KI Startups made in Germany – Spezialisierung statt Rechenleistung

‘Made in Germany‘ steht für Maschinenbau und deutsche Ingenieurskunst, doch im globalen KI-Wettlauf scheint das Label plötzlich nicht mehr viel wert zu sein. Während US-Konzerne mit aufwendigen KI-Modellen um die Vorherrschaft ringen, sucht Deutschland noch nach seiner Rolle. Worin könnte die eigene Stärke liegen und wofür könnte „Made in Germany“ im KI-Zeitalter stehen? Dieser Beitrag untersucht anhand von zehn Interviews mit deutschen KI-Startups, wie hierzulande tatsächlich wirtschaftlicher Wert durch KI entsteht. Die Ergebnisse zeigen, dass kaum ein Startup versucht, mit OpenAI oder Google zu konkurrieren. Stattdessen setzen die Gründerinnen und Gründer auf Spezialisierung, tiefes Branchenwissen und exklusive Daten. Was heißt das für Deutschlands Position im internationalen KI-Wettbewerb?

Wie können Deutschlands Startups im KI-Bereich wachsen und profitieren, wenn die USA und China allen davonzulaufen schienen? Der US KI Markt boomt und Europa scheint hinterherzulaufen.

Die Marktbewertungen von dominierenden US-Firmen im Kontext Künstliche Intelligenz erreichen die Ausmaße eines „Goldrausches“ (Shay & Davenport, 2026) und haben im dritten Quartal 2025 ein Drittel aller Marktinvestitionen in den USA ausgemacht (Kalyani, 2026). Der KI-Markt trägt inzwischen gut ein Drittel zum Wachstum der US-Wirtschaft bei und damit mehr als die Digitalindustrie auf dem Höhepunkt des Internet-Booms im Jahr 2000 (Rubinton & Patro, 2026). Deutschland scheint von dieser Entwicklung bislang jedoch kaum profitieren zu können. Die Wirtschaft schwächelt und der aktuelle AI Index Report aus Stanford (Sha et al., 2026) zeigt, dass Europa bei der Entwicklung leistungsstarker neuer KI-Modelle weit abgeschlagen ist.

Wo bleibt der Produktivitätsschub?

Einige Analysten sehen gerade in den KI-Produkten der großen US-Unternehmen das Potenzial für jene Produktivitätssteigerungen, die Deutschland für neues Wirtschaftswachstum benötigt. Bislang bleiben jedoch selbst kleinere Produktivitätssprünge in etablierten Unternehmen weitgehend aus (Stelter, 2025). Stattdessen verbreitet sich die Erkenntnis, dass sich ein KI-basierter Produktivitätszuwachs eher langsam über viele Jahre entwickeln wird und wir es mit einem neuen Productivity Paradox zu tun haben, bei dem für eine durchaus mächtige Technologie noch viele komplementäre Innovationen fehlen, um sie wirklich gewinnbringend einsetzen zu können. Zudem mischt sich in die Euphorie über leistungsstarke KI-Modelle die Erkenntnis, dass sie zwar viele komplizierte Aufgaben sehr gut erledigen, aber immer wieder unproduktive Fehler produzieren (Dell’Acqua et al., 2023) und teilweise selbst an kinderleichten Aufgaben wie dem Ablesen einer Uhr scheitern (Saxena et al., 2025).

Anstatt für gute Laune zu sorgen, führt eine Reihe von Herausforderungen rund um KI derzeit in Deutschland eher zu großer Unsicherheit. Es gibt klare Hinweise, dass die Nutzung von KI mit einer Erosion von Fähigkeiten (De-Skilling) bei den Nutzenden in Verbindung steht (Rinta-Kahila et al., 2023), in einigen Märkten durchaus Jobs bedroht (Hui et al., 2023) und bestehende Ungleichheiten in der Bezahlung von Jobs weiter verschärft oder aber zu Machtverschiebungen zu Ungunsten der Beschäftigten beiträgt (De Micheli et al., 2025).

