Ihr AI-Stack hat jetzt eine IP-Position im Business Case

Die meisten AI-Business-Cases sehen noch immer gleich aus.

Da ist eine Modell-Position. Eine Cloud-Position. Manchmal Headcount. Gelegentlich ein vages "Produktivitäts"-Upside, das niemand prüft.

Was meist fehlt, ist eine Position, die sich nicht mehr wegdiskutieren lässt: Haftung für Trainingsdaten und Copyright.

Technology is easy. Valuation is hard.

Die fehlende Position

Wenn Führung ein AI-Investment freigibt, prüft sie typischerweise drei Fragen:

1. Funktioniert das Modell in der Demo?
2. Können wir es integrieren?
3. Was kostet Inference?

Notwendig - aber nicht hinreichend.

Eine seriöse Bewertung fragt zusätzlich:

• Mit welchen Daten wurden die Systeme trainiert, von denen wir abhängen?
• Wer trägt das Rest-IP-Risiko, wenn diese Daten problematisch waren?
• Was passiert mit unserem Prozess, wenn sich Ökonomie oder Rechtslage des Anbieters ändern?

Stehen diese Fragen nicht auf dem Blatt, haben Sie keine AI-Valuation. Sie haben eine Hoffnung.

Was ein Settlement in Milliardenhöhe Käufern signalisiert

2026 hat die öffentliche Berichterstattung zum Copyright-Settlement von Anthropic eine Größe von etwa 1,5 Milliarden US-Dollar in Boardrooms und Märkte gebracht - weithin als eines der großen US-Copyright-Class-Outcomes beschrieben. Sie müssen Silicon Valley nicht vom Aufsichtsrat aus prozessieren. Sie müssen das Signal richtig lesen.

Das Signal ist nicht: "AI ist illegal."

Das Signal ist:

• Trainingsdaten haben einen Preis - explizit oder latent.
• Vendor-Kostenstrukturen können sich nach Rechtsereignissen neu preisen.
• Präzedenzfälle ändern Diligence-Standards.

Für Enterprise-Käufer heißt das:

• Kaufen wir ein Produkt - oder eine Bilanz-Kontingenz?
• Deckt der Vertrag Trainingsdaten-Claims ab - oder nur die vorwärtsgerichtete Nutzung von Outputs?
• Wenn die Unit Economics des Vendors springen: gibt es Kill-Kriterien und einen Exit?

Ignorieren Sie das, ist der "AI-Transformations"-Multiple Fiktion.

Execution wurde billig. Haftung nicht.

Parallel passiert ein zweiter Shift.

Frontier-Modelle machen Software-Execution dramatisch günstiger. Der alte Burggraben - "wir können coden" - erodiert für produktisierte Software und interne Tools. Distribution, proprietäre Daten und operative Finish-Lines zählen mehr denn je.

Das heißt nicht, dass Enterprise-AI gratis ist.

Es heißt, dass die knappen Güter wandern:

Boards, die günstigere Demos feiern und Haftung ignorieren, optimieren die falsche Spalte.

Open Source vs. Closed ist eine Portfolio-Entscheidung

Die öffentliche Debatte rahmt Open-Source-AI oft ideologisch.

Für Operatoren ist es eine Portfolio-Entscheidung:

• Closed Vendor: Support, Produktreife, vertragliche Oberfläche - und Konzentrationsrisiko.
• Open Models: Kontrolle und Optionalität - und Betriebsaufwand, Security und weiterhin offene Rechtefragen je nach Stack und Jurisdiktion.

Keine Wahl entfernt das Unternehmen aus dem Rest-Risiko.

Sitzt ein Modell in einem Prozess für Kredit, Medizin-Workflow, industrielle Steuerung oder Kundenrechte, tragen Sie das Ergebnis. Vendor-Marketing nicht.

Die Board-Frage ist also nicht "open oder closed für immer?"

Sondern:

• Welche Workloads rechtfertigen welchen Stack?
• Welches Rest-IP- und Compliance-Risiko steckt in jedem Pfad?
• Was kostet der Wechsel, wenn die Wette scheitert?

Das ist Valuation-Sprache. Nutzen Sie sie.

First-Principles-Fragen vor Scale, Pause oder Stop

Bevor das nächste AI-Budget den Raum verlässt, verlangen Sie schriftliche Antworten:

1. Economic Claim - Wenn es funktioniert: welche Cash-, Kosten-, Risiko- oder Zykluszeit-Zahl bewegt sich - und bis wann?
2. Finish-Line - Was heißt "shipped" in einem Satz für einen echten Nutzer oder Prozess?
3. Kill-Kriterium - Welche Evidenz erzwingt Pause oder Stop in 90 Tagen?
4. Data Provenance - Was wissen wir über Trainingsdaten-Rechte der Systeme, die wir skalieren?
5. Indemnity und Rest-Risiko - Wer zahlt bei erfolgreichen Rechteinhabern - Vendor, Versicherer oder wir?
6. Konzentration - Wie viele mission-critical Flows hängen an einer Modellfamilie oder einem Vendor?
7. Exit - Können wir den Prozess ohne Theater zurückdrehen?

Sind (1)-(3) schwach, haben Sie ein Demo-Problem.

Sind (4)-(7) schwach, haben Sie ein Valuation-Problem.

Praxis-Framework: vier Spalten

Für AI-Initiativen nutze ich ein einfaches Board-Sheet:

Die meisten Organisationen übergewichten die erste Spalte und untergewichten die letzten beiden.

So entstehen beeindruckende Pilots und fragile Produktionssysteme.

Wie gutes Arbeiten aussieht

Ein Führungsteam, das das ernst nimmt, verbietet AI nicht.

Es tut das Gegenteil von Hype:

• Weniger Starts, klarere Finish-Lines
• Vendor-Diligence inkl. rechtlicher und ökonomischer Stresstests
• Portfolio-Denken: open und closed dort, wo es sich verdient
• Explizite Non-Goals, damit Kapital nicht über zwanzig halb tote Pilots verdunstet

Purposeful AI heißt nicht "mehr Modelle".

Es heißt investierbare Systeme mit Ökonomie, Rechten und Accountability, die Board-Prüfung überstehen.

Was Sie dieses Quartal tun können

1. Listen Sie AI-Systeme, die in oder nahe Produktion sind.
2. Bewerten Sie jedes in den vier Spalten - Rot/Gelb/Grün reicht.
3. Stoppen oder begrenzen Sie alles, was bei IP/Provenance rot ist, ohne Mitigation.
4. Schreiben Sie das nächste Business-Case-Template so, dass die IP-Position Standard ist.
5. Bei materialen Wetten: strukturierte Valuation Review vor Scale-Kapital.

Wenn Sie einen strukturierten externen Blick wollen, genau dafür sind ein kurzes Tech Valuation Audit oder ein Strategiegespräch da: Scale, Pause oder Stop mit Kriterien, die die Führung verteidigen kann.

Technologie wird weiter leichter.

Valuation - inklusive IP - bleibt die Arbeit.