B2B Software Deals KW37/2026: Wenn die Software die Kanzlei kauft

Ein Berliner Startup sammelt 36 Millionen Euro ein, um Steuerkanzleien zu kaufen. Nicht, um ihnen Software zu verkaufen. Limetax ist acht Monate alt, gehören ihm vier Kanzleien mit sieben Standorten und rund 150 Mitarbeitenden, und die Investorenliste liest sich wie eine Fintech-Runde: Motive Partners führt an, Activant und Heliad sind dabei, Christian Lindner steht als Angel im Cap Table. Wer sich fragt, wie das Ende der Seat-Compression-Debatte praktisch aussieht, findet hier eine Antwort: Wenn die KI die Arbeitsstunde ersetzt, verdient man am besten dort, wo die Arbeitsstunde abgerechnet wird.

Die Woche liefert dazu die Gegenprobe gleich mit. Main Capital Partners hat innerhalb von 24 Stunden zwei Mehrheitsbeteiligungen gemeldet, beide klassisches Vertical-SaaS-Handwerk, beide ohne KI-Überschrift in der Pressemitteilung. ACTICO vom Bodensee legt sich mit Axe Finance zusammen und baut eine Kreditentscheidungs-Plattform mit globaler Reichweite. Und in München und Tübingen startet mit Grubel ein Forschungslabor, dessen Gründer die Sorte Namen mitbringen, die in DACH selten gemeinsam auf einem Term Sheet stehen.

Fünf Transaktionen, zwei sehr unterschiedliche Antworten auf dieselbe Frage: Wo landet die Marge, wenn Modelle die Facharbeit übernehmen? Main Capital setzt auf Datenbesitz und Workflow-Verankerung. Limetax, Grubel und ACTICO setzen darauf, dass der Entscheidungs- und Erstellungsschritt selbst das Produkt wird. Beide Wetten können aufgehen. Sie führen nur zu völlig verschiedenen Unternehmen.

Deal 1: Main Capital übernimmt die Mehrheit an VWE Automotive

Basics

• Headline: Main Capital kauft niederländisches Automotive-Datenmonopol im Kleinformat
• Deal-Typ: Mehrheitsbeteiligung (Plattform-Investment); Meldung 09.09.2026
• Käufer: Main Capital Partners, Den Haag — auf Enterprise Software in Benelux, DACH, Nordics und jetzt UK spezialisierter Buy-and-Build-Investor
• Ziel: VWE Automotive, Heerhugowaard (Niederlande), gegründet 1993 — Software, Daten und Transaktionsdienste für den Fahrzeug-Lebenszyklus; rund 150 Mitarbeitende, über 10.000 Kunden (Händler, Leasinggesellschaften, Versicherer, Werkstätten, Flottenbetreiber)
• Verkäufer: nicht offengelegt; CEO Piet Renses bleibt an Bord
• Deal-Wert: nicht offengelegt
• Quelle: private-equitynews.com, 09.09.2026 · PE Hub, 09.09.2026

Tech & Strategy Analysis

1. Produkt-Strategie: Die Buy-Thesis steht in einem einzigen Nebensatz der Meldung: VWE hat den Status eines RDW-Informationsanbieters. Die RDW ist die niederländische Fahrzeugbehörde, und wer an ihren Registern hängt, sitzt an einer Stelle, an der jede Ummeldung, jede Bewertung, jeder Eigentumsübergang vorbeikommt. Dazu kommen 30 Jahre eigener Transaktions- und Fahrzeughistorie. Das ist die Sorte Asset, die man nicht nachbauen kann, weil sie aus Zeit besteht. Die Plattform MijnVWE bündelt darüber Einkauf, Zulassung, Bewertung, Verkauf und Halterwechsel, also den kompletten Vorgang statt eines Moduls davon. Main kauft hier weniger ein Softwareprodukt als eine Registerposition mit Software-Oberfläche, und genau solche Positionen bewertet der Markt derzeit deutlich über dem Durchschnitts-Multiple.

2. Tech-Stack & Integration: Ein 1993 gegründeter Anbieter mit 10.000 Kunden und Behördenanbindung bringt drei Themen mit, die in jeder DD auf den Tisch gehören. Erstens die Mandantenarchitektur: Transaktionsdienste dieser Art laufen historisch häufig als eine große Instanz mit gewachsener Berechtigungslogik, und die Frage nach echter Multi-Tenancy entscheidet darüber, ob die angekündigte internationale Buy-and-Build-Strategie überhaupt technisch tragfähig ist. Zweitens die Datenmodell-Frage: Wer Fahrzeugdaten aus drei Jahrzehnten hat, hat sie in mindestens zwei Schema-Generationen, und die Harmonisierung ist Voraussetzung für alles, was danach mit Modellen passieren soll. Drittens die Compliance-Kante: Halterdaten sind personenbezogen, Zulassungsdaten sind behördlich reguliert, und jede KI-Auswertung dieses Bestands braucht eine Rechtsgrundlage, die vor dem ersten Trainingslauf geklärt sein muss.

