Heute präsentiere ich euch einen weiteren interessanten Gastartikel. Dieses Mal wieder von Konstantin Mitropetros, der sich mit dem Thema Informations-Moat im KI-Zeitalter befasst.
Liebe Leser,
KI wird immer leistungsfähiger, breiter verfügbar und günstiger. Der Wandel vollzieht sich immer schneller. Wer hat die Kontrolle und wer behält sie? Was bedeutet das für bestehende Geschäftsmodelle, für ihre Wettbewerbsvorteile – und für die Aktien der Unternehmen dahinter?
Diese Fragen beschäftigen mich seit einiger Zeit intensiv. Nun möchte ich einen Schritt weitergehen und mich in einer zusammenhängenden Artikelserie mit einer Frage beschäftigen, die mich seit einiger Zeit besonders interessiert: Wie verändert künstliche Intelligenz bestehende Geschäftsmodelle und Wettbewerbsvorteile – und welche Konsequenzen ergeben sich daraus für uns als Anleger?
Bisher war ich hier auf dem Blog vor allem als Kommentator unterwegs. Vor wenigen Wochen durfte ich auf Michaels freundliche Einladung hin erstmals eine eigene, ausführliche Aktienanalyse zu Itron veröffentlichen.
An dieser Stelle nochmals ein herzliches Dankeschön an Michael für seine Einladung, sein Vertrauen und die Möglichkeit, seine Plattform für meine Überlegungen zu nutzen!
Der Ausgangspunkt: der Informations-Moat
Die Grundlage der Serie wird mein heutiger Artikel "Informations-Moat im KI-Zeitalter: Welche Wettbewerbsvorteile bleiben, wenn KI günstig und leistungsfähig wird?" sein. Darin stelle ich ein Analyseraster mit zehn Moat-Schichten zur Diskussion. Es soll helfen zu untersuchen, welche wirtschaftlichen Ressourcen im KI-Zeitalter knapp und schwer ersetzbar bleiben – und wo bisherige Wettbewerbsvorteile an Wert verlieren könnten.
Dabei wird mich eine Leitfrage in allen Beiträgen begleiten: "Wer behält die wirtschaftliche Kontrolle über knappe und wertvolle Ressourcen, wenn künstliche Intelligenz immer leistungsfähiger, breiter verfügbar und günstiger wird?"
Die Antworten fallen je nach Unternehmen und Geschäftsmodell sehr unterschiedlich aus. Mit entsprechenden Konsequenzen.
Gutes Unternehmen ≠ gute Aktie
Auf dieser Grundlage betrachte ich nach und nach ausgewählte börsennotierte Unternehmen näher. Dabei geht es mir nicht darum, vorschnell vermeintliche KI-Gewinner und -Verlierer auszurufen. Stattdessen möchte ich die jeweiligen Investmentthesen kritisch an der wirtschaftlichen Realität messen.
Dabei unterscheide ich bewusst zwischen der Qualität eines Unternehmens und der Attraktivität seiner Aktie: Denn auch ein robuster Wettbewerbsvorteil rechtfertigt nicht jeden Börsenkurs. Umgekehrt kann ein Unternehmen trotz erheblicher KI-Risiken interessant sein, wenn diese Risiken bereits ausreichend eingepreist sind.
Mögliche Kandidaten
Für vertiefende Analysen werde ich mir diese Unternehmen bzw. Aktien vornehmen:
Adobe, Wolters Kluwer, SAP, Amazon, Verisk Analytics, Moody's, Visa.
Allerdings ist diese Auswahl vorläufig, denn es gibt ja noch eine Reihe mehr Branchen und Unternehmen, die betroffen sind. Neue Erkenntnisse und Entwicklungen können meine Schwerpunkte durchaus noch verändern.
Auch eure Meinung ist gefragt
Die Serie soll aber auch von eurem Blick profitieren. Mich interessiert:
- Welche weiteren börsennotierten Unternehmen findet ihr unter dem Blickwinkel des Informations-Moats im KI-Zeitalter besonders spannend – und warum?
- Wo vermutet ihr dauerhafte Wettbewerbsvorteile?
- Wo könnte KI bisherige Geschäftsmodelle stärker verändern, als es der Markt heute erwartet?
Ich freue mich auf eure Ideen und Anregungen!
