Das Verschwinden von 2 Billionen Dollar
Anfang 2026 zerbrach etwas im SaaS-Narrativ. Nicht allmählich, nicht subtil, sondern auf eine Weise, die jeden Investor, Gründer und Produktverantwortlichen zur Neukalibrierung zwang.
Rund 2 Billionen Dollar an Software-Marktkapitalisierung verdampften in einem komprimierten Zeitraum. Forrester, normalerweise nicht für dramatische Aussagen bekannt, erklärte: „SaaS, wie wir es kennen, ist tot." Es ging nicht um eine Rezession oder Zinssätze. Es ging um eine strukturelle Frage, die Investoren gleichzeitig zu stellen begannen: Wenn KI dieses Produkt an einem Wochenende bauen kann, warum ist dieses Unternehmen dann das 15-Fache seines Umsatzes wert?
Der Auslöser war kein einzelnes Ereignis. Es war eine Konvergenz:
- KI-Coding-Tools (Claude Code, Cursor, Replit) überschritten 7 Mrd. $ an kombinierten annualisierten Einnahmen und bewiesen, dass die Softwareerstellung selbst zur Massenware wurde
- „Vibe Coding"-Plattformen wie Lovable (ARR über 400 Mio. $, 146 Mitarbeiter) und Bolt.new zeigten, dass nicht-technische Nutzer funktionale SaaS-Produkte durch natürliche Sprache erstellen konnten
- DeepSeek trainierte ein Frontier-KI-Modell für 294.000 $ und zerschlug damit Annahmen über das erforderliche Kapital, um im KI-Bereich zu konkurrieren
- Unternehmenskäufer begannen zu fragen: „Warum zahlen wir pro Nutzer für ein Tool, wenn KI diesen Workflow durchgehend bearbeiten kann?"
Der Rückgang um 2 Billionen Dollar war kein Platzen einer Blase. Es war der Markt, der die Verteidigungsfähigkeit von funktionsbasierter Software neu bewertete, während die Kosten für die Erstellung von Funktionen gegen null tendieren.
Nicht jedes SaaS-Unternehmen ist gleichermaßen verwundbar. Die Zerstörung konzentriert sich auf Unternehmen, deren Burggraben hauptsächlich „wir haben diesen Funktionsumfang zuerst gebaut" war, und nicht „wir haben Daten, Netzwerkeffekte oder Workflow-Integration, die schwer zu replizieren sind". Zu verstehen, in welche Kategorie Ihr Unternehmen fällt, ist jetzt die wichtigste strategische Frage für Software-Gründer.
Warum die Preisgestaltung pro Nutzer ein Modell auf Abruf ist
Die Preisgestaltung pro Nutzer war zwei Jahrzehnte lang das Fundament der SaaS-Ökonomie. Sie war elegant: vorhersagbare Einnahmen, einfache Expansion (mehr Mitarbeiter = mehr Nutzer), klare Unit Economics. Salesforce, Atlassian und Slack bauten Imperien darauf auf.
Aber die Preisgestaltung pro Nutzer enthält eine fatale Annahme: dass der Wert von Software mit der Anzahl der Menschen skaliert, die sie nutzen. Im KI-Zeitalter bricht diese Annahme zusammen.
Wenn ein KI-Agent die Arbeit eines Kundendienstmitarbeiters, eines Datenanalysten oder eines Junior-Entwicklers übernehmen kann, braucht das Unternehmen keinen weiteren Nutzer. Es braucht die KI, um mehr Arbeit zu erledigen. Die Preisgestaltung pro Nutzer schafft einen perversen Anreiz: Je mehr KI den Bedarf an menschlichen Arbeitskräften reduziert, desto weniger Einnahmen generiert das SaaS-Unternehmen.
Der Markt reagiert. Laut Branchendaten erreichte die Verbreitung nutzungsbasierter Preismodelle 2025-2026 85 % der SaaS-Unternehmen, gegenüber etwa 30 % im Jahr 2019. Reine Nutzer-Modelle fielen in nur zwölf Monaten von 21 % auf 15 % der SaaS-Preisgestaltung. Hybridmodelle (die Nutzer und Nutzung kombinieren) stiegen auf 41 %.
