B2B Software Deals KW30/2026: Drei Wetten auf die KI ohne Chatbot

Die lauteste KI der letzten zwei Jahre schreibt Sätze. Die teuerste KI dieser Woche macht etwas anderes: Sie rechnet über Tabellen, greift mit Roboterarmen in Warenkörbe und optimiert Ladepreise. Drei DACH-Deals in KW30, und keiner von ihnen dreht sich um einen Chatbot. SAP schließt die Übernahme des Freiburger Frontier-Labs Prior Labs ab und legt über eine Milliarde Euro auf den Tisch, ausdrücklich für Foundation Models auf strukturierten Daten. Zalando steigt bei Sereact ein und hebt die Series B des Stuttgarter Physical-AI-Spezialisten auf 116 Millionen Dollar. Und chargecloud fischt aus der elvah-Insolvenz die eine wertvolle Komponente heraus, die den Rest überlebt hat: eine Marktdaten- und Preisoptimierungs-Plattform.

In der KW29 war das verbindende Muster die Frage, wem die Fachdaten gehören. KW30 dreht die Frage weiter: Welche Art von KI zieht aus diesen Daten überhaupt den Wert? Die Antwort dieser Woche fällt dreimal gegen den generativen Konsens aus. SAP setzt auf tabellarische Vorhersage statt auf Sprache. Sereact setzt auf ein Modell, das Greifen und Sehen versteht statt Prosa. chargecloud kauft nicht ein Sprachprodukt, sondern einen Datenbestand über Ladepreise und Auslastung. Wer 2026 in KI investiert, ohne einen weiteren LLM-Wrapper zu bauen, landet automatisch bei einer dieser drei Ebenen: strukturierte Unternehmensdaten, physische Handlung, proprietäre Marktdaten. Das sind die Schichten, an denen die großen US-Sprachmodelle bisher vorbeigreifen, und genau deshalb sind sie in DACH und Benelux gerade die interessanteren Kaufobjekte.

Deal 1: SAP schließt Prior Labs ab — die Milliardenwette auf die Tabelle

Basics

• Headline: SAP schließt die Übernahme von Prior Labs ab, plus 1 Mrd. € für ein Freiburger AI-Lab
• Deal-Typ: Strategischer Zukauf / Technologie-Akquisition (Closing einer im Mai angekündigten Übernahme)
• Käufer: SAP, Walldorf — größter europäischer Enterprise-Software-Konzern; kauft eine reine KI-Forschungskapazität, kein Umsatzobjekt
• Ziel: Prior Labs, Freiburg (gegr. 2024) — Spin-out der Universität Freiburg, entwickelt Tabular Foundation Models (TabPFN) für strukturierte, tabellarische Daten; gegründet von Frank Hutter (AutoML-Pionier, Auto-Sklearn), Noah Hollmann und Sauraj Gambhir; TabPFN wurde in Nature publiziert
• Verkäufer: Gründer und Frühphasen-Investoren
• Deal-Wert: mittlerer dreistelliger Millionenbetrag als Kaufpreis, flankiert von über 1 Mrd. € Investitionszusage über vier Jahre zum Aufbau eines europäischen Frontier-AI-Labs; Prior Labs bleibt als eigenständige Einheit bestehen
• Quelle: SAP News Center — SAP Completes Prior Labs Acquisition · Tech.eu — SAP acquires Prior Labs 18 months after launch · Futurum — SAP Completes Prior Labs Acquisition to Advance Structured Data AI

Angekündigt wurde der Kauf im Mai, abgeschlossen jetzt in KW30, und mit dem Closing kommt der eigentliche Paukenschlag: die Zusage von mehr als einer Milliarde Euro über vier Jahre, um Prior Labs zu einem europäischen Frontier-Lab für strukturierte Daten auszubauen. Das ist für europäische Verhältnisse eine ungewöhnlich große Wette auf reine Grundlagenforschung, und sie ist bewusst quer zum Markt gelegt. Während der Rest der Branche Milliarden in Sprachmodelle und Chat-Oberflächen steckt, kauft SAP ein Team, das an der unspektakulärsten Datensorte überhaupt arbeitet: an den Zeilen und Spalten, die in ERP-Tabellen, Buchungssätzen und Stammdaten liegen. TabPFN erlaubt Zero-Shot-Vorhersagen auf neuen Tabellen ohne vorheriges Training, und das ist genau die Sorte Fähigkeit, die auf SAPs eigenem Datenschatz zünden kann.

