Die KI-Churn-Welle

Das Wichtigste in Kürze

Annual Recurring Revenue (ARR) ist keine GAAP-Kennzahl. Und doch ist sie zum Grundbaustein der SaaS-Metriken geworden. Und zur Basis von SaaS-Bewertungsmultiplikatoren.

Wir denken ARR als (meist) margenstarken, planbaren und wachsenden Umsatz. Das heißt: SaaS-Unternehmen sind (meist) auf dem Weg, bei entsprechender Größe hochprofitabel zu werden.

KI-Startups bringen diese Rechnung zunehmend ins Wanken. Was nicht zwangsläufig wiederkehrender Umsatz ist, aber als solcher behandelt wird:

• Experimentelle Umsätze aus KI-Produkten (nicht im Produktivbetrieb)
• Verträge mit dreimonatiger Opt-out-Frist, bei denen 70–80 % aussteigen
• Nutzungs- oder erfolgsbasierte Preismodelle
• Professional Services von Forward Deployed Engineers

KI-Startups zwingen uns, ARR neu zu denken. Da ist zum einen das Bruttomargenproblem, über das ich bereits geschrieben habe. Noch beunruhigender ist: Es gibt echte Zweifel an der Beständigkeit von KI-Umsätzen. Cassie Young von Primary Venture Partners hat kürzlich eine bevorstehende „Gross-Retention-Apokalypse“ vorhergesagt.

Käufer werden ihre KI-Experimente kritisch prüfen. KI-Touristen ziehen zum nächsten heißen Produkt weiter. Und die großen Plattformen werden Dutzende dünner LLM-Wrapper verschlucken, sobald die Modelle besser werden.

Beständigkeit ist für KI-Apps eine existenzielle Frage. Trotzdem gibt es dazu bisher überraschend wenig belastbare Daten. Um das zu ändern, habe ich mich mit ChartMogul zusammengetan, wo ich als Analyst-in-Residence arbeite.

Wir haben die Websites von 3.500 Softwareunternehmen ausgewertet und die Unternehmen mit KI als B2B SaaS, B2C SaaS oder KI-native Unternehmen (die B2B oder B2C sein können) kategorisiert. Anschließend haben wir die Gross Revenue Retention (GRR) und Net Revenue Retention (NRR) dieser Gruppen verglichen. Heute teile ich, was wir gefunden haben – und was Sie tun können, um sich vor einer möglicherweise bevorstehenden Churn-Welle zu schützen.

Das Problem mit den KI-Touristen

Das KI-gestützte Scraping ergab einen Datensatz von rund 2.700 B2B-SaaS-Unternehmen, 600 B2C-SaaS-Unternehmen und 200 KI-nativen Unternehmen. Zu den KI-nativen Unternehmen zählten sowohl B2B- als auch B2C-Geschäfte sowie Startups, die an Verbraucher und Unternehmen gleichzeitig verkaufen.

Zuerst habe ich mir die annualisierten Retention-Raten im Verlauf von 2025 angesehen – bei jenen Unternehmen, die mindestens 250.000 $ ARR erreicht hatten. Warum 250.000 $: Bei sehr jungen Startups mit wenigen zur Verlängerung anstehenden Kunden sind historische Retention-Daten deutlich unzuverlässiger.

Was die Daten zeigen:

• B2B SaaS ist relativ stabil. Die mediane NRR lag bei 82 %. (Das obere Quartil bei 97 %.)
• B2C ist deutlich weniger stabil, mit minimalem Upsell. Die mediane NRR lag bei nur 49 %.
• KI-native Unternehmen hatten eine noch schlechtere GRR als B2C (40 %) und eine vergleichbare NRR (48 %).

Optimistisch betrachtet hat sich die KI-Retention seit Jahresbeginn deutlich verbessert. Die mediane GRR ist von 27 % im Januar auf 40 % im September gestiegen. Ich vermute, viele der frühen Touristen sind gegangen; wer geblieben ist, ist entschlossener oder wechselt vom Experiment in den Produktivbetrieb.