Der Wandel betrifft nicht nur die Preismechanik. Er spiegelt eine tiefere Veränderung dessen wider, was Käufer wertschätzen:
| Preismodell | Wofür es berechnet | KI-Ausrichtung |
|---|---|---|
| Pro Nutzer | Anzahl der Menschen | Fehlausgerichtet (KI reduziert Menschen) |
| Nutzungsbasiert | Aktivitätsvolumen | Neutral (KI kann Volumen erhöhen oder verringern) |
| Ergebnisorientiert | Gelieferte Ergebnisse | Ausgerichtet (KI hilft, mehr Ergebnisse zu liefern) |
Die Unternehmen, die die SaaSpocalypse überleben, werden diejenigen sein, deren Preismodell auf den von KI geschaffenen Wert ausgerichtet ist, nicht diejenigen, die ein Nutzer-Modell verteidigen, das ihre Kunden für Effizienz bestraft.
Der Aufstieg der ergebnisorientierten Preisgestaltung
Wenn die Preisgestaltung pro Nutzer stirbt, was tritt an ihre Stelle? Die überzeugendste Antwort ist die ergebnisorientierte Preisgestaltung: Kunden für Ergebnisse statt für Zugang zu berechnen.
Intercoms KI-Agent Fin ist das klarste Beispiel. 2025 eingeführt, berechnet Fin 0,99 $ pro gelöstem Kundensupport-Gespräch. Nicht pro Nutzer, nicht pro API-Aufruf, sondern pro Ergebnis: eine beantwortete Kundenfrage, ein gelöstes Problem. Im ersten Jahr generierte dieses Modell Dutzende Millionen Dollar an Einnahmen.
Die Eleganz liegt in der Anreizausrichtung. Der Kunde zahlt nur, wenn Fin tatsächlich ein Problem löst. Wenn Fin es nicht lösen kann, gibt es keine Berechnung. Das bedeutet, Intercom hat einen direkten Anreiz, Fin zu verbessern, denn bessere Lösung = mehr Einnahmen. Und der Kunde hat einen Anreiz, mehr Volumen über Fin zu leiten, denn erfolgreiche Lösungen kosten nur 0,99 $ pro Stück.
Zendesk ging noch weiter: Ihr KI-Lösungspreis berechnet null für fehlgeschlagene Versuche. Sie zahlen nur, wenn die KI die Interaktion vollständig ohne menschliche Eskalation bearbeitet.
Andere Unternehmen experimentieren:
- Juristische KI-Tools, die pro geprüftem Dokument oder pro analysierter Klausel berechnen (statt pro Anwaltssitz)
- Vertriebstools, die pro qualifiziertem Lead oder pro gebuchtem Meeting berechnen (statt pro SDR-Konto)
- Code-Generierungs-Tools, die Preisgestaltung pro Deployment oder pro Funktion erkunden (statt pro Entwicklersitz)
Die Ökonomie ergibt auf dem Papier Sinn, aber es gibt einen Haken. Ergebnisorientierte Preisgestaltung führt zu Umsatzvolatilität, die Nutzer-Modelle vermeiden. Wenn Ihre KI schlechter wird (oder sich die Bedürfnisse des Kunden ändern), sinken die Einnahmen sofort. Das erschwert die Finanzplanung und kann Investoren beunruhigen, die an die glatten wiederkehrenden Umsatzkurven von SaaS gewöhnt sind.
Die Abrechnung von 2026 testet dies. Die meisten Unternehmen verbrachten 2025 im Modus „Adoption um jeden Preis" und verschenkten KI-Funktionen, um die Nutzung aufzubauen. Die Verlängerungszyklen 2026 zwingen die Preisgestaltung dazu, den tatsächlich gelieferten Wert widerzuspiegeln. Unternehmen, die klare Ergebnisse nachweisen können, werden gedeihen. Die, die weiterhin Funktionen verkaufen, werden zunehmend härteren Verhandlungen ausgesetzt sein.
