Der Mythos der Umsetzung: De-Risking im Venture Building
„Die Idee zählt nicht, entscheidend ist die Umsetzung“ gehört zu den teuersten Glaubenssätzen der Innovation. Systematisches De-Risking macht aus Vermutungen Daten, und manchmal ist die beste Entscheidung, früh aufzuhören.
„Die Idee zählt nicht, entscheidend ist die Umsetzung.“ Kaum ein Satz fällt in der Innovationsarbeit häufiger. Kaum einer kommt teurer zu stehen.
Er hat viele Teams dazu gebracht, sich monatelang einzuschließen und makellose Produkte zu bauen, die niemand kaufen wollte. Der Code war sauber, das Design durchdacht, das Team gab alles. Es fehlte nur der Markt.
Dieses Narrativ stammt aus dem Silicon Valley und wurde in Europa weitgehend ungeprüft übernommen. Die Annahme dahinter ist schlicht: Wer gut und lange genug arbeitet, dessen Lösung nimmt der Markt irgendwann an. In Dutzenden Projekten haben wir oft das Gegenteil erlebt. Bei SUBLIME Ventures gehen wir deshalb von einer anderen Prämisse aus: In der Frühphase eines neuen Ventures geht es nicht darum, ein Produkt zu bauen. Es geht darum, falsche Annahmen systematisch zu widerlegen. Diese Arbeit hat einen Namen: De-Risking, also Risiken systematisch zu reduzieren, bevor Kapital fließt.
Wer eine neue Initiative startet, ob als Ausgründung aus dem Unternehmen (Corporate Venturing) oder als eigenständiges Start-up, arbeitet mit Unsicherheit. Jede ungeprüfte Annahme setzt Kapital aufs Spiel, und je länger sie ungeprüft bleibt, desto größer wird das Risiko. Neue Ventures scheitern selten daran, dass sich die Lösung nicht bauen lässt. Sie scheitern weit häufiger daran, dass sie etwas bauen, wonach niemand gesucht hat.
Anatomie des Risikos: vom Bauchgefühl zu belastbaren Daten
Jede neue Geschäftsidee ruht auf Vermutungen, die sich wie Fakten anfühlen. Vermutlich sind HR-Leitungen die Zielgruppe. Vermutlich zahlen sie 50 Euro im Monat. Vermutlich ist der Markt groß genug.
Keiner dieser Sätze ist von vornherein falsch. Das Problem: Keiner ist bisher belegt. Venture Building macht aus Vermutungen Daten, und zwar an drei Fronten.
- Marktrisiko (Desirability: Will das wirklich jemand?). Das Problem muss existieren und so schmerzhaft sein, dass Menschen aktiv nach einer Lösung suchen. Ein Ärgernis, mit dem sich gut leben lässt, reicht nicht.
- Geschäftsmodellrisiko (Viability: Rechnet es sich?). Die Kosten, einen Kunden zu gewinnen (CAC, Customer Acquisition Cost), müssen deutlich unter dem Wert liegen, den dieser Kunde über die gesamte Kundenbeziehung erwirtschaftet (LTV, Lifetime Value). Zudem muss der erreichbare Markt die Investition rechtfertigen. Hier kommen TAM, SAM und SOM ins Spiel: der Gesamtmarkt, der tatsächlich bedienbare Teil davon und der Anteil, der sich in den ersten Jahren realistisch gewinnen lässt.
- Technisches Risiko (Feasibility: Lässt es sich bauen und skalieren?). Die Lösung muss sich mit den verfügbaren Technologien, mit KI und den vorhandenen Ressourcen umsetzen und skalieren lassen, bei tragfähigen operativen Margen.
Die Reihenfolge ist gewollt. Das technische Risiko ist das vertrauteste und wird deshalb gern zuerst angegangen. Selten ist es jedoch das, woran ein Projekt scheitert. Darum steht es bei uns am Ende.
Die Methode: Validierungs-Sprints und klare Entscheidungsschwellen
Statt monatelange Entwicklung im Blindflug zu finanzieren, arbeiten wir in Validierungs-Sprints: kurzen Testzyklen mit jeweils einer Hypothese und einer Kennzahl. Bevor eine einzige Zeile produktiven Codes entsteht, bestimmen wir, wo sich das Risiko konzentriert, und arbeiten es der Reihe nach ab. Den Anfang macht die Annahme, die alles andere zum Einsturz brächte, wenn sie falsch wäre.