Trotzdem sehen KI-native Unternehmen insgesamt noch nicht sehr nach den B2B-SaaS-Unternehmen aus, die wir kennen und schätzen (und gern auf Basis von ARR bewerten).

Leicht zu kaufen, leicht zu kündigen?

Die KI-Churn-Welle trifft nicht jedes KI-Unternehmen gleich. Günstigere Produkte haben immer schon mehr Churn angezogen. Bei KI-Produkten ist dieser Abstand besonders ausgeprägt.

Der beste Schutz gegen Churn ist der Schritt weg von Verbrauchern und Self-Service-Käufen (Deals unter 50 $ pro Monat) hin zu größeren B2B-Abschlüssen.

Was die Daten zeigen:

• KI-native Produkte, die für mehr als 250 $ pro Monat verkauft werden, erreichen 70 % GRR und 85 % NRR. Das entspricht im Grunde B2B SaaS.
• KI-native Produkte zwischen 50 $ und 249 $ pro Monat erreichen 45 % GRR und 61 % NRR. Das sind 15 Punkte weniger als bei B2B SaaS. (Nur wenige B2C-Produkte kosten mehr als 100 $ pro Monat.)
• KI-native Produkte unter 50 $ pro Monat erreichen nur 23 % GRR und 32 % NRR. Das sind 20 Punkte weniger als bei B2B- oder B2C-SaaS.

Es ist der Fluch des KI-Wrappers. Die Kehrseite davon, leicht zu kaufen zu sein, ist: leicht zu kündigen zu sein.

Ich sehe hier noch einen zweiten Faktor. KI-Self-Service-Nutzer sind vielleicht zahlende Kunden. Sie selbst sehen sich als Testende.

Günstige SaaS-Produkte sind meist Freemium- (oder Reverse-Trial-)Produkte, bei denen Nutzer reichlich Zeit zum Ausprobieren haben, bevor sie kaufen. Bei Bruttomargen über 80 % ruiniert die Unterstützung kostenloser Nutzer niemanden. Nutzer upgraden, wenn sie sich bewusst für den Kauf entschieden haben. Und die Umstellung ist minimal: Menschen wissen, was sie beim Kauf von SaaS bekommen.

Bei KI-Produkten ändert sich diese Rechnung. Jeder Token kostet Geld. KI-Produkte drängen entweder sofort oder bei jeder ernsthafteren Nutzung auf die Conversion. Manche errichten sogar eine tägliche Nutzungsgrenze, bevor Nutzer upgraden müssen – im SaaS-Bereich wäre das undenkbar. Menschen beginnen zu zahlen, weil sie fasziniert sind von dem, was möglich sein könnte, aber sie haben nicht geplant, wie die Produkte langfristig in ihr Geschäft passen.

Wir müssen anpassen, wie wir Retention messen (und ARR im Übrigen auch), um experimentelle Ausgaben klar von ernsthaften Ausgaben zu trennen, anstatt beides in einen Topf zu werfen. Mein Vorschlag: Behandeln wir als ernsthafte Ausgaben den Umsatz von Kunden, die mindestens 250 $ gezahlt haben. Das kann ein im Voraus bezahlter Jahresplan sein, ein Deal über 250 $ oder ein Kunde mit geringen Ausgaben, der lange bleibt.

Retention = beständiges ARR

KI-native Unternehmen brechen gerade Wachstumsrekorde – viele skalieren in nur einem Jahr von null auf 100 Millionen $. Das ist ohne Frage beeindruckend. Aber Hyperwachstum lässt sich kaum halten, wenn eine immer größere Bestandsbasis Monat für Monat zur Tür hinausgeht. Dafür gibt es einen Begriff: den eigenen TAM verbrennen.

Ich habe die 3.500 Softwareunternehmen des Datensatzes auf zwei Dimensionen abgebildet: Net Revenue Retention (NRR) im September 2025 und Umsatzwachstum im Jahresvergleich.