3. AI-Strategie & Exit-Impact: Main formuliert das Ziel als Ausbau “KI-gestützter Produkt- und Datenlösungen”, was in der Tier-Logik einer Einordnung zwischen Stufe 3 und 4 entspricht: sichtbare Absicht, kein belegtes Production-Feature. Für ein Unternehmen mit diesem Datenbestand ist das ein ungewöhnlich günstiger Ausgangspunkt, weil der schwierige Teil bereits vorhanden ist. Restwertprognose, Schadenbewertung, Betrugserkennung beim Halterwechsel und Preisempfehlung im Gebrauchtwagenankauf sind allesamt klassische ML-Aufgaben mit sauberem Zielwert, für die man kein Sprachmodell braucht. Das ist der Unterschied zwischen einem Anbieter, der KI kaufen muss, und einem, der sie aus eigenen Daten ableiten kann. Für den Exit in vier bis sechs Jahren wird entscheidend sein, ob aus dem Datenbestand messbare Produktumsätze geworden sind oder ob er weiterhin nur die Transaktionsgebühr absichert.

Meine Perspektive 🎯

Home Turf, wenn auch aus einer anderen Branche: Ein gewachsener Anbieter mit Behördenanbindung, langer Kundenhistorie und einem Datenbestand, den niemand sonst hat, ist strukturell dasselbe Muster wie ein etabliertes Vertical-ERP. In der DD würde ich zuerst die Umsatzqualität aufschlüsseln. Transaktionsgebühren pro Vorgang sehen aus wie wiederkehrender Umsatz, hängen aber am Volumen des niederländischen Gebrauchtwagenmarkts, und dieses Volumen ist zyklisch. Zweitens der Registerzugang: Wie exklusiv ist der RDW-Status wirklich, welche Vertragslaufzeit steht dahinter, was passiert, wenn die Behörde ihre Schnittstellen öffnet? Ein Moat, der auf einem kündbaren Vertrag steht, ist ein Moat auf Zeit. Drittens die Datenrechte, und dieser Punkt wird in solchen Deals regelmäßig unterschätzt: Es reicht nicht, Daten zu haben. Man braucht die vertragliche Erlaubnis, sie über den ursprünglichen Zweck hinaus auszuwerten, und in Altverträgen aus den Neunzigern steht dazu nichts Brauchbares. Wer das erst nach dem Closing prüft, kauft ein Datenasset, das er nicht anfassen darf.

🧠 CPTO-Take

Der interessante Teil dieses Deals beginnt nach dem Closing, und er ist keine Modellfrage, sondern eine Rechtsfrage. Bevor irgendein Squad an Restwertprognosen arbeitet, braucht VWE eine Data-Provenance-Inventur: Welcher Datensatz stammt aus welchem Vertrag, welche Zweckbindung hängt daran, was davon überlebt eine Prüfung nach EU AI Act für Systeme mit Bewertungsfunktion. Architektonisch würde ich den Datenbestand früh von der Transaktionsplattform entkoppeln und als eigenen, versionierten Layer aufsetzen, sonst blockiert jede Modell-Iteration den Produktivbetrieb. Pricing-seitig liegt der Vorteil dieses Geschäftsmodells darin, dass es nie an Seats hing: Wer pro Vorgang abrechnet, spürt Seat Compression gar nicht erst und kann KI-Verbesserungen direkt in die Marge pro Transaktion schieben. Team-seitig fehlt aus meiner Sicht genau eine Rolle, die in der Meldung nicht vorkommt: jemand, der Datenprodukte verantwortet und nicht in der Softwareentwicklung aufgehängt ist.

Deal 2: Main Capitals UK-Debüt mit Orgvue

Basics

• Headline: Main Capital steigt in Großbritannien ein und kauft Workforce-Planning-Spezialist Orgvue
• Deal-Typ: Mehrheitsbeteiligung, erstes Plattform-Investment des Investors in UK; Meldung 08.09.2026
• Käufer: Main Capital Partners, Den Haag
• Ziel: Orgvue, London — cloudbasierte Software für Organisationsdesign und strategische Personalplanung; rund 250 Mitarbeitende in Nordamerika, EMEA und Asien-Pazifik, rund 200 Enterprise-Kunden plus über 50 Beratungshäuser als Partner; Referenzen unter anderem HM Government, Mars, Danone, Aviva
• Verkäufer: nicht offengelegt; CEO Oliver Shaw bleibt
• Deal-Wert: nicht offengelegt
• Quelle: Main Capital Partners, Pressemitteilung 08.09.2026 · Private Equity Wire

Tech & Strategy Analysis

1. Produkt-Strategie: Strategic Workforce Management ist eine der wenigen HR-Kategorien, die von der aktuellen Lage profitieren statt zu leiden. Wenn Unternehmen ihre Belegschaftsstruktur wegen Automatisierung, Restrukturierung und Kostendruck jedes Quartal neu durchrechnen, wird aus einem Projekt-Tool ein Dauerbetrieb. Genau darauf zielt die Begründung der Käuferseite: kontinuierliche statt anlassbezogener Personalplanung. Der Kanal über mehr als 50 Beratungshäuser ist dabei der strategisch wertvollere Teil des Assets, weil Organisationsdesign selten ohne Berater eingeführt wird und jeder dieser Partner faktisch als Vertrieb arbeitet. Für Main ist das ein sauberes Plattform-Fundament im HR-Software-Markt, an das sich Add-ons in Skills-Management, Vergütungsplanung oder Nachfolgeplanung andocken lassen.

