Künstliche Intelligenz als Prüfstein für SaaS-Geschäftsmodelle

1. Abstrakt

Unternehmen mit einem Software-as-a-Service-Geschäftsmodell (SaaS) gehörten über viele Jahre zu den attraktivsten Investitionszielen von Finanzinvestoren. Wiederkehrende Umsätze, hohe Bruttomargen und stabile Kundenbeziehungen ermöglichten eine vergleichsweise verlässliche Beurteilung von Wachstum und Wertschöpfung.

Künstliche Intelligenz (KI) stellt diese Attraktivität nicht grundsätzlich infrage, verändert jedoch zentrale Mechanismen vieler SaaS-Geschäftsmodelle. Umsatzwachstum entkoppelt sich teilweise von der Zahl der Nutzer, KI-Funktionen verursachen zusätzliche variable Kosten, und etablierte Retention-Kennzahlen werden schwieriger zu interpretieren.

Für Investoren reicht es daher zunehmend nicht mehr aus, historische Kennzahlen fortzuschreiben. Entscheidend ist vielmehr, wodurch Wachstum entsteht, wie profitabel zusätzliche Nutzung ist und wie belastbar Kundenbindung und Monetarisierung langfristig sind. Der Beitrag beleuchtet, wie KI die Bewertungsgrundlagen von SaaS-Unternehmen verändert und welche Anforderungen sich daraus für die Financial und Commercial Due Diligence ergeben. Im Fokus steht, wie beide Perspektiven gemeinsam dazu beitragen, die Zukunftsfähigkeit der Geschäftsmodelle zu beurteilen, Transaktionsrisiken zu reduzieren und Ansatzpunkte für die Value Creation nach dem Erwerb zu identifizieren.

2. Die Bewertung von SaaS beruhte auf wenigen zentralen Annahmen

Die hohe Bewertung vieler Softwareunternehmen beruhte in den vergangenen Jahren nicht allein auf Wachstum, sondern vor allem auf dessen Vorhersehbarkeit. Investoren konnten vergleichsweise gut nachvollziehen, wie neue Kunden, zusätzliche Nutzer, Cross-Selling und Preiserhöhungen in zukünftige Umsätze übersetzt werden.

Wiederkehrende Umsätze schufen Visibilität, hohe Bruttomargen signalisierten Skalierbarkeit und stabile Retention-Raten deuteten auf nachhaltige Kundenbindung hin. Wenige Kennzahlen bildeten diese Eigenschaften kompakt ab: Der Annual Recurring Revenue, kurz ARR, beschreibt die annualisierte wiederkehrende Umsatzbasis. Die Net Revenue Retention, kurz NRR, zeigt die Entwicklung der Bestandskundenumsätze einschließlich Expansion, Reduktionen und Kündigungen. Die Gross Revenue Retention, kurz GRR, betrachtet den Erhalt der bestehenden Umsatzbasis vor positiven Expansionseffekten.

Diese Kennzahlen bleiben relevant. Ihre isolierte Betrachtung reicht jedoch zunehmend nicht mehr aus, da identische Werte unterschiedliche wirtschaftliche Realitäten abbilden können. Drei zentrale Annahmen der bisherigen SaaS-Bewertungslogik stehen daher auf dem Prüfstand.

Hypothese 1: Umsatzwachstum entkoppelt sich zunehmend von der Zahl der Nutzer

Etablierte SaaS-Modelle folgen häufig einer einfachen Logik: Mehr Nutzer führen zu mehr Nutzerlizenzen, sogenannten Seats, und damit zu einem höheren ARR. Kundenwachstum und die Ausweitung der Software auf weitere Bereiche ließen sich deshalb relativ direkt in zusätzliche wiederkehrende Umsätze übersetzen. Historische Seat-Expansion war damit ein nachvollziehbarer Wachstumstreiber und eine wichtige Grundlage für die Geschäftsplanung.

