Kapital und KI-Daten: Das neue 3,2-Milliarden-Rennen

Der Präzedenzfall: Wer Schaufeln verkauft, gewinnt das Rennen

Im Jahr 1849 endeten in Kalifornien die meisten Goldsucher im Ruin. Samuel Brannan wählte ein anderes Handwerk.

Er verkaufte Spitzhacken, Schaufeln und Siebe an die Bergleute. Er wurde der erste Millionär des Goldrauschs – noch bevor irgendjemand das Metall abbaute.

Der Mechanismus war klar: das Werkzeug liefern, das Risiko des Schürfens vermeiden. Wer die Infrastruktur kontrolliert, schöpft den Wert vorgelagert ab. 2026 kehrt dieselbe Struktur zurück. Der Kontext ist künstliche Intelligenz, das Werkzeug sind Trainingsdaten.

Der Fakt: AfterQuery und die Geschwindigkeit des Kapitals

AfterQuery verkauft digitale Spitzhacken. Das Startup trainiert Modelle und Agenten, um wie erfahrene Fachleute zu agieren: Ärzte, Anwälte, Spezialisten.

Das Unternehmen kodiert Entscheidungen und Denkprozesse der besten Praktiker. Laut TechCrunch^[1] erreichte es eine Bewertung von 3,2 Milliarden Dollar – fünf Monate nach einem Series A über 30 Millionen, das das Unternehmen mit 300 Millionen bewertete.

Ein Anstieg von mehr als dem Zehnfachen in weniger als sechs Monaten. Y-Combinator-Partner Gustaf Alströmer bezeichnete es als das am schnellsten zum Einhorn gewordene Startup in der Geschichte des Accelerators.

Die Gründer sind 22 und 23 Jahre alt. Im April meldete das Unternehmen einen annualisierten Umsatz von 100 Millionen Dollar, mit Kunden wie Nvidia, Legora und dem koreanischen Labor Motif Technologies.

Das Muster: Das Geld jagt die Datenschicht

Drei Akteure in derselben Schicht genügen, um es ein Muster zu nennen. AfterQuery folgt den Spuren von Mercor und Scale.

Alle beschäftigen menschliche Fachleute, um Modelle zu trainieren. Der Finanzierungsfluss bestätigt die Richtung: Andreessen Horowitz hob seinen Growth Fund auf 8,5 Milliarden Dollar an – wenige Tage nach dem Launch eines 1,1-Milliarden-Fonds.

Nvidia investierte 3,5 Milliarden in MediaTek. Das Geld strömt in die Infrastruktur, in die Schicht, die die Modelle speist. Der Wert wandert vom Endprodukt zum knappen Produktionsfaktor.

Der Mechanismus: Warum Daten Modelle schlagen

Warum übertreffen Daten die Modelle? Die Antwort liegt in der Replizierbarkeit.

Ein Modell lässt sich kopieren. Gewichte wandern, Architekturen werden öffentlich, Trainingskosten sinken jedes Quartal. Expertenwissen bleibt knapp.

Ein Arzt mit zwanzig Jahren Praxis produziert ein Denkmuster, das schwer zu reproduzieren ist. Dieses Muster zu kodieren erfordert Zugang, Zeit und Vertrauen. Hier tritt das Risiko zutage: Der Wert der Daten hängt von ihrer rechtlichen Herkunft ab.

Ars Technica^[2] dokumentiert, wie interne Chats von Anthropic die Nutzung von Raubkopien lobten – ein Element, das in einem Sony-Rechtsstreit zitiert wird. The Verge^[3] stellt fest, dass Google mehr von Hollywood abhängt als die Studios von der KI. Die Verhandlungsmacht liegt bei denen, die die Originaldaten besitzen.

Zyklisch oder strukturell?

Ich unterscheide stets zwei Kategorien: zyklisch und strukturell. Sie zu verwechseln führt zu Allokationsfehlern.

Die Wertverlagerung in die Datenschicht ist struktureller Natur, multi-dekadisch. Die Geschwindigkeit der aktuellen Bewertungen ist zyklisch, drei bis sieben Jahre. Die Nachfrage nach Expertenwissen wird stetig wachsen.

