Inhaltsverzeichnis

1. Einleitung

2. Die Kraft der Large Language Models

3. Die Startup-Perspektive

   • Bedeutende Beschleunigung für Startups

   • Der Aufstieg von LLM-basierten Startups

   • Die Schattenseite der LLMs

4. Investoren-Perspektiven und Schlüsselfragen

   • "Nice-to-Have" vs. "Must-Have"

   • Unit Economics: Die Herausforderung hoher Kosten

   • Verteidigungsfähigkeit: Navigation durch Verwundbarkeiten

5. Strategien für den Erfolg

   • Eigene Daten sammeln

   • Eigene Modelle erstellen

   • Feedback-Schleifen einrichten

6. Schlussfolgerung

Einleitung

Dieser Blogbeitrag taucht in die Welt der Large Language Models (LLMs) und der Generative AI ein und untersucht deren Auswirkungen auf das Startup-Ökosystem. Als Gründer und CEO von Zendog Labs habe ich den eskalierenden Hype um LLMs und Generative AI sowie die entscheidenden Fragen, die sich für Gründer und Investoren ergeben, miterlebt. In diesem Beitrag wollen wir herausfinden, ob LLMs nur überhöhte Modeerscheinungen sind oder echte Game-Changer für Unternehmen. Also, tauchen wir ein!

Die Kraft der Large Language Models

LLMs, einschließlich OpenAI's ChatGPT, haben das Startup-Ökosystem durch die Bereitstellung einer neuen grundlegenden Infrastruktur verändert. Bestehende Startups integrieren sie zunehmend in ihre Abläufe. Und wir haben das Aufkommen von neuen Startups erlebt, die sich ausschließlich auf LLM-basierte Produkte konzentrieren.

Der Reiz von LLMs liegt in ihrer Fähigkeit, Geschäftsprozesse zu straffen und die Ressourcennutzung zu optimieren. Startups können mit weniger Ressourcen mehr erreichen. Startups können auch ihre Produktangebote verbessern, indem sie Lösungen wie Chatbots und Bildgeneratoren für Zielmärkte anbieten.

Die Startup-Perspektive

Bedeutende Beschleunigung für Startups

Startups, die LLM-basierte Fähigkeiten nutzen, indem sie von ihren alten Geschäftsmodellen abrücken, erleben oft eine bemerkenswerte Beschleunigung. Wir haben dies bei mehreren Startups in verschiedenen Anwendungsfällen wie Reiseplanung, psychische Gesundheit und Content-Erstellung gesehen, die nach der Integration von LLM-Technologie schnell gewachsen sind. Wir vermuten, dass sowohl B2B- als auch B2C-Kunden aktiv verschiedene LLM-basierte Anwendungen erkunden, was zu organischem Wachstum und reduzierten Kundengewinnungskosten für Startups und andere Unternehmen führt, die diesen Übergang vollziehen.

 

Der Aufstieg von LLM-Basierten Startups

 Darüber hinaus gab es einen Anstieg von Startups, die komplett auf LLMs aufbauen. Wir haben die Startankündigungen dieser Startups auf Social Media viral gehen sehen, was eine weit verbreitete Übernahme zur Folge hatte. Bemerkenswerterweise haben einige unserer Kunden Millionen von Aufrufen, Zehntausende an Einnahmen und Hunderttausende von Nutzern mit nur einem Post auf einer Social-Media-Plattform erreicht. Dieser Erfolg wird weiter verstärkt durch ermutigende Interaktionen, wie zum Beispiel das Bereitstellen von Rabattcodes für die ersten 1.000 Kommentatoren.

 

Die Schattenseite der LLMs

Es ist jedoch wichtig zu erkennen, dass nicht alle LLM-basierten Projekte positive Auswirkungen haben. Einen Trend, den wir beobachtet haben, ist, dass Influencer digitale Avatare für Chat-Interaktionen erstellen, bei denen Einzelpersonen pro Minute bezahlen, um mit einer falschen Persönlichkeit zu interagieren. Wir haben Beispiele gesehen, wo dieses Modell besonders beliebt bei der OnlyFans-Community ist. Obwohl diese Projekte erhebliche Gewinne generieren können, glauben wir, dass es einer regulatorischen Intervention bedarf, um übermäßige Wertextraktion zu bekämpfen. Als Startup-Enthusiasten sind wir fest davon überzeugt, dass Unternehmen bestrebt sein sollten, einem höheren Zweck zu dienen.

 

Investoren-Perspektiven und Schlüsselfragen

Mit unserer Erfahrung im Bereich Venture Capital sind wir gut in der Lage, sowohl die Gründer- als auch die Investorenlandschaft zu navigieren. Dies ermöglicht es uns, Gründer dabei zu unterstützen, die Denkweise der Investoren zu entschlüsseln. Investoren, die sich für Generative AI-Produkte und Startups interessieren, die auf LLMs setzen, benötigen Antworten auf drei entscheidende Fragen: die Unterscheidung zwischen "must-haves" und "nice-to-haves", die Verbesserung der Unit Economics und die Unterscheidung zwischen beständigen, verteidigungsfähigen Produkten und Massenwaren. Damit Startups die Aufmerksamkeit von Investoren auf sich ziehen können, ist es wichtig, dass sie gute Antworten auf diese drei Fragen finden.

