CADDi erreicht eine Bewertung von 1,2 Milliarden Dollar, indem es das Problem löst, das niemand richtig digitalisiert hatte
Es gibt ein Problem, das jeder Betriebsleiter in der Fertigung sofort erkennt: Das Unternehmen kauft dasselbe Bauteil von verschiedenen Lieferanten zu verschiedenen Preisen, ohne zu wissen, dass es dieses Teil schon früher gekauft hat. Nicht weil die Ingenieure unachtsam wären. Sondern weil das Wissen darüber, was gekauft wurde, warum dieser Lieferant ausgewählt wurde und welche Mängel dieses Teil hatte, in verstreuten CAD-Dateien lebt, in ERP-Systemen, die nicht miteinander kommunizieren, und vor allem im Kopf eines Ingenieurs mit dreißig Jahren Erfahrung, der im nächsten Quartal in Rente geht.
CADDi, ein Startup mit Sitz in Tokio und Chicago, hat diesen Bruchpunkt vor acht Jahren identifiziert und Software entwickelt, um ihn anzugehen. Diese Woche schloss das Unternehmen eine Serie-D-Runde über 114 Millionen Dollar ab, die es mit 1,2 Milliarden Dollar bewertet – mehr als das Doppelte der 470 Millionen Dollar, die im März 2025 gemeldet wurden. Das gesamte akkumulierte Finanzierungsvolumen beläuft sich auf 234 Millionen Dollar.
Was diesen Fall interessant macht, ist nicht die Zahl. Es ist die grundlegende Frage, die diese Zahl beantwortet: In welchem genauen Moment hört ein Fertigungs-Softwareunternehmen auf, eine Nische zu sein, und wird zur Infrastruktur?
Das Wissen, das auf keinem Server gespeichert ist
Der Ausgangspunkt von CADDi war ehrlich bescheiden. Sein erstes Produkt, CADDi Drawer, tat eine einzige Sache: Es erfasste technische Zeichnungen und suchte in der Datenbank des Kunden, ob bereits ein gleiches oder ähnliches Bauteil existierte. Der Ansatz war konkret: Bevor eine neue Angebotsanfrage gestellt wird, zeigte das System, ob das Bauteil bereits im Lager vorhanden war, welcher Lieferant es gefertigt hatte und wie hoch seine Fehlerquote gewesen war.
Dieses Maß an Spezifität ist nicht trivial. Um es zu lösen, muss die Software technische Zeichnungen und CAD-Dateien verstehen – nicht Text. Und genau darin liegt der technische Unterschied, den Yushiro Kato, Gründer und CEO des Unternehmens, direkt ansprach: „Ich habe noch nie jemanden gesehen, der Sprachmodelle für Designüberprüfungen einsetzt, weil sie weder Zeichnungen noch CAD-Dateien verstehen." CADDi verwendet ein eigenes KI-Modell für Produktdaten wie Zeichnungen und CAD-Dateien und allgemeine Sprachmodelle nur für Dokumente und Tabellenkalkulationen. Der Unterschied ist bedeutsam, weil er die Grenze zwischen einem Chatbot mit fertigungstechnischem Kontext und einem System markiert, das die Geometrie eines Bauteils lesen kann.
Was das Unternehmen ausgehend von diesem ersten Produkt aufgebaut hat, rechtfertigt die aktuelle Bewertung. Der Katalog umfasst nun CADDi Explorer, das den ursprünglichen Drawer ersetzt, sowie CADDi Agent, einen KI-Agenten, der bei Entscheidungen zur Bauteilstandardisierung hilft und bewertet, wie sich eine Designänderung auf Leistung und Sicherheit auswirkt. Hinzu kommen sechs Workflow-Produkte für spezifische Aufgaben, darunter CADDi Design Review, das potenzielle Fehler in neuen Zeichnungen erkennt, indem es sie mit historischen Problemen ähnlicher Bauteile vergleicht.
Die Gesamtarchitektur bildet das, was CADDi eine „KI-Datenplattform für die Fertigung" nennt: ein System, das CAD-Dateien, ERP- und sogar Personalverwaltungssysteme integriert und diese Informationen so strukturiert, dass sowohl Menschen als auch KI-Agenten sie operativ nutzen können. Die Ambition besteht darin, die Intelligenzschicht zu sein, auf der Entscheidungen über Design, Einkauf, Qualität und Ausführung getroffen werden – kein zusätzliches ERP-Modul.
Kato behauptet, dass mehr als 80 % des Wissens über Fertigungsprozesse niemals in irgendeinem System erfasst wird. Es lebt im Gedächtnis erfahrener Mitarbeiter. Wenn diese Person das Unternehmen verlässt, geht das Wissen mit ihr. Das ist keine philosophische Hypothese: Es ist eine operative Reibung, die sich in unnötigen Neugestaltungen, in Prototyping-Zyklen, die sich aufgrund vor einem Jahrzehnt bereits gelöster Probleme wiederholen, und in Lieferanten niederschlägt, die ohne Informationen über ihre tatsächliche Qualitätshistorie ausgewählt werden.