Euer Konstantin
Informations-Moat im KI-Zeitalter
Welche Wettbewerbsvorteile bleiben, wenn KI günstig und leistungsfähig wird?
1. Die falsche Frage lautet: "Kann KI diese Software ersetzen?"
Seit dem Durchbruch großer Sprachmodelle wird bei Informations- und Softwareunternehmen immer wieder dieselbe Frage gestellt: Wird KI das bestehende Produkt überflüssig machen? Bei Fachinformationsanbietern klingt das plausibel: Wenn ein Modell medizinische, steuerliche oder juristische Fragen beantworten kann, warum sollte man noch für eine Datenbank bezahlen?
Bei Adobe lautet die Variante: Wenn KI Bilder, Videos und Layouts erzeugt, warum braucht man Photoshop? Bei Autodesk: Wenn KI Entwürfe oder Bauteile generiert, warum braucht man AutoCAD, Revit oder Fusion?
Die Frage greift zu kurz. Sie behandelt ein Produkt so, als bestünde sein Wert nur aus der sichtbaren Funktion. Tatsächlich liegen wirtschaftliche Schutzschichten häufig tiefer: in Daten, Formaten, Identitäten, Rechten, Arbeitsabläufen, Integrationen, regulatorischen Nachweisen, Distribution, Netzwerken oder der Kontrolle über reale Transaktionen.
KI kann deshalb gleichzeitig zwei Dinge tun: Sie kann einzelne Funktionen austauschbarer machen und andere Schutzschichten wertvoller machen. Die relevante Investmentfrage lautet daher nicht: "Kann KI die Funktion imitieren?" Sondern: "Welche Teile des wirtschaftlichen Moats bleiben relevant, auch wenn Modelle deutlich leistungsfähiger, autonomer und günstiger werden?"
2. Drei KI-Trends, die für den Moat entscheidend sind
Für Anleger sind weniger kurzfristige Produktankündigungen wichtig als drei strukturelle Entwicklungen: Modelle werden leistungsfähiger, Agenten übernehmen längere Arbeitsabläufe und eine gegebene KI-Leistung wird günstiger.
2.1 KI-Modelle werden leistungsfähiger – und tendenziell austauschbarer
Der Stanford AI Index 2026 zeigt deutliche Leistungsfortschritte bei schwierigen Benchmarks. Gleichzeitig liegen mehrere führende Modelle inzwischen relativ dicht beieinander. Das ist ökonomisch wichtig: Wenn mehrere Anbieter eine ähnlich gute Basistechnologie liefern, verliert das Modell selbst einen Teil seiner Knappheit.
Wert kann sich dann zu dem verlagern, was ein Modell für eine konkrete Aufgabe benötigt: proprietäre Daten, Unternehmenskontext, Kundenzugang, Arbeitsabläufe, Berechtigungen und Vertrauen.
2.2 KI entwickelt sich von der Antwortmaschine zum ausführenden Agenten
Noch wichtiger als bessere Antworten ist der Übergang vom Assistenten zum Agenten. Ein Agent formuliert nicht nur eine Empfehlung, sondern kann mehrere Schritte eines Arbeitsablaufs selbst ausführen.
METR misst dafür den sogenannten Aufgabenhorizont: Wie lang wäre eine Aufgabe für einen menschlichen Experten, die ein KI-System mit einer definierten Erfolgswahrscheinlichkeit bewältigt? In den historischen Daten stieg dieser Horizont schnell. Die Messung betrifft allerdings vor allem Software-, Forschungs- und Cybersecurity-Aufgaben und darf nicht einfach auf alle Berufe übertragen werden.
Auch OSWorld, ein Benchmark für reale Computeraufgaben über mehrere Anwendungen hinweg, zeigt starke Fortschritte. Gleichzeitig bleibt die Zuverlässigkeit für viele kritische Geschäftsprozesse unzureichend.
2.3 KI-Leistung wird günstiger
Für die Moat-Frage ist nicht nur entscheidend, was KI kann, sondern auch, was diese Fähigkeit kostet. Epoch AI dokumentiert einen starken Preisverfall von fast 50% pro Quartal für ein gegebenes Leistungsniveau. Die genaue Rate wird sich nicht dauerhaft fortschreiben lassen, die Richtung ist aber klar: Was heute teuer und differenzierend ist, kann morgen Standardfunktion sein.
