Warum KI die Vergangenheit gut analysiert, aber Risikokapital auf die Zukunft setzt
Drei Viertel der Risikokapitalfirmen nutzen bereits künstliche Intelligenz, um Investitionsmöglichkeiten zu bewerten. Diese Zahl allein klingt nach unvermeidlicher Modernisierung. Doch dahinter verbirgt sich eine strukturelle Spannung, die dieser Prozentsatz nicht erfasst: Sprachmodelle sind außerordentlich gut darin, genau das zu tun, was sich Risikokapital zu oft nicht leisten darf – nämlich in die Vergangenheit zu blicken.
Risikokapital ist in seiner grundlegendsten Mechanik eine Wette auf Diskontinuitäten. Nicht auf Märkte, die sich vorhersehbar ausdehnen, sondern auf Momente, in denen eine Technologie oder ein Verhalten mit dem bricht, was frühere Daten als wahrscheinlich nahelegten. Werkzeuge, die auf historischen Mustern trainiert wurden, in diesen Prozess einzuführen, ist sinnvoll – bis es das nicht mehr ist. Und die Grenze zwischen diesen beiden Zuständen ist enger, als die meisten Firmen öffentlich zugeben.
Das ausgefeilteste Bestätigungsvorurteil, das es je gab
Große Sprachmodelle erzeugen Antworten, indem sie Muster in riesigen Textkorpora identifizieren. Das macht sie außerordentlich leistungsfähig bei analytischen Aufgaben mit klar definierten Konturen: Wettbewerber kartieren, regulatorische Hindernisse identifizieren, technische Literatur zusammenfassen, Risiken in einem bekannten Markt aufzeigen. Was sie konstruktionsbedingt nicht können, ist den Moment zu erkennen, in dem diese Konturen dabei sind, die gesamte Karte neu zu zeichnen.
Die Geschichte des Risikokapitals ist voll von Beispielen, in denen die korrekte Analyse der Gegenwart der Grund war, warum man die Zukunft verpasste. Als Airbnb 2008 seine ersten Finanzierungsrunden aufnahm, war die These, dass Fremde dafür zahlen würden, in fremden Häusern zu schlafen, nicht nur kontraintuitiv – sie war direkt unvereinbar mit den damals verfügbaren Daten über das Konsumentenverhalten. Die Stimmungsanalyse jener Zeit zeigte in die entgegengesetzte Richtung. Dasselbe galt für die frühen Phasen des sozialen Webs: Die dominierenden Umfragen der frühen 2000er Jahre zeigten, dass das größte Hindernis für die Internetnutzung die Angst vor dem Datenschutz war. Facebook wurde zum Teil genau dadurch gebaut, dass man diese Einschätzung ignorierte.
Ein gut kalibriertes System hätte beide Vorhaben als hochriskant eingestuft. Und es hätte recht gehabt – aus der Perspektive der Vergangenheit. Das Problem liegt nicht darin, dass die Analyse falsch war; es liegt darin, dass es die falsche Analyse für diese spezifische Entscheidung war.
Hier wird das Vorurteil schwer zu erkennen innerhalb der Firmen, die KI als Standardbestandteil ihres Due-Diligence-Prozesses übernommen haben. Es manifestiert sich nicht als offensichtlicher Fehler. Es manifestiert sich als eine Reihe sehr gut dokumentierter Analysen, die systematisch Wetten begünstigen, die einen Präzedenzfall haben, und diejenigen benachteiligen, die keinen haben. Kurzfristig erzeugt das geordnetere Portfolios. Langfristig erzeugt es Portfolios, die nicht die Renditen erwirtschaften, die diese Anlageklasse rechtfertigen.
Was der Kapitalfluss in Richtung KI im Jahr 2025 offenbart
Die Konzentration des globalen Risikokapitals im Jahr 2025 illustriert dieses Muster mit Präzision. Die globale Risikokapitalfinanzierung erreichte im vierten Quartal rund 141 Milliarden US-Dollar, ein Anstieg von 12 % gegenüber dem Vorquartal, was 2025 zum aktivsten Jahr seit 2021 macht. Künstliche Intelligenz repräsentierte mehr als 25 % des globalen Risikokapitals in diesem Jahr, gegenüber 15 % im Jahr 2024 und 7 % im Jahr 2023. Im Unternehmenssegment stieg die Ausgaben für generative KI von 11,5 Milliarden US-Dollar im Jahr 2024 auf 37 Milliarden im Jahr 2025, laut Daten von Menlo Ventures.
Diese Zahlen beschreiben eine Branche, die zum Teil mit echter Überzeugung auf die Zukunft setzt. Aber sie beschreiben auch eine Branche, die zum Teil dem lesbarsten verfügbaren Muster folgt. KI ist heute der Sektor mit der meisten jüngsten historischen Validierung, mit den meisten Zitaten in Forschungspapieren, mit dem größten Nachrichtenfluss. Es ist in praktischen Begriffen der Markt, über den ein KI-Werkzeug am leichtesten Analysen produzieren kann. Das Ergebnis ist eine Rückkopplungsschleife, die Kapital dort konzentriert, wo das Signal am klarsten ist – was genau die Art von Konzentration ist, die die höchsten medianen Renditen produziert, aber nicht notwendigerweise die Renditen im oberen rechten Schwanz der Verteilung.
