KI-Roll-ups: Das 5-Billionen-Dollar-Playbook, das Private Equity umgestaltet

7 min read · 13 sources

TL;DR

Eine McKinsey-Schätzung besagt, dass bis 2035 amerikanische Unternehmen im Wert von rund 5 Billionen US-Dollar den Besitzer wechseln, und KI-Roll-ups können Gewinnmargen von 5-10 % auf 30-40 % verdreifachen oder vervierfachen.
Thomson Reuters brachte ein Modell namens „Thomson" heraus, das GPT-5.5 mit weniger als 10 % der eigenen Inhalte schlug, was den Aufstieg von unternehmenseigenen „Neo-Neo-Labs" signalisiert.
Der Mitgründer von Gusto sagt, ein Unternehmen mit 5 Mio. US-Dollar Umsatz könne ein besseres Übernahmeziel sein als eines mit 50 Mio. US-Dollar, weil KI die interne Entwicklungszeit verkürzt.
n8n führte Agents ein, die es Nutzern ermöglichen, ein Ziel in einfacher Sprache zu beschreiben, und der Agent die Schritte selbst herausfindet.
Cal AI ging in 18 Monaten von null auf 50 Mio. US-Dollar ARR, aber sein Gründer sagt, es war größtenteils Glück, kein reproduzierbarer Prozess.

Die größte Geschichte heute ist keine Produkteinführung. Es ist ein Playbook für den Kauf von Unternehmen und deren Neuaufbau mit KI-Agenten. McKinsey beziffert die Zahl auf rund 5 Billionen US-Dollar an amerikanischen Unternehmen, die bis 2035 den Besitzer wechseln, die meisten davon in Boomer-Besitz ohne Nachfolgeplan. Die These: Kunden, Lizenzen und Vertrauen kaufen und dann das Liefermodell durch Agenten ersetzen. Eine Wirtschaftsprüfungsgesellschaft im Beispiel verarbeitete 7.000 Steuererklärungen mit KI, sparte den Prüfern 31 % ihrer Zeit und reduzierte eine jährliche 180-Stunden-Aufgabe auf 15 Stunden. Ein Dienstleistungsunternehmen mit 5-10 % EBITDA-Marge wird so umgebaut, dass es mit 30-40 % läuft, was den Gewinn beim gleichen Umsatz verdreifacht oder vervierfacht.

Das ist das konkrete Deployment-Muster, auf das Ingenieure gewartet haben. Es ist kein weiterer Chatbot-Wrapper - es ist eine strukturelle Arbitrage auf Arbeitskosten, angewendet auf Unternehmen, die bereits Umsatz und Vertrieb haben. Wenn Sie sich gefragt haben, wo die Agenten-Ökonomie tatsächlich ankommt, das ist die Rechnung.

Ein Unternehmen mit 5 Millionen US-Dollar Umsatz kann ein besseres Übernahmeziel sein als eines mit 50 Millionen US-Dollar, weil KI die Zeit für den internen Aufbau verkürzt hat.

Das Neo-Neo-Lab: Warum Unternehmen jetzt ihre eigenen Modelle trainieren

Source: aspiringforintelligence.substack.com ↗

Billige, reichlich vorhandene Basisintelligenz hat den Bau eigener Modelle attraktiver gemacht, nicht weniger. Das Argument in The Rise of the Neo Neo Lab lautet, dass die nächste Generation von Unternehmenssoftware um proprietäre Intelligenz herum gebaut wird, nicht um proprietäre Daten und Workflows.

Die Beweise sind konkret. Thomson Reuters brachte ein Modell namens „Thomson" heraus, das mit Frontier-Modellen wie Claude Opus 4.8 konkurrenzfähig und vor GPT-5.5 lag, wobei weniger als 10 % der eigenen Inhalte zum Training verwendet wurden. Morgan & Morgan verpflichtete sich über ein Jahrzehnt zu 1 Milliarde US-Dollar für KI, nachdem es seit 2021 300 Millionen US-Dollar in die interne Plattform MX2 investiert hatte. Harvey, das juristische KI-Tool, wandelt sich von einer App zu einem Modell mit „Tenet", einem nachtrainierten Open-Weight-Modell auf Basis von Kimi K3.

Für Ingenieure ist das eine Verschiebung der Standardarchitektur. Statt auf API-basierte Frontier-Modelle zu setzen, trainieren Unternehmen Open-Weight-Modelle auf domänenspezifischen Daten nach. Die Frontier-Labs treiben allgemeine Intelligenz voran; Unternehmen lehren ihr, was nur sie wissen. Wenn Sie die proprietären Daten und den Workflow-Umfang haben, haben Sie die Rohstoffe.