2. Tech-Stack & Integration: Der technische Kern dieser Kategorie ist die Datenaufnahme. Orgvue lebt davon, HR-Stammdaten, Organisationsstrukturen, Vergütungsdaten und Skill-Taxonomien aus Workday, SAP SuccessFactors, Oracle und einer langen Liste lokaler Systeme in ein gemeinsames Modell zu bringen. Diese Konnektor-Landschaft ist gleichzeitig der Burggraben und die größte Wartungslast, und in jeder Buy-and-Build-Strategie ist sie die Stelle, an der Add-ons entweder schnell integrieren oder jahrelang nebeneinander herlaufen. Dazu kommt die Sensibilität des Datenbestands: Gehaltsbänder, Leistungsbewertungen und Restrukturierungsszenarien gehören zum Vertraulichsten, was ein Unternehmen hat. Mandantentrennung, Verschlüsselung und ein belastbares RBAC-Konzept sind hier keine Compliance-Kür, sondern Kaufvoraussetzung bei jedem Enterprise-Kunden.

3. AI-Strategie & Exit-Impact: In der offiziellen Mitteilung kommt künstliche Intelligenz nicht vor. Das ist bemerkenswert genug, um es festzuhalten, denn es passiert 2026 in Software-Pressemitteilungen praktisch nicht mehr. Zwei Lesarten sind möglich. Entweder ist Orgvue in der Tier-3-Zone und der Investor verzichtet bewusst auf eine Behauptung, die eine spätere DD zerlegen würde, was nach dem SaaSpocalypse eine erwachsene Entscheidung wäre. Oder das Thema ist schlicht noch nicht auf der Agenda, und dann steht es ab sofort ganz oben darauf. Für den Exit ist die Lücke gut definierbar: Szenariogenerierung im Organisationsdesign, automatisches Skill-Mapping gegen Rollenprofile und die Simulation von Personalstrukturen unter Automatisierungsannahmen sind die Features, die ein Käufer 2029 als Table Stakes erwarten wird. Ironischerweise ist die Frage, wie viele Rollen durch KI wegfallen, für Orgvues Kunden inzwischen der häufigste Anlass, das Produkt überhaupt zu öffnen.

Meine Perspektive 🎯

Neues Terrain, ehrlich gesagt: Organisationsdesign-Software habe ich noch nie in einer DD gehabt. Was mich daran interessiert, ist die Datenqualität am Eingang. Jedes Werkzeug dieser Kategorie steht und fällt mit der Sauberkeit der Rollen- und Skill-Daten im Quellsystem, und meine Erfahrung mit HR-Stammdaten in gewachsenen Konzernen ist ernüchternd: Stellenbezeichnungen sind historisch gewachsen, Skills sind Freitext, und die Organisationsstruktur im System weicht von der gelebten regelmäßig ab. Die Frage, die ich als Erstes stellen würde: Wie viel Aufwand steckt in einem typischen Onboarding, und wie viel davon ist Datenbereinigung? Wenn die Antwort “drei Monate Beratung” lautet, erklärt das den starken Partnerkanal und begrenzt zugleich das Wachstumstempo. Die zweite Frage wäre die nach der Nutzungsfrequenz: Ein Werkzeug, das zweimal im Jahr vor einer Restrukturierung geöffnet wird, hat eine andere Kündigungsanfälligkeit als eines, das im Monatsrhythmus läuft. Genau an dieser Verschiebung von anlassbezogen zu kontinuierlich hängt die gesamte Investment-These.

🧠 CPTO-Take

Wenn ich hier CPTO wäre, hätte ich zwei Themen im ersten Quartal. Das erste ist ein Skill-Ontologie-Layer, der Freitext-Rollenbezeichnungen aus Kundensystemen automatisch auf ein normalisiertes Modell abbildet, weil dieser eine Schritt heute den Löwenanteil der Onboarding-Zeit frisst und ein Sprachmodell ihn gut genug erledigt. Das senkt die Time-to-Value messbar und ist die glaubwürdigste KI-Story, die man einem Käufer 2029 erzählen kann. Das zweite ist eine Governance-Entscheidung: Personalplanungsszenarien mit Entlassungsimplikationen fallen unter den EU AI Act, sobald sie individuelle Beschäftigte bewerten, und die Grenze zwischen aggregierter Strukturplanung und personenbezogener Bewertung ist im Produkt sauber zu ziehen, bevor der erste Enterprise-Kunde danach fragt. Pricing-seitig würde ich das Modell von Nutzerlizenzen wegbewegen, solange das noch aus einer Position der Stärke geht: Bezahlt werden sollte pro modellierter Belegschaftsgröße, nicht pro Planer, der sich einloggt.