Tech & Strategy Analysis

1. Produkt-Strategie: Die Buy-Thesis ist ein struktureller Vorteil, kein Feature-Kauf. SAP sitzt auf den Transaktions- und Stammdaten von Zehntausenden Unternehmen, und dieser Datenbestand ist tabellarisch, nicht textuell. Ein Sprachmodell holt daraus wenig heraus, ein Tabular Foundation Model dagegen viel: Prognosen zu Cashflow, Lieferkettenrisiko, Zahlungsausfall, Absatz. SAP kauft die Forschungsmannschaft, die diese Modellklasse mitbegründet hat, und bindet sie an die einzige Datenbasis in Europa, auf der sich so etwas im großen Maßstab trainieren lässt. Das ist der Versuch, aus der eigenen Datenlast einen KI-Moat zu machen, den kein generischer LLM-Anbieter nachbaut.

2. Tech-Stack & Integration: Die Herausforderung ist nicht die klassische Post-Merger-Integration, weil Prior Labs eigenständig bleiben soll. Die eigentliche Aufgabe ist die Anbindung der Forschung an die Produktrealität. Ein in Nature publiziertes Modell ist weit von einem produktiv gehärteten Feature in S/4HANA entfernt: Es braucht Datenpipelines aus den Kundensystemen, Mandantentrennung, Governance über Trainingsdaten, Latenz- und Kostenbudgets im Produktivbetrieb. SAP muss zwei Geschwindigkeiten verheiraten, die selten zusammenpassen, das Tempo eines Forschungslabors und die Release-Disziplin eines Enterprise-Konzerns mit jahrzehntelangen Wartungszusagen. Genau an dieser Naht scheitern viele KI-Akquisitionen großer Konzerne, weil die gekaufte Substanz im Freigabeprozess erstickt.

3. AI-Strategie & Exit-Impact: Hier ist die Einordnung eindeutig. Prior Labs ist ein lupenreiner Tier 1: eigene, publizierte Modellarchitektur, ein Gründer mit AutoML-Track-Record, keine Spur von LLM-Wrapper oder AI-Washing. SAP wiederum ist der seltene Enterprise-Käufer, der sich mit diesem Zukauf selbst auf Tier 1 hebt, statt eine Fähigkeit von außen einzumieten. In der Post-SaaSpocalypse-Logik ist das die stärkste denkbare Antwort auf den Bewertungsdruck: Wer echte, proprietäre ML-Fähigkeit auf einer proprietären Datenbasis besitzt, ist gegen die Seat-Compression durch generische Agenten deutlich besser abgesichert als ein Anbieter, der KI nur als Copilot über fremden Modellen anflanscht. Das EU-AI-Act-Risiko ist überschaubar, weil strukturierte Prognostik weniger heikel ist als generative Systeme, und die Data Provenance sitzt bei SAP im eigenen Haus.

Meine Perspektive 🎯 — Home Turf

ERP-Datenmodelle und die Frage, was man aus ihnen herausrechnen kann, sind das Zentrum meiner Arbeit, und deshalb halte ich diesen Deal für den intelligentesten der Woche, vielleicht des Quartals. Der Grund ist unglamourös: Der wahre Wert im Enterprise-Software-Bestand liegt selten im schönen Frontend, sondern in den Tabellen darunter, die über Jahre sauber gepflegt wurden. Wer diese Tabellen mit einem Modell adressiert, das für Tabellen gebaut ist, statt sie durch ein Sprachmodell zu quetschen, holt an einer Stelle Wert heraus, an der die meisten KI-Projekte scheitern. In meinen Tech-DDs sehe ich immer wieder Firmen, die ihren riesigen Transaktionsdatenbestand mit einem LLM-Chatbot bespielen und sich wundern, dass die Ergebnisse dünn bleiben. Das Werkzeug passt nicht zum Material.

