Die Software, die die KI-Welle überlebt, ist nicht die billigste, sondern die schwierigste, die man aufgibt
Es gibt ein Gedankenexperiment, das es wert ist, durchzuführen, bevor man über Produktstrategie spricht: Nimm deinen Software-Stack und stelle dir für jedes Tool eine Frage. Wenn es morgen verschwindet, wie lange würde es dauern, es mit einem gut instruierten KI-Agenten zu ersetzen? Wenn die Antwort lautet „einen Nachmittag", lebt das Produkt auf brüchigem Boden. Wenn die Antwort lautet „Monate der Migration, regulatorischen Validierung und des Wiederaufbaus von Datenhistorie", dann hat dieses Produkt etwas, das mehr wert ist als seine Oberfläche.
Dieses Experiment hört auf, hypothetisch zu sein. In den ersten Monaten des Jahres 2026 begannen Unternehmen jeder Größe, es ernsthaft durchzuführen, und die Ergebnisse zeichnen neu, welcher Teil des Softwaremarkts eine Zukunft hat und welcher schlicht seinen Preis nicht mehr rechtfertigen kann, wenn ein gut konfiguriertes Sprachmodell dasselbe für einen Bruchteil der Kosten erledigt.
Das Phänomen hat einen Namen: Manche nennen es die „SaaSpocalypse". Der Begriff ist einprägsam, aber die Diagnose darunter ist nicht apokalyptisch, sondern chirurgisch. Nicht Software als Kategorie stirbt. Es stirbt eine spezifische Schicht von Software – die teuerste, die in Bezug auf Marketing aufzubauen ist, und die einfachste, die in Bezug auf Funktion zu ersetzen ist. Was übrig bleibt, ist das, was schon immer wirklich schwer zu bauen war: Daten, die sich ansammeln, Arbeitsabläufe, die man nicht folgenlos herausreißen kann, und operatives Wissen, das kein Modell von Grund auf neu ableiten kann.
Die Ökonomie, die sich schlagartig verändert hat
Um das Ausmaß der Bewegung zu verstehen, hilft es, Zahlen auf den Tisch zu legen. Im Februar 2026 verlor der SaaS-Sektor das Äquivalent von 300 Milliarden US-Dollar an Börsenkapitalisierung an einem einzigen Handelstag. Monate später beschrieb ein Forbes-Artikel, wie der Sektor nahezu eine Billion Dollar an Wert vernichtet hatte, bevor er sich mit einer teilweisen Erholung von 13 % stabilisierte. Diese Erholung war kein Zeichen dafür, dass das Problem gelöst wurde. Es war ein Zeichen dafür, dass die Märkte begannen, zwischen Software mit einem echten Burggraben und Software ohne einen solchen zu unterscheiden.
Der Druckmechanismus kommt von zwei gleichzeitigen Fronten. Einerseits können ausgereifte KI-Agenten heute komplexe Arbeitsabläufe ausführen, die früher Lizenzen für spezialisierte Software erforderten. Andererseits haben KI-gestützte Entwicklungstools die Kosten für die Erstellung individueller Software auf ein Niveau gesenkt, das Alternativen wirtschaftlich tragfähig macht, die zuvor völlig absurd gewesen wären.
Ein mittelständisches Immobilienunternehmen ersetzte einen CRM-Unternehmensvertrag im sechsstelligen Jahresbereich durch eine mit KI-Tools erstellte Anwendung. Das Ersatzsystem kostet rund 300 US-Dollar monatlich an Wartung, was einer Einsparung von nahezu 100.000 US-Dollar pro Jahr entspricht. Ein Startup mit 45 Mitarbeitern namens Atonom vollzog einen gleichwertigen Schritt: Es kündigte einen Salesforce-Vertrag im Wert von 40.000 US-Dollar jährlich und wechselte zu einem eigenen CRM, das voraussichtlich rund 1.200 US-Dollar pro Jahr kosten wird. Das sind keine Randexperimente. Eine Umfrage von Retool unter 817 Produktteams ergab, dass 35 % bereits mindestens ein SaaS-Tool durch eine interne Eigenentwicklung ersetzt hatten, und 78 % erklärten die Absicht, im Jahr 2026 noch mehr eigene Tools zu bauen.
Was diese Zahlen offenbaren, ist nicht der Zusammenbruch des SaaS-Modells. Sie offenbaren den Zusammenbruch von Software, die nie mehr Verteidigung hatte als ihren ursprünglichen Akquisitionspreis und die Trägheit des Kunden. Wenn diese Trägheit nachlässt, liegt das Produkt schutzlos da.