Damit steigt der Druck auf Geschäftsmodelle, deren Nutzen im Wesentlichen aus einer einzelnen generativen Funktion besteht.
2.4 Vorsicht vor linearen Zukunftsprognosen!
Schnelle Benchmark-Fortschritte verleiten zu vermeidlich präzisen Prognosen. METR warnt selbst davor, Aufgabenhorizonte direkt in Aussagen wie "Beruf X wird bis Jahr Y automatisiert" zu übersetzen.
Reale Arbeit unterscheidet sich von Benchmarks: Aufgaben sind unklar definiert, Informationen fehlen, Zusammenarbeit ist notwendig und viele Prozesse verlangen sehr hohe Zuverlässigkeit. Deshalb ist die Aussage "KI kann zunehmend längere und komplexere Aufgaben bewältigen" gut begründbar; eine genaue Automatisierungsprognose ist es nicht.
2.5 Ein nützliches Stufenmodell
Die KI-Technologie entwickelt sich schnell – und damit verändert sich (zeitpunktabhängig) auch ihr Einfluss auf bestehende Moats. Das folgende Stufenmodell beschreibt eine plausible Entwicklung. Die Übergänge sind fließend; einzelne Anwendungen können bereits Merkmale der nächsten Stufe zeigen.
Stufe 1 - Assistent: KI sucht Informationen, schreibt Texte, analysiert Daten und gibt Empfehlungen. Der Mensch stößt die Aufgabe an und entscheidet über die Umsetzung. Diese Stufe ist heute weit verbreitet.
Stufe 2 - Agent: KI beantwortet nicht mehr nur einzelne Fragen, sondern ganze Arbeitsschritte selbstständig. Dafür braucht sie Zugriff auf verlässliche Daten, Identitäten, Berechtigungen und gegebenenfalls Transaktionsrechte. Viele heutige Systeme bewegen sich bereits in diese Richtung. Aus meiner Sicht befinden wir uns derzeit überwiegend in dieser Stufe.
Stufe 3 – Agent über mehrere Systeme hinweg: Eine übergeordnete KI greift gleichzeitig auf verschiedene Programme und Datenquellen zu – etwa SAP, Salesforce und Microsoft 365 – und führt daraus vollständige Prozesse aus. Dadurch kann sich ein Teil des Moats von der einzelnen Benutzeroberfläche zum Agenten verlagern. Entscheidend wird dann, wer Datenzugriff, Berechtigungen und die tatsächliche Ausführung kontrolliert.
Stufe 4 – sehr leistungsfähige und günstige KI als Standard: Wenn hochwertige KI weitgehend austauschbar und sehr günstig wird, verliert die generative Fähigkeit selbst einen großen Teil ihrer Knappheit. Wertvoll bleiben dann vor allem Ressourcen, die sich nicht einfach kopieren lassen: exklusive oder schwer reproduzierbare Daten, rechtlich abgesicherte Rechte, Transaktionsnetze, regulatorischer Status, physische Infrastruktur, Netzwerkeffekte und der verbindliche Zustand eines Unternehmens.
Die Beschreibung der vier Stufen deutet bereits darauf hin: Der Moat dürfte sich schrittweise von der Intelligenz selbst zu den Ressourcen verlagern, auf die diese Intelligenz zugreifen darf und mit denen sie tatsächlich handeln kann. Für die Moat-Analyse erscheint damit weniger entscheidend, wie leistungsfähig die KI selbst wird, sondern welche knappen Ressourcen sie benötigt, um zuverlässig handeln zu können.
3. Was ist ein Informations-Moat?
Ein Moat ist ein dauerhafter Wettbewerbsvorteil, der Konkurrenten daran hindert, die wirtschaftliche Attraktivität eines Geschäfts einfach zu kopieren. Hohe Margen oder wiederkehrende Umsätze sind Folgen eines Moats; nicht dessen Ursache.
Für die KI-Debatte hilft es, den Schutz eines Unternehmens in einzelne Moat-Schichten zu zerlegen. Ein Unternehmen kann mehrere Schichten gleichzeitig besitzen. Entscheidend ist nicht, in welche Kategorie es gehört, sondern welche Schicht tatsächlich Preissetzungsmacht, Kundenbindung und Kapitalrendite schützt.
