KI-Systeme und KI-Start-ups sind inzwischen überall. Ich wette sogar, dass du, während du das liest, schon einmal mit dem Gedanken gespielt hast, ein KI-Start-up zu gründen und das große Geld zu machen. Seit einem Jahr unterstütze ich als Berater junge Start-ups dabei, ans Ziel zu kommen. Das klarste Bild, das ich dabei gewonnen habe: Die meisten Probleme, auf die wir stoßen, haben nicht mehr nur damit zu tun, ob man Code schreiben kann. Sie liegen in der technischen Architektur hinter dem Produkt und in der Realität des Betriebs.
Weil KI-Werkzeuge und Code heute so leicht zugänglich sind, halten viele das Ganze für eine mühelose Gelegenheit. Die meisten Gründerinnen und Gründer, die ich treffe, haben ihre Idee schon mit einem großen Sprachmodell ausgefeilt, mit ihrem Umfeld diskutiert und kommen mit einem Plan zu mir, von dem sie überzeugt sind, dass er auf dem Papier funktioniert. Dort enden die Probleme aber nicht. Dort fangen sie an.
1) Überhaupt kein technisches Wissen und die „Vibe Coding“-Illusion
Viele Gründer unterschätzen inzwischen Softwareentwicklung und Systemarchitektur. Eine einfache Website mit einem Haufen Spaghetticode dahinter, in ein paar Stunden mit Claude oder Cursor zusammengebaut, hält ihr Selbstbewusstsein aufrecht, während das System selbst im Produktivbetrieb kaum als Fassade stehen bleibt.
Es zermürbt mich ehrlich gesagt, erklären zu müssen, warum ein Prototyp ohne Datenbankschema, der unter gleichzeitiger Last blockiert und praktisch keine API-Sicherheit und kein Speichermanagement hat, kein „fertiges Produkt“ ist. Eine Oberfläche, die auf localhost zu funktionieren scheint, ist noch keine skalierbare Softwarearchitektur.
2) Keine echte Wirtschaftlichkeitsrechnung, keine berechneten Stückkosten
Das Selbstvertrauen aus Punkt eins, also das Gefühl „Die KI hat mir das gebaut, den Rest schaffe ich allein“, endet abrupt, sobald ein KI-Start-up auf seine noch recht überschaubaren Anfangskosten trifft.
Werkzeuge und Modelle ändern sich so schnell, dass selbst ich in Systemen, die ich selbst entwerfe, von Projekt zu Projekt völlig andere Cloud-Plattformen, Vektordatenbanken und Inferenz-Endpunkte einsetzen muss. Manchmal fällt es sogar mir schwer abzuschätzen, wo Tokenkosten, GPU-Miete und Latenzoptimierung landen, wenn der Nutzerverkehr wächst. Wenn schon ein erfahrener Ingenieur dafür genau rechnen muss, hat jemand ohne technischen Hintergrund praktisch keine Chance, die Stückkosten und die Cloud-Rechnung vorherzusagen.
3) Schwache Teams und ein geografisches Talentproblem
Speziell in der Türkei gibt es in Istanbul Dutzende talentierte junge Ingenieurinnen und Ingenieure. Aber Istanbul vereint die industrielle Basis des Landes, sein soziales Leben, die Möglichkeiten zur Weiterentwicklung, das Finanzzentrum und das Herz von Technologie und Wissenschaft. Das zieht gute Leute so stark an, dass Gründer in anderen Städten oft auf Menschen angewiesen sind, die der Aufgabe nicht gewachsen sind.
In Projekten in Anatolien begegnen mir immer wieder Entwickler ohne echte akademische oder technische Grundlage, die schlimmer noch ihre Gründer regelmäßig anlügen, um ihre Defizite zu verbergen. Deshalb sind die Systeme, die außerhalb unserer größten Städte entstehen, was Architektur und Codequalität angeht, offen gesagt meist Müll. Ein türkisches Sprichwort sagt: „Koyunun bulunmadığı yerde keçiye Abdurrahman Çelebi derler“, sinngemäß: Wo es keine Schafe gibt, nennt man die Ziege einen feinen Herrn. Oder wie man auf Deutsch sagt: Unter den Blinden ist der Einäugige König. Leider erleben wir dieses Sprichwort in der Branche ganz wörtlich.