Was ich in einer DD dieses Deals prüfen würde, wäre die Latenz zwischen Forschung und Auslieferung. Ein Nature-Paper ist ein Gütesiegel für die Substanz, aber es sagt nichts darüber, ob SAP in achtzehn Monaten ein Feature in Produktion hat, das ein Controller im Mittelstand tatsächlich nutzt. Die zweite Frage ist die Governance über die Trainingsdaten. SAP darf die Modelle nicht naiv über die Kundendaten laufen lassen, sonst entsteht ein Vertrauensschaden, der teurer ist als der ganze Modellvorsprung. Der Deal ist smart, weil SAP hier nicht einem Hype hinterherkauft, sondern eine seltene europäische Spitzenkapazität an die einzige passende Datenbasis bindet. Riskant wird er nur, wenn der Konzern die Forschung im eigenen Freigabeapparat langsam erstickt. Die Eigenständigkeit von Prior Labs und das Milliardenbudget sind genau die Vorkehrungen dagegen, und dass SAP sie explizit einbaut, spricht dafür, dass man aus früheren, verunglückten Konzern-Akquisitionen gelernt hat.

🧠 CPTO-Take

Prior Labs ist die Blaupause dafür, wie ein Enterprise-Anbieter im KI-Zeitalter seinen Moat verteidigt: Die Architektur-Implikation ist, die KI dort anzusetzen, wo die eigenen Daten wirklich liegen, in strukturierten Tabellen, statt jeden Datenbestand durch ein Sprachmodell zu zwingen. Der Pricing-Hebel liegt darin, Vorhersagequalität als messbaren Ergebnisbeitrag zu verkaufen (weniger Zahlungsausfälle, treffsicherere Absatzplanung) statt als weiteren Seat-Aufschlag. Team-seitig ist der Schritt bemerkenswert, weil SAP nicht ein AI-Squad an ein Produkt hängt, sondern ein eigenständiges Forschungslabor finanziert, was eine andere Führungslogik verlangt als klassische Feature-Teams. Der Moat gegen die AI-natives ist die Kombination aus proprietärer Datenbasis und einer Modellklasse, die exakt zu dieser Basis passt; das ist der stabilste Burggraben, den ein Legacy-Anbieter 2026 bauen kann.

Cross-Links: S/4HANA-Deadline 2027 · Software-Moats im AI-Zeitalter · Tech Due Diligence 2.0 · Was ist ERP?

Deal 2: Zalando stockt Sereacts Series B auf — das Roboter-Gehirn bekommt strategisches Geld

Basics

• Headline: Zalando steigt strategisch bei Sereact ein, Series B wächst auf 116 Mio. $
• Deal-Typ: Growth-Runde (Series-B-Erweiterung durch strategischen Corporate-Investor)
• Investor: Zalando als neuer strategischer Investor; die Runde wurde im April 2026 von Headline angeführt, mit Bullhound Capital, Daphni und Felix Capital
• Ziel: Sereact, Stuttgart (gegr. 2021 von Ralf Gulde und Marc Tuscher) — Physical AI für die Lager- und Fertigungsautomatisierung; Kernplattform Cortex, mit der Industrieroboter visuelle Daten interpretieren, ihre Umgebung verstehen und Aufgaben wie Kommissionieren, Sortieren, Inspizieren und Retourenbearbeitung ausführen; über 200 installierte Systeme in Europa, mehr als 1 Mrd. Production Picks
• Deal-Wert: ~116 Mio. $ Gesamtvolumen der Series B; über 145 Mio. $ Gesamtfinanzierung
• Quelle: Tech.eu — Zalando joins Sereact’s $116M Series B · Vestbee — Zalando joins Sereact’s $116M Series B · WWD/Sourcing Journal — Zalando Invests In Sereact

Sereact baut das, was die Branche gerade Physical AI nennt: KI-Software, die Roboter befähigt, in einer unstrukturierten realen Umgebung zu greifen, zu sortieren und zu reagieren, statt vorprogrammierte Bewegungen abzuspulen. Die Kernplattform Cortex ist eine Art Gehirn für den Roboterarm, das aus Kamerabildern die Szene versteht und die passende Aktion ableitet. Das Geld fließt in Cortex 2.0, die nächste Generation dieses Modells, und in die internationale Expansion Richtung USA. Zalando steigt nicht als reiner Finanzinvestor ein, sondern als Kunde mit einem sehr konkreten Problem: Rund die Hälfte der bei Zalando bestellten Artikel geht zurück, und die Retourenbearbeitung im Lager ist einer der teuersten, am schwersten zu automatisierenden Prozesse im Modehandel. Ein strategischer Investor, der zugleich Referenzkunde mit Massenvolumen ist, ist für ein Physical-AI-Startup wertvoller als jeder Finanzscheck.