Methodischer Hinweis: Die folgenden zehn Moat-Schichten sind keine in der Literatur etablierte oder abschließende Taxonomie. Sie sind eine auf Informations- und Softwareunternehmen im KI-Zeitalter zugeschnittene Arbeitsstruktur. Die hier verwendeten zehn Schichten zerlegen insbesondere Daten, Software, Arbeitsabläufe, Rechte, Distribution und Transaktionen feiner, weil gerade zwischen diesen Ebenen Wert durch KI verschoben werden kann. Sie erheben deshalb keinen Anspruch auf Vollständigkeit. Beispielsweise Kosten- und Skalenvorteile, Markenstärke oder Marktstruktur bleiben zusätzliche Querschnittsfaktoren, die bei der Analyse jeder einzelnen Aktie berücksichtigt werden müssen.
Entscheidend ist ohnehin nicht die Zahl oder Bezeichnung der Moat-Schichten, sondern ob ein Unternehmen über einen schwer reproduzierbaren Vorteil verfügt, der dauerhaft ökonomischen Wert erzeugt.
3.1 Moat-Schichten
Die Schichten bilden keine starre Rangfolge. Je nach Branche können unterschiedliche Kombinationen entscheidend sein. Wichtig ist insbesondere die Trennung zwischen wertvollen Daten und einem verbindlichen Unternehmenszustand: Daten sind knapp, weil sie schwer zu beschaffen oder zu prüfen sind; ein Unternehmenszustand ist wertvoll, weil ein System festlegt, was für einen konkreten Prozess tatsächlich gilt.
I. Zugang zu Information
Hier liegt der Vorteil darin, Informationen schneller zu finden, zu ordnen oder zusammenzufassen.
Beispiel: Ein Student kann sich eine Erklärung heute direkt von einem Sprachmodell formulieren lassen, statt mehrere Ratgeberseiten oder Chegg zu durchsuchen.
Angreifbarkeit durch KI: Diese Schicht wird durch generative KI direkt und erfolgreich angegriffen. Generative KI kann lesen, recherchieren, zusammenfassen, formulieren, klassifizieren, programmieren und erste Analysen erstellen. Studien zeigen bereits deutliche Produktivitätsgewinne bei solchen Aufgaben. Damit verliert der reine Zugang zu Information an Knappheit. Das bedeutet nicht, dass hochwertige Fachinformation wertlos wird. Es bedeutet aber, dass ein Anbieter mehr schützen muss als die Suche oder die Antwort selbst.
Anleger-Test: Bezahlt der Kunde im Kern nur für eine Antwort oder den Zugang zu leicht reproduzierbarer Information?
II. Kuratierte oder proprietäre Fach- und Referenzdaten
Hier liegt der Schutz im Datenbestand selbst: Qualität, Aktualität, Vollständigkeit, Struktur, Herkunft, Nutzungsrechte oder eine langjährige Historie. Es handelt sich also weniger um abstraktes "Vertrauen in die Marke" als um nachvollziehbare Quellen, Auditierbarkeit, Freigaben, Haftung, Berechtigungen und die Frage, welche Information innerhalb eines Prozesses als verbindlich gilt.
Beispiel: Wolters Kluwer kann medizinische Fachinformationen redaktionell prüfen, laufend aktualisieren und mit Quellen versehen. Ein allgemeines Sprachmodell verfügt nicht automatisch über denselben kontrollierten und rechtlich nutzbaren Datenbestand.
Angreifbarkeit durch KI: Heute hilft die begrenzte Zuverlässigkeit generischer KI etablierten Anbietern besonders in Bereichen wie Medizin, Recht, Steuer oder Compliance. Aber auch dieser Vorteil ist nicht garantiert dauerhaft. Mit sinkenden Fehlerraten generischer KI kann ein Teil dieses Vorteils schrumpfen.
Anleger-Test: Bleiben diese Daten knapp und wertvoll, wenn Analyse und Textgenerierung nahezu kostenlos werden?
III. Verbindliche Arbeitsstände
Der Wert entsteht nicht aus exklusiven Informationen, sondern daraus, dass ein System die maßgebliche aktuelle Wahrheit eines Geschäftsprozesses verwaltet.
Beispiel: SAP muss Lieferantenpreise nicht exklusiv besitzen. Entscheidend ist, dass im System der tatsächlich gebuchte Lagerbestand, offene Bestellungen, Kostenstellen und Genehmigungen geführt werden.
