Wir treten in eine neue Ära der technologischen Innovation ein, die von intelligenten Hardwareplattformen angetrieben wird – Innovationen, die durch mehrere zusammenwirkende Faktoren im Technologieökosystem katalysiert werden und sowohl bahnbrechende Funktionalität als auch niedrigere Kosten für diese neuen Unternehmen ermöglichen.

Das mag sich nach einer konträren Meinung anhören. In den letzten zwei Jahrzehnten bevorzugte die gängige Meinung in der Venture-Capital-Branche reine Software-Geschäftsmodelle aufgrund ihrer höheren Bruttomargen, der schnellen Skalierbarkeit des Vertriebs und der Kundenbindung. Ungeachtet der physischen Präsenz des „Siliziums“ im Silicon Valley und bemerkenswerter Ausnahmen wie Tesla waren reine Softwareunternehmen in den letzten zwei Jahrzehnten die Hauptempfänger von Risikokapitalfinanzierungen.

Doch mit dem Aufkommen der KI beginnt sich dieser Trend zu ändern.

Während maschinelles Lernen definitionsgemäß von Anfang an das Herzstück von Robotik, autonomen Fahrzeugen und IoT-Systemen bildet, inspiriert und befähigt der durchschlagende Erfolg sprachbasierter KI Gründer, die in der physischen Welt arbeiten, diese Dominanz in Frage zu stellen. Wenn LLMs Sprache in nützliches Denken umwandeln können – Zusammenfassung, Übersetzung und nun zunehmend auch tatsächliche Problemlösung –, dann sollten physikalische KI-Systeme in der Lage sein, Sensordaten immer ausgefeilter zu nutzen, um die reale Welt vorherzusagen und mit ihr zu interagieren. Wir glauben, dass die potenziellen Anwendungsmöglichkeiten in allen Wirtschaftssektoren enorm sind.

Wir glauben, dass die nächste „Runde“ in diesem Spiel hardwaregestützte Software sein wird: eine Umkehrung der Kategorie „softwaregestützte Hardware“, die gegenüber rein softwarebasierten Geschäftsmodellen in den Hintergrund gerückt ist. Hardwarebasierte Software ist eine Kategorie vertikaler Software, die Intelligenz in First-Party-Daten verankert, die von der vom Unternehmen eingesetzten Hardware erfasst werden. Beispiele hierfür sind:

• Coram AI*, ein Unternehmen, dessen Serie-A-Finanzierungsrunde wir im Januar letzten Jahres angeführt haben, bietet eine physische Sicherheitsplattform an, die KI-fähige Kameras, ein Videomanagementsystem (VMS) mit integrierten Schlüsselerkennungsfunktionen (z. B. für Ausrutsch- und Sturzunfälle oder das Mitführen einer Waffe am Arbeitsplatz oder in der Schule), biometrische Zugangskontrolle, Besucher-Gegensprechanlage und auf natürlicher Sprache basierende Vorfallsuntersuchung von Videos umfasst.

• GenLogs*, dessen Serie-B-Finanzierungsrunde wir im Dezember letzten Jahres angeführt haben, nutzt ein proprietäres Netzwerk spezialisierter Autobahn- und Hafenkameras sowie Satellitendaten, um einzelne Lkw zu identifizieren, Schifffahrtsrouten abzuleiten und Drittanbietern von Logistikdienstleistungen, Verladern, Versicherern und anderen Kunden eine realistische Visualisierung der Güterbewegungen zu bieten. Anwendungsbeispiele sind Betrugsprävention, die Anbindung von Frachtführern, die Versicherungsprüfung, die Einhaltung der DoT-Vorschriften und die Strafverfolgung.

• Kargo setzt eigens dafür entwickelte Kameratürme ein, um Daten auf Palettenebene an den Laderampen des Lagers zu erfassen und eingehende und ausgehende Sendungen mit den Lieferavisen (ASNs) und Lagerverwaltungssystemen (WMS) abzugleichen.

• Sage*, an dessen Series B-Finanzierungsrunde wir 2024 teilgenommen haben, verwendet Sensoren und Kameras in Seniorenwohnanlagen, um Schwesternrufe, Sturzmanagement und klinische Daten in einer einzigen Ansicht zu vereinen und so die Unfallüberwachung in Echtzeit mit einer längerfristigen Gesundheits- und Serviceanalyse zu kombinieren.

