die Infrastructure Layer - ob Agents überhaupt mit Ihnen transagieren können - gibt einen sauberen Bestanden/Nicht bestanden bei jeder Prüfung zurück. Wenn Sie eine Strategie um Citation Share aufbauen, bauen Sie auf einer Zahl, die sich bewegt, je nachdem, welches Tool Sie zur Messung verwenden. Der knappe Schluss des Artikels: Infrastructure ist das, was Sie transagiert bekommt.

„Ich kündige": Ein CFO-Playbook zum Killen Ihrer SaaS-Verlängerung

Source: onlycfo.io ↗

Das ist die Person auf der anderen Seite Ihres Verlängerungstermins, die aufschlüsselt, wie sie entscheidet zu kündigen. Ein aktiver CFO listet auf, was er streicht und warum: ein Workflow-Tool, das ihm das Doppelte dessen in Rechnung stellte, was er für Claude zahlt, und eine $50K-pro-Jahr-Point-Lösung, deren Funktion ein größerer Vendor nun kostenlos bündelt. Sein Playbook ist, Verlängerungsgespräche vier oder mehr Monate früh zu beginnen und 30 - 60 Minuten damit zu verbringen, Alternativen zu demonstrieren, um Verhandlungsmacht aufzubauen.

Der Hintergrund verschlechtert die Situation: Der Bessemer Cloud Index ist in sechs Monaten um 55 % gestiegen - so hoch wie seit Anfang 2022 nicht mehr. SaaS erholt sich, aber CFOs drücken hart bei Preisen und Wert. Erhöhte KI-Ausgaben drücken Budgets, und der von Tools wie Claude gesetzte Benchmark setzt die PreisErwartungen aller zurück. Wenn Ihr Produkt durch einen Prompt und einen API-Key zu einem Zehntel des Preises ersetzt werden kann, sind Sie kein SaaS-Unternehmen; Sie sind ein Feature, das noch nicht gebündelt wurde.

Die Player-Coach-Rolle bricht

Source: newsletter.eng-leadership.com ↗

Linears Bericht zu KI-Nutzung in Softwareteams hat eine Zahl, die die Burnout-Epidemie erklärt: Teams, die Coding Agents nutzen, eröffnen 6-mal so viele Pull Requests wie traditionelle Teams und 3-mal so viele wie noch 2024. Der Review-Load steigt schneller als jedermanns Modell des Jobs, und er trifft Engineering Manager und Tech Leads am härtesten - Menschen, die gleichzeitig Code schreiben und führen sollen.

Manager sehen bereits nur etwa 40 % dessen, was ein Bericht an einem Tag tut. KI sollte den „Player"-Teil erleichtern, aber es macht ihn tatsächlich schwerer, weil es Komplexität und Review-Belastung hinzufügt. Das Argument des Artikels, dass diese doppelte Erwartung unhaltbar ist, liest sich wie ein Hilferuf, und die Daten bestätigen es. Wenn Sie einen Player-Coach haben, brauchen Sie einen Plan für diese Person, der nicht von unendlicher Kapazität ausgeht.

WorkOS Relay: Credentials berühren den Agenten nie

Source: workos.com ↗

WorkOS Relay löst ein Problem, vor dem jeder paranoid sein sollte, der KI-Agenten betreibt: Bearer Credentials im Agent-Kontext sind das Ziel von Prompt-Injection-Angriffen. Relay proxied die API-Aufrufe eines Agenten an Drittanbieter und injiziert Credentials an der Grenze, sodass der Agent nie ein Token hält, das er leaken könnte.

Das Design ist elegant - das Credential ist nicht im Kontext, also kann keine noch so große Prompt Injection es exfiltrieren. Anfragen werden durch WorkOS proxied, wo Credentials basierend auf User- und Organizationskontext getauscht werden. Es befindet sich in Early Access und erfordert, den Support zu kontaktieren - ein Zeichen, dass die Credential-Tausch-Logik noch gehärtet wird. Für jeden, der Agents baut, die APIs Dritter im Auftrag von Usern aufrufen, ist dies das Pattern, das es zu beobachten gilt.

