Warum KI-Start-ups früher verkaufen müssen (#1291)

Zwei KI-Agenten diskutieren in dieser Folge die zentrale These des Essays von Norman Müller: KI-Startups müssen früh verkaufen, auch wenn ihr Produkt noch unfertig ist. Im Mittelpunkt steht der Konflikt zwischen technologischer Geschwindigkeit und der langsamen Realität von Beschaffung, Compliance und Unternehmens-IT. Die Folge arbeitet heraus, warum früher Vertrieb Erkenntnisarbeit sein kann, aber auch Produktvision, Reputation und Skalierbarkeit gefährden kann. Entscheidend wird die Frage, welche Marktsignale ein Gründerteam ernst nehmen muss und welche es bewusst nicht übernehmen darf.

• 00:00 Warum KI-Startups früher verkaufen müssen
• 01:05 Der Clash zwischen Innovation und Beschaffung
• 02:21 Warum gute Demos noch kein Geschäftsmodell beweisen
• 03:30 Kaufen heißt politisches Kapital einsetzen
• 04:38 Enterprise-Realität als Produktspezifikation
• 05:46 Die Gefahr der Dienstleistungsfalle
• 07:01 Mustererkennung statt Feature-Wunschliste
• 08:09 Buying Center, Nutzer und falsche Anreize
• 09:19 Reputationsrisiken bei halluzinierender KI
• 10:28 Der richtige Pilotkunde und echter Schmerz
• 11:37 Politisches Budget gegen echten Product Market Fit
• 13:51 Vertrauensbrücken für autonome KI-Agenten
• 16:12 Marktnähe, Vision und die harte Realität

Hier geht's zum Essay von Norman Müller:

https://ventureaibriefing.substack.com 

Transcript

SPEAKER_01 0:11

Herzlich willkommen im Venture AI Podcast. Wir diskutieren heute, also wir schauen uns heute einen neuen Essay von Norman Müller an. Genau, hallo zusammen. Es geht um ein wirklich massives Spannungsfeld in der Tech-Branche. Auf der einen Seite haben wir diese irre Geschwindigkeit, in der KI-Produkte heute gebaut werden. Und auf der anderen Seite, naja, die sehr langsame, harte Realität der Unternehmenskonten.

SPEAKER_00 0:38

Der klassische Clash zwischen Innovationen und Beschaffungswesen.

SPEAKER_01 0:43

Exakt. Und Norman Müller stellt in seinem Essay eine sehr klare These auf. Er sagt, KI-Startups müssen den Vertrieb extrem nach vorne ziehen. Also sie müssen verkaufen, selbst wenn das Kernprodukt eigentlich noch komplett unfertig ist.

SPEAKER_00 0:59

Ich bin da ganz auf seiner Seite. Dieser ganz frühe Vertrieb, das ist keine Umsatzjagd, das ist echte Erkenntnisarbeit. Nur so verhinderst du, dass du im stillen Kämmerlein komplett am Markt vorbei baust. Da nehme ich ehrlich gesagt eine deutlich kritischere Position ein. Also Marktkontakt ist wichtig, keine Frage. Aber dieser extrem frühe Vertrieb von unfertigen KI-Produkten, das bringt immense systemische Risiken mit sich.

SPEAKER_01 1:28

Okay, wie meinst du das genau?

SPEAKER_00 1:29

Naja, wir reden hier ja nicht über deterministische Software, die immer gleich funktioniert. KI ist unberechenbar. Wenn du Kunden, die KI intern oft noch gar nicht verstanden haben, zu früh zu einer Kaufentscheidung zwingst, dann passiert etwas Gefährliches. Sie wehren ab. Schlimmer. Ihre Risikoaversion und ihre Compliance-Ängste diktieren dann plötzlich deine Produktentwicklung. Du landest bei einer reinen Pflasterlösung für deren veraltete IT. Und die eigentliche disruptive Vision, die bleibt auf der Strecke.

SPEAKER_01 2:03

Aber lass uns doch mal auf den Hebel schauen, den Norman Müller beschreibt. Die Mechanik der Softwareentwicklung hat sich radikal verändert. Ein winziges Team baut dir heute in zwei Wochen eine funktionale Architektur hin.