Jedes dieser Unternehmen nutzt spezialisierte Kameras und andere Sensoren zur Datenerfassung als Ausgangspunkt für die Initiierung oder Steuerung wichtiger Arbeitsabläufe. In einigen Fällen, wie beispielsweise bei der Technologie von Kargo, kommt es zu einer teilweisen Verdrängung manueller Arbeit. Der größere Mehrwert, den diese Unternehmen generieren, ergibt sich jedoch typischerweise aus Echtzeitüberwachung, Datenassimilation und Workflow-Orchestrierung, die weit über das hinausgehen, was Menschen heute in diesen Kontexten tun. Entscheidend für jede Plattform ist die vertikal spezifische Kombination von Eingaben aus der physischen Welt mit KI-Erkennung, KI-Analyse und herkömmlichen Softwarefunktionen wie Datenvisualisierung und Workflow.

Was unterscheidet das von der IoT-Welle?

Frühere Generationen von CV- und IoT-Systemen hatten ähnliche Ziele bei der Instrumentierung der physischen Welt, aber die Ergebnisse erforderten noch eine menschliche Interpretation. Im Gegensatz dazu nutzen die heute entstehenden hardwaregestützten Softwaresysteme Vision Transformers und multimodale Modelle, um Video- und Sensordaten in Embeddings (strukturierte Repräsentationen) umzuwandeln, die Kontext, Sequenz, Absicht und Kausalität erfassen. Dieses Verständnis wiederum ermöglicht es der Software, über die Vorgänge in der physischen Welt zu „denken“ und darauf aufbauend Maßnahmen zu ergreifen.

Diese Entwicklung steht zwar noch am Anfang, ist aber vergleichbar mit dem Durchbruch von Entscheidungsbäumen, die auf prozeduralen Regeln basieren, hin zu ergebnisoffenem KI-Denken auf der Grundlage natürlicher Sprache und bestärkendem Lernen. Und so wie die zunehmende Leistungsfähigkeit von universellen LLM-Modellen eine neue Welle von KI-nativen Anwendungsunternehmen ermöglicht, gehen wir davon aus, dass die universellen, auf der physischen Welt basierenden Modelle das Gleiche für hardwarebasierte Software-Startups vorantreiben werden.

Die Wirtschaftlichkeit der Hardware hat sich still und leise verbessert.

Die Herstellungskosten für Kameras und Sensoren sind stark gesunken, und Edge-Computing-Konnektivität ist günstiger denn je. Diese Dynamiken machen die kontinuierliche Datenerfassung in großen, physischen Umgebungen nun wirtschaftlich realisierbar. Parallel dazu haben sich die Finanzierungsstrukturen für Hardware weiterentwickelt, sodass Startups die Kosten für Implementierungen über einen längeren Zeitraum verteilen und diese mit mehrjährigen Softwareverträgen verknüpfen können. Mit anderen Worten: Der Flaschenhals beim Bau und Einsatz von Hardwaresystemen sind nicht mehr die Kosten der Hardware selbst: Heute kann hardwarefähige Software mit weit weniger Kapital als je zuvor in physische Kontexte eingebettet werden.

Und die Burggräben sind genauso stark, wenn nicht sogar stärker als die Software.

Sobald die Umstellungskosten für Betrieb und Bereitstellung überwunden sind, können Hardware-Implementierungen eine ebenso dauerhafte Kundenbindung erreichen wie die am weitesten verbreiteten Softwareplattformen, indem sie sich nahtlos in die Betriebsabläufe ihrer Kunden einfügen. Von dort aus steigert sich der Wert durch Automatisierung und Datenaggregation. Ein Universum an Daten wartet darauf, erfasst und interpretiert zu werden: Während das öffentliche Internet nur ein bis zwei Petabyte an qualitativ hochwertigem Text für die Ausbildung von LLMs bietet, ist die physische Welt im Wesentlichen ein unendliches Übungsfeld.

Die besten Unternehmen in dieser Kategorie weisen heute Merkmale auf, die Associate für SaaS sind: langfristige, wiederkehrende Verträge, geschäftskritische Anforderungen sowie eine starke Kundenbindung und Expansion. Venture-Investoren haben in dieser Kategorie bereits Bewertungen und Ergebnisse in Milliardenhöhe bei Unternehmen wie Samsara, Motive, Flock Safety und anderen erzielt – und wir glauben, dass die nächsten fünf bis zehn Jahre noch viele weitere hervorbringen werden.

Universelle Robotik ist spannend. Doch vertikale, speziell entwickelte, hardwaregestützte Software ist der pragmatische Weg für KI, heute in die physische Welt Einzug zu halten. Wir suchen aktiv Partner technisch versierten Gründern, die die physikalischen Bereiche, für die sie entwickeln, verstehen und eine pragmatische These zur Integration moderner KI-Funktionen in diese Bereiche haben.