Drei Jahre nach dem Start von ChatGPT warten die meisten Großunternehmen immer noch auf einen klaren Return on Investment aus ihren KI-Projekten.
Eine MIT-Umfrage vom August ergab, dass 95 % der Unternehmen keinen nennenswerten Ertrag aus ihren KI-Investitionen erzielen. Trotzdem geben Wagniskapitalgeber zum dritten Mal in Folge dieselbe Prognose ab: Nächstes Jahr wird Enterprise-KI vom Experiment zur geschäftskritischen Infrastruktur.
TechCrunch hat 24 auf Enterprise fokussierte VCs befragt. Fast alle erwarten, dass 2026 das Jahr wird, in dem Unternehmen KI in der Breite produktiv einsetzen, echten Mehrwert sehen und Budgets erhöhen – allerdings mit einer klaren Verschiebung hin zu Konsolidierung und Tiefe.
Vom Hype zu härteren Fragen
Die einfache Phase des KI-Zyklus ist vorbei.
„Unternehmen erkennen, dass LLMs keine Silver Bullet für die meisten Probleme sind“, sagt Kirby Winfield, Founding General Partner von Ascend. Sein Beispiel: Nur weil Starbucks mit Claude seine eigene CRM-Software schreiben könnte, heißt das noch lange nicht, dass es das tun sollte.
Winfield erwartet einen Fokus auf die weniger sichtbaren Bausteine, die für KI im Produktivbetrieb entscheidend sind: kundenspezifische Modelle, Fine-Tuning, Evals, Observability, Orchestrierung und Datensouveränität.
Molly Alter, Partnerin bei Northzone, glaubt, dass ein Teil der Enterprise-KI-Startups de facto zu Beratungen wird. Viele würden mit einem Produkt wie KI-Kundensupport oder Coding-Agenten beginnen, dann aber – ähnlich wie „forward-deployed Engineers“ – individuelle Anwendungsfälle auf der eigenen Plattform für Kunden umsetzen. Aus vertikalen Produktanbietern würden so generische KI-Implementierungspartner.
Wo VCs 2026 echte Adoption erwarten
In den Antworten der Investoren zeichnen sich mehrere Schwerpunkte ab:
Voice als primärer Interface-Layer. „Voice ist eine weitaus natürlichere, effizientere und ausdrucksstärkere Art, wie Menschen miteinander und mit Maschinen kommunizieren“, sagt Marcie Vu, Partnerin bei Greycroft. Sie ist gespannt, wie Produkte und Interfaces aussehen, wenn Sprache die primäre Interaktion mit „Intelligence“ wird.
KI im physischen Raum. Alexa von Tobel, Gründerin und Managing Partnerin von Inspired Capital, erwartet, dass KI 2026 die physische Welt verändert – insbesondere Infrastruktur, Fertigung und Klimamonitoring. Die Welt bewege sich „von reaktiv zu prädiktiv“: Physische Systeme erkennen Probleme, bevor sie zu Ausfällen werden.
Frontier Labs rücken in die Anwendungsebene. Lonne Jaffe, Managing Director bei Insight Partners, beobachtet, dass große Modell-Labs nicht nur Basismodelle liefern, sondern zunehmend schlüsselfertige Anwendungen für Bereiche wie Finanzen, Recht, Gesundheitswesen und Bildung direkt in Produktion bringen wollen.
Quantentechnik mit „Momentum“. Tom Henriksson, General Partner bei OpenOcean, fasst das Jahr 2026 für Quantum Computing in einem Wort zusammen: „Momentum“. Das Vertrauen in „Quantum Advantage“ nimmt zu, Roadmaps sorgen für Transparenz. Größere Softwaredurchbrüche seien aber noch nicht zu erwarten, da die Hardwareleistung noch fehlen.
Die unsexy, aber lukrative Schicht: Infrastruktur und Effizienz
Ein erheblicher Teil des Kapitals wird in die grundlegende Infrastruktur fließen.
Salesforce Ventures zielt laut Principal Emily Zhao auf zwei Fronten: das Eindringen von KI in die physische Welt und die nächste Evolutionsstufe der Modellforschung.