KI-Bruttomargen: Das 50-60-%-Problem
Hier ist der Teil der SaaSpocalypse, der weniger Aufmerksamkeit bekommt, aber enorm wichtig ist: KI-gestützte Produkte haben strukturell niedrigere Bruttomargen als traditionelles SaaS.
Traditionelle SaaS-Margen lagen bei 80-90 %. Einmal gebaut, waren die Grenzkosten für die Bedienung eines zusätzlichen Nutzers im Wesentlichen Hosting-Kosten, die pro Nutzer vernachlässigbar waren. Das machte SaaS zu einem so attraktiven Geschäftsmodell: extrem hohe Bruttomargen, die das Wachstum finanzierten.
KI verändert diese Gleichung. Jede KI-Inferenz (jeder API-Aufruf an ein LLM, jedes generierte Bild, jedes analysierte Dokument) verursacht Rechenkosten. Diese Kosten sinken rapide (99,7 % in 30 Monaten für GPT-4-äquivalente Inferenz), aber sie sind nicht null und skalieren mit der Nutzung.
Aktuelle Margen KI-gestützter Produkte liegen bei etwa 50-60 %. Das ist immer noch ein gutes Geschäft, aber ein grundlegend anderes Finanzprofil als SaaS mit 85 % Bruttomarge:
| Kennzahl | Traditionelles SaaS | KI-gestütztes Produkt |
|---|---|---|
| Bruttomarge | 80-90 % | 50-60 % |
| Grenzkosten pro Nutzer | Nahe null | Erheblich (Inferenzkosten) |
| Kostenstruktur | Fix (Engineering) + variabel (Hosting) | Fix + variabel (Compute pro Anfrage) |
| Margenverbesserungspfad | Hauptsächlich Preissetzungsmacht | Inferenzeffizienz + Preisgestaltung |
| Umsatzmultiplikator (öffentliche Märkte) | 10-15x (Wachstum) | 6-10x (noch offen) |
Das hat Kaskadeneffekte:
Die Finanzierungsmathematik ändert sich. Ein SaaS-Unternehmen mit 10 Mio. $ ARR und 85 % Bruttomarge hat 8,5 Mio. $ Bruttogewinn zur Finanzierung des Wachstums. Ein KI-Unternehmen mit 10 Mio. $ ARR und 55 % Marge hat 5,5 Mio. $. Um gleich schnell zu wachsen, braucht das KI-Unternehmen entweder mehr Kapital oder mehr Kapitaleffizienz.
Bewertungen werden neu justiert. Öffentliche Märkte haben SaaS-Unternehmen historisch mit Umsatzmultiplikatoren bewertet, die Bruttomargen von 80 %+ voraussetzten. KI-Unternehmen mit 55 % Margen verdienen nicht dieselben Multiplikatoren, und der Markt korrigiert dies.
Nur 16 % der Unternehmen hatten KI bis Ende 2025 als eigenständiges Produkt monetarisiert. Der Rest bündelte KI-Funktionen in bestehende Preise und opferte effektiv Marge, um wettbewerbsfähig zu bleiben. Diejenigen, die KI separat monetarisierten, verzeichneten 2-3-fach höhere Markttraction, was darauf hindeutet, dass die Nachfrage vorhanden ist, wenn das Preismodell stimmt.
Der Weg nach vorne ist nicht, an den Margen zu verzweifeln. Es geht darum, niedrigere Margen durch höheres Volumen, bessere Kundenbindung und eine Preisgestaltung auszugleichen, die den von KI gelieferten Wert erfasst. Intercoms Fin-Modell mit 0,99 $/Lösung funktioniert, weil das Volumen der Lösungen enorm ist und die Alternative (menschliche Agenten zu 15-25 $/Stunde) 10-20-mal teurer ist.
Welche SaaS-Kategorien überleben und welche gefressen werden
Nicht jedes SaaS ist gleichermaßen verwundbar. Das Risiko hängt von drei Faktoren ab: der Komplexität des Workflows, der Tiefe der Datenintegration und der Stärke der Netzwerkeffekte.