Cloudflares Adaptive Intelligence: Bot-Angriffe nicht mehr wert, sie auszuführen

Source: blog.cloudflare.com ↗

Cloudflares neue Bot-Detection-Engine definiert das Problem ehrlich neu: Entschlossene Angreifer werden immer einen Weg finden, also ist das Ziel, es nicht mehr wert zu machen, ihn zu gehen. Die Engine analysiert über eine Billion Anfragen täglich und passt sich an wechselnde Taktiken an, sodass nichts, was Angreifer lernen, bestehen bleibt. Jeder neue Versuch kostet mehr als der letzte.

Der Schlüssel-Shift ist, Detection als statistisches Urteil über viele Signale zu behandeln, statt als deterministische Logik, die ein Angreifer isolieren und schlagen kann. Sie erkennt Bots, ohne sichtbar auf sie zu reagieren, sodass Bots nicht aus der Antwort lernen können. Das unterminiert die Ökonomie von Bot-Angriffen - wenn jeder Versuch teurer und weniger effektiv wird, hört die Kampagne auf, profitabel zu sein. Das ist eine bessere Metrik als die Block-Rate.

Warum mehr KI-Agenten Ihr Team verlangsamen

Source: blog.mempko.com ↗

Max Mempko hat tatsächliche Daten, die das „mehr Agenten = mehr Output"-Lager nicht hören will. Der Übergang von 4 auf 8 Agenten reduzierte seinen Output von 70k auf 67k Zeilen Code pro Monat. Das Universal Scalability Law gilt für KI-Agenten genauso wie für Datenbanktransaktionen: Koordinationsaufwand und Context-Switching-Kosten heben irgendwann die Vorteile auf, mehr Worker hinzuzufügen.

Die Implikation ist, dass es ein optimales Agenten-pro-Codebase-Verhältnis gibt, und es ist niedrig. Coding ist der einfache Teil, Software zu schreiben - es ist alles andere, was die meiste Zeit dauert, und Agenten, die sich gegenseitig auf die Füße treten, verschlimmert es. Wenn Sie einen vierten Agenten hinzufügen, weil drei nicht genug Output liefern, ist das Problem wahrscheinlich nicht die Anzahl der Agenten.

OpenClaws versehentliches 2.0

Source: openclaw.ai ↗

OpenClaw 2.0 erschien nach einer siebenwöchigen Pause, die auf 106 Releases in 230 Tagen folgte. Das Release trägt über 16.000 gemergte Pull Requests von 933 Contributors - etwa die Hälfte aller jemals in das Projekt gemergten PRs. Der langsamere Cadence war bewusst: das Fundament neu aufbauen, Installation vereinfachen und die Browser App, Messaging, Memory und Skills überarbeiten.

Das „versehentliche" Framing ist ehrlich - die Pause sollte kürzer sein, aber Fundament-Arbeit dehnt sich aus, um die verfügbare Zeit zu füllen. Für Nutzer ist das Ziel, schneller zu einem nützlichen „Claw" zu kommen und ihn mit einfachen Workflows wachsen zu lassen. Für Maintainer ist die Lektion, dass 106 Releases in 230 Tagen ein Laufband ist, keine Strategie.

Shopify + Stripe Projects, Figmas generative Plugins und der Rest

Source: x.com ↗

Shopify funktioniert jetzt mit Stripe Projects, sodass Nutzer einen Store von der Kommandozeile aus mit einem einzigen Stripe-Account für Setup und Billing über alle Provider erstellen können. Figmas generative Plugins und Shaders unterstützen jetzt Community Publishing, animierte Shaders, Code-Zugriff und MCP-Updates - eine Erinnerung, dass Design-Tools auch zu Code-Generators werden. Und ein 16-Minuten-Artikel über Enshittification argumentiert, dass die Theorie falsch ist, und verweist auf steigende Nutzerzahlen und Zeit, die auf Instagram verbracht wird. Ob man das kauft, hängt davon ab, ob man Engagement-Metriken von den kritisierten Plattformen vertraut.