Tech & Strategy Analysis

1. Produkt-Strategie: Die These ist ein horizontales Foundation Model für die physische Welt, kein einzelner Roboter. Sereact verkauft nicht Hardware, sondern die Intelligenz, die auf beliebiger Standardhardware sitzt und aus visuellen Daten Handlungen ableitet. Der Wert steckt im Modell, das über mehr als eine Milliarde reale Kommissioniervorgänge trainiert wurde, und dieser Erfahrungsschatz ist der eigentliche Vorsprung. Für Zalando ist die Beteiligung ein Weg, die Automatisierung des eigenen Retourenberges voranzutreiben und gleichzeitig an der Wertentwicklung des Zulieferers teilzuhaben. Für Sereact ist Zalando der Zugang zu einem der härtesten Lager-Datensätze Europas.

2. Tech-Stack & Integration: Die technische Kernfrage bei Physical AI ist die Generalisierung. Ein Modell, das im Testlager 200 Objekttypen zuverlässig greift, muss im Produktivbetrieb mit Millionen Varianten, wechselnder Beleuchtung, verknautschter Ware und unbekannten Objekten zurechtkommen. Die eine Milliarde Picks sind hier der entscheidende Vermögenswert, weil sie genau die Randfälle enthalten, an denen simulationstrainierte Modelle scheitern. Die Integration in Kundenlager bedeutet Anbindung an Lagerverwaltungssysteme, Förder- und Greiftechnik verschiedener Hersteller und die bestehenden Sicherheitsregime. Das ist mühsame Ingenieursarbeit an der Schnittstelle zwischen Modell und Maschine, und die Skalierbarkeit hängt daran, wie viel davon standardisiert statt pro Kunde neu gebaut werden muss.

3. AI-Strategie & Exit-Impact: Sereact ist ein starker Tier 1 in einer Modellklasse, die gerade erst investierbar wird: eigenes Foundation Model, proprietäre Trainingsdaten aus dem realen Betrieb, kein zugekaufter Fremdmodell-Layer. Das SaaSpocalypse-Thema stellt sich hier anders als bei reiner Bürosoftware. Seat-Compression im klassischen Sinn greift nicht, weil hier keine Software-Lizenzen pro Nutzer ersetzt werden, sondern menschliche Arbeit an der physischen Kante. Der eigentliche Disruptionshebel ist die Arbeitskostenersparnis im Lager, und der ist im europäischen Handel mit seinem Personalmangel und den steigenden Löhnen riesig. Das AI-Potenzial durch die Zalando-Beteiligung ist real, weil jeder verarbeitete Retourenartikel neue Trainingsdaten liefert und das Modell mit dem Einsatz besser wird.

Meine Perspektive 🎯 — Neues Terrain mit Logistik-Brücke

Physical AI und Lagerrobotik sind ein Vertical, in dem ich keine DD gemacht habe, und genau deshalb reizt mich dieser Deal. Was mich interessiert, ist die Frage, ob hier tatsächlich ein generalisierendes Modell entsteht oder ein sehr gut trainiertes Speziallager-System, das bei jedem neuen Kunden wieder von vorn kalibriert werden muss. Das ist die Trennlinie zwischen einem skalierbaren Softwaregeschäft und einem Systemintegrator, der sich als KI-Firma bewertet. Die eine Milliarde Picks klingen nach einem echten Datenmoat, aber ich würde in der DD schonungslos aufmachen, wie viel Aufwand ein Neukunden-Onboarding wirklich kostet und wie stark die Marge mit jedem zusätzlichen Standort steigt oder eben nicht.

Der zweite Punkt, der mich als Operator neugierig macht, ist die strategische Investorenlogik. Dass Zalando einsteigt und zugleich Referenzkunde ist, ist ein starkes Signal, aber es ist auch ein Klumpenrisiko. Wenn ein einzelner Großkunde die Runde treibt und die Roadmap prägt, kann das Produkt zu sehr auf dessen Retouren-Anwendungsfall zugeschnitten werden und für den breiten Markt an Fokus verlieren. In Corporate-VC-Konstellationen habe ich oft gesehen, dass der strategische Wert im ersten Jahr überwiegt und die Governance-Fragen erst später kommen. Was den Deal stark macht: Der Markt ist gewaltig, der Personalmangel in der Lagerlogistik ist strukturell, und ein Modell, das mit jedem Einsatz besser wird, ist die richtige Form von Skaleneffekt. Ich würde lernen wollen, wie robust Cortex außerhalb des Modehandels greift, denn erst die Übertragbarkeit auf andere Branchen entscheidet, ob aus Sereact ein europäischer Physical-AI-Champion wird oder ein exzellenter Nischenanbieter für Fashion-Retouren.