Angreifbarkeit durch KI: Ein externer Agent könnte künftig gleichzeitig auf SAP, Salesforce, Microsoft 365 und andere Systeme zugreifen. Der Nutzer müsste dann möglicherweise kaum noch direkt mit den jeweiligen Anwendungen arbeiten. SAP könnte beispielsweise weiterhin das verbindliche System für Bestände, Buchungen und Freigaben bleiben, während ein übergeordneter KI-Agent einen großen Teil der Benutzerinteraktion übernimmt. Der Moat wäre dann nicht unbedingt verschwunden. Er hätte sich von der Benutzeroberfläche tiefer in Datenmodell, Berechtigungen, Prozesslogik und Transaktionsrechte verlagert.
Anleger-Test: Welches System bestimmt, was im Unternehmen tatsächlich gilt – und kann ein externer Agent daran vorbeiarbeiten?
IV. Arbeitsabläufe und Integrationen
Ein Produkt wird schwerer austauschbar, wenn ein Kunde einen vollständigen Arbeitsprozess darauf aufgebaut hat und zahlreiche Datenquellen, Regeln und Systeme integriert sind.
Beispiel: Ein KI-Modell kann einen Architekturentwurf erzeugen. Ein reales Bauprojekt benötigt aber Projektdateien, Geometrie, Versionen, Freigaben und Zusammenarbeit im bestehenden Workflow.
Angreifbarkeit durch KI: Wenn KI-Agenten künftig Prozesse über mehrere Programme hinweg orchestrieren, könnte ein Teil der heutigen Bindung an einzelne Benutzeroberflächen oder Anwendungen schwächer werden.
Anleger-Test: Wie teuer, riskant und aufwendig wäre der Wechsel des gesamten Arbeitsablaufs – nicht nur einer einzelnen Funktion?
V. Identität, Rechte, Governance und Haftung
Je autonomer KI handelt, desto wichtiger wird, wer etwas sehen, verändern, freigeben oder verantworten darf.
Beispiel: Ein Agent kann technisch eine Rechnung freigeben. Im Unternehmen darf er das nur mit korrekter Identität, Rolle, Freigabegrenze und nachvollziehbarem Audit-Trail.
Angreifbarkeit durch KI: Diese Schutzschicht ist besonders interessant, weil ihre Bedeutung mit leistungsfähigeren Agenten eher zunehmen könnte. Je mehr KI selbstständig handelt, desto wichtiger werden sichere Identitäten, Zugriffsrechte, Freigaben und Audit-Trails. Gleichzeitig ist offen, ob diese Funktionen langfristig eigenständige Preissetzungsmacht erzeugen oder als notwendiger Bestandteil großer Plattformpakete gebündelt werden.
Anleger-Test: Wird diese Rechte- und Governance-Schicht mit autonomen Agenten wertvoller – und kann der Anbieter sie monetarisieren?
VI. Kundenzugang
Ein Anbieter hat einen Vorteil, wenn er neue KI-Funktionen ohne hohe zusätzliche Vertriebskosten an eine große bestehende Kundenbasis ausrollen kann.
Beispiel: Microsoft kann Copilot direkt in bestehende Microsoft-365-, Teams- und Azure-Beziehungen integrieren.
Angreifbarkeit durch KI: KI kann einen bestehenden Vertriebskanal sogar stärken, weil neue Funktionen schnell an Millionen Kunden verteilt werden können. Das Risiko entsteht eher indirekt: Wenn ein externer KI-Agent künftig zur zentralen Benutzeroberfläche wird, kann er einen Teil der direkten Kundenbeziehung übernehmen. Der bisherige Anbieter bleibt möglicherweise technisch im Hintergrund relevant, verliert aber Sichtbarkeit, Nutzungsdaten und potenziell Preissetzungsmacht.
Anleger-Test: Senkt die Reichweite die Kundengewinnungskosten und erhöht sie den Umsatz je Kunde – oder übernimmt ein fremder Agent die Kundenbeziehung?
VII. Netzwerk und Beziehungen
Bei Netzwerken entsteht Wert daraus, dass relevante Teilnehmer bereits dort sind. Beziehungen und Reputation lassen sich nicht so einfach kopieren wie Funktionen.