SPEAKER_00 2:16

Ja, das Tempo ist extrem.

SPEAKER_01 2:18

Genau. Und das Interface sieht sofort hochprofessionell aus. Aber hier entsteht, laut Norman Müller, eine sehr gefährliche Illusion. Das Team schaut auf die schicke Demo und denkt, wow, wir haben ein Geschäftsmodell. Der Schein trügt. Absolut. Der Markt honoriert aber keine technischen Demos. Der Markt kauft ausschließlich gelösten Druck, also echte Entlastung.

SPEAKER_00 2:42

Diese Illusion der Demo, das ist analytisch wirklich stark von Norman Müller. Das erkenne ich absolut an. Aber wir müssen da genauer hinschauen. Die Täuschung passiert ja nicht nur beim Start-up, sondern beim Kunden. Der Einkäufer im Unternehmen sieht diese Demo. Er sieht ein scheinbar fertiges Interface und bewertet das unbewusst mit den Metriken von klassischer Software.

SPEAKER_01 3:04

Er erwartet also absolute Fehlerfreiheit.

SPEAKER_00 3:08

Genau. Aber KI ist probabilistisch. Das heißt, sie liefert bei gleichem Input nicht immer denselben Output. Sie kann halluzinieren. In einer gefilterten Demo wird das oft verschleiert. Wenn du diesen Kunden jetzt sofort auf Verbindlichkeit pushst, dann kollidiert seine Erwartung voll mit der Realität.

SPEAKER_01 3:27

Aber das ist doch exakt der Grund, warum du so früh in den Vertrieb gehen musst. Du willst dem Kunden ja eben keine fehlerfreie Illusion verkaufen.

SPEAKER_00 3:34

Aber du verlangst Geld von ihm.

SPEAKER_01 3:36

Du willst die Konversation von unverbindlichem Interesse zu harter Verbindlichkeit schiften. Norman Müller definiert das im Essay sehr präzise. Kaufen heißt nicht Code erwerben. Kaufen heißt, jemand setzt politisches Kapital, sein Budget und seinen Ruf für dich ein. Ja, das ist ein großer Schritt. Eben. Solange du nur kostenlose Demos zeigst, nicken alle wohlwollend. Erst wenn es um Geld und Verantwortung geht, siehst du die echten Barrieren. Fehlte ein Verantwortlicher im Team? Scheitert es am alten ERP-System?

SPEAKER_00 4:10

Das erfährst du nur so. Dass man diese Barrieren aufdecken muss, da stimme ich zu. Aber die Konsequenz, die Norman Müller daraus zieht, halte ich für echt riskant. Warum? Stell dir vor, du triffst mit dieser Forderung nach Verbindlichkeit auf einen völlig unvorbereiteten Markt. Ein IT-Leiter muss seinen Job schützen. Der wird sich reflexartig auf Risikominimierung stürzen. Natürlich, das ist sein Job. Ja, aber was heißt das für dein Produkt? Seine Anforderungen drehen sich dann nicht darum, wie KI seinen Workflow revolutioniert. Er fragt sich nur, wie kriege ich das möglichst geräuschlos in meine alte, veraltete Serverstruktur integriert. Und plötzlich verbringt dein Startup die nächsten sechs Monate damit, irgendwelche On-Premise-Lösungen für uralte Datenbanken zu basteln, anstatt das eigentliche KI-Modell besser zu machen.

SPEAKER_01 5:01

Da muss ich hart widersprechen. Diese Anpassung an die Realität der Kunden, ähm, das ist keine Ablenkung. Das ist ein integraler Teil des Produkts.

SPEAKER_00 5:11

Ein veraltetes System zu stützen, ist Teil deines innovativen Produkts.

SPEAKER_01 5:15

Ja, die eleganteste KI ist völlig wertlos, wenn sie nicht dem echten Arbeitsalltag des Kunden ankommt. Wenn der Kunde eine Lösung verlangt, die auf seinen eigenen Servern läuft, weil der Datenschutz, die DSGVO, das verlangt, dann ist das doch keine lästige Hürde. Sondern das ist die objektive Spezifikation des Marktes. Ein Start-up, das das als, naja, bloße Risikoaversion abtut und weiter im Labor bastelt, das baut für eine Welt, die gar nicht existiert. Diese Friktion im Vertrieb, das ist die wertvollste Datengrundlage, die du kriegen kannst.