M12, der Venture-Arm von Microsoft, investiert in zukünftige Rechenzentrumstechnologien – Michael Stewart spricht von künftigen „Token-Fabriken“, also allem innerhalb der Datacenter-Wände: Kühlung, Compute, Speicher und Netzwerk innerhalb und zwischen Standorten.
Aaron Jacobson, Partner bei NEA, formuliert es drastisch: „Wir sind an der Grenze der menschlichen Fähigkeit, genug Energie für energiehungrige GPUs zu erzeugen.“ Er sucht daher nach Hard- und Software, die Durchbrüche bei Performance pro Watt ermöglicht – von besserem GPU-Management und effizienteren KI-Chips über optische Netze bis hin zu neu gedachten thermischen Konzepten.
Was einen echten KI-Moat ausmacht
Reine Modell- oder Prompt-Vorteile halten nach Einschätzung der VCs nicht lange.
„Ein Moat in KI hat weniger mit dem Modell selbst zu tun und mehr mit Ökonomie und Integration“, sagt Rob Biederman, Managing Partner bei Asymmetric Capital Partners. Er sucht Firmen, die tief in Unternehmens-Workflows eingebettet sind, proprietäre oder laufend besser werdende Daten nutzen und spürbare Wechselkosten oder Kostenvorteile schaffen.
Jake Flomenberg, Partner bei Wing Venture Capital, steht Moats, die „rein auf Modellperformance oder Prompting“ basieren, skeptisch gegenüber, da solche Vorteile „in Monaten erodieren“. Seine Standardfrage: Wenn OpenAI oder Anthropic morgen ein zehnmal besseres Modell launchen, hat dieses Unternehmen dann noch eine Existenzberechtigung?
Für Molly Alter lassen sich Moats heute am besten in vertikalen Kategorien wie Fertigung, Bau, Gesundheit oder Recht aufbauen, wo Daten über Kunden hinweg relativ konsistent sind. So entstehen echte Datenmoats, bei denen jeder zusätzliche Kunde das Produkt verbessert. Ergänzend dazu sieht sie „Workflow-Moats“, die aus einem tiefen Verständnis branchenspezifischer Abläufe entstehen.
Harsha Kapre von Snowflake Ventures betont, dass die stärksten Moats dort entstehen, wo Startups die vorhandenen Unternehmensdaten in bessere Entscheidungen, Workflows und Kundenerlebnisse übersetzen – ohne neue Datensilos aufzubauen.
Wird 2026 das Jahr des echten Nutzens?
Die meisten der befragten Investoren beantworten diese Frage mit Ja – aber sie erwarten eher inkrementellen als explosiven Fortschritt.
Winfield geht davon aus, dass Unternehmen die Phase „zufälliger Experimente mit Dutzenden Lösungen“ beenden und sich auf weniger, dafür tiefer integrierte Produkte konzentrieren.
„Wenn das letzte Jahr dem Aufbau der Infrastruktur für KI galt, ist 2026 das Jahr, in dem wir sehen, ob die Applikationsebene diese Investition in echten Wert ummünzen kann“, sagt Scott Beechuk, Partner bei Norwest Venture Partners.
Marell Evans, Gründer und Managing Partner von Exceptional Capital, rechnet ebenfalls mit Fortschritt, aber „weiterhin schrittweise“. Die Lösung des Problems von „Simulation zu Realität“ beim Training könne viele neue Anwendungsfelder eröffnen.
Jennifer Li, General Partner bei Andreessen Horowitz, hält die Schlagzeilen über fehlende Renditen für zugespitzt. Ihr Test: „Fragen Sie irgendeinen Softwareentwickler, ob er in die dunklen Zeiten vor KI-Coding-Tools zurück möchte. Unwahrscheinlich.“ Ihrer Ansicht nach sehen Unternehmen schon heute Wert, der sich 2026 vervielfachen wird.
Antonia Dean, Partnerin bei Black Operator Ventures, warnt, dass KI zugleich als Vorwand dienen wird: Unternehmen werden steigende KI-Ausgaben ins Feld führen, um Kürzungen in anderen Bereichen oder Personalabbau zu rechtfertigen. „KI wird zum Sündenbock für Führungskräfte, die frühere Fehler kaschieren wollen“, sagt sie.