Hohes Risiko: Werden disruptiert
Einfache CRUD-Anwendungen. Projektmanagement-Tools, einfaches CRM, Formular-Builder, einfache Analyse-Dashboards. Das sind im Wesentlichen Datenbanken mit Oberflächen. Wenn Lovable und Bolt.new Nutzern ermöglichen, die gewünschte App zu beschreiben und in Stunden ein funktionales Produkt zu erhalten, bricht der Wert eines vorgefertigten CRUD-Tools zusammen. Wenn Ihr SaaS-Produkt in einer zweiseitigen Spezifikation beschrieben und von KI nachgebaut werden kann, sind Sie verwundbar.
Content-Erstellungs-Tools. Einfache Copywriting-Tools, Social-Media-Planer mit Template-Bibliotheken, einfache Design-Tools. KI generiert Inhalte direkt. Die zwischengeschaltete Tool-Ebene wird überflüssig, wenn der Inhalt selbst KI-generiert ist.
Analytik mit geringer Komplexität. Dashboard-Tools, die unkomplizierte Metriken ohne tiefe Datenintegration oder proprietäre Daten visualisieren. KI kann Diagramme und Erkenntnisse direkt aus Rohdaten generieren.
Mittleres Risiko: Werden transformiert
Kollaborations-Tools. Produkte vom Typ Slack, Notion, Asana haben Netzwerkeffekte, die einen gewissen Burggraben bieten, aber die Funktionsebene ist verwundbar. KI-Agenten können Projekte managen, Threads zusammenfassen und Workflows koordinieren. Die überlebenden Kollaborations-Tools werden Plattformen sein, auf denen KI-Agenten interagieren, nicht nur Menschen.
Entwickler-Tools (horizontal). Generisches Code-Review, CI/CD, Monitoring. KI erledigt vieles davon bereits direkt. Die überlebenden Tools werden diejenigen sein, die KI-Agenten-Workflows verwalten statt menschliche Entwickler-Workflows.
Marketing-Automatisierung. Aktuelle Tools koordinieren menschliche Marketing-Aktivitäten. KI ersetzt viele dieser Aktivitäten. Die überlebenden Tools werden KI-Marketing-Agenten orchestrieren, nicht menschliche Marketer.
Geringes Risiko: Werden gedeihen
Vertikale KI-Plattformen. Harvey (Recht), Abridge (Gesundheitswesen), Toast (Gastronomie). Tiefe Domänenexpertise, proprietäre Daten und branchenspezifische Compliance schaffen Burggräben, die horizontale KI nicht leicht überwinden kann. Diese Unternehmen besitzen sowohl den Workflow als auch das Domänenwissen.
Dateninfrastruktur. Snowflake, Databricks, Pinecone. Je mehr KI genutzt wird, desto mehr Dateninfrastruktur wird benötigt. Diese Unternehmen profitieren von der KI-Adoption, statt davon bedroht zu werden.
Identität und Sicherheit. Okta, CrowdStrike, Cloudflare. Vertrauen, Compliance-Zertifizierungen und Sicherheitsexpertise schaffen Burggräben, die KI nicht auflöst. Die Verbreitung von KI-Agenten erhöht sogar den Bedarf an Identitätsmanagement und Sicherheit.
Plattform-Unternehmen mit Netzwerkeffekten. Salesforce (Ökosystem-Lock-in), Shopify (Händlernetzwerk), Stripe (Zahlungsnetzwerk). Der Wert liegt nicht in den Software-Funktionen; es sind das Netzwerk und die Daten. KI verbessert diese Plattformen, statt sie zu ersetzen.
Der Gegenangriff der vertikalen KI
Während horizontales SaaS mit dem Problem „jeder kann das mit KI bauen" kämpft, schreiben vertikale KI-Unternehmen das neue Playbook für die Wertschöpfung im Software-Bereich.
Die Daten sind beeindruckend. KI-Startups sammelten 2025 fast 150 Milliarden Dollar ein und eroberten über 40 % des globalen Risikokapitals. Innerhalb dessen eroberten vertikale KI-Lösungen 3,5 Mrd. $, eine Verdreifachung gegenüber 1,2 Mrd. $ im Jahr 2024. Gartner prognostiziert, dass 80 % der Unternehmen bis 2026 vertikale KI-Agenten einsetzen werden.