Beispiel: Ein Sprachmodell kann einen Lebenslauf zusammenfassen, besitzt aber nicht automatisch das Beziehungsnetz zwischen Arbeitgebern, Bewerbern und Fachkontakten auf LinkedIn.
Angreifbarkeit durch KI: Entscheidend ist, ob KI die Interaktion im bestehenden Netzwerk vertieft oder ob externe Agenten den Nutzerkontakt übernehmen und das Netzwerk nur noch als Datenquelle im Hintergrund verwenden.
Anleger-Test: Bleibt das Netzwerk der Ort, an dem Interaktion und Geschäft stattfinden – oder wird es nur Datenquelle für externe Agenten?
VIII. Kontrolle über Transaktionen
Manche Unternehmen verdienen nicht an der Information, sondern am wirtschaftlichen Vorgang selbst: Kauf, Buchung, Zahlung oder Abwicklung.
Beispiel: Eine KI kann einen Staubsauger empfehlen. Amazon kann zusätzlich Preis, Verfügbarkeit, Zahlung und Lieferung kontrollieren.
Angreifbarkeit durch KI: Diese Schicht bleibt solange robust, wie der Kunde oder ein externer KI-Agent die Transaktion weiterhin über das Unternehmen abwickeln muss.
Anleger-Test: Wenn ein externer Agent die Empfehlung übernimmt, läuft die Transaktion trotzdem über das Unternehmen?
IX. Realwelt-, Risiko- und Messdaten
Diese Schicht besteht aus Daten, die gemessen, beobachtet oder über Jahre aus realen Vorgängen abgeleitet wurden.
Beispiel: Verisk besitzt historische Schaden-, Objekt- und Risikodaten; Experian Kredit-, Identitäts- und Transaktionsdaten.
Angreifbarkeit durch KI: Angreifbar wird der Moat eher indirekt: durch neue Datenquellen, bessere Sensorik, regulatorisch erzwungene Datenzugänge oder Wettbewerber, die mehrere alternative Datensätze mit KI so gut verknüpfen, dass der bisherige Informationsvorsprung kleiner wird.
Anleger-Test: Sind diese Daten aktuell, rechtlich nutzbar, schwer reproduzierbar und in reale Entscheidungen eingebettet?
X. Standards, Formate und institutionelle Verankerung
Manche Informationsprodukte sind Referenzsysteme. Ihr Schutz liegt darin, dass Verträge, Prozesse, Regulierung oder andere Systeme auf sie Bezug nehmen.
Beispiel: Ein Sprachmodell kann Kreditrisiken erläutern. Es ersetzt aber nicht automatisch ein Rating von S&P Global oder Moody's, wenn dieses Rating in Anlagevorgaben, Verträgen oder regulatorischen Prozessen verwendet wird.
Angreifbarkeit durch KI: Je stärker der Datensatz selbst Teil eines externen Standards oder Prozesses ist, desto schwerer ist er durch generative Ausgabe zu ersetzen.
Anleger-Test: Bleibt der Standard institutionell verankert – oder kann er durch offene Formate, Regulierung oder neue Schnittstellen verdrängt werden?
4. Das Geschäftsmodell kann unter Druck geraten
4.1 Die Herausforderung der Monetarisierung
KI verändert nicht nur Produkte, sondern potenziell auch deren Monetarisierung. Viele Softwareunternehmen verkaufen Lizenzen pro Nutzer. Übernehmen Agenten einen Teil der Routinearbeit, kann ein Kunde denselben Output mit weniger menschlichen Nutzern erzielen. Die Zahl der verkauften Lizenzen kann dann sinken, obwohl das Produkt mehr leistet.
Deshalb ergänzen erste Anbieter nutzerbasierte Preise durch verbrauchs- oder ergebnisabhängige Modelle. Für Anleger entsteht daraus eine neue Frage: Kann das Unternehmen den durch KI geschaffenen Mehrwert selbst monetarisieren – oder sinkt nur die Zahl der benötigten Lizenzen?
Anleger-Test: Steigt der Umsatz je Kunde (etwa durch Verbrauchs- oder Ergebnispreise) stärker, als die Zahl der Lizenzen sinkt?
