Die dritte Ära der AI-Software — Wo wir stehen, wohin wir gehen

Im September 2016 kündigte Marc Benioff Einstein an, im Oktober stand er damit in San Francisco auf der Dreamforce-Bühne. Ein “AI-Layer” für Salesforce, der Opportunities scort und Forecasts verbessert. Die Dreamforce-Halle applaudierte höflich. Die Aktie bewegte sich nicht. Niemand sprach am Tag danach im Büro darüber.

Im Mai 2026 stand Christian Klein in Orlando auf der Sapphire-Bühne und stellte die “Autonomous Enterprise” vor. AI-Agenten, die Finance, Supply Chain und HR-Workflows end-to-end fahren. Die SAP-Aktie reagierte nicht, weil sie das schon seit zwei Quartalen einpreist. Aber jeder Mittelständler im Saal wusste: Das ist nicht mehr Demoware.

Zwischen diesen zwei Bühnen liegen zehn Jahre und drei Ären von AI-Software. Jede hatte eigene Gewinner, eigene Preis-Modelle, eigene Pleiten. Die meisten Software-Firmen haben mindestens eine davon verschlafen. DACH-PE hat alle drei verschlafen. Und Era 3 läuft erst seit gut anderthalb Jahren.

Dieser Artikel zoomt heraus. Wir haben in den letzten Monaten viel über Einzelthemen geschrieben — Vibe Coding, Death by Clawd, das MCP-Paradox, Software-Moats im AI-Zeitalter, Agent statt Anwender, Generative UI, die Horizontal AI Workbench. Jetzt der Frame, in den alles reinpasst.

Wieso überhaupt “Ären”?

Der Begriff stammt nicht aus einem Berater-Deck. Michael Truell, CEO von Anysphere/Cursor, hat ihn im Februar 2026 für Software Engineering geprägt: Tab-Autocomplete, synchrone Agents, autonome Cloud Agents. Drei Phasen, in denen sich die Rolle des Entwicklers radikal verschiebt. Das Framework lässt sich auf den gesamten B2B-Software-Markt heben, weil die Übergänge auf demselben Muster sitzen: Wer macht die Arbeit, wer bezahlt wofür, und merkt der Nutzer überhaupt, dass AI im Spiel ist.

Drei Ären, drei Antworten:

Ära	Zeitraum	Wer macht die Arbeit?	Was zahlt der Kunde?	Merkt der Nutzer es?
Era 1 — Predictive	ca. 2010–2022	Mensch, mit Modell im Hintergrund	Per-Seat, AI inkludiert	Selten
Era 2 — Generative Co-Pilot	2022–2025	Mensch, beschleunigt durch Co-Pilot	Per-Seat + AI-Add-on	Ständig
Era 3 — Agentic	ab 2025/26	Software, mit Mensch als Aufgabengeber	Per-Outcome / Per-Task	Erst am Ergebnis

Die Wende von einer Ära zur nächsten ist nie sauber. Era 1 läuft in jedem ERP weiter. Era 2 boomt im Mittelstand, wenn die Großen längst Era 3 ausrollen. Aber wer drei Wellen lang nur Predictive verkauft hat, hat heute ein Bewertungsproblem.

Vier Ären auf einer Zeitachse: Era 1 lief zwölf Jahre, Era 2 drei, Era 3 seit gut anderthalb. Die Wellen werden kürzer — und Era 4 zeichnet sich ab, bevor Era 3 im Mittelstand angekommen ist.

Era 1 — Predictive AI (ca. 2010–2022)

Charakteristika

Predictive AI ist das, was Statistiker früher gemacht haben — nur mit mehr Daten, GPUs und einem schickeren Namen. Klassifikation, Regression, Forecasting, Empfehlungen, Anomalie-Erkennung. Eingebaut in Workflows, die der Mensch weiter selbst bedient. Das Modell schlägt vor, der Anwender entscheidet.