KI schwächt diesen Zusammenhang. Wenn Unternehmen Tätigkeiten automatisieren oder einzelne Prozessschritte durch KI ausführen lassen, können sie denselben oder einen höheren Output mit weniger Nutzern erzielen. Der Bedarf an individuellen Software-Seats kann dadurch sinken. SaaS-Umsätze verschwinden nicht, entkoppeln sich aber zunehmend von der Mitarbeiter- und Nutzerentwicklung der Kunden. Historische Seat-Expansion lässt sich deshalb nicht mehr ohne weitere Prüfung fortschreiben.

Wie stark ein Anbieter betroffen ist, hängt von Produkt und Monetarisierung ab. Nutzerbezogene Produktivitätslösungen und leicht austauschbare Workflows sind einem Rückgang der Seats stärker ausgesetzt. Geschäftskritische und tief integrierte Systeme sind dagegen schwerer zu ersetzen, auch wenn sie weiterhin nach Seats abgerechnet werden.

Als Reaktion auf die Entkopplung von Seat- und Umsatzwachstum erproben Anbieter bereits heute alternative Preismodelle. Dazu gehören KI-Add-ons, Funktionspakete sowie verbrauchs- oder ergebnisabhängige Komponenten, mit denen rückläufige Seat-Effekte kompensiert und der durch KI geschaffene Mehrwert monetarisiert werden sollen. Ein dominantes Preismodell hat sich bislang jedoch nicht etabliert, sodass häufig mehrere Ansätze parallel bestehen. Diese Übergangsphase erschwert die Fortschreibung historischer Wachstumsraten, da sich Preis-, Seat-, Produkt- und Nutzungseffekte überlagern und der künftige Umsatzmix von der bisherigen Entwicklung abweichen kann.

Hypothese 2: KI kann die Margenskalierung von Software abschwächen

Klassische SaaS-Geschäftsmodelle können mit hohen Bruttomargen skalieren, da zusätzliche Umsätze nur geringe inkrementelle Kosten verursachen. Diese operative Hebelwirkung war ein wesentlicher Bestandteil ihrer Attraktivität und Bewertung.

KI kann diese Logik abschwächen. KI-gestützte Funktionen verursachen häufig nutzungsabhängige Rechen-, Datenverarbeitungs- und Inferenzkosten, also Kosten für die Anwendung eines trainierten Modells, sowie Kosten für externe Modelle. Steigende Nutzung kann damit nicht nur zusätzliche Umsätze, sondern zugleich signifikante variable Kosten erzeugen. Ein Unternehmen kann seine Produktfunktionalität und den Kundennutzen verbessern, ohne dass sich dies automatisch in einer höheren Bruttomarge niederschlägt.

Wie stark die Marge beeinflusst wird, hängt von der technischen Architektur und der Monetarisierung ab. Anbieter mit effizienter KI-Modellauswahl, eigener technologischer Kompetenz und hoher Kostentransparenz können ihre Nutzungskosten gezielter steuern. Eine starke Abhängigkeit von externen Modellen oder Infrastrukturanbietern kann dagegen die Kosten erhöhen und die Kontrolle über deren Entwicklung begrenzen.

Entscheidend ist, ob der zusätzliche Kundennutzen monetarisiert werden kann. Werden KI-Funktionen ohne einen entsprechenden Preisaufschlag oder ein nutzungsabhängiges Entgelt integriert, kann eine intensive Nutzung die Bruttomarge belasten. Lassen sich die zusätzlichen Kosten durch höhere Preise oder Verbrauchsentgelte kompensieren, kann KI weiterhin profitables Wachstum ermöglichen.

KI-getriebenes Wachstum ist daher nicht automatisch profitables Wachstum. Maßgeblich ist, welche Margen einzelne Produkte, Kundengruppen und Monetarisierungsmodelle nach Berücksichtigung der tatsächlichen Nutzungskosten erwirtschaften.