Die Unersetzlichen: Die Mitarbeiter, die Sie nie gehen lassen

Source: saastr.com ↗

Das Framework von SaaStr ist einfach: Ein „Unersetzlicher" ist jemand, für den Sie innerhalb von 48 Stunden Budget finden würden, bevor Sie wissen, was er tun würde. Das unterscheidet sie von Top-Performern, die Sie in eine bestehende Rolle wiedereinstellen würden.

Drei Merkmale definieren sie: Sie nehmen Arbeit von Ihrem Tisch, ohne gefragt zu werden, und erledigen sie; ihre Leistung ändert sich nicht, wenn niemand zusieht; und sie überbringen Ihnen schlechte Nachrichten früh. Die Warnung ist, dass dies normalerweise im Maßstab passiert - neue Führungskräfte denken nicht, dass diese Mitarbeiter so unersetzlich sind, und sie liegen falsch. Da Fähigkeiten in etwa 18 Monaten veralten, sind genau die Menschen, die wissen, wie und warum alles funktioniert, diejenigen, die Sie brauchen, um den nächsten Schritt zu finden.

Gustos Mitgründer: KI hat Ihren Umsatz weniger wert gemacht

Source: x.com ↗

Der Mitgründer von Gusto erklärt, wie KI ihre M&A-Strategie verändert hat, am Beispiel der Übernahme von Guideline, einem 401(k)-Anbieter. Die Erkenntnis: KI senkt die Kosten für den internen Aufbau von Dingen, daher ist die Messlatte für eine Übernahme jetzt der „Beschleunigungswert" für Gusto, nicht der reine Umsatz.

Die Rechnung ist krass. Wenn der Kauf eines Unternehmens 18 Monate interne Entwicklung spart, die für Gusto 50 Millionen US-Dollar wert ist, könnte ein Unternehmen mit 5 Millionen US-Dollar Umsatz bei einem 10-fachen Multiple passen. Eines mit 50 Millionen US-Dollar Umsatz wird es wahrscheinlich nicht - Ihr Umsatz erhöht Ihren Kaufpreis, ohne die Entwicklungszeit zu erhöhen, die der Käufer spart. Ein Käufer mag Ihr Produkt lieben und trotzdem entscheiden, dass es schneller ist, sein eigenes zu bauen.

Für Gründer rahmt das das Exit-Gespräch neu. Ihr Umsatz-Multiple ist nicht länger die entscheidende Kennzahl; die Geschwindigkeit Ihres Teams und die Einzigartigkeit Ihrer Codebasis sind es.

n8n Agents: Von festen Workflows zu selbstplanenden Schritten

Source: blog.n8n.io ↗

n8n hat Agents eingeführt, eine Funktion, die es Nutzern ermöglicht, ein Ziel in einfacher Sprache zu beschreiben, ihm ein Modell und Tools zu geben und es die Schritte selbst herausfinden zu lassen. Agents können über Slack erreicht werden, nach Zeitplan laufen oder aus jedem Workflow aufgerufen werden, und sie können bestehende Workflows als Tools nutzen.

Der bestehende AI-Agent-Knoten ist unverändert; ein neuer Knoten „Message an Agent" ermöglicht es Workflows, Agents für offene Schritte aufzurufen. Das ist für Ingenieure wichtig, weil es Hin und Her und offene Aufgaben handhabt, die sich schwer als feste Sequenzen modellieren lassen. Derselbe Agent läuft an jedem Ort, an dem er aufgerufen wird, was der architektonische Kernpunkt ist.

Parallel und Alexandria: Datenkonnektoren für Agents

Source: parallel.ai ↗

Die Datenkonnektoren von Parallel sind Integrationen für verschiedene Datenquellen zur Verwendung in Workflows. Es listet „Allium" für standardisierte Blockchain-Daten und „Parallel Search Fast" als schnelle, kostengünstige Websuch-API für Agents auf. Mehrere Konnektoren sind als „Coming soon" aufgeführt, darunter Firmen-/Berufskontaktdaten, Unternehmensidentitäts-/Kreditdaten, Vorhersagen zum Kundenverhalten und Preise für Prognosemärkte.