Die Ära beginnt nicht mit einem Knall. Sie sickert ein. 2010 bauen Netflix und Amazon Recommendation Engines, die zum Lehrbuch werden. 2014 kauft Salesforce RelateIQ. 2015 baut das interne Salesforce-Team das erste Opportunity-Scoring-Modell. 2016 wird das Ganze als Einstein gelabelt. Im selben Jahr launcht SAP Leonardo, IBM Watson läuft schon eine Weile, Microsoft baut Azure ML aus. Bis 2022 hat jede ernstzunehmende Enterprise-Software ein “AI-powered”-Etikett auf irgendeinem Feature.

Anbieter und Gewinner

Die Gewinner von Era 1 sind die SaaS-Incumbents, weil sie auf ihren Datenbergen sitzen. Wer Salesforce für CRM kauft, bekommt Einstein. Wer SAP für ERP kauft, bekommt Predictive Maintenance. Wer Workday für HR kauft, bekommt Talent Scoring. Predictive AI war Mittel zum Zweck: Der Moat war der Kundenstamm und die Datenintegration, nicht das Modell.

Spezialisten existieren — DataRobot, H2O.ai, Dataiku, Domino Data Lab — aber sie verkaufen Plattformen an interne Data-Science-Teams, nicht an Endanwender. Im DACH-Raum gibt es Celonis, das aus Process-Daten echte Predictive-Insights baut und damit zum einzigen DACH-Unicorn dieser Welle wird, das international zählt. Sonst: viel Mittelstand mit Predictive-Modulen in Maschinenbau-Software (PSI, Fauser, Symphony AI), wenig globale Sichtbarkeit.

Pricing

Per-Seat, unverändert. AI war Feature, nicht Produkt. Salesforce hat Einstein in höhere SKUs gepackt und damit Average Contract Value erhöht, aber das Geschäftsmodell blieb gleich: Du kaufst Lizenzen, du verteilst sie an Mitarbeiter, die Mitarbeiter klicken.

Was funktioniert hat — und was nicht

Funktioniert hat: Recommendation, Fraud Detection, Predictive Maintenance, Forecasting, Lead Scoring. Wo es klare KPIs gab und der Fehler des Modells ein bisschen Geld kostete, nicht alles, hat Predictive AI dauerhaft Wert geschaffen.

Nicht funktioniert hat: alles, was als “AI” über klassische Workflows gestülpt wurde, ohne das Workflow-Design zu verändern. Watson Health ist hier das berühmteste Begräbnis. Hunderte Millionen Dollar, kaum klinischer Nutzen, 2022 abgestoßen. Die Lektion, die in Era 2 und 3 wiederholt wird: AI als Lipgloss auf einem alten Prozess scheitert. AI als Architekturentscheidung gewinnt.

DACH-Position

Schwach. Die einzige DACH-Story von internationalem Rang ist Celonis. Ansonsten haben Mittelständler Predictive-Features eingebaut, ohne strategisch in Daten und Modelle zu investieren. Der Grund ist banal: Wer eine 60-FTE-Software-Firma in Karlsruhe baut und an Buy-and-Build verkauft, hat keine ML-Org. Predictive AI war in DACH meistens ein zugekauftes Open-Source-Modell auf einem Postgres-Snapshot.

Era 2 — Generative AI als Co-Pilot (2022–2025)

Charakteristika

Am 30. November 2022 macht ChatGPT auf. Vier Monate später öffnet GitHub Copilot die Schleusen, OpenAI veröffentlicht GPT-4, Microsoft kündigt Office Copilot an. Innerhalb von achtzehn Monaten hat jede ernstzunehmende SaaS-Plattform einen “AI Assistant” oder “Co-Pilot”. Generative AI tritt ins Sichtfeld des Endanwenders. Der Anwender chattet, das Modell schreibt, formatiert, fasst zusammen, schlägt vor.