SPEAKER_00 5:51

Friktion ist ein wichtiges Signal, absolut. Aber nicht jede Friktion sollte von einem Start-up gelöst werden. Wie meinst du das? Im B2B-Vertrieb fordert der Markt immer maximale Anpassung. Der Kunde will im Grunde eine individuelle Maßanfertigung, aber zum Preis einer skalierbaren Software. Wenn du versuchst, das alles aufzulösen, rutschst du unweigerlich in die Dienstleistungsfalle.

SPEAKER_01 6:15

Du meinst, du wirst zur Agentur?

SPEAKER_00 6:17

Genau. Du baust manuelle Workarounds, du berätst bei der Prozessumstellung, du wirst zur verlängerten Werkbank der IT-Abteilung. Das frisst alle deine Entwicklungsressourcen. Du bist dann kein skalierbares Produktunternehmen mehr, sondern eine IT-Beratung. Das killt die ganze Venture-Vision.

SPEAKER_01 6:36

Das passiert aber nur, wenn du reaktiv verkaufst. Norman Müller hält dem im Essay das Konzept der Mustererkennung entgegen. Mustererkennung. Ja, ein gutes Gründerteam sammelt im frühen Vertrieb nicht einfach Feature-Wünsche ein, um die dann als Dienstleister blind abzuarbeiten. Erkenntnisarbeit heißt, die tiefer liegende Ursache zu finden.

SPEAKER_00 7:00

Okay, mach das mal konkret.

SPEAKER_01 7:02

Angenommen, fünf Kunden fordern fünf völlig unterschiedliche, hochkomplexe Integrationen. Dann baust du nicht fünf Integrationen. Du erkennst, dass das eigentliche Problem vielleicht die fehlende Transparenz deiner KI ist. Sie vertrauen der Blackbox nicht. Exakt. Sie wollen die Integrationen nur um Kontrolle zu behalten. Also löst du das Vertrauensproblem, indem du die Antworten der KI erklärbarer machst, anstatt dich in deren Systemen zu verzetteln. Aber diese Erkenntnis, die kriegst du nur durch diesen harten Kontakt.

SPEAKER_00 7:37

Das ist eine schöne Theorie. Aber diese Mustererklennung setzt voraus, dass du überhaupt mit den richtigen Leuten sprichst. Was in der Praxis oft der Fall ist, wenn du hart verkaufst. Nee, oft eben nicht. In der Frühphase sitzen Startups oft sogenannten Innovationsmanagern gegenüber. Oder dem klassischen Einkauf, dem Buying Center. Und diese Leute haben völlig andere Anreize als die eigentlichen Nutzer der Software. Der Innovationsmanager will ein cooles Leuchtturmprojekt für seinen Jahresbericht. Der Einkauf optimiert auf Kosten und Haftung. Wenn du da zu früh in den Vertrieb dringst, optimierst du dein Produkt für dieses Buying Center. Und nicht für den Nutzer. Genau.

SPEAKER_01 8:15

Du baust dann etwas, das alle Checklisten der IT-Sicherheit abhakt, aber von den Mitarbeitern gehasst und ignoriert wird, weil es im Alltag nichts taugt.

SPEAKER_00 8:23

Okay, aber wenn du dieses Buying Center ignorierst und nur für den Nutzer optimierst, dann wird dein Produkt niemals das Netzwerk dieses Kunden von innen sehen.

SPEAKER_01 8:33

Das mag sein, aber.

SPEAKER_00 8:34

Moment, das ist ein sequenzielles Problem. Du musst zuerst am Türsteher vorbei, bevor du die Leute auf der Tanzfläche überzeugen kannst. Norman Müller argumentiert hier völlig richtig. Die Anforderungen von Compliance und IT-Sicherheit haben einen so massiven Einfluss auf deine Architektur, das musst du an Tag 1 wissen. Aber das schränkt dich sofort ein. Stell dir vor, du baust ein Modell, das Daten an externe Cloud-Server schickt. Und nach einem Jahr findest du rauf, hey, meine Zielbranche darf regulatorisch gar keine Daten nach draußen geben. Dann hast du ein Problem mehr.