Hypothese 3: Interpretation von Retention-Kennzahlen wird schwieriger

Retention-Kennzahlen, insbesondere NRR und GRR, galten lange als besonders aussagekräftige Indikatoren für die Qualität eines Softwaregeschäfts. Eine stabile Kundenbasis und steigende Bestandskundenumsätze wurden als Hinweise auf Produktrelevanz, Kundenbindung und nachhaltiges Wachstum interpretiert.

In einem zunehmend durch KI geprägten Marktumfeld wird diese Interpretation anspruchsvoller. Kunden können ihre Verträge verlängern, gleichzeitig jedoch die Zahl der Seats oder die Produktnutzung reduzieren. Preiserhöhungen und KI-Add-ons können diese Entwicklung zunächst kompensieren, während nutzungsabhängige Umsätze zusätzliche Volatilität erzeugen. Die ausgewiesene Umsatzbindung kann dadurch stabil bleiben, obwohl die zugrunde liegende Nutzung bereits zurückgeht.

Zugleich können Kunden alternative KI-native Lösungen testen, ohne den bestehenden Anbieter unmittelbar zu kündigen. Das Abwanderungsrisiko kann damit steigen, bevor es in historischen Kennzahlen sichtbar wird. Eine von ChartMogul¹ veröffentlichte Retention-Analyse weist für die dort untersuchten KI-nativen Softwareprodukte niedrigere GRR- und NRR-Werte als für die betrachteten übrigen Softwareunternehmen aus. Besonders schwach fällt die Kundenbindung bei niedrigpreisigen, leicht test- und kündbaren Produkten aus. Höherpreisige und stärker in Kundenprozesse eingebettete Lösungen weisen dagegen stabilere Retention-Werte auf.

Zwei SaaS-Unternehmen können vergleichbare wiederkehrende Umsätze und Retention-Werte ausweisen, obwohl sich die Qualität ihrer Umsatzbasis deutlich unterscheidet. Bei dem einen beruhen Kundenbindung und Wachstum auf geschäftskritischen Workflows, steigender Produktnutzung und der Nutzung zusätzlicher Module. Bei dem anderen kompensieren Preiserhöhungen und KI-Add-ons eine rückläufige Seat-Nutzung und eine zunehmende Kundenabwanderung (Logo Churn). Die Kennzahlen sind vergleichbar, ihre Belastbarkeit und wirtschaftliche Qualität jedoch nicht.

Entscheidend ist daher, ob Kundenbindung und Expansion durch echte Produktadoption, zusätzliche Anwendungsfälle und eine tiefere Einbettung beim Kunden getragen werden oder überwiegend auf Preis- und Mixeffekten beruhen.

3. Integrierte Due Diligence erhöht die Transaktionssicherheit und schafft die Grundlage für Value Creation

Etablierte SaaS-Kennzahlen bleiben relevant, müssen jedoch stärker in ihre wirtschaftlichen Treiber zerlegt und aus finanzieller sowie kommerzieller Perspektive gemeinsam beurteilt werden.

In der Financial Due Diligence wird analysiert, ob Wachstum aus zusätzlichen Seats, höheren Preisen, neuen Modulen, KI-Add-ons oder steigender Nutzung entsteht. Gleichzeitig ist zu prüfen, ob Expansion und Retention breit getragen werden oder von einzelnen Kunden sowie Preis- und Mixeffekten abhängen. Auf der Kostenseite wird untersucht, welche Aufwendungen fix oder nutzungsabhängig sind und welchen Produkten, Kunden und Erlösmodellen sie zugeordnet werden können. So lässt sich beurteilen, ob steigende KI-Nutzung profitables Wachstum erzeugt oder die Bruttomarge belastet.