Die herausragenden Beispiele:
Harvey (juristische KI) ist der Paradefall. Gegründet von Anwälten, die juristische Workflows tief genug verstanden, um passende KI zu bauen, wuchs Harvey von null auf 195 Mio. $ ARR bis Ende 2025, eine Steigerung um das 3,9-Fache von 50 Mio. $. Die Bewertungsentwicklung: 3 Mrd. $ (Anfang 2025) auf 5 Mrd. $ (Mitte 2025), 8 Mrd. $ (Dezember 2025), 11 Mrd. $ (Gespräche im Februar 2026). Über 1.000 Kunden, hauptsächlich Anwaltskanzleien und Rechtsabteilungen von Unternehmen.
Warum hatte Harvey Erfolg, wo generische KI scheiterte? Weil juristische Arbeit nicht einfach „eine Frage beantworten" ist. Es geht darum, jurisdiktionsspezifische Vorschriften zu navigieren, Präzedenzfälle zu verstehen, Privilegien zu verwalten und Dokumente zu erstellen, die spezifische Formatierungs- und Zitieranforderungen erfüllen. Domänenexpertise ist der Burggraben.
Abridge (klinische Dokumentation) erreichte eine Bewertung von 5,3 Mrd. $ mit rund 800 Mio. $ an Finanzierung, hauptsächlich von a16z und Khosla Ventures. KI-Unternehmen im Gesundheitswesen stellten 6 von 11 KI-Einhörnern im ersten Quartal 2025. KI-Startups im Gesundheitswesen eroberten 62 % des gesamten Digital-Health-Risikokapitals in der ersten Hälfte 2025.
EvenUp (Personenschadensrecht) erreichte eine Bewertung von über 2 Mrd. $ mit einer 150 Mio. $ Series E von Bessemer. Die KI des Unternehmens versteht die spezifische Ökonomie, medizinische Terminologie und Verhandlungsmuster von Personenschadensfällen; Wissen, dessen Kodierung von Grund auf Jahre dauern würde.
Das Muster: Vertikale KI-Unternehmen erreichen 80 % der traditionellen SaaS-Vertragswerte und wachsen dabei 400 % pro Jahr. Bessemer prognostiziert, dass die Marktkapitalisierung vertikaler KI 10-mal größer werden könnte als die des Legacy-SaaS. Das ist kein Tippfehler. 10-mal.
Der Grund ist strukturell. Vertikale KI-Unternehmen kombinieren:
- Domänenexpertise, die Wechselkosten schafft (es ist nicht nur Software; es ist das angesammelte Verständnis davon, wie die Branche funktioniert)
- Proprietäre Daten aus branchenspezifischen Interaktionen, die die KI im Laufe der Zeit verbessern
- Compliance- und Regulierungswissen, das horizontale Tools nicht leicht replizieren können
- Workflow-Integration, die tief genug ist, dass ein Entfernen zentrale Geschäftsprozesse stören würde
Das ist die Formel für verteidigungsfähige Software im KI-Zeitalter. Nicht „wir haben Funktionen, die andere nicht haben" (KI gleicht Funktionen aus), sondern „wir verstehen diese Branche besser als jeder andere, und unsere KI wird mit jeder Interaktion besser".
Open Source als großer Gleichmacher
DeepSeeks Training für 294.000 $ hat nicht nur die KI-Branche erschüttert. Es sandte einen Schock durch die SaaS-Ökonomie.
Als DeepSeek im Januar 2025 R1 veröffentlichte, ein Open-Source-Reasoning-Modell, das GPT-4 in vielen Benchmarks erreichte oder übertraf, geschahen zwei Dinge: NVIDIAs Marktkapitalisierung fiel an einem einzigen Tag um 600 Milliarden Dollar, und jedes SaaS-Unternehmen, das auf proprietären KI-Zugang angewiesen war, verlor eine Säule seines Burggrabens.
Die Verbreitung von Open-Source-KI in Unternehmen sprang von 23 % auf 67 % und lieferte 70-90 % Kosteneinsparungen im Vergleich zu geschlossenen Modell-Alternativen. Fünf unabhängige Open-Source-Modellfamilien (DeepSeek, Qwen, Kimi, GLM, Mistral) erreichten gleichzeitig Frontier-Qualität bei Standard-Benchmarks. Der Stanford AI Index 2025 bestätigte, dass offene Modelle geschlossene Modelle bei MMLU, MATH-500, AIME und GPQA Diamond erreichen oder übertreffen.