Die Geste verändert sich. In Era 1 hat der Anwender geklickt und das Modell hat im Hintergrund gewerkelt. In Era 2 hat der Anwender getippt und das Modell hat geantwortet. Das ist trivial in der Beschreibung und gewaltig in der Konsequenz: AI ist plötzlich kein Backoffice-Feature mehr, sondern ein Gesprächspartner, den der Anwender bewusst nutzt.

Anbieter und Gewinner

Drei Schichten. Erstens die Modell-Anbieter: OpenAI, Anthropic, Google, Meta, später Mistral und DeepSeek. Zweitens die Hyperscaler, die Compute verkaufen — Microsoft Azure (über die OpenAI-Partnerschaft), AWS Bedrock, Google Cloud. Drittens die App-Layer-Co-Piloten: GitHub Copilot, Microsoft 365 Copilot, Salesforce Einstein Copilot, Adobe Firefly, Notion AI.

Die ersten zwei Schichten machen das Geld. GitHub Copilot überschreitet 20 Millionen Nutzer und sitzt in 90 Prozent der Fortune 100. Microsoft baut Copilot in jede Office-SKU. Cursor — eine forked VS Code mit AI darin — geht von Null auf 2 Mrd. $ ARR in zwei Jahren und kassiert eine 29,3-Mrd.-Bewertung.

Im DACH-Raum entstehen die ersten Eigenständigen: DeepL Write hebelt eine bestehende Übersetzungs-Position in Generierung. Aleph Alpha verbrennt im Pivot von Modell-Anbieter zu Anwendungsplattform Bewertung. Black Forest Labs setzt sich in der Bildgenerierung neben Midjourney. Und auf der Plattform-Ebene wächst die Kategorie, die wir Horizontal AI Workbench getauft haben — Langdock, meinGPT, Operaide, Vicy — als europäische Antwort auf “Welche LLM-Schicht setze ich vor mein Unternehmen?”.

Pricing

Per-Seat plus AI-Add-on. Microsoft 365 Copilot kostet 30 $ pro Nutzer und Monat zusätzlich zur Office-Lizenz. GitHub Copilot Business 19 $, Enterprise 39 $. Notion AI 8 $ on top. Das Modell hält sich anderthalb Jahre, dann beginnt es zu kippen, weil zwei Probleme zusammenkommen: Erstens nutzen viele Käufer das Add-on selten genug, dass die ROI-Rechnung nicht aufgeht (Microsoft musste mehrfach Discounts geben). Zweitens fragen CFOs ab Mitte 2025, warum sie pro Mitarbeiter zahlen sollen, wenn der Mitarbeiter den Co-Pilot vielleicht zweimal pro Woche benutzt.

Was funktioniert hat — und was nicht

Funktioniert hat alles, wo der Mensch ein Briefing schreibt und das Ergebnis prüft: Code-Vorschläge, E-Mail-Entwürfe, Zusammenfassungen, Recherche, einfache Bildbearbeitung. Funktioniert haben auch fokussierte Vertical Co-Piloten — Harvey für Legal, Glean für Knowledge Search, GitHub Copilot für Code.

Nicht funktioniert haben: generische “Frag mich alles”-Chatfenster ohne Workflow-Kontext (Microsoft Bing Chat im Enterprise, etliche White-Label-ChatGPT-Klone), Co-Piloten in Workflows, in denen der Anwender ohnehin nicht typt (klassische ERP-Buchungsmasken). Und die Rechnung “ein Co-Pilot pro Tool” hat in einer typischen 30-SaaS-Org einfach zu viele Dialoge erzeugt. Wir haben das in Death by Clawd detailliert: Wenn ein Skill in einer 200-Zeilen-Markdown-Datei dieselbe Recherche-Aufgabe macht wie ein 200 $/Monat-Tool, kollabieren ganze Kategorien.