Schritt eins ist der Stresstest des Geschäftsmodells. Mit interaktiven Werkzeugen wie dem Business Model Canvas und dem TAM-SAM-SOM-Rechner schätzen wir das Marktpotenzial aus zwei Richtungen: top-down aus Branchendaten und bottom-up aus realistischen Kundenzahlen, Preisen und Volumina. Liegen beide Schätzungen weit auseinander, gehört eine Annahme auf den Prüfstand. Diese Triangulation dauert Tage, nicht Wochen. Statt statischer Excel-Tabellen entstehen Modelle, die sich aktualisieren, sobald sich eine Annahme ändert.
Schritt zwei bringt das Wertversprechen vor echte Nutzer. Eine Landingpage misst, wie viele Menschen ihre Kontaktdaten für ein Produkt hinterlassen, das es noch gar nicht gibt. Ein Wegwerf-Prototyp dient dazu, Verhalten zu beobachten, nicht dazu, zu gefallen. Kennzahl und Schwellenwert jedes Tests stehen fest, bevor er beginnt. So lässt sich das Ergebnis im Nachhinein nicht schönrechnen.
Schritt drei ist die Entscheidung. Wir arbeiten mit einer De-Risking-Scorecard, die für jedes der drei Risiken explizite Konfidenzschwellen festlegt. In die technische Entwicklung geht ein Vorhaben nur, wenn es diese Schwellen erreicht. Erreicht es sie nicht, fällt die Go/No-Go-Entscheidung (weitermachen oder stoppen) gegen das Projekt aus. Und ein begründetes No-Go ist ein Ergebnis, kein Scheitern.
Ein konkretes Beispiel. Bei der Analyse eines neuen Ventures für einen Kunden haben wir kritische Lücken sowohl bei der Nachfrage als auch bei der Wirtschaftlichkeit festgestellt. Unsere Empfehlung lautete, nicht fortzufahren. Diese Empfehlung hat geschätzte potenzielle Verluste von mehr als 2 Millionen Euro verhindert.
Kein Produktlaunch, keine Erfolgsgeschichte fürs nächste Pitch-Deck. Nur Kapital, das nicht verbrannt wurde.
Ein begründetes No-Go ist ein Ergebnis, kein Scheitern.
Corporate Venturing und KI: wo es anspruchsvoller wird
Innerhalb eines etablierten Unternehmens trifft diese Methode auf eine zusätzliche Hürde. Große Organisationen verfügen über Ressourcen, sind aber darauf ausgelegt, das Kerngeschäft zu schützen, nicht, es zu kannibalisieren oder sich im Tempo eines Start-ups zu bewegen. Lange Freigabeprozesse, Jahresbudgets und Kennzahlen, die für das bestehende Geschäft gemacht sind, bremsen genau die Tests, die am dringendsten gebraucht werden.
Vor dem Projektstart steht daher eine nüchterne Prüfung: Kann die Organisation ein neues Venture überhaupt aufbauen und tragen? Genau dafür gibt es das Corporate Venture & AI Readiness Diagnostic. Es macht Engpässe bei Entscheidungswegen, Technologie und Strategie sichtbar, bevor ein gutes Projekt ihretwegen im Sande verläuft.
KI ist in dieser Arbeit nicht nur das Produkt, das am Ende verkauft wird. Sie ist ein Recherchewerkzeug. Wir setzen sie ein, um Wettbewerbsanalysen zu beschleunigen, um Nutzerinterviews auszuwerten und dabei wiederkehrende Muster und Widersprüche herauszuarbeiten, und um Szenarien für Akquisitionskosten zu modellieren, bevor ein Euro in Kampagnen fließt. Sie ersetzt kein Urteilsvermögen. Sie verkürzt den Weg von einer Frage zu einer überprüfbaren Antwort.
Bauen, um zu lernen
Innovation ist kein Geistesblitz unter der Dusche. Sie ist ein disziplinierter Prozess der Kapitalallokation. De-Risking verwandelt Unsicherheit so früh wie möglich in kalkulierbares Risiko.
Wenn eine Idee scheitern muss, verlangen moralische wie treuhänderische Pflichten, sie in der ersten Testwoche scheitern zu lassen, solange der Fehler fast nichts kostet. Nicht im sechsten Entwicklungsmonat, wenn das Budget längst ausgegeben ist.
Dieselbe Logik steckt hinter dem 2-Millionen-Fall: Vor der Investition anzuhalten kostet weit weniger als danach.
Gutes Venture Building ist eine Brücke über die Unsicherheit. Jeder Pfeiler wird auf seine Tragfähigkeit geprüft, bevor das gesamte Budget darüberrollt.
Für alle, die eine Initiative auf dem Tisch haben und klären möchten, welche Annahme zuerst geprüft werden sollte, ist ein 30-minütiges Gespräch ein guter Anfang.
