6 min read · 12 sources

ICONIQs neue KI-Benchmarks decken eine handverlesene Gruppe von Gewinnern ab, nicht das oberste Quartil - die echte Messlatte liegt weit höher.

ICONIQs KI-Umsatzzahlen sind Müll - und die Messlatte liegt höher, als du denkst

ICONIQ hat neue Benchmarks für KI-native Umsätze veröffentlicht, und die Zahlen sehen absurd aus. Das sind sie auch - aber nicht so, wie man hoffen würde. Der Bericht stützt sich auf das oberste Quartil handverlesener KI-Gewinner einer einzigen Top-Venture-Capital-Firma, was die Zahlen faktisch auf Top-Dezil oder höher hebt.

General Catalysts Hemant Taneja argumentiert inzwischen, dass der traditionelle T2D3-Wachstumsstandard (Triple, Triple, Double, Double, Double) nicht mehr ausreicht. Ingenieure sollten das interessieren, weil diese Benchmarks die Messlatte setzen, an der Investoren jedes Startup messen - und diese Messlatte ist gerade gestiegen. Bevor du diesen Zahlen hinterherjagst, prüfe Unternehmensgröße und Cash-Burn dahinter - das Diagramm zeigt vielleicht ein Tempo, das du dir nicht leisten kannst.

Diagramme der Woche: So viele Apps, so wenig Zeit

Die Zahl der entwickelten Apps ist explodiert, angetrieben durch KI-Codegenerierungstools. Der Haken: Diese neuen Apps nutzt größtenteils niemand wirklich. Die Zeit pro App ist in jeder Kategorie flach oder rückläufig.

Die eine Ausnahme ist Productivity, wo die Nutzungsdauer am schnellsten wächst - angetrieben durch ChatGPT, Claude, Gemini und Grok. Die Lehre für Ingenieure: Code zu generieren ist einfach. Überzeugende, erfolgreiche Apps zu bauen erfordert weiterhin mehr als nur KI-Ausgabe. Die Tools haben die Erstellungskosten gesenkt, nicht die Messlatte für Distribution.

Das neue Schlachtfeld im GTM: Nicht das Produkt, sondern die Daten

Jemand, der dein Produkt geliebt hat, wechselt zu einem neuen Unternehmen. Du kannst dieselbe Glückwunsch-und-Pitch-Mail senden, die sie von allen anderen bekommen, oder du bringst zur Sprache, was sie mit deinem Produkt tatsächlich erreicht haben, und fragst, ob sie in der neuen Rolle etwas Ähnliches angehen.

Der Burggraben um die Distribution - „GTM Alpha" - entsteht aus der Kombination von Drittanbieterdaten mit Erstanbieterdaten, die du wirklich besitzt: Champion-Beziehungen, Nutzungsdaten, das ganze Programm. Ein Workflow wartet einen Monat, bevor er diesen Ansatz fährt. Ein anderer eröffnet verlorene Deals neu, wenn sich das ursprüfliche Hindernis ändert. Der Grund für die Kontaktaufnahme kommt aus dem, was im Account passiert ist, nicht daraus, wie lange der letzte Kontakt her ist. Baue Systeme, die beide Datentypen nutzen, und du bekommst einen dauerhaften Vorteil.

PostHogs 6 - 7 Loops pro Tag auf dem Weg zum Self-Driving-Betrieb

PostHogs selbststeuerndes Team lebt Dogfooding konsequent. Sie betreiben täglich 6 - 7 Loops, um den eigenen Betrieb zu automatisieren, und nutzen dafür einen „Scout", der wichtige Metriken beobachtet und strukturiertes Feedback headless meldet, sobald er auf Reibung stößt - über das PostHog MCP.

Der Loop weist jedes Thema seinem Besitzer zu - MCP, Produktbereich, Doku oder Signals-Team - und der Scout validiert, ob Fixes gehalten haben, bevor ein Thema abgeschlossen wird. In einem Beispiel kam ein Untersuchungsbericht innerhalb von fünf Minuten, gefolgt von einem Code-Änderungsvorschlag acht Minuten später. Andere Workflows untersuchen Fehlerspitzen und prüfen Session-Replays. Jeder Schritt reicht seine Erkenntnisse an den nächsten weiter, wodurch sich reduziert, was ein Mensch rekonstruieren muss, bevor er mit dem Fixen beginnen kann.

Google Ax: Kubernetes für KI-Agenten

Google hat Ax als Open Source veröffentlicht, ein Framework zum Bauen und Orchestrieren von KI-Agenten. Es läuft auf Agent Substrate - und wer Kubernetes kennt, wird sich sofort zurechtfinden: dasselbe deklarative Modell, dasselbe Operator-Muster, dieselbe „Soll-Zustand vs. Ist-Zustand"-Abgleichsschleife.

Der Pitch: Entwickler liefern die API, das Framework übernimmt den Agenten, den Browser und die Orchestrierung. Für Teams, die Agenten in Produktion betreiben, ist das die fehlende Control Plane. Wer Agent-Workflows bisher mit Klebeband zusammengeflickt hat, sollte sich Ax diese Woche ansehen.