🧠 CPTO-Take

Sereact zeigt, dass die interessanteste KI-Ebene für viele B2B-Prozesse gar nicht im Text liegt, sondern in der physischen Handlung. Architektonisch ist der Hebel ein horizontales Modell, das auf Standardhardware läuft und pro neuem Standort möglichst wenig Kalibrierung braucht; nur so wird aus Robotik ein Softwaregeschäft mit Softwaremargen. Pricing-seitig ist die naheliegende Logik, nach verarbeiteten Vorgängen statt nach installierten Robotern abzurechnen, was das Modell direkt an den Kundennutzen koppelt und mit der Automatisierungsquote skaliert. Team-seitig verschiebt sich der Engpass von der Modellforschung zur Integrationskompetenz an der Schnittstelle zwischen KI und Maschine, ein Profil, das in der klassischen Softwareorganisation kaum vorkommt. Der Moat gegen die US-Robotik-Anbieter ist der proprietäre Datenschatz aus über einer Milliarde realen Picks, den ein simulationsbasierter Wettbewerber nicht kurzfristig nachbaut.

Cross-Links: Marktübersicht Logistik-Software DACH · Wenn AI-Skills ganze Industrien erschüttern · Software-Moats im AI-Zeitalter

Deal 3: chargecloud kauft elvahs Datenplattform aus der Insolvenz — die Marktdaten überleben die Firma

Basics

• Headline: chargecloud übernimmt aus der elvah-Insolvenz die Marktdaten-Plattform elvah HUB
• Deal-Typ: Asset-Deal aus der Insolvenz (Übernahme einzelner Produktlinien)
• Käufer: chargecloud GmbH, Köln (gegr. 2016) — paneuropäischer Anbieter eines Betriebssystems für Ladeinfrastruktur: Aufbau, Steuerung, Abrechnung und flexible Erweiterung von Ladeangeboten für Charge Point Operators
• Ziel/Assets: elvah HUB, eine Plattform für Marktintelligenz und datenbasierte Preisoptimierung, sowie der elvah Charging Market Report, eine der führenden Marktanalysen im europäischen Lade-Infrastrukturmarkt; die elvah GmbH gehörte zu E.ON und stellte im März 2026 Insolvenzantrag
• Verkäufer: Insolvenzverwalter der elvah GmbH
• Deal-Wert: nicht offengelegt
• Quelle: electrive.net — Chargecloud übernimmt Teile der Elvah-Produktlinie · energate-messenger — Chargecloud acquires Elvah · Streitbörger — Produktgeschäft des E-Mobility-Startups elvah verkauft

elvah begann als konsumentennahe Lade-App und wurde später unter dem E.ON-Dach zu einem Datenunternehmen für den E-Mobility-Markt umgebaut: Auswertung von Informationen über Ladepunkte, Preise, Auslastung und Wettbewerb, adressiert an Ladeinfrastruktur-Betreiber, Energieversorger und Beratungshäuser. Im März 2026 folgte der Insolvenzantrag, und der Insolvenzverwalter zerlegte das Geschäft in verwertbare Teile. chargecloud, das seit 2016 die operative Software für Ladeinfrastruktur baut, greift sich daraus die eine Komponente, die zum eigenen Stack passt: den elvah HUB mit Marktintelligenz und datenbasierter Preisoptimierung plus den Charging Market Report. Das erste Modul mit dem Namen Analyze soll ab dem vierten Quartal 2026 verfügbar sein, sowohl als eigenständiges Produkt als auch als Teil des chargecloud-Betriebssystems.