Was das für SaaS bedeutet: Die KI-Schicht selbst ist kein Burggraben. Jedes Unternehmen kann zu Grenzkosten auf Frontier-KI-Modelle zugreifen. DeepSeek R1s Input-Token kosten 0,07 $ pro Million, etwa 27-mal günstiger als vergleichbare OpenAI-Modelle. Eine KI-Funktion, die Ihr SaaS-Unternehmen bei OpenAI 1.000 $/Monat kostet, kann mit Open-Source-Alternativen für 37 $ laufen.
Die SaaS-Unternehmen, die überleben, werden diejenigen sein, deren Wert daraus entsteht, was sie mit KI machen, nicht aus der Tatsache, dass sie KI nutzen. Daten, Workflow-Integration, Domänenexpertise und Netzwerkeffekte sind Burggräben. „Wir haben KI hinzugefügt" ist keiner.
Deshalb beobachten wir eine Bifurkation. Vertikale KI-Unternehmen mit tiefer Domänenexpertise und proprietären Trainingsdaten erzielen Premium-Bewertungen. Horizontale SaaS-Unternehmen, die KI auf bestehende Produkte aufgeschraubt haben, verlieren Preissetzungsmacht, da Kunden erkennen, dass sie die KI-Funktionen mit standardmäßigen Modellen replizieren können.
Wie man Software baut, die nicht an einem Wochenend-Hackathon nachgebaut werden kann
Wenn Funktionen günstig zu bauen und KI weithin zugänglich ist, was macht Software verteidigungsfähig? Hier ist ein Framework für den Aufbau von Produkten, die die SaaSpocalypse überleben:
1. Besitzen Sie die Datenschleife. Jede Nutzerinteraktion sollte Ihr Produkt intelligenter machen. Glasp macht das mit seinem sozialen Highlight-Feed, bei dem jedes Highlight die kollektive Wissensbasis wertvoller macht. Stripe macht es mit Zahlungsdaten, die die Betrugserkennung verbessern. Das Produkt verbessert sich durch Nutzung auf eine Weise, die ein Wettbewerber, der bei null anfängt, nicht replizieren kann.
2. Bauen Sie Netzwerkeffekte, nicht Funktionen. Ein Projektmanagement-Tool ist eine Funktion. Eine Plattform, auf der Teams, KI-Agenten und Integrationen sich vernetzen, ist ein Netzwerk. Je mehr Nutzer/Agenten/Integrationen auf der Plattform, desto wertvoller wird jeder einzelne. Vibe Coding kann eine Funktion replizieren. Ein Netzwerk kann es nicht replizieren.
3. Gehen Sie in die Tiefe, nicht in die Breite. Statt ein Tool zu bauen, das „für jeden funktioniert", bauen Sie eines, das perfekt für eine bestimmte Branche funktioniert. Harvey konkurriert nicht mit „allgemeiner KI für Dokumente". Harvey konkurriert als „die KI, die juristische Arbeit versteht". Die Tiefe des domänenspezifischen Wissens, der Compliance-Anforderungen und der Workflow-Integration schafft einen Burggraben, den Breite nicht erreichen kann.
4. Bepreisen Sie nach Ergebnissen, nicht nach Zugang. Wenn Ihr KI-Produkt tatsächlich messbare Ergebnisse liefert (gelöste Support-Tickets, qualifizierte Leads, genehmigte Dokumente), bepreisen Sie entsprechend. Das richtet Ihre Anreize mit denen Ihres Kunden aus, macht das Wertversprechen unbestreitbar und schafft ein Umsatzmodell, das mit KI-Verbesserung wächst statt mit KI-Kommoditisierung zu schrumpfen.