KI-Modelle werden zur standardisierten Ressource

Hoffnungsvoller stimmen die im Verlauf der Jahre schnell sinkenden Kosten für die Nutzung von KI-Modellen, während immer kleinere Zuwächse an Rechenleistung von den Anbietern mit sehr hohen Kosten bepreist werden (Demirer et al., 2025). Weiterhin folgen den Foundation Models, also neuen, proprietären Modellen, deren Leistung nur von Anbietern wie OpenAI erbracht wird, Open-Weights-Modelle auf dem Fuß und erreichen mit nur wenigen Monaten Zeitverzug eine vergleichbare Leistungsfähigkeit (artificialanalysis.ai, 2026). Letztere Modelle können Organisationen selbst auf einigermaßen starken Rechnern betreiben und werden damit unabhängig von den Preismodellen der marktdominanten Anbieter. Sie ermöglichen dabei auch eine vollständige Hoheit über die Speicherung und Verwendung der verarbeiteten Daten (Abonamah et al., 2021). Handelsplätze wie OpenRouter ermöglichen es Nutzern zudem, schnell zwischen verschiedenen Anbietern zu wechseln und Preise, Latenz und Benchmarks verschiedener KI-Modelle zu vergleichen.

Sechs Typen von KI-Startups

Um grundlegend unterschiedliche Wertschöpfungsmodelle von KI-Unternehmen unterscheiden und beurteilen zu können, haben Shay & Davenport (2026) basierend auf vorhandenen Ansätzen eine Taxonomie von KI-Startup-Typen vorgestellt, die sich hinsichtlich ihres Wertangebots unterscheiden und jeweils unterschiedliche Wettbewerbsherausforderungen bewältigen müssen:

• AI Originators arbeiten an neuen Foundational Models und sind typischerweise sehr kapitalintensiv. 
• AI Explorers bereiten die Technologie für KI-Modelle der Zukunft vor und arbeiten beispielsweise an Quantencomputern oder agentischer KI
• AI Infrastructure Builders stellen die soft- (z.B. Vektordatenbanken) und hardwarseitige (z.B. KI-Chips) Infrastruktur für KI-Unternehmen zur Verfügung 
• AI Enhancers nutzen vorhandene breit verwendbare KI-Modelle und bauen ihre Anwendungen auf diesen Modellen auf wie beispielsweise Generierung von Inhalten für Marketing
• AI Optimizers zeigen ihre KI-Nutzung nicht direkt in ihrem Wertangebot, sondern optimieren in traditionellen Geschäften interne Prozesse wie Logistikplanung mit KI 
• AI Experimenters beschreiben das konservativste Segment, in dem Unternehmen KI nicht als strategische Ressource integriert haben und stattdessen mit dem Einsatz an verschiedenen Stellen experimentieren.

Shay und Davenport (2026) nutzen die Typologie für Überlegungen zu strategischen Wettbewerbsvorteilen und wichtigen Differenzierungsmöglichkeiten der einzelnen Kategorien sowie zur vorteilhaften Ausrichtung eigener KI-Aktivitäten entsprechend der jeweiligen Rolle. AI Originators, Explorers und Infrastructure Builders schaffen Wert durch technologische Innovation nah an KI-Modellen. AI Enhancers dagegen nutzen größtenteils vorhandene Technologie, kombinieren diese aber mit „proprietären Daten, Domänenfokus und User Experience“ (Shay & Davenport 2026, S. 3). AI Optimizers und Experimenters sind keine AI-zentrierten Startups, sondern nur an der Peripherie von KI einzuordnen. 