SPEAKER_01 9:04

Du hast nicht nur ein Problem, du hast zwölf Monate Runway verbrannt. Das Kapital ist weg, weil du es nachträglich nicht einfach in eine hochsichere lokale Lösung umschreiben kannst.

SPEAKER_00 9:14

Das Verbrennen von Kapital ist ein valider Punkt. Aber lass uns mal über das Verbrennen von Reputation sprechen. Das hat bei KI nämlich eine ganz andere Dimension. Inwiefern? Wenn eine normale Software abstürzt, gibt es eine Fehlermeldung, man startet neu, fertig. Wenn aber ein Sprachmodell in einem juristischen Projekt halluziniert, sich also Fakten ausdenkt, die plausibel klingen, dann verlierst du nicht nur diesen einen Kunden. Sondern den Ruf in der ganzen Branche. Richtig. In konservativen Branchen etabliert sich sofort das toxische Narrativ. Generative KI ist unzuverlässig und gefährlich. Wenn du zu früh mit einer fehleranfälligen Technologie in den Markt drängst, kontaminierst du das Umfeld für Jahre.

SPEAKER_01 9:57

Also lieber abwarten.

SPEAKER_00 9:59

Ja, ein bisschen strategische Geduld. Das Produkt robuster machen, bevor man es diesen unerbittlichen Enterprise-Kunden vorwirft. Das ist oft schlicht Selbstschutz.

SPEAKER_01 10:10

Dieser Ansatz der strategischer Geduld ignoriert aber völlig die ökonomische Realität von Startups. Die Runway, also das Geld auf der Bank, tickt unerbittlich runter.

SPEAKER_00 10:22

Natürlich gibt es Investorendruck.

SPEAKER_01 10:24

Das bestreite ich nicht. Und es ist auch technisch utopisch. Die Idee, dass du im Labor eine fehlerfreie Hülle um ein KI-Modell bauen kannst ohne echte Kundendaten, das funktioniert nicht. Edge Cases, also die seltenen Fehler, kriegst du in Testumgebungen nicht weg. Du brauchst das Chaos echter Unternehmensprozesse. Aber die Kunden verzeihen diese Fehler eben nicht. Normale Kunden vielleicht nicht. Aber der frühe Vertrieb sucht ja gar nicht den normalen Kunden. Er sucht den spezifischen Pilotkunden, dessen ähm operationeller Schmerz so akut ist, dass er die Kinderkrankheiten der Technologie toleriert. Den musst du aber erstmal finden. Wenn du niemanden findest, der diese Toleranz aufbringt, dann beweist das nur eins. Das Problem, das du lösen willst, ist gar nicht relevant genug.

SPEAKER_00 11:13

Diese Suche nach dem toleranten Piloten klingt gut. Sie verschleiert aber ein tieferes, strukturelles Problem im aktuellen Markt. Welches Problem? Das Konzept des Early Adopters ist bei KI gerade massiv verzerrt. Viele Firmen kaufen KI-Piloten aktuell aus reiner FOMOA, also Fear of Missing Out. Aus Panik den Anschluss zu verpassen. Das ist doch ein super Hebel für den Vertrieb. Aber ein gefährlicher. Wenn ein Start-up diesen diffusen Druck anbohrt als gelösten Druck interpretiert, zieht es völlig falsche Signale. Der Kunde kauft dann nicht, weil dein Produkt seinen Arbeitsalltag besser macht, er kauft, weil der Vorstand eine KI-Initiative gefordert hat.

SPEAKER_01 11:57

Okay, das ist ein politisches Budget.

SPEAKER_00 11:59

Ganz genau. Und diese politische Motivation korrumpiert deine ganze Feedbackschleife, die du vorhin also essentiell beschrieben hast. Du optimierst dann für die PR-Bedürfnisse des Kunden, nicht für fundamentale Wertschöpfung.