Wo der Burggraben lebt, den ein Agent nicht überqueren kann
Die Logik dessen, was überlebt und was nicht, hat eine recht klare Struktur, wenn man sie aus der Perspektive der echten Zahlungsbereitschaft versus der Migrationsbereitschaft betrachtet.
Akkumulierte proprietäre Daten sind das am schwierigsten zu replizierende Asset. Ein Sprachmodell kann Compliance-Formulare erstellen, Verträge entwerfen oder Markttrends analysieren. Was es nicht kann, ist fünf Jahre an Genehmigungshistorie zu generieren, die mit Abteilungssignaturen und auditierten Versionen klinischer Dokumente verknüpft sind. Diese Historie existiert an einem einzigen Ort: auf der Plattform, die sie erfasst hat. Wenn ein Pharmaunternehmen einem Regulator gegenüber Rückverfolgbarkeit nachweisen muss, ist die Software, die diese Aufzeichnungen enthält, durch nichts ersetzbar, das man an einem Nachmittag mit KI aufbauen könnte. Die Migrationskosten sind nicht nur technischer Natur; sie umfassen Revalidierung, Compliance-Risiko und rechtliche Haftung. Das unterschreibt niemand freiwillig.
Dies ist das Muster, das Bain & Company in seiner Forschung von 2026 formuliert hat: Die Produkte, die überleben, sind jene, die „Entscheidungen und Ergebnisse jeder Ausführung erfassen, um einen dauerhaften Burggraben aus Ausführungsdaten aufzubauen, der sich mit der Zeit zusammensetzt". Die Idee ist theoretisch nicht neu, aber nur wenige Unternehmen haben sie bewusst aufgebaut. Die meisten nahmen an, dass der Wert in der Oberfläche oder in der Funktion liegt – und genau das ist es, was KI-Agenten als Erstes angreifen.
Die Tiefe der Integration in operative Arbeitsabläufe definiert die Wechselkosten. Es gibt einen strukturellen Unterschied zwischen einer Software, die eine Aufgabe erledigt, und einer Software, die in die Art und Weise integriert ist, wie eine Organisation Entscheidungen trifft. Erstere konkurriert über Preis und Bequemlichkeit; Letztere konkurriert über das Risiko einer Unterbrechung. Wenn ein Tool in den Kreditgenehmigungsprozess, in die Beschaffungsentscheidungskette oder in das Qualitätsverfolgungssystem der Fertigung eingebettet ist, ist sein Ersatz keine Softwareentscheidung. Es ist eine Entscheidung zur operativen Neugestaltung, die mehrere Teams, Audits und monatelange Paralleltests erfordert.
Investoren in Software verarbeiten dies bereits. Die im Mai 2026 veröffentlichte Analyse der Harvard Business Review wies auf eine wachsende Kluft zwischen regelbasierten Tools – die für KI-gestützte interne Entwicklung anfälliger sind – und Plattformen mit proprietären Daten und hoher Workflow-Integration hin, die gegenüber dem Wettbewerbsdruck eine größere Resilienz zeigen.
Menschliche Verantwortlichkeit ist kein Overhead; sie ist die letzte Brandmauer. Wenn ein KI-Agent in einem kritischen Prozess einen Fehler begeht, sucht der Kunde nicht nach einem anderen Agenten. Er sucht jemanden, der die Verantwortung für das Problem übernehmen kann, den spezifischen Kontext des Kontos kennt und es beheben kann. Das erfordert Personen, die nicht nur wissen, wie man das Tool bedient, sondern das Geschäft des Kunden gut genug verstehen, um einen trivialen Fehler von einem zu unterscheiden, der eskaliert. Teams, die gelernt haben, KI einzusetzen, um 90 % des Routinevolumens zu automatisieren, können ihre Mitarbeiter für die verbleibenden 10 % einsetzen – und genau dort bildet sich die Meinung des Kunden darüber, ob der Anbieter es verdient, zu bleiben oder nicht.
Wie man den Unterschied zwischen einem echten und einem vermeintlichen Burggraben erkennt
Der häufigste Fehler, den ich bei Produktteams sehe, besteht nicht darin, keine proprietären Daten zu haben. Es besteht darin anzunehmen, dass sie diese besitzen, obwohl sie in Wirklichkeit Daten haben, die proprietär in der Form, aber generisch im Inhalt sind.