Deal 3: ACTICO und Axe Finance bauen die durchgehende Kreditstrecke

Basics

• Headline: Bodensee trifft Kreditportal: ACTICO und Axe Finance schließen sich zusammen
• Deal-Typ: Zusammenschluss unter dem Dach der ACTICO Group, finanziert vom Mehrheitsgesellschafter; Meldung 09.09.2026
• Käufer: ACTICO Group, Immenstaad am Bodensee — Entscheidungsautomatisierung, Kreditrisikomanagement, regulatorische Compliance und Bestandsverwaltung für Finanzinstitute; über 25 Jahre am Markt, rund 230 Mitarbeitende, mehr als 300 Kunden in über 25 Ländern. Gesellschafter: Keensight Capital (Paris), das ACTICO von Bregal Unternehmerkapital übernommen hatte
• Ziel: Axe Finance, gegründet 2004, Hauptsitz Großbritannien — Kredit- und Risikomanagement-Software, über 45 Finanzinstitute in mehr als 29 Ländern, Schwerpunkte Naher Osten, Afrika und Asien-Pazifik; Kernprodukt Axe Credit Portal
• Verkäufer: Gründerseite; Gründer und CEO Dhafer Berrachid bleibt und führt die Integration mit
• Deal-Wert: nicht offengelegt
• Quelle: Keensight Capital, 09.09.2026 · PE Hub

Tech & Strategy Analysis

1. Produkt-Strategie: Die beiden Unternehmen decken unterschiedliche Abschnitte derselben Wertschöpfungskette ab. ACTICO ist stark in der Entscheidungslogik, also in Regelwerken, Scoring und automatisierter Prüfung, mit einem zweiten Standbein in Financial Crime und Compliance. Axe Finance liefert mit dem Credit Portal die durchgehende Prozessstrecke von der Antragsaufnahme über die Bearbeitung bis zu Servicing und Inkasso. Zusammen ergibt das ein Angebot, das Retail, Mittelstand und Firmenkunden in einem System abbildet, und es öffnet ACTICO Märkte, in denen deutsche Software selten von allein landet. Der geografische Teil der These ist dabei mindestens so wichtig wie der funktionale: Naher Osten und Asien-Pazifik sind Regionen mit hohem Investitionsdruck bei Kernbankensystemen und deutlich weniger Altlast als Westeuropa.

2. Tech-Stack & Integration: Hier liegt der schwierige Teil, und er ist gut vorhersehbar. Zwei unabhängig gewachsene Kreditplattformen zusammenzuführen bedeutet zuallererst, zwei Datenmodelle für dasselbe Objekt zu vereinen: Was ist ein Antrag, was ist eine Fazilität, was ist eine Sicherheit, wie hängen Limite an Konzernstrukturen. Diese Harmonisierung ist die Arbeit von Jahren, und die realistische Zwischenlösung ist eine Integrationsschicht, in der ACTICOs Entscheidungsdienste als aufrufbare Services im Axe-Prozess hängen, während beide Datenhaltungen zunächst bestehen bleiben. Dazu kommt die Deployment-Frage: Banken in den Zielmärkten betreiben Kernsysteme häufig On-Premise oder in nationalen Clouds, was eine reine SaaS-Konsolidierung ausschließt und eine hybride Architektur mit sauberer Versionierung erzwingt. Und schließlich die Compliance-Matrix, die bei Kreditsoftware pro Land anders aussieht, von Basel-Reporting über lokale Verbraucherkreditregeln bis zu Datenlokalisierungspflichten.

3. AI-Strategie & Exit-Impact: Beide Seiten arbeiten mit Modellen, und zwar mit der Sorte, die vor dem aktuellen Hype existierte. Kreditscoring, Betrugserkennung und Geldwäscheprüfung sind genuine ML-Anwendungen mit klarem Zielwert, historischen Trainingsdaten und einer Fehlerkosten-Rechnung, die jeder Risikovorstand aufsagen kann. Das ist Tier 2 mit Anlauf auf Tier 1, und es ist genau die Position, die im aktuellen Bewertungsumfeld Prämie bringt, weil sie sich in einer DD belegen lässt. Die regulatorische Kehrseite ist allerdings scharf: Kreditwürdigkeitsprüfung natürlicher Personen ist im EU AI Act als Hochrisiko-Anwendung eingestuft, mit Anforderungen an Datenqualität, Dokumentation, menschliche Aufsicht und Nachvollziehbarkeit der Entscheidung. Ein zusammengeführtes Produkt muss diese Nachweiskette über beide Codebasen führen, und wer das früh sauber aufsetzt, hat gegenüber jedem agentisch aufgestellten Angreifer einen Vorsprung, den Geschwindigkeit allein nicht einholt.