 

"Nice-to-Have" vs. "Must-Have"

Investoren bewerten sorgfältig die langfristige Tragfähigkeit von LLM-basierten Produkten, insbesondere bewerten sie, ob ein Produkt in die Kategorie der "nice-to-have" oder "must-have" Lösungen fällt. Nice-to-have Produkte laufen Gefahr, leicht ersetzt zu werden oder schnell an Wert zu verlieren, was zu hohen Abwanderungsraten und niedrigen Kundenlebenszeitwerten führt. Im Gegensatz dazu sind "must-have" Lösungen tief in kritische Geschäftsprozesse integriert, was sie schwer oder sogar unmöglich zu ersetzen macht. Dies wird durch Unternehmen wie SAP veranschaulicht, die aufgrund der unverzichtbaren Natur ihrer Angebote erhebliche Preismacht ausüben. Für Gründer ist es entscheidend, Wege zu identifizieren, um "must-have" Lösungen zu bauen, die nicht leicht ersetzt werden können. Während andere Produkte kurzfristige Geldzuflüsse generieren können, fehlt ihnen das Potenzial, die dauerhaften Umsatzmotoren zu werden, die Investoren suchen.

 

Unit Economics: Die Herausforderung der hohen Kosten

LLM-basierte Produkte stellen aufgrund ihrer hohen Rechenkosten eine erhebliche Herausforderung dar. Startups sind oft auf Drittanbieter-Infrastrukturanbieter wie OpenAI angewiesen, was die Ausgaben erhöht. Infolgedessen leiden die Unit Economics, und viele Startups im Bereich Generative AI kämpfen mit Bruttomargen zwischen 20-30%. Dies ist besonders besorgniserregend, da Softwareunternehmen in der Regel Bruttomargen von 70-90% oder sogar höher genießen. Die Verantwortung für die Optimierung der Nutzung von Rechenressourcen liegt bei den CTOs und technischen Teams, und Investoren sind sehr an der technischen Roadmap des Startups zur Verbesserung der Unit Economics interessiert.

 

Verteidigungsfähigkeit: Umgang mit Schwachstellen

Die Entwicklung eines Produkts auf einer Drittanbieter-Infrastruktur, wie OpenAI, wirft Fragen hinsichtlich der Verteidigungsfähigkeit des Angebots auf. Die Zugänglichkeit der OpenAI-API hat den Prozess der Entwicklung von LLM-basierten Produkten erheblich vereinfacht, so dass Freelancer auf Plattformen wie Fiverr anbieten können, solche Produkte für so wenig wie $5.000 zu erstellen. Diese leichte Zugänglichkeit wirft Fragen nach der Einzigartigkeit und der langfristigen Tragfähigkeit von LLM-basierten Unterfangen in einer zunehmend wettbewerbsintensiven Landschaft auf.

Strategien für den Erfolg

Nachdem wir die Attraktivität von LLM-basierten Produkten für Startups und die Schlüsselfragen, die Investoren hinsichtlich ihrer Tragfähigkeit stellen, untersucht haben, ist es an der Zeit, die anfänglichen Strategien zu beleuchten, die Startups angewandt haben, um widerstandsfähigere Unternehmen mit gesunden Bruttomargen und langfristiger Kundenbindung aufzubauen.

 

Erfassung von proprietären Daten

Zunächst legen Startups Wert darauf, proprietäre Daten von Verbrauchern und Kunden in einer Weise zu sammeln, die den Datenschutzbestimmungen entspricht. Diese Daten dienen als einzigartige und begehrte Ressource für das Unternehmen und sind attraktiv für Investoren, die auf der Suche nach widerstandsfähigen Unterfangen sind. Durch den Besitz, die Nutzung und den potenziellen Verkauf dieser Daten können Startups Modelle optimieren und neue Einnahmequellen erschließen.

 

Entwicklung von proprietären Modellen

Eine weitere wichtige Strategie, die bei Startups beobachtet wurde, ist die Entwicklung von proprietären Modellen, die auf spezifische Anwendungsfälle zugeschnitten sind, insbesondere bei der Umstellung von textbasierten auf visuelle Inhalte. Durch die Optimierung bestehender LLM-Modelle für ihre einzigartigen Produkte können Startups effektiv die Anforderungen an Daten und Rechenkosten reduzieren. Die Fähigkeit, LLM-Modelle für spezifische Anwendungsfälle zu optimieren, ermöglicht es Startups, differenzierte und wertsteigernde Angebote für ihre Kunden zu liefern, die die Kundenbindung fördern.

 

Einrichtung von Feedback-Schleifen

Schließlich hat sich die Einrichtung von Feedback-Schleifen als entscheidender Faktor für den Erfolg von Startups herausgestellt. Durch das Sammeln, Analysieren und Anwenden von Feedback aus dem realen Einsatz ihrer Produkte können Startups Verbesserungen vornehmen und ihre Angebote auf die Bedürfnisse ihrer Kunden abstimmen. Diese fortlaufende Verbesserung und Anpassung trägt dazu bei, dass das Produkt oder die Dienstleistung relevant und wertvoll für den Kunden bleibt und somit die Kundenbindung und die Lebensdauer der Kunden erhöht.

Schlussfolgerung

Während LLMs und Generative AI in der Startup-Szene sicherlich Wellen schlagen, sind sie nicht ohne Herausforderungen. Die Startups, die am besten in der Lage sind, die mit diesen Technologien verbundenen Herausforderungen zu navigieren und ihre Potenziale zu nutzen, werden wahrscheinlich zu den Gewinnern der nächsten Generation von Technologieunternehmen zählen. Für Investoren bietet sich eine reiche Palette von Möglichkeiten an, aber sie müssen sorgfältig prüfen, welche Unternehmen über die notwendige strategische Ausrichtung, technische Kompetenz und Marktkenntnis verfügen, um langfristig erfolgreich zu sein.