Was die Daten zeigen:

• Insgesamt besteht eine sehr starke Korrelation zwischen NRR und langfristigem Wachstum.
• Startups in der Frühphase können selbst mit einer NRR unter 40 % schnell wachsen (über 200 %).
• Doch Unternehmen mit niedriger Retention riskieren extrem stark, dass ihr Wachstum kippt: Dreimal so viele schrumpfen, wie schnell wachsen.

Betrachtet man Retention und ARR gemeinsam, wird das Bild noch klarer. Unternehmen, die es auf 5 Millionen $ ARR schaffen, haben deutlich bessere Gross- und Net-Revenue-Retention-Raten als ihre Peers in der Frühphase. Ein Teil davon dürfte Selektionsbias sein; ein überraschend großer Teil liegt daran, dass die Ausnahme-Gewinner es schaffen, sich mit dem Wachstum selbst neu zu erfinden.

Bei KI-nativen Unternehmen ist das bereits erkennbar, auch wenn die Stichprobe hier zugegeben klein wird (rund 50 pro Gruppe), was die Daten eher richtungsweisend als statistisch belastbar macht. Die besten KI-nativen Unternehmen erreichen die doppelte GRR und die 2,5-fache NRR ihrer Peers in der Frühphase.

Was gegen Churn hilft

Über die Jahre habe ich mit Dutzenden Unternehmen an besserer Retention gearbeitet. Es ist auch etwas, worüber ich als Newsletter-Autor mit einem Premium-Abo für 15 $ pro Monat aktiv nachdenke.

Meiner Erfahrung nach behandeln die besten Unternehmen Churn als geschäftliches Problem, nicht als Customer-Success-Problem. So können KI-Unternehmen Churn verhindern:

1. Gehen Sie auf wertvolle Workflows und Use Cases. KI-Produkte haben nicht von Natur aus hohen Churn – konsumentenorientierte KI-Wrapper haben ihn. Der Schritt ins höhere Marktsegment bedeutet meist: (a) tiefer in Geschäftsprozesse eingebettet zu sein, (b) mit mehr Tools integriert zu sein und (c) sich klarer von universellen LLMs abzugrenzen.
2. Liefern Sie Services zusätzlich zur KI. Palantir ist dafür bekannt, Forward Deployed Engineers einzustellen, die KI-Lösungen für hochwertige Interessenten prototypisieren und implementieren. Viele KI-Unternehmen, darunter OpenAI, tun es inzwischen genauso. FDEs schließen die Lücke zwischen dem, was mit KI möglich ist, und dem, was Kunden tatsächlich realisieren. Wie a16z kürzlich schrieb, tauscht das FDE-Modell Marge gegen Burggraben – und lohnt sich langfristig meist.
3. Verkaufen Sie beim ersten Deal nicht zu viel. Die Versprechen dessen, was KI leisten könnte, sind groß. Meist ist es besser, klein anzufangen, schnell Wert nachzuweisen und Wachstumschancen später zu erschließen. Das führt auch zu kürzeren Sales-Cycles und verengt den Scope für FDEs deutlich, sodass sie mit mehr Unternehmen arbeiten können.
4. Verkleinern Sie die Lücke zwischen Produktauslieferung und Adoption. Brian Balfour von Reforge hat mir kürzlich erzählt, dass seine oberste Priorität für 2026 lautet: Wie beschleunigen wir die Produktadoption? Das Tempo der KI-Releases ist atemlos; Kunden kommen nicht mit und wissen wahrscheinlich nicht einmal, was sich geändert hat.
5. Verkaufen Sie mehr Jahrespläne. Der Wechsel von Monats- zu Jahresplänen ist umstritten. Aber meist fahren Sie damit besser, weil Sie mehr Zeit haben, den Kunden zu überzeugen, und der Kunde motivierter ist, das Produkt einzuführen. Die Daten zeigen: Die mediane NRR liegt 10 bis 20 Prozentpunkte höher bei Jahres- statt Monatsplänen. So gehen Sie vor: Machen Sie Jährlich zum Standard, fragen Sie früh nach Jahres-Upgrades (Monat 2–3) und erwägen Sie einen größeren Rabatt (bei Grammarly sind es 60 %).