Was die Liste der Investoren über den Markt verrät, um den sie kämpfen
Die Zusammensetzung der Gruppe, die an der Serie D teilgenommen hat, verdient mehr Aufmerksamkeit als die Gesamtsumme. Acht neue und bestehende Investoren beteiligten sich: Moore Strategic Ventures, Coreline Ventures, Woven Capital (der Wachstumsfonds von Toyota), Salesforce Ventures, HR Tech Fund (der Corporate-Investment-Arm von Recruit Holdings in Japan) sowie die bestehenden Investoren Atomico, Globis Capital Partners und die von einer Tochtergesellschaft der Japan Post Bank verwalteten JPS Growth Fonds.
Woven Capital, der Fonds von Toyota, investiert nicht in generische Technologie. Es investiert in Wetten, die sich direkt auf die Automobilzulieferkette auswirken. Die Beteiligung an einem Unternehmen, das verspricht, Designüberprüfungszyklen zu verkürzen und das Tacit Knowledge erfahrener Ingenieure zu erfassen, ist keine passive Finanzwette; es ist ein Signal, dass ein Automobilhersteller mit Jahrzehnten sedimentierter Prozesse in CADDi ein Werkzeug sieht, das seine Produktentwicklungsgeschwindigkeit verändern könnte.
Salesforce Ventures wiederum formuliert die Investition präzise: Die Fertigung ist einer der größten Sektoren, der noch keine kategoriendefinierende KI-Plattform hat. Diese Aussage hat klare strategische Konsequenzen. Sie bedeutet, dass jemand die Position einnehmen kann, die Salesforce im Vertrieb oder SAP im Unternehmensmanagement innehat – jedoch auf der Ebene der Intelligenz über fertigungstechnische Daten. Wer diese Position zuerst einnimmt, wird sehr schwer umkehrbare Bindungsvorteile haben, weil die historischen Design- und Qualitätsdaten, die sich auf der Plattform ansammeln, zu eigenen Kundenwerten werden, die an das System gebunden sind.
Das wirft ein Szenario progressiver Abhängigkeit auf. Nicht durch vertragliche Klauseln, sondern weil eine Migration zu einem anderen System bedeutet, die strukturierte Historie von Überprüfungen, Lieferanten, Mängeln und Designentscheidungen zu verlieren, die CADDi akkumuliert hat. Für einen Automobilhersteller, der seit zehn Jahren diese Informationen einpflegt, sind die Wechselkosten nicht der Preis einer Lizenz; es ist der Verlust digitalisierten institutionellen Gedächtnisses.
Das Wachstum von mehr als 100 % gegenüber dem Vorjahr beim Umsatz, kombiniert mit Präsenz in 22 Ländern und mehr als der Hälfte der 100 größten Hersteller Japans als Kunden, deutet darauf hin, dass das Unternehmen die Phase der frühen Validierung in seinem Heimatmarkt bereits hinter sich gelassen hat. Die Frage ist nun, ob es diese Durchdringung in Nordamerika replizieren kann, wo der Wettbewerb um das Technologiebudget der Hersteller fragmentierter ist und die Stärke der etablierten ERP-Anbieter ausgeprägter.
Der physische Engpass als Investitionsthese
Kato hat eine Art, das Problem zu rahmen, die nützlicher ist als die meisten Startup-Pitches. Er nennt es „den physischen Engpass". Die Idee ist direkt: KI kann Theorien, Designs und Analysen in noch nie dagewesener Geschwindigkeit generieren, aber wenn der Prozess, ein Produkt vom Entwurf bis zur Serienproduktion zu bringen, weiterhin vier Jahre dauert, wird der kognitive Geschwindigkeitsgewinn durch die Reibung der physischen Welt aufgezehrt.
Ein typisches Automobil durchläuft ungefähr 20 Designüberprüfungszyklen zwischen Planung und Markteinführung. Viele dieser Zyklen existieren, weil Probleme erst beim physischen Prototyp entdeckt werden. CADDi setzt darauf, dass, wenn mehr dieser Schritte parallel durchgeführt und Fehler früher durch das akkumulierte Wissen erfahrener Ingenieure erkannt werden können, der Gesamtzyklus verkürzt wird. Das erklärte Ziel ist es, diesen Vier-Jahres-Prozess bis 2035 auf vier oder fünf Monate zu reduzieren, was eine zehnfache Beschleunigung der physischen Innovation bedeuten würde.