MSLs Muse Voice Transcribe: SOTA bei Echtzeit-Sprache

MSL hat Muse Voice Transcribe veröffentlicht, das erste Echtzeit-Audiowahrnehmungsmodell des Unternehmens - und es ist jetzt SOTA bei Streaming-Spracherkennung. Das Modell bewältigt einstündige Sitzungen mit 20+ Sprechern, beherrscht Code-Switching mitten im Satz zwischen Sprachen und lässt sich auf Namen und Fachbegriffe ausrichten.

Das ist ein bedeutender Fortschritt bei der Echtzeit- und mehrsprachigen Audioverarbeitung mit integrierter Sprechertrennung. Wer Besprechungstranskription, Live-Untertitel oder Sprachagenten baut, für den hebt das die Messlatte für das, was Nutzer standardmäßig von deinem Produkt erwarten.

Wer kontrolliert dein Startup? Governance zählt ab Tag eins

Du kannst einen großen Anteil an deinem Unternehmen besitzen und es trotzdem in einer einzigen Board-Sitzung verlieren. Der Zenefits-Fall ist die warnende Geschichte: Das Board entfernte CEO Parker Conrad in einer einzigen Sitzung ohne Aktionärsabstimmung.

Der zusammengesetzte Lehrfall „SoftMet" macht es konkret - Gründer nehmen Series A, B und C auf und besitzen plötzlich weniger als die Hälfte des Unternehmens auf voll verwässerter Basis. Das Board hat sieben Mitglieder, vier von Investoren ernannt, dazu zwei Beobachter. Governance-Strukturen, die früh beim Fundraising ausgehandelt werden, bestimmen, wer das Unternehmen kontrolliert - unabhängig vom Aktienbesitz. Achte darauf, wer jeden Direktor ernennt, wer sie ersetzen kann und was mit diesen Rechten in der nächsten Runde passiert.

People-First-Aktienpläne: 20 % bewusst verschenken

Athyna hat 20 % des Unternehmens an Mitarbeiter verschenkt - und der Gründer sagt, er würde es wieder tun. Dieser „People-First"-Ansatz bei Aktien steht im Kontrast zu traditionellen Vesting-Strukturen - man denke an direkte Zuwendungen, die Mitarbeiter tatsächlich besitzen, statt an Optionen, die sie kaufen müssen.

Das Modell nutzt zeitbasiertes Vesting mit einem Liquiditätsereignis vor der Aktienübertragung und erklärt Mitarbeitern, was sie besitzen, was passiert, wenn sie gehen, und wie künftige Fundraising-Runden ihren Anteil verändern. Wenn du über Aktienvergütungsmodelle nachdenkst, die breiten Besitz und Bindung priorisieren, ist das ein konkreter Datenpunkt.

Der Manager-Pfad im Zeitalter der KI

Führungskräfte haben die Macht, Dinge besser oder schlechter zu machen - durch ihre Entscheidungen, ihr Verhalten und ihre Präsenz. KI hat das nicht verändert - sie hat es verstärkt. Dein Team beobachtet, wie du mit dem KI-generierten Code umgehst, mit den schlampigen Pull Requests, mit dem „Einfach raushauen"-Druck. Es lernt daraus.

SaaStr AI: Verdopplung der Sponsoring-Einnahmen mit Agenten

Der SaaStr-Agentenstapel hat dem Unternehmen geholfen, die Sponsoring-Einnahmen in den letzten 12 Monaten zu verdoppeln. Der Teardown zeigt, wie sie Inbound, Renewals und Outbound über Agenten abwickeln. Wer GTM-Agenten baut, bekommt hier ein funktionierendes Beispiel der Ökonomie - keine Folienpräsentation.

Wie ich vermeide, Slop-Granaten zu werfen

Ein Ingenieur hat während einer Migration hunderte KI-gestützte Pull Requests generiert - 60 an einem einzigen Tag - und es vermieden, das Team mit Slop zu fluten. Der Schlüssel war umfangreiche Vorarbeit: zuerst mit jedem Team sprechen, deren Input in die Änderungen einarbeiten, dann den Workflow basierend auf dem iterieren, was schiefging.

Eine Code-Änderung in fünf Minuten zu generieren hilft einem Kollegen nicht, der sie reviewen muss. KI-Slop ist ein Symptom eines kaputten SDLC, und die Lösung ist Prozessverbesserung, nicht besseres Prompting.

Baue dir dein KI-Zweitgehirn für GTM

Das Framework für ein „KI-Zweitgehirn" für GTM-Teams unterscheidet zwischen zwei Wissensarten: Kontext (was heute wahr ist) und Historie (warum sich Dinge geändert haben). Der Autor empfiehlt Event Sourcing - Typ-1- vs. Typ-2-Daten, entlehnt aus Engineering und Buchhaltung - , um die Speicher zu trennen.

Das gibt KI-Agenten eine praktische Wissensstruktur und ermöglicht bessere Urteilskraft und Mustererkennung in GTM-Workflows. Es ist ein wirklich nützliches Muster für alle, die Agenten mit Unternehmenswissen füttern.