DACH-Position

Schwächer als die Schlagzeile suggeriert. DeepL ist ein Era-1-Sieger, der in Era 2 mitschwimmt. Aleph Alpha ist die Geschichte einer Bewertung, die schneller fiel als sie kam. Die echte deutsche Era-2-Story ist die Horizontal AI Workbench, und die ist erst 2025 sichtbar geworden — also fast am Übergang in Era 3. Ein DACH-PE-Sponsor, der 2023 Generative-Bets gesetzt hat, ist eine Ausnahme. Die meisten haben das Thema 2024 als “noch zu früh” abgelegt und sind drei Quartale später aufgewacht, als ihre Portfolio-Companies Copilot-Add-ons zukauften statt eigene zu bauen.

Era 3 — Agentic Software (ab 2025/26)

Charakteristika

In Era 3 hört der Mensch auf zu bedienen. Er gibt ein Ziel vor, der Agent plant, der Agent nutzt Tools, der Agent liefert ein Ergebnis. Der Unterschied zu Era 2 ist nicht graduell. In Era 2 hat der Mensch jeden Vorschlag des Modells abgesegnet. In Era 3 läuft das Modell selbständig, ruft APIs, schreibt in Datenbanken, eskaliert nur, wenn es Konfidenz oder Berechtigung verliert.

Truell beschreibt für Coding, was für die ganze Software gilt: 35 Prozent der Cursor-Pull-Requests stammen schon von autonomen Cloud-Agents, nicht mehr von Entwicklern mit Tab-Autocomplete. Goldman Sachs pilotiert Cognitions Devin für autonome Software-Engineering-Aufgaben. OpenAI veröffentlicht im Februar 2026 GPT-5.3-Codex, das nach eigener Angabe sieben Stunden am Stück an Tasks arbeitet; seit Juli ist GPT-5.6 Sol der Codex-Default. Anthropic hebt Claude Code von 2,5 Mrd. $ Run Rate im Februar auf rund 8 Mrd. $ im Mai 2026, und das ist ein Tool, das auf dem Terminal lebt.

Außerhalb Coding sieht das Bild identisch aus. Sierra, gegründet 2023 von Bret Taylor (Ex-Salesforce-Co-CEO) und Clay Bavor, hat im Februar 2026 150 Mio. $ ARR und 40 Prozent der Fortune 50 als Kunden, im Mai 2026 eine 950-Mio.-$-Series-E bei 15,8 Mrd. $ Bewertung, angeführt von GV und Tiger Global — und macht Customer-Service-Agents, die ganze Tickets schließen, nicht nur vorschlagen. Decagon sitzt bei 4,5 Mrd. $ Bewertung im gleichen Markt. SAP zieht auf Sapphire 2026 die “Autonomous Enterprise” als strategischen Rahmen für das gesamte Suite-Portfolio auf. Gartner liefert die Marktzahl dazu: 40 Prozent der Enterprise-Apps werden Ende 2026 Task-spezifische AI-Agents embedded haben, von unter 5 Prozent in 2025.

Anbieter und Gewinner

Die Karte ist nicht stabil. Drei Lager kämpfen.

Erstens: AI-native Agent-Anbieter. Sierra, Decagon, Cognition, Cresta, Adept (vor dem Amazon-Acquihire), Glean (mit Agent-Layer), Harvey (Legal Agents). Sie bauen die Agent-Logik nativ und positionieren sich als Ersatz für seat-basierte SaaS-Tools. Sierras Pitch ist explizit: “Du brauchst weniger Service-Mitarbeiter, weil wir die Tickets schließen.”