Budgets steigen – und konzentrieren sich
Bei einem Punkt herrscht nahezu Einigkeit: Die KI-Ausgaben werden steigen, aber nur für einen Teil der Anbieter.
Rajeev Dham, Managing Director bei Sapphire, rechnet mit höheren KI-Budgets, betont aber die „Nuancen“. Ein Teil der Mittel werde aus Personalkosten in KI-Technologien verlagert oder durch so hohe Umsatzrenditen kompensiert, dass sich Investitionen „drei- bis fünfmal“ auszahlen.
Biederman erwartet steigende Budgets „für eine kleine Gruppe von KI-Produkten, die klar Ergebnisse liefern“, und „deutliche Rückgänge“ für alle anderen. Gordon Ritter, Gründer und General Partner bei Emergence Capital, geht ebenfalls von konzentrierten Ausgaben aus, insbesondere dort, wo KI institutionelle Stärken ausbaut.
Andrew Ferguson, VP bei Databricks Ventures, sieht 2026 als das Jahr, in dem CIOs der „Vendor Sprawl“ bei KI entgegentreten. Heute testen Unternehmen oft mehrere Tools für denselben Use Case, weil Ausprobieren günstig ist und Differenzierung – etwa im Go-to-Market – schwerfällt. Sobald belastbare Erfolgsnachweise vorliegen, werden Unternehmen laut Ferguson „einen Teil des Experimentierbudgets streichen, überlappende Tools konsolidieren und die Einsparungen in die Technologien lenken, die geliefert haben“.
Ryan Isono, Managing Director bei Maverick Ventures, erwartet zudem eine Verschiebung von Piloten hin zu budgetierten Posten. Ein Rückenwind für Startups: Viele Unternehmen, die versucht haben, eigene Lösungen zu bauen, werden feststellen, wie komplex der produktive Betrieb in großem Maßstab tatsächlich ist.
Die Hürde für eine Series A im Enterprise-KI-Bereich 2026
Wer 2026 eine Series A aufnehmen will, braucht mehr als nur eine gute Story.
„Die besten Unternehmen kombinieren derzeit zwei Dinge“, sagt Flomenberg: einen überzeugenden „Warum jetzt?“-Case rund um GenAI und „konkrete Belege für Enterprise-Adoption“. Ein bis zwei Millionen Dollar Annual Recurring Revenue seien „die Basis“, entscheidend sei aber, ob Kunden das Produkt als geschäftskritisch einstufen. Sein Fazit: „Umsatz ohne Narrativ ist ein Feature; Narrativ ohne Traktion ist Vaporware. Sie brauchen beides.“
Jaffe von Insight Partners will sehen, dass Gründer Märkte adressieren, in denen sinkende Kosten durch KI die Total Addressable Market (TAM) vergrößern, statt sie zu vernichten.
Jonathan Lehr, Mitgründer und General Partner bei Work-Bench, achtet darauf, dass Kunden das Produkt im täglichen Betrieb nutzen, zu Referenzgesprächen bereit sind und offen über Wirkung, Zuverlässigkeit und Beschaffungsprozess sprechen. Unternehmen sollten klar zeigen können, wie sie Zeit sparen, Kosten senken oder Output steigern – und dabei Security-, Legal- und Procurement-Prüfungen bestehen.
Stewart von M12 betont, dass Pilotumsätze angesichts der Vielzahl an Alternativen nicht mehr per se diskreditiert werden. Entscheidend sei jedoch, dass nach etwa sechs Monaten Konversionen in produktive Verträge den Großteil der Story ausmachen.
Für Marell Evans zählen letztlich Ausführung und Traktion: 12+ Monatsverträge, Nutzer, die das Produkt wirklich gern einsetzen, hohe technische Kompetenz – und Gründer, die Top-Talente aus großen Tech-Konzernen abwerben können.
KI-Agenten: Vom Demo zur „Mitarbeiterin“
KI-Agenten kommen in Unternehmen an, werden Ende 2026 aber noch längst nicht alles übernehmen.
Nnamdi Okike, Managing Partner und Mitgründer von 645 Ventures, erwartet Agenten „noch in der Anfangsphase der Adoption“. Technische und Compliance-Hürden sowie fehlende Standards für Agent-zu-Agent-Kommunikation bremsen.