Meine Perspektive 🎯

Home Turf, was das Muster angeht: Zwei Produkte mit überlappender Funktionalität, ein Gesellschafter, der Synergien im Business Case stehen hat, und zwei Engineering-Organisationen, die beide überzeugt sind, die bessere Architektur zu haben. Was sich in solchen Integrationen wiederholt: Die Roadmap-Konvergenz wird auf 18 Monate geplant und dauert 36, weil jeder Bestandskunde auf beiden Seiten eine Zusage hat, die dem Zielbild widerspricht. In der DD würde ich deshalb weniger auf die Architekturdiagramme schauen als auf die Vertragslage. Wie viele Kunden haben kundenspezifische Anpassungen, wie viele davon sind vertraglich zugesichert, und wie hoch ist der Anteil des Umsatzes, der an einer Version hängt, die im Zielbild nicht mehr existiert? Der zweite Punkt betrifft die Regelwerke. Kreditentscheidungslogik ist bei etablierten Anbietern über Jahre bei Kunden gewachsen, und diese Regelwerke sind faktisch Kundeneigentum. Eine Migration auf eine neue Engine bedeutet, dass jemand tausende Regeln validieren muss, und dieser Aufwand landet in aller Regel beim Anbieter, nicht beim Kunden. Das ist die versteckte Position im Integrationsbudget, die ich in jedem zweiten Fall zu niedrig angesetzt gesehen habe.

🧠 CPTO-Take

Die entscheidende Architektur-Frage ist, ob ACTICOs Entscheidungsdienste zum gemeinsamen Kern werden oder zu einem von zwei Wegen. Ich würde die Regel-Engine als einzigen Entscheidungspunkt setzen und das Axe Credit Portal als Prozess-Frontend darauf aufsetzen, weil sich damit die Compliance-Dokumentation an genau einer Stelle bündeln lässt, statt sie zweimal führen zu müssen. Team-seitig braucht diese Konstellation eine Rolle, die es in klassischen Software-Organisationen selten gibt: jemanden, der Modell-Governance verantwortet, also Drift-Überwachung, Reproduzierbarkeit von Scoring-Ständen und die Nachweisführung gegenüber Aufsichtsbehörden. Das ist keine Data-Science-Aufgabe und keine Compliance-Aufgabe, sondern eine eigene. Beim Pricing sehe ich hier den seltenen Fall, in dem Seat Compression kein Thema ist, weil Kreditsoftware ohnehin überwiegend über Volumen und Institutsgröße bepreist wird. Der Angriffsvektor liegt woanders: Wenn ein agentisches Startup die Antragsstrecke für Mittelstandskredite in einem Bruchteil der Zeit implementiert, gewinnt es die kleinen Institute zuerst, und von dort arbeitet es sich nach oben.

Deal 4: Limetax sammelt 36 Millionen für einen KI-Kanzlei-Rollup

Basics

• Headline: Limetax kauft Steuerkanzleien, statt ihnen Software zu verkaufen
• Deal-Typ: Pre-Seed-Eigenkapitalrunde plus Kreditlinie; Meldung 09.09.2026
• Käufer/Investoren: Motive Partners (Lead), Activant, Heliad; Angels unter anderem Christian Lindner, Alexander Kudlich (468 Capital), Anton Rummel und Ante Spittler (Moss). Die 30 Mio. Euro Kreditlinie kommt von einem Konsortium deutscher Banken
• Ziel: Limetax, Berlin, gegründet im Januar 2026 — Kanzleigruppe mit eigener KI-Plattform auf DATEV-Basis; nach acht Monaten vier Kanzleien, sieben Standorte, rund 150 Mitarbeitende, annualisierter Umsatz im zweistelligen Millionenbereich
• Gründer: Christoph Gamon (CEO, zuvor Mitgründer und CFO der Razor Group), Maximilian Meyer (Razor-Gründungsteam), Christoph Dansard (Founding Engineer beim Fintech Augustus)
• Deal-Wert: 36 Mio. Euro gesamt, davon 6 Mio. Eigenkapital
• Quelle: Startbase, 09.09.2026 · deutsche-startups.de

Tech & Strategy Analysis

1. Produkt-Strategie: Der deutsche Steuerberatungsmarkt besteht aus rund 54.000 Kanzleien, überwiegend inhabergeführt, mit einem Nachfolgeproblem, das sich in den nächsten zehn Jahren zuspitzt. Wer diesen Markt mit Software adressiert, verkauft an Einzelkanzleien mit fünfstelligen Jahresbudgets und einer Wechselbereitschaft nahe null, weil das gesamte Arbeitsleben an DATEV hängt. Limetax dreht die Richtung um und kauft die Kanzlei, setzt die eigene Agentenplattform in den Betrieb und verdient an der Differenz zwischen Honorar und gesunkenen Bearbeitungskosten. Die Zahl, die die These trägt: Ein Buchhaltungsfall soll statt rund 20 Stunden noch etwa 6 Stunden im Monat kosten. Bei gleichbleibendem Honorar ist das keine Effizienzverbesserung, sondern ein anderer Deckungsbeitrag.