Zweitens: Incumbent-SaaS mit Agent-Layer. Salesforce mit Agentforce, ServiceNow mit Now Assist Agents, SAP mit Joule Agents, Microsoft mit Copilot Studio. Sie versuchen, die Datenintegration und das Vertrauen ihrer Bestandskunden zu nutzen, um Agents auf eigener Plattform zu verteidigen. Salesforce zahlt dafür einen Preis, der in Agent statt Anwender im Detail steht: Agentforce kannibalisiert die eigene Seat-Basis, die Aktie fällt 26 Prozent, Benioff räumt verlangsamte Nachfrage ein. Wie abhängig das zweite Lager vom dritten ist, zeigt SAP selbst: Foundation-Modell für die Joule Agents ist Anthropics Claude.

Drittens: Modell-Anbieter, die in die Anwendungsschicht drücken. Anthropic mit Claude Skills und Claude Code, OpenAI mit ChatGPT Enterprise Agents und Codex, Google mit Gemini Agents. Sie bauen vertikale Funktionalität, die ganze SaaS-Kategorien obsolet macht — Anthropics Legal-, Security- und COBOL-Skills haben in einer Woche zweistellige Milliarden an Börsenwert vernichtet. Wie fragil dieses Lager selbst ist, hat der Juni 2026 gezeigt: Drei Tage nach dem Fable-5-Launch setzte eine US-Exportkontroll-Direktive den weltweiten Zugriff aus, erst zum 1. Juli kam das Modell zurück. Regulatorische Modell-Verfügbarkeit ist seitdem ein eigenes Era-3-Stack-Risiko, und sie füttert direkt die Era-4-Frage nach Agent-Identität und Compliance.

Pricing

Das Seat-Modell bricht. Sierra rechnet pro abgeschlossenem Ticket. Cresta rechnet pro Outcome. Cognition rechnet teilweise pro autonomem Coding-Task. Salesforce versucht “Flex Credits” — eine Verbrauchseinheit, die je nach Aktion umgerechnet wird. Niemand weiß wirklich, was die richtige Einheit ist, aber alle wissen, dass “ein Login pro Monat” nicht mehr passt, wenn der Login von einem Agent kommt, der 10.000 Mal pro Tag triggert oder gar nicht. Die Suche nach der richtigen Einheit haben wir in Pricing von AI-Funktionen für SaaS seziert, die Kostenseite im Token-Wahnsinn der AI-FinOps.

Das ist nicht nur ein Pricing-Detail. Es ist die Kernfrage, ob ein SaaS-Geschäftsmodell überlebt. Wenn ein Agent eines Kunden 5 Service-Mitarbeiter ersetzt, fallen 5 Seats weg. Bei Salesforce sind das schnell 1.500 $ MRR weniger. Wenn der Agent von Salesforce selbst kommt und der Kunde dafür 200 $ Outcome-Fee zahlt, hat Salesforce 1.300 $ pro Monat verloren — und einen zufriedeneren Kunden. Das ist das MCP-Paradox in seiner ökonomischen Form: Die beste Software für einen Agent ist gleichzeitig die Software, die ihr eigenes Geschäftsmodell schreddert.

Was funktioniert (und was nicht)

Funktioniert: Customer Service (Sierra, Decagon), Coding (Cursor, Devin, Claude Code), Sales-Outreach (Clay, 11x), interne Knowledge Workflows (Glean), Recherche und Reporting (ChatGPT Deep Research). Überall, wo der Output verifizierbar ist und der Prozess viele wiederkehrende, gut spezifizierte Tasks hat, sitzen Agents richtig.

Nicht funktioniert: alles, wo der Output nicht verifizierbar ist und der Fehler des Agents teuer wird. Über 40 Prozent der Agentic-AI-Projekte werden laut Gartner-Prognose bis Ende 2027 abgebrochen sein, oft an genau diesem Punkt. AI Agents brauchen Aufsicht — wir haben das ausführlich. Die ehrliche Antwort, warum Agentforce langsam adoptiert wird, ist nicht “Pricing zu hoch”, sondern “Compliance-Teams kriegen die Audit-Trails nicht freigegeben”.