Dham von Sapphire rechnet dagegen mit einem „universellen Agenten“. Heute seien Agenten funktional getrennt – etwa als Inbound- oder Outbound-SDR, Kundensupport oder Product Discovery. Bis Ende 2026 könnten sich diese Silos in einen Agenten mit gemeinsamem Kontext und Gedächtnis auflösen.
Dean betont, dass erfolgreiche Unternehmen Agenten als kollaborative Ergänzung sehen werden – nicht als strikte Trennung zwischen „Routinearbeit für Bots“ und „Denkarbeit für Menschen“. Die Grenze zwischen menschlichen und Agent-Aufgaben werde sich kontinuierlich verschieben.
Aaron Jacobson von NEA prognostiziert, dass „die Mehrheit der Wissensarbeiter mindestens einen agentischen Co-Worker haben wird, den sie beim Namen kennen“. Eric Bahn, Mitgründer und General Partner von Hustle Fund, geht noch weiter: Er kann sich vorstellen, dass Agenten zahlenmäßig die menschliche Belegschaft übertreffen, da ihre Vermehrung „praktisch kostenlos und ohne Grenzkosten“ ist. „Warum also nicht mit Bots skalieren?“
Wo Enterprise-KI heute schon funktioniert
Wer wissen will, wo KI im Enterprise-Umfeld bereits Mehrwert stiftet, sollte auf Wachstums- und Retentionsraten schauen.
Flomenberg berichtet, dass seine am schnellsten wachsenden Portfoliounternehmen eine Gemeinsamkeit haben: Sie identifizierten Lücken, die durch GenAI entstanden sind – in Workflows oder Sicherheit – und schlossen diese konsequent. In der Cybersecurity sind das etwa Lösungen für Datensicherheit, damit LLMs sensible Informationen sicher nutzen können, und Governance für autonome Agenten. Im Marketing entstehen neue Felder wie Answer Engine Optimization – gefunden werden in KI-Antworten statt nur in Suchergebnissen.
Ferguson beobachtet starke Ergebnisse bei Firmen, die mit einem sehr fokussierten Wedge – einer klar definierten Persona oder einem Use Case – landen, dort tief verankert werden und sich dann ausweiten.
Jennifer Li sieht das stärkste Wachstum bei Unternehmen, die helfen, KI wirklich in Produktion zu bringen: Datenextraktion und -strukturierung, Developer-Produktivität für KI-Systeme, Infrastruktur für generative Medien, Voice- und Audio-Anwendungen sowie Support- und Call-Center-Apps.
Bei der Retention sieht Flomenberg drei Muster: mission-kritische Produkte, deren Entfernung Produktionsprozesse bricht, angesammelter proprietärer Kontext und Problemlösungen, die mit wachsender KI-Nutzung wichtiger statt unwichtiger werden.
Henriksson stellt fest, dass „ernsthafte“ Enterprise-Software-Anbieter, insbesondere mit KI-Funktionen, die höchste Retention aufweisen. Als Beispiel nennt er Operations1, das mit seiner Plattform Mitarbeiter-geführte Produktionsprozesse Ende-zu-Ende digitalisiert.
Stewart verweist auf Startups im Bereich Datentools und vertikale KI-Anwendungen, die ihre Produkte mit „forward-deployed“ Teams flankieren, die Kundenzufriedenheit und Produktqualität steigern – ein Erfolgsrezept, das führende Startups breit übernommen hätten.
Lehr nennt AuthZed als zentrale Infrastruktur für Autorisierung und Richtlinien sowie Courier Health und GovWell als Systeme der Aufzeichnung und Orchestrierung im Gesundheitswesen und im öffentlichen Sektor. Sind solche Systeme einmal live, ist ein Austausch extrem teuer.
Unterm Strich sieht 2026 für Enterprise-KI weniger nach einer weiteren Hype-Welle und mehr nach einem Stresstest aus. Budgets steigen, aber Anbieter werden ausgesiebt. Übrig bleiben jene Lösungen, die am dichtesten an realen Workflows, Daten und Infrastruktur sitzen – und ihren Wert belegen können, statt ihn nur zu versprechen.