Die zyklischen Bewertungen der Datenvermittler werden heftig schwanken. Geduldiges Kapital kauft den strukturellen Trend. Ungeduldiges Kapital jagt dem zyklischen Höhepunkt nach und zahlt den Preis der Korrektur.

Meine Position

Meine Position ist klar: Die Trainingsdatenschicht erlebt eine Bewertungsblase, während der rechtliche Datenzugang der eigentliche Engpass bleiben wird.

Die Bewertungen laufen den wiederkehrenden Umsätzen voraus. Ein Zehnfaches in fünf Monaten spiegelt wahrgenommene Knappheit wider, kaum verifizierte Fundamentaldaten. Der annualisierte Umsatz ist eine Momentaufnahme, kein Ausdruck von Dauerhaftigkeit.

Die Verträge mit den großen Laboren konzentrieren sich auf wenige Käufer. Diese Konzentration schafft Fragilität.

Was würde meine Einschätzung ändern? Mehrjährige Verträge mit nachweisbaren Exklusivklauseln, stabile Bruttomargen über 60 %, dokumentiert über zwei Geschäftsjahre, eine breitere Kundenbasis jenseits der fünf dominanten Labore. Diese Elemente würden wahrgenommene Knappheit in dauerhaften Wettbewerbsvorteil verwandeln.

Die geopolitische Dimension

Der Technologiekonflikt zwischen den USA und China dreht sich um Halbleiter. Wer die Fabriken kontrolliert (TSMC, Samsung), kontrolliert das Ergebnis.

Modelle lassen sich replizieren, Fabs bleiben unreplizierbar. Trainingsdaten fügen einen zweiten Engpass hinzu. Die Fähigkeiten der Modelle konvergieren, der Wettbewerbsvorteil verlagert sich auf zwei knappe Faktoren: Silizium und kodiertes Expertenwissen.

Ein aufmerksames Family Office wird diese doppelte Knappheit als Allokationskarte lesen. Kapital belohnt Engpässe und ignoriert Commodities.

Drei Implikationen für das Kapital

1. Family Offices und Staatsfonds

Umschichten in strukturelle Engpässe über die nächsten 36 Monate. Chipfabriken und Anbieter von Expertendaten mit sauberer Herkunft bieten Knappheitsrenten. Die Bewertungen der Zwischenschichten bleiben anfällig für Kompression.

2. Chief Risk Officer

Szenarios für Rechtsstreitigkeiten über Trainingsdaten in die Modelle aufnehmen. Urheberrechtsverletzungsklagen können den Wert eines Anbieters auf null reduzieren. Dieses Risiko fehlt in den auf traditionelles Marktrisiko kalibrierten VaR-Modellen.

3. CFO und Investor Relations

Die gegenüber Investoren kommunizierte Makro-Narrative überprüfen. Ein Daten-Startup als dauerhafte Infrastruktur zu präsentieren erfordert Belege für wiederkehrende Umsätze. Eine Bewertung von 3,2 Milliarden verlangt innerhalb von achtzehn Monaten überzeugende Fundamentaldaten.

Die Prognose

Hier ist die Prognose, mit explizitem Zeithorizont und Verifikationsindikator.

Mindestens ein Trainingsdaten-Startup mit einer Bewertung von über einer Milliarde Dollar im Jahr 2026 wird bis zum 31. Dezember 2027 eine Down-Round verzeichnen oder schließen.

Konfidenz: Mittel (65 %). Zeithorizont: 31. Dezember 2027. Verifikation: öffentliche Ankündigung einer Down-Round oder Betriebseinstellung, berichtet von einer primären Quelle. Das Signal, das die These widerlegen würde, ist das Ausbleiben jeder Down-Round oder Schließung unter den Einhörnern des Sektors bis zu diesem Datum.

What to watch

Drei Leitindikatoren werden die Einschätzung in den kommenden Quartalen bestätigen oder widerlegen.

• Umsatz-/Bewertungsmultiplikatoren der nächsten Rounds in der Datenschicht
• Anzahl der Klagen wegen Trainingsdaten gegen Anbieter
• Umsatzkonzentration bei den fünf wichtigsten Laborkunden

Die Divergenz zwischen Bewertungen und Fundamentaldaten löst sich immer auf. Die Frage bleibt: wie. Intelligentes Kapital beobachtet Engpässe und ignoriert das Rauschen.