DACH-Position

Ehrlich gesagt: sehr früh und sehr klein. Im Customer-Service-Agent-Markt gibt es Parloa (Berlin), das im April 2025 auf 1 Mrd. $ Bewertung kam und global mit Sierra konkurriert. Im Coding-Bereich keinen einzigen DACH-Anbieter mit globaler Sichtbarkeit. Im Knowledge-Agent-Bereich entstehen über die Horizontal AI Workbench erste Agent-Layer (Langdock, meinGPT bauen aktiv Agent-Funktionalität ein), aber das ist Mittelstand-Plattform, nicht globale Agent-Software. Was im Mittelstand heute real läuft, sind Lese-Agenten, die beobachten, filtern und melden; Schreib-Agenten mit Buchungsrechten bleiben die Ausnahme — wir haben das in Agent-driven Business am eigenen Stack nachgemessen.

Die strukturelle Frage: Warum hat DACH-PE in drei AI-Ären keine global relevante Position aufgebaut? Eine Antwort: Buy-and-Build-Logik bevorzugt etablierte Software-Kategorien mit klaren Multiples. AI-Ären brechen Kategorien, bevor sie sich stabilisieren. PE kommt typischerweise erst, wenn Kategorien stabil sind — und ist dann zu spät. Bis Ende 2026 dürfte mindestens ein DACH-Sponsor diese Logik durchbrechen. Bis dahin schaut DACH-PE zu, wie Sierra, Decagon, Cognition den Anwendungs-Layer besetzen.

Was kommt nach Era 3?

Spekulation ab hier — aber fundierte. Drei mögliche Konturen einer Era 4 sind schon sichtbar.

Konturen einer Era 4: Agent-to-Agent Economy

Wenn der Käufer ein Agent ist, verändert sich auch, was Software überhaupt sein muss. Google hat im Januar 2026 das Universal Commerce Protocol (UCP) veröffentlicht, mitentwickelt von Shopify, Etsy und Target — ein Protokoll, mit dem Käufer-Agents und Anbieter-Agents über strukturierte Schnittstellen verhandeln. Anthropic hat MCP zum De-facto-Standard für Agent-Tool-Kommunikation gemacht. ACP und A2A entstehen als Erweiterungen.

McKinsey schätzt, dass agentic Commerce bis 2030 zwischen 3 und 5 Billionen $ globalen Retail-Spend umlenken kann. Wenn das auch nur halb stimmt, verschiebt sich die Frontend-Schicht jeder B2B-Software. Eine Beschaffungsanwendung, die einen menschlichen Einkäufer durch UI-Klicks führt, ist 2028 das, was 2010 ein Faxgerät war: nicht falsch, aber peinlich.

Drei Punkte, die in Era 4 vermutlich kippen:

System of Record verliert Primat. a16z formuliert das in den “Big Ideas 2026” explizit: CRM und ITSM werden von passiven Datenbanken zu autonomen Workflow-Engines. Wer nur Datenbank ist, wird zur Commodity-Schicht unter dem Agent.
Enterprise-Infrastruktur wird agent-speed gebaut. Heutige Backends sind auf 1:1-Verhältnisse Mensch:System ausgelegt. Wenn ein Agent-Ziel rekursiv 5.000 Sub-Tasks im Millisekunden-Fan-out erzeugt, kippen Rate-Limits, Logging, Audit-Pipelines, Authorization-Modelle. Hier entstehen neue Infrastruktur-Kategorien, in denen DACH eine Chance hätte, weil Compliance und Souveränität dort echte Differenzierung sind.
Agent-Identität wird zur eigenen Vertical. Wer ist verantwortlich, wenn ein Agent eine Bestellung absetzt? Wer haftet, wenn ein Agent eine SLA bricht? Auth0/Okta, OneLogin, SailPoint reichen für Mensch-Identitäten. Für Agent-Identitäten gibt es noch nichts Etabliertes. Hier wird in den nächsten 24 Monaten ein eigener Markt entstehen.