Firecrawl Alexandria ist eine Datenbibliothek, die KI-Agenten Zugang zu Quellen verschafft, die Websuche übersieht: Live-Web, offizielle Anbieter und spezialisierte Indizes. Es listet 93 Anbieter, 640 Fähigkeiten, 20 Kategorien und über 113 Millionen indizierte Quellen auf, darunter Regierungsunterlagen, Produktkataloge, Code/Dokumentationen und Finanzdaten. Die Verbindung erfolgt über MCP oder CLI mit npx -y firecrawl-cli@latest init --all --browser.

Für Ingenieure sind das die Leitungen, um Agents strukturierte, lizenzierte Daten zu geben, statt das offene Web zu scrapen. Die Qualität der Agentenantworten wird durch die Daten begrenzt, die sie erreichen können.

Die vorsichtige Geschichte von Cal AI: Glück, keine Vorlage

Source: operatorsnotebook.beehiiv.com ↗

Die Gründungsgeschichte von Cal AI ging in achtzehn Monaten von null auf Platz 1 in „Gesundheit & Fitness" und 50 Mio. US-Dollar ARR, bevor es verkauft wurde. Die Warnung des Autors: Der Erfolg des Teams war größtenteils Glück, kein reproduzierbarer Prozess. Vor dem Umsatz musste die Mutter eines Gründers das Firmenkonto mitunterschreiben, und zwei der vier Gründer waren noch in der High School.

Die Ereigniskette, die zum Kennenlernen seiner Mitgründer führte, umfasste eine YouTube-Empfehlung eines Cousins, eine kalte DM und die Begegnung mit einem zukünftigen Mitgründer während der Arbeit bei einem anderen Startup. Es gab keinen Rekrutierungsprozess, den man hätte kopieren können. Der Rat ist realistischer: Suchen Sie jemanden, der verfügbar ist und lernen kann, und rechnen Sie damit, genug Geld oder Eigenkapital anzubieten, um den Beitritt lohnenswert zu machen. Harte Arbeit und Intelligenz vergrößern nur Ihre „Oberfläche für Glück".

Das Wertschöpfungs-Schwungrad und Supervoting

Source: konvoy.beehiiv.com ↗

Das Value Accrual Flywheel erklärt, wie Software Wert akkumuliert, indem sie Abhängigkeiten schafft, die sich im Laufe der Zeit verzinsen und Wechselkosten erhöhen. Diese Abhängigkeiten verzinsen sich intern, wenn das Produkt tiefer in Workflows eindringt, und extern durch Netzwerkeffekte. Abhängigkeiten in kritischen Systemen erhalten einen Wertmultiplikator, weil ihr Entfernen das Geschäft selbst gefährdet. Der daraus resultierende Umsatz finanziert neue Funktionen, die neue Abhängigkeiten schaffen - ein Schwungrad. Deshalb werden bestimmte Produkte zu „Systems of Record", und KI mischt neu, welche Abhängigkeiten zählen.

Auf der Governance-Seite trennt Supervoting Eigentum von Kontrolle. Figma-Mitgründer Dylan Field hielt etwa 9 % des Eigenkapitals, aber über die Hälfte der Stimmrechte durch Class-B-Aktien (15 Stimmen pro Aktie) und eine unwiderrufliche Vollmacht seines Mitgründers, was ihm ein Vetorecht über die 20-Milliarden-US-Dollar-Übernahme durch Adobe gab. Supervoting ist bei VC-finanzierten Unternehmen nicht ungewöhnlich und unterscheidet sich von stimmrechtslosen Aktien. Für Gründer ist es ein Mechanismus, um auch mit einem kleinen wirtschaftlichen Anteil die Kontrolle zu behalten.

Wie würde ein ernsthaftes KI-Produkt aussehen?

Source: blog.glyph.im ↗

Die Kritik von Glyph lautet, dass aktuelle KI-Produkte ihre eigenen Prämissen nicht ernst nehmen - sie fühlen sich wie ein „Scam" an, statt ernsthafte Problemlösungswerkzeuge zu sein. Der vorgeschlagene Fix beginnt damit, „Fehlerprüfung" zu einer erstklassigen Funktion zu machen, da alle Chatbots zugeben, dass sie Fehler machen können, die Verantwortung aber mit Kleingedrucktem auf den Nutzer abwälzen.

Das Argument: Das Überprüfen der Ausgabe ist ein obligatorischer, aber leicht überspringbarer Teil des Workflows, und Produkte sollten so gestaltet sein, dass sie das unterstützen. Jedes KI-Tool vermisst kritische Funktionen, die für echte Arbeit damit nötig sind. Für Ingenieure, die auf LLMs aufbauen, ist das eine direkte Herausforderung an das Produktdesign - die Vertrauenslücke ist die Benutzerfreundlichkeitslücke.