Tech & Strategy Analysis

1. Produkt-Strategie: Die Buy-Thesis ist die Ergänzung des operativen Stacks um eine Intelligenzschicht. chargecloud kann heute Ladepunkte betreiben und abrechnen, aber die Frage, welchen Preis ein Betreiber wann und wo verlangen sollte, beantwortet erst der Blick auf Marktdaten. Genau diese Datenebene bringt der elvah HUB mit. Für einen Charge Point Operator ist dynamische, marktbasierte Bepreisung der Hebel zwischen roter und schwarzer Null, weil die Auslastung einzelner Standorte stark schwankt und der Strombezug teuer ist. chargecloud kauft also eine Fähigkeit, die den eigenen Kunden einen direkten Ergebnisbeitrag liefert und die man nur schwer selbst aus dem Nichts aufbaut, weil ihr der historische Marktdatenbestand fehlt.

2. Tech-Stack & Integration: Die Integrationsfrage ist klarer als bei den beiden anderen Deals, weil hier keine ganze Firma übernommen wird, sondern eine Produktlinie samt Daten. Der Wert steckt im Datenbestand und in den Modellen zur Preisoptimierung, und die technische Aufgabe ist, diese Datenpipeline sauber in die chargecloud-Plattform zu heben, ohne das gewachsene elvah-System eins zu eins mitzuschleppen. Dass chargecloud ein neues Modul Analyze für Q4 ankündigt, deutet auf einen Neubau auf Basis der Assets hin, nicht auf ein Weiterbetreiben der Altsoftware. Bei Asset-Deals aus der Insolvenz ist der kritische Punkt fast immer, ob das Team, das die Daten und Modelle verstand, mit übergeht oder ob nur der Code und die Datenbank auf der Festplatte landen.

3. AI-Strategie & Exit-Impact: Die datenbasierte Preisoptimierung ist eine echte, ergebnisnahe KI-Funktion, aber ihr Wert hat ein Verfallsdatum. Marktdaten über Ladepreise und Auslastung altern schnell, und ein Datenschatz, der seit der Insolvenz im März nicht mehr gepflegt wurde, verliert mit jedem Monat an Aussagekraft. Ich ordne die übernommenen Assets solo als Tier 3 ein, mit Aufwertungspotenzial in chargeclouds Hand: Die Modelle sind solide, aber ihr Nutzen hängt daran, wie frisch und breit der zugrunde liegende Datenstrom ist. In chargeclouds Betriebssystem, das laufend Live-Daten aus dem Ladebetrieb erzeugt, kann die Preisoptimierung deutlich schärfer werden als im isolierten elvah HUB. Das ist der eigentliche strategische Reiz: Ein Datenprodukt lebt vom Nachschub, und chargecloud sitzt an der Quelle.

Meine Perspektive 🎯 — Contrarian Take

Auf den ersten Blick ein cleverer Schnäppchenkauf: eine wertvolle Datenplattform aus der Insolvenzmasse, günstig, passgenau zum eigenen Produkt. Ich bin trotzdem an einer Stelle skeptisch, und sie betrifft die Natur des gekauften Werts. Wer einen Datenbestand kauft, kauft eine Momentaufnahme, deren Wert erodiert, sobald die Pflege stoppt. Die AI-Pricing-Perspektive ist mein direktes Arbeitsfeld, und dort ist die härteste Wahrheit, dass ein Preismodell nur so gut ist wie die Aktualität seiner Eingangsdaten. Ein Marktreport über Ladepreise vom Frühjahr ist im Herbst eine historische Fußnote. In der DD würde ich deshalb zuerst fragen, was genau übergegangen ist: nur der Report und die Modellstände, oder auch die laufenden Datenquellen, Verträge und die Menschen, die den Datenstrom kuratiert haben.

Der zweite Punkt ist die Frage, warum elvah überhaupt scheiterte. Ein Datenprodukt, das inhaltlich stark ist, geht selten pleite, weil das Produkt schlecht war, sondern weil das Geschäftsmodell die Kosten nicht trug. Wenn chargecloud die Assets integriert, ohne die Vertriebs- und Monetarisierungsschwäche zu verstehen, die elvah zu Fall brachte, wiederholt sich das Problem eine Ebene höher. Was den Deal trotzdem klug macht: chargecloud löst genau den Fehler, an dem elvah als eigenständiges Datenunternehmen scheiterte. Als isoliertes Produkt musste elvah seinen Datenstrom teuer selbst beschaffen. In chargeclouds Betriebssystem fällt dieser Strom als Nebenprodukt des laufenden Ladebetriebs an. Der Deal wird smart, wenn chargecloud die Preisoptimierung als messbaren Ergebnisbeitrag in das eigene Abrechnungsprodukt einbaut und aus dem operativen Datenfluss speist. Bleibt es beim Weiterverkauf eines alternden Marktreports, hat man eine Insolvenzmasse gekauft, deren Wert im Regal verdunstet.