Wann beginnt Era 4?

Vermutlich 2027–2028. Era 2 hat zwei Jahre gebraucht, bis sie aus dem Co-Pilot-Add-on in echte Workflow-Integration sickerte. Era 3 läuft seit gut anderthalb Jahren und ist noch nicht im Mittelstand angekommen. Era 4 wird nicht losbrechen, solange Era 3 nicht stabilisiert ist — und Stabilisierung heißt: Audit-Trails, Pricing-Standards, Versicherbarkeit von Agent-Aktionen. Wer 2026 in agentic Software investiert, investiert in die Vorstufe von Era 4. Wer 2026 noch in Era-2-Co-Piloten investiert, investiert in Legacy.

PE-Implikationen pro Ära

Die Frage, die jeder DACH-Sponsor sich heute stellt, ist nicht “Soll ich AI?”, sondern “Welche Ära kaufe ich gerade?”. Drei sehr unterschiedliche Theses.

Era 1 — Predictive AI in Vertical Software. Funktioniert als Buy-and-Build, weil die Multiples stabil sind und der Käufer (Mittelstand-CFO) kein Premium für AI zahlt. Hier kauft Main Capital JobRouter, Total Specific Solutions kauft Schweizer ERP-Anbieter, EMK kauft Visma. Das Risiko: AI-Wettbewerber aus Era 2 oder 3 hebeln die Margin. Wer Buchhaltungssoftware mit Predictive-Features kauft, bekommt 2027 Agentic-Konkurrenz.

Era 2 — Generative Co-Pilots. Hat im DACH-PE praktisch nicht stattgefunden. Bewertungen waren zu hoch, ARR zu jung, Geschäftsmodelle zu instabil. Wer 2024 versucht hat, in Generative-Cases zu investieren, hat entweder verbrannt (Aleph Alpha) oder gar nicht gefunden. Die Lektion ist nicht “AI ist nichts für PE”, sondern “PE-Logik passt nicht auf Wellen, die schneller sind als die Holding Period”.

Era 3 — Agentic Software. Die ehrlichste Diagnose ist: VC-Territorium, nicht PE-Territorium. Sierra, Decagon, Cognition werden in den nächsten 18 Monaten Wachstumsraten zeigen, die kein PE-Multiple rechtfertigen kann. Aber: Es entstehen Add-on-Targets im Mittelstand, die agent-ready sind oder gemacht werden können. Wer 2026 eine deutsche Customer-Service-SaaS kauft, kann sie 2027 mit Agent-Layer verkaufen — wenn der Markt mitspielt. Das ist die einzige PE-Spielart für Era 3, die rechnerisch aufgeht.

Era 4 — Agent-to-Agent. Zu früh für PE. Möglicherweise zu früh für Late-Stage-VC. Hier sitzen Pre-Seed bis Series B-Bets auf Identity, Pricing-Infrastruktur, Audit-Layer, Agent-Marketplaces. DACH hätte eine echte Chance, wenn ein Sponsor wie HV Capital, Cherry Ventures oder Project A in den nächsten zwölf Monaten konsequent Theme-Bets setzt. Klassisches PE wird Era 4 erst 2030 berühren, wenn die ersten Kategorien stabil sind.