5. Machen Sie den Wechsel durch Integrationstiefe teuer. Je tiefer Ihr Produkt in den Workflow, den Datenstack und die organisatorischen Prozesse des Kunden integriert ist, desto schwerer ist es herauszureißen. Es geht nicht um Lock-in durch Anbieterfallen. Es geht darum, durch tiefe Integration so viel Wert zu liefern, dass ein Wechsel den Neuaufbau kritischer Workflows erfordern würde.
6. Bauen Sie für die Agenten-Ökonomie. Ihr nächster Kunde könnte kein Mensch mit einem Browser sein. Es könnte ein KI-Agent mit einer API sein. Unternehmen, die MCP-Endpunkte, A2A-Schnittstellen und agentenfreundliche Architekturen bauen, bereiten sich auf eine Zukunft vor, in der KI-Agenten Software autonom auswählen und nutzen. Das ist der nächste Vertriebskanal.
7. Akkumulieren Sie proprietäre Trainingsdaten. Jedes vertikale KI-Startup nutzt standardmäßige Foundation-Modelle. Die Differenzierung kommt vom Fine-Tuning mit proprietären Daten: branchenspezifische Interaktionen, Kunden-Workflows, Domänen-Terminologie und Randfälle, die in allgemeinen Trainingsdaten nicht existieren. Diese Daten akkumulieren sich mit der Nutzung und schaffen einen Zinseszins-Vorteil.
Frequently Asked Questions
Ist SaaS wirklich tot?
Nein. Software as a Service ist nicht tot. Aber das spezifische Modell, pro Nutzer Zugang zu Funktionsumfängen zu verkaufen, steht unter starkem Druck. Die Unternehmen, die gedeihen, Cursor (ARR über 2 Mrd. $), Harvey (ARR 195 Mio. $, 3,9-faches Wachstum), Lovable (ARR über 400 Mio. $), sind alle KI-nativ mit Preismodellen, die auf den von KI gelieferten Wert ausgerichtet sind. „SaaS" als Branchenkategorie wird bestehen bleiben. Die Unternehmen darin werden sehr anders aussehen.
Wie viel Zeit haben traditionelle SaaS-Unternehmen, sich anzupassen?
Der Verlängerungszyklus 2026 ist der erste große Test. Unternehmensverträge, die 2023-2024 abgeschlossen wurden, stehen zur Verlängerung an, und Käufer stellen schwierige Fragen zu KI-Alternativen. Unternehmen mit starken Nutzungsdaten und klarem ROI werden verlängert. Die, die Funktionen verkaufen, die KI replizieren kann, werden Downselling-Druck oder Abwanderung erleben. Das Anpassungsfenster beträgt für die meisten Kategorien 12-24 Monate.
Sollte ich trotzdem ein SaaS-Startup gründen?
Ja, aber kein traditionelles. Das Playbook, das von 2010 bis 2023 funktionierte (Funktionen bauen, pro Nutzer berechnen, 80 % Bruttomarge anstreben, zum 15-Fachen des Umsatzes finanzieren), ist gebrochen. Das neue Playbook: vertikal gehen, die Daten besitzen, nach Ergebnissen bepreisen und akzeptieren, dass KI-gestützte Margen bei 50-60 % liegen werden, nicht bei 80-90 %. Der gesamte adressierbare Markt ist größer, weil KI es ermöglicht, Kunden zu bedienen, die sich menschenbasierte Lösungen nicht leisten konnten.
Was passiert mit SaaS-Bewertungen?
Sie werden neu justiert, um strukturelle Veränderungen widerzuspiegeln. Unternehmen mit nachgewiesenem KI-getriebenem Umsatzwachstum und ergebnisorientierter Preisgestaltung können Premium-Multiplikatoren erzielen. Traditionelles funktionsbasiertes SaaS wird zu niedrigeren Multiplikatoren gehandelt, da der Markt Margenkompression und Wettbewerbsrisiken durch KI-native Alternativen einpreist. Die Bifurkation zwischen „KI-nativen" und „KI-aufgesetzten" Bewertungen wird sich weiter vergrößern.
Wie beeinflusst Open-Source-KI die Verteidigungsfähigkeit von SaaS?