Die Commercial Due Diligence untersucht, ob Marktposition, Wertversprechen und Wachstumsperspektiven des Unternehmens nachhaltig tragfähig sind. Neben der Entwicklung des Markt- und Wettbewerbsumfelds ist dabei insbesondere zu beurteilen, wie relevant und differenziert das Produkt aus Kundensicht ist und wie sich KI auf Kundenbedürfnisse, Wettbewerbsposition und zukünftige Kaufentscheidungen auswirkt. Eine zentrale Rolle spielt das Customer Referencing: In strukturierten Kundengesprächen wird geprüft, wie tief die Software in Prozesse und Systemlandschaften der Kunden integriert ist, wie kritisch sie für den Geschäftsbetrieb ist, ob sie ihr Wertversprechen erfüllt und welche Wechselkosten bestehen. Darüber hinaus zeigen die Gespräche, welche KI-Funktionen tatsächlich genutzt werden, welchen konkreten Mehrwert sie schaffen und ob die gewählte Monetarisierung zur Zahlungsbereitschaft der Kunden passt. So lässt sich beurteilen, ob KI die Relevanz und Differenzierung des Produkts nachhaltig stärkt oder lediglich dem Druck folgt, „etwas mit KI zu machen“.

Der Mehrwert liegt in der Verknüpfung beider Perspektiven. Eine stabile NRR ist nur dann belastbar, wenn sie durch höhere Nutzung und zusätzliche Produktadoption statt überwiegend durch Preis- und Mixeffekte getragen wird. Umgekehrt schafft ein hoher Kundennutzen nur dann wirtschaftlichen Wert, wenn er sich monetarisieren lässt und die damit verbundenen Nutzungskosten nicht überproportional steigen. Die integrierte Betrachtung macht damit Risiken in Umsatzqualität, Kundenbindung und Margenentwicklung sichtbar und ermöglicht es, zentrale Annahmen des Businessplans anhand des tatsächlichen Kundenverhaltens zu prüfen.

Zugleich schafft insbesondere die Commercial Due Diligence eine Grundlage für die Value Creation nach der Transaktion. Kundenfeedback zeigt Potenziale für Produktentwicklung, Preisgestaltung und Monetarisierung. Bei strategischen Akquisitionen und Add-ons lässt sich zudem prüfen, welche Produkte sich sinnvoll ergänzen, welche Kundenbedürfnisse das kombinierte Angebot adressiert und wo konkrete Cross-Selling-Potenziale bestehen. Synergieannahmen können so frühzeitig auf tatsächliche Kundenbedürfnisse gestützt werden.

4. KI erhöht die Anforderungen an die Datenbasis

Die zentrale praktische Herausforderung liegt häufig nicht in der analytischen Konzeption, sondern in der Herstellung einer konsistenten Datengrundlage. Vertrags-, Rechnungs-, Umsatz-, Kunden-, Nutzungs- und Kostendaten befinden sich meist in unterschiedlichen Systemen und sind nicht durchgängig miteinander verknüpft.

Auf der Umsatzseite werden SaaS-, Maintenance-, Lizenz-, Implementierungs- und Projektumsätze häufig nicht eindeutig getrennt. Hybride Preismodelle, Bundles, Rabatte, KI-Add-ons und variable Nutzungserlöse erschweren zusätzlich die Abgrenzung zwischen wiederkehrenden und nicht wiederkehrenden Umsätzen. Unterschiedliche Abrechnungszeitpunkte können zudem Schwankungen in der Umsatzrealisierung und Rechnungsstellung erzeugen, obwohl sich das zugrunde liegende Vertragsverhältnis nicht verändert.

Detaillierte Kundendaten auf Kunden- und Produktebene waren bereits in der Vergangenheit häufig nicht konsistent verfügbar oder miteinander verknüpft. Kunden werden teilweise unter mehreren Identifikationsnummern geführt, Vertragsänderungen erschweren die Trennung von Verlängerung, Expansion und Reduktion und Produkt-, Nutzungs- und Umsatzdaten liegen in unterschiedlichen Systemen vor. KI erhöht die Anforderungen an die Datenbasis zusätzlich, da neue Funktionen, Add-ons und nutzungsabhängige Erlöse weitere Umsatz- und Kostenkomponenten schaffen. Um deren Beitrag zu Wachstum und Profitabilität beurteilen zu können, müssen Vertrags-, Umsatz-, Seat-, Produkt-, Nutzungs- und Kostendaten auf einer einheitlichen Kunden- und Produktebene verknüpft und granular analysiert werden.