2. Tech-Stack & Integration: Die Plattform setzt auf DATEV auf, und diese Entscheidung ist gleichzeitig die größte Stärke und das größte Risiko. Stärke, weil jede erworbene Kanzlei ohne Systemmigration produktiv bleibt und die Mandantendaten dort liegen, wo Finanzamt, Prüfer und Mandant sie erwarten. Risiko, weil die Automatisierungstiefe an den Schnittstellen hängt, die DATEV bereitstellt, und weil ein Genossenschaftsunternehmen mit Steuerberatern als Mitgliedern durchaus eigene Interessen gegenüber einem Konsolidierer hat, der genau diese Mitglieder aufkauft. Technisch sind die spannenden Fragen: Wie werden Belege aus 54.000 verschiedenen Mandantenprozessen erfasst und klassifiziert, wie wird der GoBD-konforme Prüfpfad über jeden Agentenschritt geführt, und wie sieht die Eingriffsrate aus, also der Anteil der Vorgänge, bei denen ein Fachmensch korrigieren muss. Bei Jahresabschlüssen und Lohnabrechnung ist ein Fehler kein Qualitätsproblem, sondern ein Haftungsfall mit Berufsrecht dahinter.

3. AI-Strategie & Exit-Impact: Das Modell verkauft keine Lizenzen, sondern erbringt eine Dienstleistung, deren Kostenstruktur durch Modelle verändert wird. Damit gibt es keine Seats, die komprimieren könnten, und keinen Kunden, der das KI-Feature nicht bucht. Der Bewertungsmaßstab ist entsprechend ein anderer: Ein Kanzlei-Rollup wird nach EBITDA bewertet, nicht nach ARR-Multiple, und die entscheidende Kennzahl ist die Marge pro Mandat im Vergleich zum Marktdurchschnitt. Genau hier liegt aber auch die harte Frage. Die 30 Mio. Euro Fremdkapital sind der eigentliche Motor der Akquisitionsmaschine, und Fremdkapital verlangt Zins und Tilgung ab dem ersten Tag, während die Automatisierungsgewinne pro Kanzlei erst nach Monaten anfallen. Das ist eine Wette auf Integrationsgeschwindigkeit, und sie ist mit sechs Millionen Eigenkapital dünn unterlegt.

Meine Perspektive 🎯

Contrarian Take, und das ohne jede Freude, weil die Grundidee stimmt. Was mich skeptisch macht, ist nicht die Technik und nicht der Markt, sondern die Kapitalstruktur. Sechs Millionen Eigenkapital gegen dreißig Millionen Kreditlinie bei einem acht Monate alten Unternehmen ist ein Hebel, der jede Verzögerung bestraft. Kanzleiintegrationen sind Menschenprojekte: Die Mitarbeitenden einer übernommenen Kanzlei arbeiten seit fünfzehn Jahren nach ihrer eigenen Logik, der Inhaber hat den Mandantenkontakt, und die Mandanten bleiben wegen des Inhabers. Wenn nach dem Kauf die Prozesse umgestellt werden und gleichzeitig Agenten Arbeit übernehmen, die bisher Menschen gemacht haben, ist Fluktuation kein Risiko, sondern eine Planungsannahme. Was ich in der DD prüfen würde: Wie viele Mandate haben die vier bestehenden Kanzleien seit der Übernahme verloren, wie hoch ist die Fluktuation in der Belegschaft, und wie viele der versprochenen 6 statt 20 Stunden sind gemessen statt modelliert? Der zweite Punkt ist die Berufsrechtsfrage. In Deutschland ist die Beteiligung berufsfremder Kapitalgeber an Steuerberatungsgesellschaften reguliert, und die Konstruktionen, mit denen man das löst, sind belastbar, aber nicht unangreifbar. Dass Christian Lindner im Cap Table steht, ist Signalgebung. Regulatorische Sicherheit ist es nicht.

🧠 CPTO-Take

Wer heute noch Software an Steuerberater verkauft, sollte diesen Deal als Preisansage lesen. Limetax bewertet dieselbe Arbeit vollständig anders: Der Wert entsteht am erledigten Mandat, nicht an der Lizenz, und ein Anbieter, der pro Nutzer und Monat abrechnet, kann diesen Wert nicht abschöpfen. Architektonisch ist die Ausbaustufe, auf die es ankommt, ein Prüfpfad, der jeden Agentenschritt so protokolliert, dass er einer Betriebsprüfung standhält. Wer das hat, kann Automatisierungstiefe erhöhen, ohne dass die Haftung mitwächst, und wer es nicht hat, deckelt sich selbst bei etwa der halben möglichen Automatisierung. Team-seitig ist die spannende Rolle nicht der ML-Engineer, sondern die Person, die Fachprozess und Agentenverhalten zusammen verantwortet, im Zweifel eine Steuerfachkraft mit Produktverständnis. Und für jeden CPTO in DACH gilt die naheliegende Übertragung: Dasselbe Muster funktioniert überall dort, wo eine regulierte Facharbeit in kleinteiligen Betrieben stattfindet und ein dominantes Kernsystem die Daten hält.