Sie eliminiert „wir nutzen KI" als Differenzierungsmerkmal. Wenn jeder Frontier-Open-Source-Modelle zu 70-90 % geringeren Kosten als kommerzielle APIs einsetzen kann, ist die KI-Schicht selbst kein Burggraben. Verteidigungsfähigkeit muss daraus entstehen, was man auf Basis von KI baut: Domänenexpertise, proprietäre Daten, Workflow-Integration und Netzwerkeffekte. Unternehmen, deren KI-Vorteil „wir haben einen GPT-Wrapper" ist, sind am verwundbarsten.
Welche Branchen sind am wenigsten von der SaaSpocalypse betroffen?
Stark regulierte Branchen (Gesundheitswesen, Finanzen, Regierung) sind am wenigsten betroffen, da Compliance-Anforderungen Wechselkosten schaffen, die KI nicht beseitigt. Sicherheit und Identitätsmanagement sind ebenfalls widerstandsfähig, da Vertrauen und Zertifizierung wichtiger sind als Funktionen. Dateninfrastruktur profitiert von der KI-Adoption (mehr KI = mehr Datenverarbeitung). Plattform-Unternehmen mit starken Netzwerkeffekten (Shopify, Stripe) sind geschützt, weil das Netzwerk selbst der Wert ist.
Fazit: Von Software as a Service zu Service as Software
Die SaaSpocalypse ist nicht das Ende von Software. Es ist das Ende einer bestimmten Ära der Software-Ökonomie, einer Ära, die auf der Annahme aufgebaut war, dass die Erstellung von Software teuer ist und der Zugang zu vorgefertigter Software daher bezahlenswert ist.
Diese Annahme hielt zwei Jahrzehnte. Ein Projektmanagement-Tool, ein CRM oder ein Analyse-Dashboard zu bauen, erforderte Monate an Engineering-Zeit und Hunderttausende von Dollar. Die Preisgestaltung pro Nutzer war das natürliche Modell: Man zahlt für die angesammelte Engineering-Investition, umgelegt auf alle Nutzer.
KI hat diese Annahme gebrochen. Wenn die Kosten für den Bau von Funktionen gegen null gehen, geht der Wert vorgefertigter Funktionen gegen null. Was seinen Wert behält, ist alles rund um die Funktionen: die Daten, das Netzwerk, die Domänenexpertise, das Compliance-Wissen, die Workflow-Integration und das Vertrauen.
Die SaaS-Unternehmen, die diesen Übergang erfolgreich meistern, werden grundlegend anders aussehen als die, die in den 2010er-Jahren gediehen. Sie werden niedrigere Bruttomargen haben, aber größere adressierbare Märkte. Sie werden nach Ergebnissen bepreisen, nicht nach Nutzern. Sie werden in der Domänentiefe konkurrieren, nicht in der Funktionsbreite. Und sie werden KI-Agenten neben Menschen als Kunden bedienen.
Der Übergang von „Software as a Service" zu „Service as Software" ist nicht nur eine Preisänderung. Es ist eine Neukonzeption dessen, was Software-Unternehmen tun. Sie stellen keine Tools bereit, damit Menschen arbeiten können. Sie liefern Ergebnisse, die früher menschliche Arbeit erforderten. Das Produkt ist das Ergebnis, nicht die Oberfläche.
Für Gründer ist das gleichermaßen beängstigend und befreiend. Beängstigend, weil das Playbook, das Sie studiert haben, veraltet ist. Befreiend, weil das neue Playbook genau die Dinge belohnt, die KI nicht leicht replizieren kann: ein tiefes Verständnis eines spezifischen Problems, das Urteilsvermögen zu wissen, welche Ergebnisse zählen, und den Geschmack, Produkte zu bauen, denen Menschen ihre wichtigsten Workflows anvertrauen.
Die SaaSpocalypse ist keine Krise. Sie ist eine Umverteilung. Wert bewegt sich von Unternehmen, die Funktionen gebaut haben, zu Unternehmen, die Ergebnisse liefern. Die Gründer, die diesen Unterschied verstehen, werden die nächste Generation von Software-Unternehmen aufbauen. Die, die es nicht verstehen, werden die nächsten zwei Jahre damit verbringen, ihrem Burggraben beim Verdampfen zuzusehen.