Wie deutsche KI-Startups Wert schaffen

Wir haben 10 Interviews mit Gründerinnen und Gründern noch junger KI-Startups geführt, die zwischen 2020 und 2025 gegründet wurden, zwischen 8 und 60 Mitarbeitende beschäftigten und aus einer möglichst großen Bandbreite an Anwendungsfällen ausgewählt wurden. Unser Ziel war es, ihren Einsatz von KI ergebnisoffen zu untersuchen, da diese Technologie zentrale Elemente ihrer Geschäftsmodelle prägt. Keines der untersuchten Startups versucht, ein eigenes Foundation Model zu entwickeln oder direkt mit den großen US-Anbietern zu konkurrieren. Stattdessen greifen die Gründerinnen und Gründer auf verfügbare KI-Technologien zurück und kombinieren diese mit tiefem Wissen über bestimmte Branchen, Prozesse und Probleme. Die eigentliche Innovation entsteht nicht im Modell selbst, sondern in dessen Anwendung und Kontextualisierung.

Von der Klinik bis ins Klassenzimmer

Besonders deutlich wird dies im Gesundheitsbereich. Zwei Startups nutzen KI, um medizinische Behandlungsprozesse zu verbessern. Eines von ihnen macht individuelle biologische Rhythmen sichtbar und leitet daraus Empfehlungen für den optimalen Zeitpunkt medizinischer Behandlungen ab. Ein anderes kombiniert klinische Leistungen mit Software- und KI-Lösungen, um Behandlungsprozesse in einem spezialisierten medizinischen Bereich zu verbessern. Im Mittelpunkt steht dabei, Patientinnen und Patienten stärker in Behandlungs- und Entscheidungsprozesse einzubinden sowie Transparenz über Verlauf und Erfolgsaussichten von Behandlungen zu schaffen.

Auch im Bildungsbereich zeigt sich dieses Muster. Ein Startup verfolgt die Vision eines KI-gestützten Lernbegleiters für Schülerinnen und Schüler. Dabei steht nicht die Entwicklung neuer Sprachmodelle im Mittelpunkt, sondern die Frage, wie Lerninhalte, Lernverhalten und individuelle Bedürfnisse so miteinander kombiniert werden können, dass Lernen personalisierter und wirksamer wird.

Fehler erkennen, Betrugsfälle aufdecken, Marketing automatisieren

Ähnliche Entwicklungen lassen sich in der Industrie beobachten. Zwei Startups nutzen KI zur automatisierten Qualitätskontrolle in Fertigungsprozessen und unterstützen Unternehmen dabei, Fehler und Abweichungen frühzeitig zu erkennen. Eines entwickelt KI-basierte Lösungen für die visuelle Qualitätsprüfung in der Industrie. Mithilfe synthetischer Daten werden maßgeschneiderte Datensätze und Inspektionsalgorithmen für unterschiedliche Prüfaufgaben entwickelt.

Drei weitere Startups bieten Lösungen in den Bereichen E-Commerce, Betrugserkennung und Prozessoptimierung an. Eines überträgt persönliche Beratung aus dem stationären Handel in den digitalen Raum und ermöglicht dadurch KI-gestützte Produktempfehlungen für Online-Shops. Ein anderes unterstützt insbesondere Versicherungen dabei, manipulierte oder KI-generierte Bilder in Schadensmeldungen zu erkennen. Während generative KI die Erstellung täuschend echter Inhalte immer einfacher macht, wird die verlässliche Überprüfung ihrer Echtheit zu einer wachsenden Herausforderung. Die Innovation liegt dabei erneut nicht primär in der KI-Technologie selbst, sondern in ihrer Anwendung auf ein konkretes Problem der Versicherungswirtschaft: die frühzeitige Erkennung von Betrugsversuchen anhand digitaler Nachweise. Ein weiteres Startup nutzt KI, um interne Prozesse im Handel mit aufbereiteten Secondhand-Produkten effizienter zu gestalten. Anders als bei den meisten der zuvor genannten Startups steht KI dabei nicht im Zentrum des Wertangebots, sondern unterstützt vor allem die Skalierung des Geschäftsmodells.