SPEAKER_01 12:13

Das ist ein extrem präziser Einwand. Die Unterscheidung zwischen politischem und echtem Budget ist kritisch. Aber gerade deshalb ist dieser harte frühe Vertrieb ja so wichtig.

SPEAKER_00 12:23

Weil der Vertriebler das merkt.

SPEAKER_01 12:25

Ja. Ein guter Vertriebler durchschaut dieses Innovationstheater sofort. Wenn das Geld aus so einem Innovationslab kommt und nicht aus der Fachabteilung, die das Tool wirklich nutzen soll, dann weißt du, ich habe noch keinen echten Product Market Fit. Das stimmt. Wenn du im Labor bleibst, weißt du nicht mal, ob das Geld dort draußen politisch oder echt ist. Die Erkenntnisarbeit ist ja genau das, rauszufinden, wer bereit ist, seine Kernprozesse umzustellen und wer nur ein Logo für seine nächste Präsentation sucht.

SPEAKER_00 12:56

Gut, nehmen wir mal an, der Vertrieb übernimmt diese Sortierfunktion erfolgreich. Dann stoßen wir direkt auf das nächste konzeptionelle Problem bei Norman Müller. Und das wäre die Timingfalle der Marktreife. Der Essay suggeriert, dass jedes ernsthafte Gespräch wertvolle Prioritäten setzt. Aber was passiert, wenn der Zielmarkt einfach noch nicht die Reife hat, deine Technologie zu nutzen? Mach mal ein Beispiel. Nehmen wir komplexe KI-Agenten, die selbstständig Dinge im Unternehmensnetzwerk ausführen, Verträge anlegen, Bestellungen auslösen. Die Technik mag funktionieren. Aber die Richtlinien von 95% der Firmen verbieten, autonome Schreibzugriffe durch externe Systeme kategorisch. Ja, das ist heute so. Wenn das Startup jetzt auf diese Signale des unreifen Marktes hört, wird es seine Agenten künstlich verdummen. Sie dürfen da nur noch lesen, nichts mehr schreiben. Nur damit man überhaupt was verkaufen kann. Der Markt zwingt die Innovation auf sein eigenes rückständiges Niveau.

SPEAKER_01 13:57

Da würde ich sagen, genau hier greift der eigentliche Mechanismus von Disruption. Eine Innovation, die heute niemand konsumieren darf, ist völlig wertlos. Das ist kein künstliches Verdummen. Sondern das ist der Bau einer Vertrauensbrücke. Du verkaufst heute ein Tool mit reinen Leserechten, weil das der Risikobereitschaft der Firma entspricht. Du etablierst dich im Workflow. Die Firma sieht den Wert, gewinn Vertrauen. Und dann. Im nächsten Vertragsjahr bietest du den Schreibzugriff als Upgrade an. Wenn du stattdessen fünf Jahre im Labor wartest, bis die Firmen von sich aus bereit sind für autonome Agenten, dann hat ein pragmatischer Konkurrent den Markt längst durch diese Land-Expand-Strategie besetzt.

SPEAKER_00 14:40

Diese schrittweise Strategie klappt bei kleinen Software-Updates. Aber sie unterschätzt, was bei KI gerade passiert. Wenn du deine Architektur darauf auslegst, als reines Lesetool in einer alten Umgebung zu laufen, triffst du fundamentale technische Entscheidungen.

SPEAKER_01 14:55

Natürlich, du integrierst dich.

SPEAKER_00 14:56

Und du baust massive technische Schulden auf. Wenn der Markt in zwei Jahren bereit ist für echte autonome Agenten, klebt deine Codebasis so fest an den alten Workflows, dass du den Sprung gar nicht mehr schaffst. Das glaube ich nicht. Doch. Du hast dich so tief eingegraben, dass ein neues Start-up, das ohne Altlasten frisch auf der grünen Wiese baut, dich einfach überholt. Diese extreme Marktnähe kann also genau zu der Betriebsblindheit führen, vor der Norman Müller eigentlich warnen will.

SPEAKER_01 15:24

Das setzt aber voraus, dass technologische Überlegenheit am Ende immer gewinnt. Die Geschichte der Softwareindustrie zeigt uns was völlig anderes.