Die Verteilung innerhalb des KI-Segments verdient ebenfalls Aufmerksamkeit. Menlo Ventures schlüsselt die Ausgaben von 2025 zwischen 19 Milliarden in der Anwendungsschicht und 18 Milliarden in der Infrastruktur auf. Innerhalb der Anwendungen erfassten horizontale Werkzeuge 8,4 Milliarden, abteilungsspezifische Lösungen 7,3 Milliarden und spezialisierte Vertikallösungen 3,5 Milliarden. Diese Granularität legt nahe, dass die Wette nicht mehr darüber geht, ob KI als Kategorie wichtig ist, sondern darüber, welche Schicht der Wertschöpfungskette nachhaltige Margen erfassen wird. Das ist eine viel feinere Frage, und genau die Art von Frage, bei der gut ausgeführte Analysen – mit oder ohne KI – differenzierten Mehrwert liefern können.
Was historische Analysen nicht auflösen können, ist die Identifizierung von Kategorien, die heute in keinem Datensatz auftauchen und die nächste Welle erfassen werden. Modulare Kernenergie ist derzeit das deutlichste Beispiel dafür.
Wenn eine Geschichte der Misserfolge eine echte Diskontinuität verbirgt
Die Aufzeichnungen zur Kernenergie sind voll von Warnungen. Three Mile Island, Tschernobyl, Fukushima. Jahrzehnte gescheiterter Kommerzialisierungsversuche. Bauzeiten, die sich von Jahren auf Jahrzehnte ausdehnten. Strukturelle Kostenüberschreitungen. Ein auf diesem Korpus trainiertes Analysesystem würde, vollkommen vernünftigerweise, eine Hochrisikobewertung für jedes Startup produzieren, das kleine modulare Reaktoren als Energielösung vorschlägt.
Das Problem ist, dass kleine modulare Reaktoren technisch und wirtschaftlich von großmaßstäblichen Kernkraftwerken verschieden sind, die diese Bilanz erzeugten. Sie sind für Serienproduktion und Standardisierung konzipiert, nicht für standortspezifischen Einzelbau. Und der Nachfragekontext hat sich strukturell verändert: KI-Rechenzentren benötigen Mengen an kontinuierlicher und vorhersehbarer Energie, die intermittierende Quellen nicht wirtschaftlich effizient in großem Maßstab liefern können. Unternehmen wie Microsoft, Google und Amazon haben bereits begonnen, Vereinbarungen zu unterzeichnen und Investitionen im Zusammenhang mit der Kernenergieerzeugung zu tätigen, was darauf hindeutet, dass das Nachfragesignal existiert und in Verträgen formalisiert wird – nicht nur in Absichtserklärungen.
Ein auf der nuklearen Vergangenheit trainiertes Modell sieht wahrscheinlich akkumuliertes Risiko. Ein Analytiker, der versteht, was sich in der Wirtschaft der Energienachfrage verändert hat, kann eine Technologie erkennen, die genau dann auf den Markt kommt, wenn der Markt sie endlich braucht. Der Unterschied zwischen diesen beiden Einschätzungen ist nicht Optimismus versus Pessimismus. Es ist die Fähigkeit zu erkennen, wann eine externe Variable den Möglichkeitsraum einer zuvor nicht lebensfähigen Technologie neu konfiguriert hat.
Diese Fähigkeit kann nicht an ein System delegiert werden, das keinen Zugang zu Informationen darüber hat, was noch nicht eingetreten ist.
Vorstellungskraft ist kein analytischer Luxus, sondern die Variable, die das Modell nicht importieren kann
Was Risikokapital historisch gekauft hat, ist nicht die Analyse des bestehenden Marktes. Es hat die Fähigkeit gekauft, sich Märkte vorzustellen, die noch nicht existieren, und die Teams zu identifizieren, die sie schaffen können. Diese Fähigkeit hat Komponenten, die nicht an Systeme zur Analyse historischer Muster delegierbar sind: das Lesen schwacher Signale, die Fähigkeit zu erkennen, wann ein aufkommendes Verhalten kurz davor steht, massenhaft zu werden, die Unterscheidung zwischen einem Markt, der wegen schlechter Ausführung scheiterte, und einem, der scheiterte, weil der Zeitpunkt falsch war.
Nichts davon bedeutet, dass Firmen ihren KI-Einsatz im Investitionsprozess reduzieren sollten. Die aktuellen Werkzeuge sind genuinen Wert beim Beschleunigen der Due Diligence in bekannten Märkten, beim Hinterfragen von Geschäftsmodell-Annahmen und beim Strukturieren der Wettbewerbsanalyse. Gut eingesetzt machen sie die Arbeit, die Analysten bereits leisteten, rigoroser.
Das Risiko liegt nicht im Einsatz von KI. Es liegt im Aufbau von Prozessen, bei denen das Fehlen eines historischen Präzedenzfalls automatisch zu einem Ausschlusssignal wird. Dieses institutionelle Design vertreibt aus dem Portfolio genau die Chancen, die Risikokapital am besten positioniert sein sollte zu erfassen.
Das Kapital, das dorthin fließt, wo Modelle bereits gut messen können, konkurriert mit jeder Firma, die dieselben Modelle verwendet. Das Kapital, das dorthin fließt, wo Modelle noch nicht gut messen können, konkurriert mit wesentlich weniger. Diese Asymmetrie verschwindet nicht, weil das Werkzeug ausgefeilter ist. Sie vertieft sich.