Während die bisher genannten Startups bestehende Entscheidungs- oder Prüfprozesse verbessern, konzentrieren sich andere darauf, menschliche Arbeit teilweise zu automatisieren. Ein Startup entwickelt beispielsweise KI-basierte Voice Agents, die telefonische Kundenanfragen bearbeiten, Termine vereinbaren oder Leads qualifizieren können. Ein weiteres nutzt KI, um große Teile des digitalen Marketings zu automatisieren und personalisierte Kampagnen sowie Landingpages in großem Maßstab zu erstellen. Trotz ihrer Unterschiedlichkeit verbindet die Startups eine gemeinsame Logik: Sie arbeiten weniger an der Weiterentwicklung allgemeiner KI-Technologien, sondern nutzen diese, um reale, stark kontextabhängige Probleme mit Hilfe von KI zu lösen.

Wo die Startups einzuordnen sind

Ein Vergleich der 10 befragten Gründungsunternehmen zeigt, dass ein Großteil in die Kategorie Enhancer fällt. Mehrere Startups erklären in den Interviews explizit, dass sie modell-agnostisch arbeiten, also genau wie bei Shay und Davenport (2026) beschrieben eine Anwendung auf generische KI Modelle aufbauen. Nur ein Startup fällt in die Gruppe der Optimizer. Der Wert des KI-Einsatzes entsteht hier durch Effizienz-Zuwächse; das Geschäftsmodell wäre theoretisch auch ohne KI möglich, braucht aber deren Effizienz aber für die Wirtschaftlichkeit.

Mehrere Startups fallen aus der Typologisierung von Shay und Davenport (2026) heraus. Sie nutzen eigene KI-Modelle, bieten diese jedoch nicht selbst am Markt an. Damit unterscheiden sie sich von den stark technologiezentrierten AI Originators und AI Explorers. Stattdessen kombinieren sie eigene KI-Modellarchitekturen und -trainings mit domänenspezifischen Daten, um neue Dienstleistungen zu schaffen. Um die Typologie zu ergänzen, kann man für sie die Bezeichnung AI Combinators einführen.

Innovation und Wertschöpfung jenseits von Big-Tech

Diese Beobachtung könnte für den europäischen KI-Standort insgesamt von Bedeutung sein. Der Wettbewerb um die leistungsfähigsten KI-Modelle scheint sich aktuell vor allem in den USA und China zu entscheiden. Derweil wird die Leistung der Modelle zunehmend zu einer allgemein verfügbaren Infrastruktur, ähnlich wie Elektrizität oder Cloud-Computing. In vielen Startups entsteht wirtschaftliches Wachstum in Deutschland hingegen eher durch Innovation und völlig neuartige Leistungen als durch Effizienzsteigerungen in traditionellen Prozessen. Entscheidend scheint dabei gar nicht zu sein, wer das leistungsfähigste KI-Modell entwickelt, sondern wer es am besten schafft, im Fall der AI Enhancers, mit hoher Spezialisierung auf Ebene der Datenbasis ein eigenes Geschäftsmodell zu entwickeln. Im zweiten Fall der AI Combinators können eigene Modellarchitekturen und -trainings mit oder ohne proprietäre Daten eine gute Wettbewerbsposition ermöglichen.

Herausforderungen im Kontext von KI-Einsatz wie De-Skilling, Jobverlust und Machtverschiebungen sind nicht eindeutig mit der erweiterten Typologie zu erklären. Dennoch scheint insbesondere der Typ der AI Optimizers anfällig für Jobverluste und De-Skilling, denn der Kern des KI-Einsatzes bezieht sich hier auf Kostenvorteile durch Optimierung von Arbeitsprozessen und damit typischerweise Verringerung des Einsatzes menschlicher Arbeit. AI Combinators hingegen benötigen hochqualifizierte, menschliche Arbeit, um ihre Daten und Modelle weiterzuentwickeln. Durch ihre Modell-agnostischen Ansätze machen sich AI Enhancer und Combinators unabhängiger von markt-dominierenden Anbietern und können damit aktuelle Machtverschiebungen abmildern.