Deal 5: Grubel holt 3 Millionen für Legal-AI-Grundlagenforschung

Basics

• Headline: Münchner Forschungslabor Grubel startet mit prominenter Angel-Liste
• Deal-Typ: Pre-Seed-Runde; Meldung 10.09.2026
• Investoren: Point Nine (Lead, Partner Louis Coppey); Angels unter anderem Jeff Dean, Ion Stoica (Databricks), Chris Ré (Together AI) sowie Winston Weinberg und Gabe Pereyra, die Gründer von Harvey
• Ziel: Grubel, München und Tübingen, gegründet 2026 — KI-Forschungslabor für komplexe juristische Arbeit
• Gründer: Moritz Hardt (Direktor am Max-Planck-Institut für Intelligente Systeme, zuvor Professor in Berkeley und Forscher bei Google Brain, Mitentwickler von Test-Time Training und Mitautor von Lawma), Reinhard Heckel (Professor für Machine Learning an der TU München, beurlaubt, zuvor IBM Research), Vedant Nanda und Navid Rekabsaz
• Deal-Wert: 3 Mio. Euro
• Quelle: EU-Startups, 10.09.2026 · The SaaS News

Tech & Strategy Analysis

1. Produkt-Strategie: Der Ansatz unterscheidet sich in einem Punkt grundlegend von dem, was der Legal-Tech-Markt in DACH derzeit an KI-Produkten hervorbringt. Statt ein allgemeines Modell mit gutem Prompting und Retrieval auf juristische Aufgaben anzusetzen, will Grubel den Spezialisierungsschritt selbst automatisieren: relevante Informationen zum konkreten Fall sammeln und aufbereiten, das System auf genau diese Sache anpassen, und anschließend gegen fallspezifische Maßstäbe prüfen, ob das Ergebnis den Anforderungen genügt. Das ist im Kern Test-Time Training als Produktarchitektur, und Hardt gehört zu den Leuten, die dieses Verfahren mitentwickelt haben. Dass mit Weinberg und Pereyra ausgerechnet die Gründer von Harvey investieren, ist das aussagekräftigste Signal der Runde: Der Marktführer im Segment kauft sich Einsicht in einen Ansatz, der seine eigene Architektur ablösen könnte.

2. Tech-Stack & Integration: Die praktische Hürde eines Verfahrens, das pro Fall ein angepasstes Modell erzeugt, ist die Ökonomie. Adaption zur Laufzeit kostet Rechenzeit, und wenn jeder Mandatsfall einen eigenen Anpassungslauf braucht, verschiebt sich die Kostenkurve von der Inferenz in Richtung Training. Ob das aufgeht, hängt daran, wie klein und wie schnell dieser Anpassungsschritt wird und ob sich Anpassungen zwischen ähnlichen Fällen wiederverwenden lassen. Dazu kommt der Auslieferungsweg: Juristische Arbeit findet in Kanzleisystemen statt, also DMS, Aktenverwaltung, Fristenkalender, und ohne Anbindung an diese Systeme bleibt jedes Modell ein separates Fenster neben dem eigentlichen Arbeitsplatz. Für ein Forschungslabor mit drei Millionen Euro ist das eine bewusste Reihenfolge-Entscheidung: erst das Verfahren, dann die Integration.

3. AI-Strategie & Exit-Impact: Das ist ein Tier-1-Fall in Reinform, was in DACH selten genug vorkommt, um es zu betonen. Eigenes Verfahren, eigene Evaluierungslogik, ein Gründerteam mit Publikationshistorie in genau der Methode, um die es geht. In einer Tech-DD wäre die zentrale Frage nicht, ob echte ML-Kompetenz vorhanden ist, sondern ob daraus ein Produkt mit vertretbaren Grenzkosten wird. Die zweite Frage betrifft die Verteidigungslinie: Ein Verfahren, das in Papern beschrieben ist, ist für jedes gut ausgestattete Labor reproduzierbar, und der Vorsprung entsteht dann aus Evaluierungsdaten und Fachdomänen-Zugang, nicht aus dem Algorithmus. Für den europäischen Legal-Tech-Markt ist die Runde trotzdem eine gute Nachricht, weil sie zeigt, dass Forschungsteams hier bleiben können, statt nach der Ausgründung sofort in eine amerikanische Struktur zu wandern.