SPEAKER_00 15:33

Was denn?

SPEAKER_01 15:34

Vertriebliche Distribution und die tiefe Verankerung in den Prozessen schlagen Technologie fast immer. Diese technischen Schulden, die du ansprichst, in Wahrheit sind das oft Burggräben. Ein Burggraben, weil die Integration so umständlich ist? Ja. Diese Integration in die Legacy-Systeme ist für den Kunden so schmerzhaft und aufwendig, dass er das nicht leichtfertig mit einem neuen Anbieter wiederholt. Auch nicht, wenn dessen Algorithmus, naja, 5% genauer ist. Der frühe Vertrieb zeigt dir genau, wo du diese Borggräben ziehen musst.

SPEAKER_00 16:09

Da bewegen wir uns jetzt wirklich auf den Kern unseres Dissenses zu. Der Burggraben durch tiefe Integration, das ist die klassische Logik von Enterprise Software der letzten 20 Jahre. Und die funktioniert nach wie vor. Die Frage, die Norman Müller provoziert, ist doch, gilt diese Logik bei generativer KI überhaupt noch? Wenn KI Prozesse völlig neu denken kann, dann ist diese Integration in den alten Prozess vielleicht kein Burggraben, sondern ein Anker. Wer sich nur darauf fokussiert, dem Einkauf die Angst zu nehmen, verliert zwangsläufig den Blick dafür, wie die Technologie die Branche in fünf Jahren transformieren könnte. Die ständige Anpassung an überforderte Kunden erodiert deine langfristige Vision.

SPEAKER_01 16:54

Ich sehe das nicht als Erosion, sondern als Validierung. Eine Vision, die den Kontakt mit der Realität nicht überlebt, die war vielleicht von Anfang an Quatsch. Das ist hart formuliert. Aber es ist so. Die These von Norman Müller bleibt für mich das robusteste mentale Modell für Gründer heute. Der Code an sich hat keine Wahrheit. Die Wahrheit entsteht erst in der Reibung mit dem Markt. Du musst die Abstraktion des Labors verlassen und dich dieser irrationalen regulatorischen Realität stellen.

SPEAKER_00 17:24

Wer den Konflikt scheut, verliert.

SPEAKER_01 17:26

Das verstehe ich. Markt irgendwann von allein überzeugt, ignoriert, wie Wertschöpfung funktioniert. Der frühe Vertrieb ist das einzige echte Navigationssystem durch diesen Nebel.

SPEAKER_00 17:38

Und genau bei der Kalibrierung dieses Navigationssystems bleibe ich skeptisch. Marktkontakt ist zwingend, ja. Aber die unreflektierte Übernahme von Signalen aus Firmen, die KI noch gar nicht durchdrungen haben, das bleibt extrem gefährlich. Es ist ein Balanceakt, absolut. Die größte Herausforderung ist heute nicht, Feedback zu bekommen. Die Herausforderung ist, die kognitive Dissonanz auszuhalten. Also wenn deine eigene technologische Überzeugung auf die Beharrungskraft des Status quo trifft. Wer den Markt zu aggressiv um Verbindlichkeit bittet, zwingt ihn in eine Defensive, die echte Innovation im Keim erstickt. Die Kunst ist, zuzuhören, ohne sich komplett einnehmen zu lassen. Genau, zuzuhören, ohne sich den Ängsten der Compliance-Abteilung völlig zu unterwerfen.

SPEAKER_01 18:29

Dieses Spannungsfeld zwischen radikaler Innovation und pragmatischer Anpassung wird uns definitiv weiter begleiten. Der Essay von Norman Müller liefert hierfür wirklich eine analytische Schärfe, die billige Antworten vermeidet und genau diesen schmerzhaften Aushandlungsprozess ins Zentrum rückt.

SPEAKER_00 18:49

Ein Prozess, der am Ende nicht nur technologische, sondern vor allem tiefe strukturelle Einsichten in unsere Unternehmen verlangt. Ein sehr gutes Schlusswort.

SPEAKER_01 18:58

Damit sind wir am Ende für heute. Vielen Dank fürs Zuhören und bis zum nächsten Mal im Venture AI Podcast.