Beispiel: Salesforce Agentforce Pricing
4.2 Wirtschaftliche Abwertung durch billigen Nachbau
Generative KI kann die Kosten, Software nachzubauen, deutlich senken. Dabei sind drei Stufen zu unterscheiden:
- Technische Replizierbarkeit: Lassen sich Oberfläche und Funktionen nachbauen?
- Produktionsreife: Funktionieren Interoperabilität, Randfälle, Qualität, Sicherheit, Wartung und Support?
- Ökonomische Substitution: Wechseln tatsächlich zahlende Kunden, oder fallen Preise, Kundenbindung und freier Cashflow?
Eine Demo belegt nur Machbarkeit, keinen verlorenen Cashflow. Zudem kann die letzte Meile bis zur Produktionsreife teurer sein als die sichtbare erste Hälfte: Hohe Dateikompatibilität, komplexe professionelle Arbeitsabläufe, Governance, Rechte und Distribution können auch bei günstigen Funktionskopien knapp bleiben (siehe Schichten IV, V, VI und X). Hinzu kommt, dass auch etablierte Anbieter KI nutzen können, um ihre Produkte schneller und günstiger zu entwickeln.
Als Beleg für eine wirtschaftliche Abwertung reichen weder GitHub-Sterne noch Screenshots oder Social-Media-Resonanz. Nötig sind belastbare Preisdaten, nachweisbare Kundenmigration mit bezahlten Verträgen oder mehrere Quartale mit passenden Kohortenindikatoren, etwa zu Kundenabwanderung oder Net Revenue Retention.
Anleger-Test: Wechseln zahlende Kunden zu nachgebauter Software – und zeigt sich das in Preisen, Kundenbindung und freiem Cashflow?
5. Fazit
Die gesamte Diskussion lässt sich auf eine einfache Frage reduzieren: Wofür bezahlt der Kunde tatsächlich?
Die zehn Moat-Schichten sind keine Garantie für dauerhaften Schutz. KI wirkt vielmehr wie ein Sortiermechanismus: Sie verbilligt Antworten und einzelne Funktionen, während sie den Wert tieferer Ressourcen erhöhen kann.
Gefährdeter sind Geschäftsmodelle, bei denen der Kunde im Wesentlichen für eine Antwort, einen Text, eine Recherche oder eine einzelne Funktion bezahlt. Robuster können Geschäftsmodelle sein, bei denen der Kunde für schwer reproduzierbare Daten, einen verbindlichen Unternehmenszustand, einen tief integrierten Arbeitsablauf, Rechte, einen Standard, ein Netzwerk oder die sichere Ausführung einer Transaktion bezahlt.
Aber auch eine tiefe Moat-Schicht ist wirtschaftlich nur dann relevant, wenn sie sich in messbaren Ergebnissen niederschlägt: in Preissetzungsmacht, hoher Kundenbindung, überdurchschnittlicher Kapitalrendite und dauerhaftem freien Cashflow. Für jede Aktie muss deshalb mit ausreichender Evidenz gezeigt werden, dass die identifizierte Moat-Schicht tatsächlich die zugrunde liegende Investmentthese stützt – und nicht nur theoretisch plausibel klingt.
So... als erstes Unternehmen werde ich in Kürze Adobe durch diesen "KI-Moat-Stresstester" jagen. Und, wie gesagt, wenn ihr Unternehmen habt oder Kennt, für die ihr euch einen solchen Test ebenfalls wünschen würdet, dann meldet euch einfach bei mir - am schnellsten geht das natürlich über die Kommentarfunktion des Blogs.
Disclaimer (Konstantin): Diese Analyse gibt meine persönliche Einschätzung zum Zeitpunkt der Veröffentlichung wieder. Sie basiert auf öffentlich verfügbaren Informationen sowie eigenen Annahmen und Schätzungen und dient ausschließlich Informations- und Diskussionszwecken. Sie stellt keine individuelle Anlageberatung dar. Prognosen und Bewertungen sind mit Unsicherheiten verbunden; tatsächliche Entwicklungen können wesentlich von den dargestellten Szenarien abweichen. Zum Zeitpunkt der Veröffentlichung halte ich von den erwähnten Aktien lediglich Amazon und Itron.
Disclaimer (Michael): Habe Adobe, Microsoft, Moody's, Verisk auf meiner Beobachtungsliste und/oder im Depot Wiki.
Alphabet und Microsoft wären gut zum durchjagen.
AntwortenLöschen