Meine Perspektive 🎯

Neues Terrain, was den juristischen Anwendungsfall angeht, aber vertrautes Gelände bei der eigentlichen Frage. Was mich an diesem Ansatz interessiert, ist die Evaluierung, und zwar aus einem Grund, den jeder kennt, der schon einmal ein KI-Feature produktiv gestellt hat: Der schwierigste Teil ist nie die Generierung, sondern die Beurteilung, ob das Erzeugte gut genug ist. Grubel macht genau diesen Prüfschritt zum Bestandteil des Verfahrens, und wenn das funktioniert, ist es weit über Jura hinaus interessant. Ich würde fragen wollen, woher die fallspezifischen Maßstäbe kommen, gegen die geprüft wird. Werden sie aus dem Fall abgeleitet, von Fachleuten gesetzt, oder aus Präzedenzfällen gelernt? Und wie geht das Verfahren mit Rechtsgebieten um, in denen es keine belastbare Referenz gibt, weil die Frage neu ist? Was ich aus der Angel-Liste lese: Diese Leute investieren nicht in ein Legal-Tech-Produkt. Sie investieren in eine Methode, deren juristische Anwendung der erste Testfall ist.

🧠 CPTO-Take

Die Übertragung auf jedes B2B-Produkt mit KI-Anteil ist direkt: Wer heute ein Feature baut, das Fachdokumente erzeugt oder bewertet, hat dasselbe Problem wie Grubel und löst es meistens schlechter, nämlich über einen menschlichen Review-Schritt, den man Qualitätssicherung nennt und der in Wahrheit die Skalierungsgrenze ist. Die Investition, die sich lohnt, ist eine fallspezifische Evaluierungsschicht, die vor der Ausgabe entscheidet, ob ein Ergebnis den Kunden erreicht oder in die Prüfschleife geht. Damit sinkt die Eingriffsrate, und die Eingriffsrate ist die Metrik, an der die Wirtschaftlichkeit agentischer Features hängt. Beim Pricing folgt daraus etwas Unbequemes: Wenn Anpassung pro Fall Rechenzeit kostet, ist ein Flatrate-Modell gefährlich, und die Token-Kosten pro Vorgang gehören ins Produktcontrolling, bevor der erste Großkunde unterschreibt. Team-seitig zeigt Grubel, was in DACH derzeit möglich ist: Ein Lehrstuhl-Team mit Publikationshistorie ist finanzierbar, und wer solche Leute für ein Produktteam gewinnen will, konkurriert ab sofort mit Point Nine.

Am Rande der Woche

Zwei Vorgänge gehören in den Kontext, ohne ein eigenes Profil zu rechtfertigen. Am 7. September haben Flex IT aus Leiden (gegründet 1991, rund 13.000 Reseller im Netzwerk, zertifizierte Aufbereitungskapazität in Toruń) und die dänische T1A (gegründet 2001) ihren Zusammenschluss abgeschlossen und bilden damit eine europäische Circular-IT-Plattform mit etwa 150 Mio. Euro Umsatz (Tech.eu, 07.09.2026). Getragen wird das vom Eurazeo Planetary Boundaries Fund, der T1A im Mai übernommen hatte, mit Unterstützung von Dansk Vækstkapital; Altor gibt Flex IT ab. Das ist Hardware, kein Software-Deal, gehört aber in diese Übersicht, weil Rücknahme, Datenlöschung und Wiedervermarktung von Firmen-IT genau die Prozesskette ist, die in jedem ITAM- und Lifecycle-Tool abgebildet wird. Wer Asset-Management-Software baut, bekommt hier gerade einen Kunden mit europaweiter Prozesslogik und dem Bedarf, zwei Betriebsmodelle in einem System abzubilden.

Der zweite Vorgang ist eine Fußnote mit Ansage: Der italienische Legal-AI-Anbieter Lexroom hat in derselben Woche zwei Zukäufe gemeldet, Query Juriste in Frankreich und Praven Intelekt in Bulgarien. Legal AI konsolidiert also bereits, während der Markt in DACH noch damit beschäftigt ist, die erste Produktgeneration in Kanzleien zu bekommen. Zusammen mit Grubel und Limetax ergibt das ein deutliches Wochenbild für regulierte Facharbeit: Es wird gleichzeitig geforscht, gekauft und konsolidiert, und die drei Bewegungen laufen mit unterschiedlicher Geschwindigkeit auf dasselbe Ziel zu.

Die Wochenbilanz fällt zweigeteilt aus. Main Capital hat zweimal die klassische Antwort gegeben: Kaufe ein Unternehmen mit tiefer Prozessverankerung und eigenem Datenbestand, dann hast du Zeit, die KI-Schicht in Ruhe zu bauen. Limetax, Grubel und in Teilen ACTICO geben die andere: Baue die Fähigkeit, die die Facharbeit ersetzt, und suche dir dann das Geschäftsmodell, in dem du sie am direktesten abrechnen kannst. Bei VWE Automotive heißt das Transaktionsgebühr, bei Limetax Kanzleihonorar, bei ACTICO Institutslizenz. Auffällig ist, dass in keinem dieser Modelle die Nutzerlizenz vorkommt. Wer 2027 oder 2028 verkaufen will und heute noch überwiegend pro Seat abrechnet, sollte sich die Frage stellen, was sein Umsatz eigentlich misst.

Weiterführend

Mehr Tiefe zu der Verschiebung, die Limetax und Grubel in dieser Woche greifbar machen → Service as Software — Das Ende von SaaS wie wir es kennen.