Die Untersuchung betrachtet keine repräsentative Stichprobe, aber sie deutet darauf hin, dass die Erfolgsaussichten deutscher und europäischer Startups möglicherweise weniger davon abhängen, im globalen Wettlauf um Künstliche Intelligenz und immer größere Modelle mitzuhalten. Viel wichtiger könnte die Fähigkeit sein, bestehende KI-Technologien mit spezifischem Branchenwissen, exklusivem Datenzugang, tiefgehendem Kundenverständnis und praktischer Umsetzungskompetenz zu verbinden.

Referenzen

Abonamah, A. A., Tariq, M. U., & Shilbayeh, S. (2021). On the Commoditization of Artificial Intelligence. Frontiers in Psychology, 12, 696346. https://doi.org/10.3389/fpsyg.2021.696346 

artificialanalysis.ai. (2026). Open Weights: Frontier Language Model Intelligence By Country, Over Time. https://artificialanalysis.ai/trends 

De Micheli, B., Dente, G., Faioli, M., Smilari, A., Omersa, E., Patras, S., Ravaglia, M., Vancauwenbergh, S., Barslund, M., Tobback, I., & European Parliament (Hrsg.). (2025). Digitalisation, artificial intelligence and algorithmic management in the workplace: Shaping the future of work: cost of non-Europe. European Parliament. https://doi.org/10.2861/0136788 

Dell’Acqua, F., McFowland, E., Mollick, E. R., Lifshitz-Assaf, H., Kellogg, K., Rajendran, S., Krayer, L., Candelon, F., & Lakhani, K. R. (2023). Navigating the Jagged Technological Frontier: Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4573321 

Demirer, M., Fradkin, A., Tadelis, N., & Peng, S. (2025). The Emerging Market for Intelligence: Pricing, Supply, and Demand for LLMs (Nr. W34608; S. w34608). National Bureau of Economic Research. https://doi.org/10.3386/w34608 

Hui, X., Reshef, O., & Zhou, L. (2023). The Short-Term Effects of Generative Artificial Intelligence on Employment: Evidence from an Online Labor Market. SSRN Electronic Journal. https://doi.org/10.2139/ssrn.4527336 

Kalyani, A. (2026, Mai 18). Is Optimism for Artificial Intelligence Boosting Investment? – San Francisco Fed. https://www.frbsf.org/research-and-insights/publications/economic-letter/2026/05/is-optimism-for-artificial-intelligence-boosting-investment/ 

Rinta-Kahila, T., Penttinen, E., Salovaara, A., Soliman, W., & Ruissalo, J. (2023). The Vicious Circles of Skill Erosion: A Case Study of Cognitive Automation. Journal of the Association for Information Systems, 24(5), 1378–1412. https://doi.org/10.17705/1jais.00829 

Rubinton, H., & Patro, B. A. (2026). Tracking AI’s Contribution to GDP Growth. https://www.stlouisfed.org/on-the-economy/2026/jan/tracking-ai-contribution-gdp-growth 

Saxena, R., Gema, A. P., & Minervini, P. (2025). Lost in time: Clock and calendar understanding challenges in multimodal LLMs. arXiv preprint arXiv:2502.05092. 

Sha, S., Fattorini, L., Raymond, P., Yolanda, G., Vanessa, P., Santarlasci, L., Juan, P., Nestor, M., Russ, A., & Erik, B. (2026). The AI Index 2026 Annual Report. https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf 

Shay, J. P., & Davenport, T. H. (2026, Februar 25). Six Types of AI Startups, Explained. MIT Sloan Management Review. https://sloanreview.mit.edu/article/six-types-of-ai-startups-explained/ 

Stelter, D. (2025, Januar 27). Deutschland droht den Anschluss zu verlieren. Handelsblatt, (18), 12