4) Die Gier nach schnellem Geld und kein tragfähiges Budget
Ein anderes Problem als in Punkt zwei: Selbst Gründer, die tatsächlich Kapital haben, berücksichtigen oft nicht, dass ein Technologie-Start-up anders funktioniert als ein Ladengeschäft und dass sich eine Investition erst nach langer Zeit auszahlen kann. Im klassischen Handel lassen sich ausbleibende Zahlungen kurzfristig ausgleichen. In einem Tech-Start-up bedeutet dasselbe Loch in der Kasse, dass wichtige Infrastruktur nicht aufgebaut wird, und damit verpasste Chancen am Markt.
Wenn ich Gründern sage, dass sie womöglich ein ganzes Jahr lang Geld für Fine-Tuning, Datenbereinigung, Server und Forschung und Entwicklung ausgeben müssen, ohne einen einzigen Cent einzunehmen, schlägt die anfängliche Begeisterung in Panik um.
5) Die auf den Kopf gestellte Reihenfolge
Als Ingenieur würde ich die richtige Reihenfolge der Produktentwicklung so beschreiben:
- Zuerst das, was auf dem Papier am einfachsten und in der Praxis am wichtigsten ist: die Idee skizzieren, den Datenfluss und die Systemarchitektur entwerfen.
- Danach der Papierkram: Regulierung, Store-Freigaben, API-Zugänge.
- Zuletzt der eigentliche Bau: Code, Backend, Modellschichten und das Zusammenfügen aller technischen Bausteine.
Gründer gehen stattdessen so vor: Claude einen Prompt geben und einen Entwurf erzeugen (und davon ausgehen, dass er ein perfektes, fertiges Produkt ist), sofort mit Store-Freigaben und Deployment kämpfen, und wenn das System bei der ersten echten Integration explodiert, in Panik einen Ingenieur anrufen. Wie man sieht, wurde das Fundament, also Skizze und Architekturentwurf, komplett übersprungen.
6) Die Größe der Konkurrenz nicht erkennen
Das erklärt sich weitgehend von selbst, aber in der Praxis sieht es so aus: Selbst Gründer, die gerade erst angefangen haben, hängen ein Open-Source-Modell oder eine fertige API an ihre eigene Oberfläche (einen „AI Wrapper“) und glauben ernsthaft, mit globalen Tech-Konzernen mithalten zu können, die GPU-Cluster im Wert von Milliarden, eigene Datenpipelines und Forschungsteams mit Hunderten von Leuten haben. Dass ein großer Modellanbieter wie OpenAI, Anthropic oder Google genau das, was ihr Start-up macht, mit einem einzigen Update als kostenlose Standardfunktion ausliefern kann, beziehen sie nicht mit ein.
7) Wertvolle Ideen nicht von wertlosen unterscheiden können
Ohne Grundlagen in Informatik, Algorithmen und Datenstrukturen kann ein Gründer nicht erkennen, welches Problem wirklich Deep Learning oder Machine Learning braucht und welches sich mit ein paar Wenn-dann-Regeln oder einer gewöhnlichen Datenbankabfrage lösen lässt. Ohne eigenen Datensatz, ohne Fachwissen in der Domäne und ohne eine durchdachte RAG-Architektur (Retrieval-Augmented Generation) werden flache Ideen, die im Kern „ChatGPT an ein Formular geschraubt“ sind, als revolutionäre Erfindungen verkauft. Echten technischen Wert nicht von Müll unterscheiden zu können, vernichtet Zeit und Kapital gleichermaßen.
Fazit: Prompts schreiben ist nicht dasselbe wie Systeme bauen
Dass KI-Werkzeuge das Programmieren beschleunigt und die Hürde für Prototypen gesenkt haben, steht außer Frage. Aber zwischen einer funktionierenden Demo aus einem Sprachmodell und einem KI-Produkt, das Tausende Menschen gleichzeitig nutzen, das in Millisekunden antwortet, Daten schützt und sich selbst trägt, liegt eine gewaltige technische Kluft.
Die meisten KI-Start-ups, die heute aufgeben, scheitern nicht daran, dass „die KI nicht funktioniert hat“. Sie scheitern, weil sie die Grundlagen der Softwareentwicklung, die Systemarchitektur, die Kostenrechnung und den richtigen Teamaufbau mit dem Satz „Das brauchen wir heute nicht mehr“ über Bord geworfen haben. Wenn du wirklich ein Technologieunternehmen aufbauen willst, das bleibt, fang nicht damit an, ein Sprachmodell deinen Code schreiben zu lassen. Fang damit an, das Problem zu skizzieren, die Kosten auf den Cent genau zu rechnen und dich mit Ingenieuren an einen Tisch zu setzen, die wirklich wissen, wie man Systeme baut.
