Die Wrapper-Welle
2024 und 2025 war es der schnellste Weg zum Startup: Man nehme eine OpenAI- oder Anthropic-API, baue eine spezialisierte Oberfläche darum und verkaufe Zugang als SaaS. KI-Texterstellung für Marketer. KI-Zusammenfassungen für Juristen. KI-Analyse für Recruiter. Die Idee war immer dieselbe: Nimm ein großes Sprachmodell, verpacke es hübsch und verkaufe es an eine Zielgruppe, die nicht weiß, wie man Prompts schreibt.
Hunderte Startups haben genau das getan. Die meisten werden 2026 nicht überleben.
Das fundamentale Problem: Kein Moat
Ein Moat – ein Burggraben – ist das, was ein Unternehmen vor Wettbewerb schützt. Bei klassischer Software kann das ein Netzwerkeffekt sein (Facebook), proprietäre Daten (Bloomberg), tiefe Integration (Salesforce) oder schlicht technische Komplexität (AWS).
KI-Wrapper haben keinen dieser Vorteile. Ihre gesamte Wertschöpfung basiert auf einem API-Call zu einem Modell, das jedem zur Verfügung steht. Der einzige Differenzierungsfaktor ist das Interface – und ein Interface allein ist kein Geschäftsmodell.
Das Problem wird verschärft durch die Geschwindigkeit, mit der die Modellanbieter selbst Features liefern. Claude hat Projects und Artifacts. ChatGPT hat Custom GPTs und Canvas. Jedes Feature, das ein Wrapper-Startup als Alleinstellungsmerkmal hatte, kann über Nacht zur nativen Funktion des Basismodells werden.
Die Margenfalle
Die Ökonomie von KI-Wrappern ist brutal. Ein typisches Setup:
Einnahmen: 29 Euro pro Nutzer pro Monat.
API-Kosten: Je nach Nutzung 5–15 Euro pro Nutzer pro Monat. Bei Power-Usern deutlich mehr.
Bruttomarge: 50–80 % klingt gut – bis man die restlichen Kosten einrechnet.
Kundenakquise: In einem Markt mit hunderten ähnlicher Produkte explodieren die CAC. Google Ads für „KI-Tool für X" sind teuer, weil jeder Wrapper-Anbieter auf dieselben Keywords bietet.
Churn: Wenn der einzige Vorteil das Interface ist, wechseln Nutzer schnell zum nächsten Tool – oder direkt zum Basismodell.
Das Ergebnis: Die meisten Wrapper-Startups verbrennen mehr Geld für Kundenakquise, als sie je an Customer Lifetime Value zurückbekommen.
Was passiert, wenn das Basismodell besser wird
Jedes Modell-Update ist ein Risiko für Wrapper-Startups. Wenn Claude oder GPT ein neues Feature bekommt, das den Kern-Use-Case des Wrappers abdeckt, verliert das Startup über Nacht seine Existenzberechtigung.
Wir haben das bereits erlebt: Als OpenAI die Code Interpreter-Funktion einführte, wurden dutzende Datenanalyse-Wrapper überflüssig. Als Claude Artifacts bekam, verloren viele Content-Generierungs-Tools ihren Vorteil.
Dieses Risiko ist nicht hypothetisch – es ist die Standardentwicklung. Modellanbieter haben jeden Anreiz, die populärsten Use Cases ihrer API-Kunden als native Features zu integrieren.
Was stattdessen funktioniert
Nicht jedes Unternehmen, das auf LLMs aufbaut, ist ein Wrapper. Es gibt klare Muster, die funktionieren:
Proprietäre Daten + KI: Unternehmen, die einzigartige Datensätze besitzen und diese mit KI zugänglich machen, haben einen echten Vorteil. Eine Rechtsberatungsplattform, die tausende reale Vertragsvorlagen analysiert hat, bietet mehr als ein ChatGPT-Prompt.
Tiefe Workflow-Integration: Tools, die sich in bestehende Systeme integrieren – ERP, CRM, Buchhaltung – und dort KI-Funktionen einbetten, sind schwer ersetzbar. Der Wert liegt nicht im Modell, sondern in der Integration.
Spezialisierte Agenten: Statt einer Chat-Oberfläche ein System bauen, das autonom Aufgaben erledigt: Monitoring, Datenverarbeitung, Qualitätssicherung. Agenten, die in Prozesse eingebettet sind, haben einen Switching-Cost, den ein Chat-Interface nicht hat.
Infrastruktur für KI: Die Spitzhacken verkaufen, nicht Gold schürfen. Evaluation-Tools, Prompt-Management, Modell-Routing, Kostenoptimierung – das sind Produkte, die mit dem KI-Markt wachsen, statt von ihm kannibalisiert zu werden.
Die Ausnahmen
Es gibt Wrapper, die überleben werden – aber sie haben eines gemeinsam: Sie sind eigentlich keine Wrapper mehr. Sie haben über die Zeit proprietäre Daten gesammelt, eigene Modelle fine-getuned oder eine so tiefe Workflow-Integration gebaut, dass der API-Call nur noch ein Baustein von vielen ist.
Der Übergang vom Wrapper zum echten Produkt ist möglich, aber er erfordert eine bewusste Strategie. Wer nach einem Jahr immer noch hauptsächlich API-Calls weiterleitet, hat die Kurve nicht gekriegt.
Was das für Entscheider bedeutet
Für Unternehmen, die KI-Tools evaluieren, ist die Wrapper-Frage ein wichtiger Filter: Bietet dieses Tool echten, eigenständigen Wert – oder bezahle ich eine hübsche Oberfläche für etwas, das ich selbst mit der API könnte?
Wir bei nh labs empfehlen unseren Kunden, KI-Lösungen nach drei Kriterien zu bewerten: Besitzt das Tool proprietäre Daten oder Logik? Ist es tief in bestehende Workflows integriert? Und würde es auch Wert bieten, wenn man das darunterliegende Modell austauscht? Wenn die Antwort auf alle drei Fragen „Nein" ist, ist es ein Wrapper – und wahrscheinlich kein gutes Investment.
Fazit
Die KI-Wrapper-Welle war ein natürlicher erster Schritt. Jede neue Technologie erzeugt zunächst eine Welle simpler Anwendungen, bevor die wirklich wertvollen Produkte entstehen. 2026 trennt sich die Spreu vom Weizen. Die Startups, die überleben, sind die, die über das Interface hinaus echten Wert geschaffen haben – durch Daten, Integration oder Automatisierung. Der Rest wird ein Fußnote in der Geschichte des KI-Booms.