Die Zuordnung externer und variabler Kosten war bereits in klassischen SaaS-Modellen eine Herausforderung. KI verschärft sie jedoch, da Rechen- und Inferenzkosten sowie Entgelte für externe Modelle unmittelbar mit der Nutzung einzelner Funktionen steigen können, während die zugehörigen Erlöse häufig über pauschale Lizenzen, Produktpakete oder KI-Add-ons erzielt werden. Kosten und Umsätze werden damit nicht nur in unterschiedlichen Systemen, sondern häufig auch auf unterschiedlichen Ebenen erfasst. Die Analyse wird zusätzlich erschwert, wenn KI-Funktionen in bestehenden Paketen enthalten sind oder Nutzung, Abrechnung und Kostenentstehung zeitlich auseinanderfallen. Dadurch bleibt zunächst unklar, ob eine intensivere KI-Nutzung profitables Wachstum erzeugt oder lediglich die variablen Kosten und damit den Druck auf die Bruttomarge erhöht.

ARR-Smoothing bezeichnet vor diesem Hintergrund die methodische Normalisierung des ausgewiesenen ARR auf eine nachhaltig wiederkehrende Umsatzbasis. Im Rahmen der Exit-Vorbereitung sollte das Zielunternehmen hierfür frühzeitig transparente und sachgerechte Regeln für den Ein- und Ausschluss einzelner Umsatzarten festlegen, dokumentieren und konsistent anwenden. Damit wird verhindert, dass die Definition und Berechnung des ARR erst während des M&A-Prozesses zum Gegenstand grundlegender Diskussionen wird.

Eine belastbare Analyse erfordert somit klare Regeln für Umsatzabgrenzung, Periodisierung und Kostenzuordnung sowie eine konsistente Verbindung von Finanz-, Vertrags-, Kunden-, Produkt-, Nutzungs- und Kostendaten. Erst auf dieser Grundlage lassen sich ARR-Wachstum, Kundenbindung und Bruttomargen verlässlich beurteilen.

5. Fazit: Entscheidend ist, was hinter Wachstum und Retention steht

Software bleibt auch im KI-Zeitalter eine attraktive Branche für Investoren. Die Interpretation zentraler Bewertungskennzahlen wird jedoch anspruchsvoller: Umsatzwachstum ist weniger verlässlich an steigende Nutzerzahlen gekoppelt, zusätzliche Nutzung kann variable Kosten verursachen und Retention-Kennzahlen enthalten zunehmend Preis-, Produkt-, Nutzungs- und Mixeffekte.

Investoren müssen daher die ausgewiesenen Kennzahlen kritischer hinterfragen. Entscheidend ist nicht nur, wie hoch Umsatz- und Margenwachstum, wiederkehrende Umsätze und Kundenbindung ausfallen, sondern, wodurch sie entstehen und ob sie auf einem dauerhaft relevanten Produkt sowie belastbaren Kundenbeziehungen beruhen.

Die integrierte Financial und Commercial Due Diligence verbindet die Entwicklung von Umsatz, Retention und Bruttomarge mit Produktnutzung, Kundennutzen, Monetarisierung und Wettbewerbsposition. Dadurch lässt sich beurteilen, ob das historische Wachstum wirtschaftlich belastbar fortgeschrieben werden kann und welche Maßnahmen bei Produktentwicklung, Preisgestaltung und Cross-Selling nach der Transaktion tatsächlich Wert schaffen.

Quellen

1. ChartMogul, MRR / SaaS metrics documentation. https://chartmogul.com/saas-metrics/mrr/?utm_source