🧠 CPTO-Take

chargecloud/elvah ist der Fall, an dem sich zeigt, dass ein Datenprodukt nur so viel wert ist wie sein Nachschub. Architektonisch entscheidet, ob die Preisoptimierung an chargeclouds operativen Live-Datenstrom angeschlossen wird oder als isoliertes Analysemodul auf alternden Beständen sitzt; nur die Anbindung an die eigene Datenquelle macht aus der Insolvenzmasse einen dauerhaften Vorteil. Pricing-seitig ist die datenbasierte, dynamische Bepreisung selbst das Produkt, und der Hebel liegt darin, sie als direkten Margenbeitrag für die Charge Point Operators zu verkaufen, nicht als abstrakten Marktreport. Team-seitig ist die kritische Frage, ob das Daten-Know-how mit übergegangen ist, denn bei Asset-Deals aus der Insolvenz landet oft der Code ohne die Köpfe. Der Moat entsteht erst durch die Kopplung an den eigenen operativen Datenfluss, der einem reinen Marktdaten-Anbieter fehlt.

Cross-Links: Das AI Pricing Playbook · Software-Moats im AI-Zeitalter

Am Rande der Woche

Vier Meldungen, die das Bild abrunden, ohne ein eigenes Profil zu tragen. In Berlin holen die Gründer von Autodoc ihren Investor Apollo teilweise heraus und finanzieren den Rückkauf des rund 15-prozentigen Anteils über einen Kredit von etwa 530 Mio. Euro; bei 1,8 Mrd. Euro Umsatz 2025 ist das eine Rekapitalisierung des Online-Autoteilehändlers, aber als Consumer-E-Commerce liegt der Fall außerhalb des B2B-Software-Fokus dieser Kolumne. Im Frühphasenfeld sammelt die Berliner Deutsche Sanierungsberatung (dsb) 10 Mio. Euro Series A von Simon Capital, VERBUND X Ventures, IBB Ventures und weiteren für eine Plattform, die Energieberatung, Fördermittel-Services und ein Netzwerk aus 300 Handwerksbetrieben bündelt; das ist ein spannendes ClimaTech-Modell mit Software-Kern, sitzt aber näher am Endkunden als an der B2B-Software.

Zwei weitere Runden zeigen, wo diese Woche sonst noch Kapital floss. Die Stuttgarter Physical-AI-Story hatte mit Sereact ihren großen Auftritt, aber auch kleinere KI-Wetten liefen durch: BeatSquares aus Berlin bekommt 2 Mio. Dollar für die KI-gestützte Wiederverwertung von Podcast- und Newsletter-Inhalten, ein klassischer Content-Automatisierungsfall, der die Seat-Compression-Frage im Medienbereich stellt. Und über den Atlantik hinweg lohnt der Kontrast: In den USA kündigt Progress Software die Übernahme der KI- und Datenplattform von Domo für rund 400 Mio. Dollar an. Dass in derselben Woche SAP in Europa auf tabellarische Grundlagenforschung setzt und Progress in den USA eine fertige Datenplattform zukauft, zeigt die zwei Wege zur KI-Datenschicht: selbst forschen oder fertig einkaufen. Der europäische Weg ist der langsamere und der mutigere.

Weiterführend

Das verbindende Muster dieser drei Deals ist die Erkenntnis, dass der belastbarste KI-Vorsprung 2026 nicht im Sprachmodell liegt, sondern in der Kombination aus proprietären Daten und einer Modellklasse, die genau zu diesen Daten passt: strukturierte Tabellen bei SAP, physische Handlungsdaten bei Sereact, Marktdaten bei chargecloud. Warum genau dieser Datenbesitz im KI-Zeitalter der eigentliche Burggraben ist und welche Anbieter er schützt, während die generischen Sprachmodelle zur Massenware werden, steht ausführlich in → Software-Moats im AI-Zeitalter: Was B2B-Unternehmen wirklich schützt. Für SAP-Kunden lohnt zusätzlich der Blick auf die Umbruchmechanik im eigenen Ökosystem → S/4HANA-Deadline 2027.