Diese Zahl mag ehrgeizig genug klingen, um für eine kurzfristige Analyse irrelevant zu sein. Aber ihre strategische Funktion ist eine andere: Sie definiert den Wertbereich, den CADDi gegenüber seinen Kunden, Investoren und potenziellen Wettbewerbern beansprucht. Es ist kein Unternehmen, das einen Prozessschritt optimiert. Es ist ein Unternehmen, das sagt, es kann die Geschwindigkeit verändern, mit der die physische Welt auf digitale Intelligenz reagiert.
Die Glaubwürdigkeit dieser These hängt von etwas ab, das Kato ohne Umschweife als das schwierigste Hindernis anerkannte: das Change Management. Einen Ingenieur mit zwanzig Jahren Erfahrung davon zu überzeugen, seine Kriterien in einem System zu erfassen oder die Art und Weise, wie er Designüberprüfungen durchführt, zu ändern, lässt sich nicht mit einer guten Benutzeroberfläche lösen. Deshalb beschäftigt CADDi mehr als 100 Mitarbeiter im Bereich Customer Success – mehr als seine Vertriebsmannschaft – und hat begonnen, Ingenieure einzustellen, die vor Ort in Kundenorganisationen arbeiten, um sicherzustellen, dass die Einführung in messbaren Mehrwert übersetzt wird. Das Produkt verkauft sich; die operative Einführung wird installiert.
Diese Entscheidung, mehr in Bindung und Einführung als in Akquisition zu investieren, spiegelt ein Geschäftsmodell wider, das darauf setzt, dass der Wert pro Kunde mit der Zeit steigt. Jede neu geladene Zeichnung, jede registrierte Lieferantenentscheidung und jede dokumentierte Designüberprüfung macht das System für diesen spezifischen Kunden nützlicher. Die Akkumulation eigener Daten ist die greifbarste Form der Differenzierung, die eine solche Plattform aufbauen kann, und sie ist auch der Grund, warum das Wachstum der Mitarbeiterzahl von 600 auf 900 Personen in weniger als zwei Jahren auf genau diese Profile konzentriert ist.
Die Fertigung wird nicht von außen erfasst; sie wird von innen erfasst
Das Geld aus der Serie D hat erklärte Verwendungszwecke: Erweiterung des Produktkatalogs, Entwicklung eigener KI-Modelle speziell für 3D-CAD-Dateien und 2D-Zeichnungen, globale Expansion mit Fokus auf Nordamerika und Personalaufbau. Diese vier Vektoren sind miteinander konsistent. Die Verbesserung proprietärer KI-Modelle vergrößert den technischen Vorsprung gegenüber Wettbewerbern, die auf allgemeine Sprachmodelle angewiesen sind. Eine Expansion in Nordamerika, bevor ein gut kapitalisierter Konkurrent diesen Raum besetzt, senkt die künftigen Akquisitionskosten. Die Einstellung von mehr Customer-Success-Mitarbeitern stellt sicher, dass die Expansion keine Abwanderung durch gescheiterte Einführungen erzeugt.
Was in dieser Liste nicht auftaucht – und es ist bemerkenswert – ist jede Erwähnung von Kostensenkungen bei operativen Ausgaben oder der Automatisierung des eigenen Implementierungsprozesses. Das sagt etwas über den aktuellen Stand des Unternehmens aus: Es ist auf der Lieferseite noch sehr personalintensiv, was kohärent ist mit der Schwierigkeit, die Kato beim Change Management anerkannte. Das Unternehmen hat noch keinen Weg gefunden – oder sich nicht dafür entschieden –, die Einführung zu skalieren, ohne das Implementierungsteam im gleichen Verhältnis zu vergrößern.
Das ist der interessanteste Spannungspunkt auf dem Weg, den CADDi noch vor sich hat. Wenn es gelingt, genügend Wissen darüber zu kodifizieren, wie eine erfolgreiche Implementierung bei verschiedenen Herstellertypen aussieht, könnte diese Abhängigkeit von eigenem Talent reduziert werden. Gelingt dies nicht, wird das Wachstum eine operative Obergrenze haben, die durch die Anzahl der einstellbaren und haltbaren Customer-Success-Mitarbeiter definiert wird – nicht durch die Marktnachfrage.
Die Bewertung von 1,2 Milliarden Dollar nimmt vorweg, dass dieses Problem gelöst wird. Die aktuellen Wachstums- und Durchdringungsdaten deuten darauf hin, dass das Unternehmen genügend Zeit und Kapital hat, um daran zu arbeiten, bevor es zu einem strukturellen Problem wird. Dieser Spielraum ist jedoch nicht unbegrenzt, und die Expansion in Nordamerika, wo Unternehmensverkaufszyklen länger und der Budgetwettbewerb intensiver sind, verengt ihn. CADDi hat bereits bewiesen, dass das Problem, das es löst, real ist und dass Hersteller dafür zahlen. Was als nächstes kommt, erfordert eine Skalierung, ohne dass die Implementierungskomplexität im gleichen Tempo wächst wie die Anzahl der Kunden.