Es gibt einen praktischen Test, der sich als nützlich erweist: Man nimmt den Kern der Produktfunktionalität und bittet einen kompetenten Entwickler mit Zugang zu KI-Tools, ihn in einer Woche zu reproduzieren. Was ihm gelingt zu reproduzieren, ist nicht der Burggraben – unabhängig davon, wie lange es ursprünglich gedauert hat, ihn zu bauen. Was ihm nicht gelingt zu reproduzieren – sei es wegen historisch akkumulierter Daten, wegen Integrationen mit proprietären Systemen Dritter, wegen branchenspezifischer regulatorischer Logik oder wegen des taziten Wissens der Nutzer – das definiert den verteidigbaren Perimeter.
Bain argumentiert, dass Unternehmen, die das erfassen wollen, was es als den „nächsten 100-Milliarden-Dollar-Markt" im Bereich agentischer KI bezeichnet, explizite Entscheidungen darüber treffen müssen, welche Daten sie besitzen wollen, welche Arbeitsabläufe sie instrumentieren wollen, um diese Daten zu erfassen, und ob sie diese Fähigkeiten aufbauen, erwerben oder durch Partnerschaften erlangen sollen. Die Frage ist nicht, ob das aktuelle Produkt KI nutzt. Die Frage ist, ob das aktuelle Produkt jedes Mal wertvoller wird, wenn ein Kunde es nutzt, oder ob es einfach eine Transaktion verarbeitet und sie vergisst.
Deloitte fügt der Analyse eine weitere Dimension hinzu: Unternehmen müssen auch entscheiden, ob sie auf ein spezifisches Agenten-Ökosystem setzen, eine neutrale Orchestrierungsschicht aufbauen oder ein föderiertes Modell übernehmen wollen. Diese Entscheidung hat Konsequenzen dafür, wo die Kontrolle über die Ausführungsdaten liegt und damit darüber, wer mit der Zeit den Burggraben aufbaut.
Software ohne Geschichte hat keinen Preis
Es gibt etwas, das die Unternehmen, die diesen Zyklus gut überstehen, gemeinsam haben – und es ist nicht, KI früher als ihre Wettbewerber eingeführt zu haben. Es ist, Produkte gebaut zu haben, bei denen die Anhäufung von Nutzung etwas erzeugt, das vor dieser Nutzung nicht existierte.
Ein System zur Verwaltung klinischer Studien, das seit fünf Jahren Dokumentversionen, überkreuzte Signaturen und regulatorische Genehmigungen erfasst, ist nicht deshalb wertvoll, weil seine Oberfläche besser ist als ChatGPT. Es ist wertvoll, weil es eine Geschichte enthält, die von außen nicht rekonstruiert werden kann und die einen konkreten rechtlichen und regulatorischen Wert hat. Ein CRM, das zehn Jahre lang Interaktionen mit Nischenindustriekunden verarbeitet hat – mit allen Verhaltensmustern, der Verhandlungshistorie und den integrierten Aftersales-Daten – konkurriert nicht im Preis mit einem Tool, das in einer Woche gebaut wurde. Es konkurriert anhand der Kosten des Verlusts dieser Historie.
Sprachmodelle sind probabilistisch: Sie erzeugen plausible Antworten auf der Grundlage statistischer Muster. Akkumulierte proprietäre Daten sind deterministisch: Sie enthalten den Datensatz dessen, was passiert ist. Diese Unterscheidung ist nicht philosophisch. Sie hat direkte Konsequenzen dafür, wer einen Prozess auditieren kann, wer einem Regulator gegenüber Compliance nachweisen kann und wer eine vor drei Jahren getroffene Entscheidung rekonstruieren kann.
Der Softwaremarkt bricht nicht zusammen. Er differenziert sich mit einer Präzision, die zuvor nicht möglich war, weil die Kosten für den Aufbau von Alternativen hoch genug waren, um Produkte am Leben zu erhalten, die keinen Burggraben hatten. Diese Kosten existieren nicht mehr in derselben Weise. Was nach dieser Differenzierung übrig bleibt, ist das, was schon immer es wert gewesen wäre, gebaut zu werden: Systeme, die mit jedem Jahr, das vergeht, mehr wissen, die in Entscheidungen eingebettet sind, die von Bedeutung sind, und die einen verantwortlichen Menschen haben, wenn etwas schief geht. Software, die nicht mindestens eines dieser drei Dinge nachweisen kann, steht vor einem Preisdruck, der nicht nachlassen wird.