Meine Perspektive 🎯

Wer noch Co-Piloten verkauft, verkauft schon Legacy. Microsoft hat den Begriff selbst leise von “Copilot” zu “Agents” verschoben. Wer 2026 ein neues Co-Pilot-Feature pitcht, baut für eine Welt von vor 18 Monaten.
Per-Seat ist tot, das Begräbnis dauert nur fünf Jahre. Salesforce wird nicht morgen umstellen. Aber jede neue Software-Firma, die mit Per-Seat startet, kalkuliert gegen einen Wind, der nicht mehr nachlässt. Outcome-Pricing ist nicht der einzige Nachfolger, aber Seat-Pricing ist die einzige Variante, die garantiert kippt.
DACH-PE wird Era 3 verschlafen, wie es Era 1 und Era 2 verschlafen hat — aus den gleichen Gründen. Die Struktur favorisiert reife Kategorien. AI bricht Kategorien, bevor sie reif werden. Das ist kein Skill-Problem, das ist ein Strukturproblem. Nur ein Bruch mit der typischen Holding-Period-Logik ändert das.
Compliance ist der Layer, in dem DACH gewinnen kann. Souveränität, EU-Hosting, Audit-Trails, Agent-Berechtigung — das sind keine Marketing-Themen, das sind echte Engpässe in jedem agentic Rollout. Die Horizontal AI Workbench hat das verstanden. Die Frage ist, ob es auch in die agentic Schicht überträgt.
Der Übergang von Era zu Era ist nie sauber — aber die Bewertungs-Differenz schon. Eine pure Era-1-Software-Firma handelt heute zu 4-6x ARR. Eine Era-2-Co-Pilot-Story zu 8-15x. Eine echte Era-3-Agent-Firma zu 50-100x. Das ist nicht “AI-Hype”, das ist Markt-Erwartung über die Größe der Pie. Wer die Ära seines Targets falsch einsortiert, kauft 4x zu teuer oder 10x zu billig.
Era 4 entscheidet sich daran, ob Agent-Identität gelöst wird. Wenn niemand haftbar machbar ist, bleibt Agent-to-Agent ein Demo. Wenn das Problem 2027 gelöst wird, ist 2030 der Großteil von B2B-Commerce agent-getrieben. Beide Szenarien sind möglich, und keiner kann heute sagen, welches kommt.

Fazit

Drei Ären, drei Verschiebungen von “wer macht die Arbeit”. Predictive macht der Mensch, das Modell flüstert. Generative macht der Mensch, das Modell schreibt mit. Agentic macht das Modell, der Mensch korrigiert. Era 4 wird Agent-to-Agent — und der Mensch wird oft gar nicht mehr im Loop sein, außer als Ziel-Setzer oder als Konsument am Ende der Kette.

Für DACH-B2B-Software heißt das nichts Neues, und gleichzeitig alles. Nichts Neues, weil die Welle dieselbe Form hat wie Cloud, SaaS, Mobile davor: ein Architektur-Bruch, der die Marktanteile neu mischt. Alles, weil die Geschwindigkeit höher ist als bei jeder Vorgänger-Welle. Wer 2026 noch glaubt, Era 3 sei “noch zu früh”, wiederholt den Fehler, der 2014 hieß “Cloud ist noch zu früh”, 2018 “Mobile First ist nichts für ERP” und 2023 “Generative AI bleibt im Consumer”.

Das ist nicht der Moment für klug abwarten. Das ist der Moment für klug einsteigen.

Quellen

Michael Truell (Cursor): The Third Era of AI Software Development, Februar 2026
a16z: Notes on AI Apps in 2026
a16z: Big Ideas 2026 — The Enterprise Orchestration Layer
McKinsey: State of AI trust in 2026: Shifting to the agentic era
Salesforce: Einstein 1 Platform — History of AI at Salesforce
SAP: SAP Unveils the Autonomous Enterprise, Sapphire 2026
Cognition: Introducing Devin
Anthropic: Claude Code Product Page
OpenAI: Introducing GPT-5.3-Codex
Sacra: Sierra Revenue, Valuation & Funding
TechCrunch: Cursor surpasses $2B ARR
CNBC: Cursor raises $2.3B at $29.3B valuation
GitHub Copilot Statistics 2026: Panto AI
Gartner: 40% of Enterprise Apps Will Feature Task-Specific AI Agents by 2026, August 2025
Google Developers Blog: Under the Hood: Universal Commerce Protocol (UCP), Januar 2026