SmartUp case study · September 2026
Invest in Praktika. Don't Trust the Traction Slide.
Investment memo · seed round · deck as of January 2024
A seed deck landed on my desk as a case study. The question was simple: would I invest?
This is the detailed version of my answer. Everything here comes from the deck or from public sources. Where I estimate or interpret, I say so.
- $296k
- Revenue in December 2023
- +40%
- Growth per month (deck)
- 486k
- Monthly active users
- $2M
- Ask. Goal: $6M ARR in a year
Praktika is an app for practising spoken English with an AI avatar as the tutor. It launched in March 2023 and is backed by 500 Global. The deck names no valuation.
Scorecard
- TeamStrong
- Seven years together in conversational AI. No consumer app before Praktika, but strong advisors.
- MarketStrong
- Online English learning grows 16% a year. Duolingo was worth about $9bn in early 2024, so exits exist.
- ProductStrong
- Goes after speaking anxiety instead of content. A hypothesis until I see retention.
- TractionUnproven
- Fast growth. But the revenue may be prepaid and the deck shows no retention.
- MoatThin
- The technology can be copied. They have distribution, a clear audience and speed.
- DealOpen
- No valuation in the deck. A company that can probably fund itself can choose its price.
How I see the company
What do they sell?
A safe place to speak.
People don't fail at English because content is missing. There is more free content than anyone can use. They fail because speaking in front of others is embarrassing, and tutors are expensive.
With an avatar you can make mistakes without feeling judged. It still feels real enough that you show up again.
For me the most important slide in the deck is not the traction slide. It is slide 12, where users call the avatar a friend. These are quotes the team picked, so I treat them as a first signal and not as proof.
Who pays?
The reviews shown in the deck are translated from Portuguese, Spanish and Russian. They come from Samsung, Xiaomi and realme phones.
I read that as Android users in emerging markets who need English for work. The deck itself names jobs and migration as what drives the market.
That matters for the price. These users don't compare Praktika to Duolingo. They compare it to a tutor, and the deck says Praktika is 50 times cheaper.
How do they grow?
One review mentions a 3-month plan, so I think most customers pay upfront.
That changes how the business works. If a customer costs less in ads than he pays on day one, the money is back immediately and can go into the next ads. Then it repeats.
This took them from launch in March 2023 to $296k a month in nine months, before this round.
What is the round for?
40% of the $2M goes into ads. That is $800k, or about $67k a month.
December alone brought in $296k. So the ad budget is less than a quarter of one year's revenue at December's pace. I don't know their costs, but they could probably pay for these ads themselves.
So I don't think this round is about survival. It buys speed.
The round next to one year of revenue
The team
The CEO, Adam Turaev, and the CPO, Ilya Chernyakov, have been friends since seventh grade. They worked at Bosch and Sanofi and founded Cleverbots in 2017, a company that built chatbots and conversational AI for large companies. The CTO, Anton Marin, was co-founder and CTO there.
Cleverbots did over 60 AI projects for companies like Nestlé and AstraZeneca and made $2M in 2022. Both founders were on the Forbes Russia 30 Under 30 list in 2023.
What I like about this:
- The founders already ran a company together for years. The risk that they fall apart is small.
- They have worked on conversational AI since 2017. Praktika is not a reaction to the hype. It is the next step of what they already did.
- They know how to earn money with little capital.
Their weak spot is that an agency is not a consumer app. Selling projects to Nestlé is a different job than keeping millions of users in an app.
They know this. Their advisors cover exactly that gap: the head of user acquisition at Flo, Adapty for subscriptions, and Ilya Gelfenbeyn, who founded Dialogflow and Inworld AI.
The potential
The market grows, and it moves online
Slide 2 shows English learning going from about $45bn in 2021 to about $80bn in 2030.
The online part grows fastest, 16% a year. It goes from about a fifth of the market to almost half. Duolingo made over $500M in 2023, so there is room for big companies here.
Even a cautious case is big
I don't think 40% a month will last. Nobody keeps that up for long.
With 10% a month they would still make about $930k a month in a year. That is roughly $11M ARR.
Their own goal is low
The deck's goal is $6M ARR. ARR is not the sum of a year. It is one month times twelve. So $6M ARR means a single month that brings $500k.
At 40% a month they reach that in seven weeks. At 10% it takes six months.
The goal only needs 4.5% a month. Then they would take in $296k × (1.045 + … + 1.045¹²), which is about $4.8M over the year, and end the year at $500k a month.
It also fits something else: today's run-rate (12 × December = $3.56M) plus the ad budget times three ($2.4M) is almost exactly $6M. That is my reading, not something the deck says. But if the goal was built like this, it means the founders only count growth that comes from ads.
When does a month bring $500k?
6 months
until a single month brings $500k. That is the deck's twelve-month goal.
Growing 10.0% a month from $296k
Pro
- They solve the right problem. Companion apps keep users but earn little. Language apps earn money but lose users. Praktika could do both.
- They probably don't depend on us. The $800k ad budget is less than a quarter of 12 × December revenue. Our money makes them faster.
- Costs are falling. OpenAI cut the GPT-4 input price by two thirds in 2023, while subscription prices stayed the same.
- The team has worked together for seven years and knows what it is missing.
- The risk is limited. I can lose my investment once but win many times that.
Contra
- The $296k may not be MRR. Slide 8 says MRR in the title and revenue under the number. If customers pay monthly, both are the same. If they prepaid for a year, the real monthly figure would be only about a quarter of that. The deck doesn't say which.
- The 3:1 LTV/CAC is a forecast. Nine months after launch there is not enough history to measure how long customers stay. The deck shows no retention, no payback and no margin.
- The growth may be bought. If customers don't stay, our money only speeds up a treadmill.
- Others can build this: Duolingo Max, Speak, ChatGPT's voice mode.
- “Top-5 language app in a year” does not fit a goal of $6M ARR. Duolingo made over $500M in 2023.
All of these are open questions, and the founders already have the data to answer them:
Is the revenue recurring?
If customers prepaid for months, December looks bigger than what really comes back every month.
TestThe bridge from $296k of revenue to MRR, after store fees, and the mix of plans.
Do customers stay?
The 3:1 only works if people renew. Nine months after launch nobody can know that yet.
TestRenewal by start month and plan, and how many paying users were active last month.
Is the growth bought?
40% of the round goes into ads. Growth that is bought stops when the spending stops.
TestCAC and payback by channel, the share of organic installs, and what happened to CAC when spend went up.
What do heavy users cost?
Speaking is unlimited and runs on paid AI models. The keenest learners may cost more than they pay.
TestGross margin per active learner, and for the top tenth by usage.
Can others copy it?
Duolingo Max, Speak and ChatGPT's voice mode can ship the same feature.
TestWhether users who stay with one avatar retain better. The history with a learner is what a copy starts without.
Decision
Invest
I would invest at a seed valuation. The pros are about what Praktika is. The contras are about things the deck doesn't show yet. They decide the price and what I check first. They don't change my answer.
I would walk away if
- 1fewer than about 30% of quarterly subscribers renew even once. Then a 3:1 LTV to CAC is hard to reach at realistic ad costs.
- 2it takes more than six months to earn back the cost of a customer after store fees and AI costs. With customers paying upfront it should be much faster.
- 3more than 30% of paying users didn't open the app in the last thirty days. That would be revenue from people who forgot to cancel.
- 4the IP and company structure from their previous firm, Cleverbots, are not clean.
What I would ask the founders first
- Is the $6M goal simply today's run-rate plus your ad budget times three? What growth do you really expect?
- What grows without ads?
- You could probably pay for these ads yourselves. What does our money change?
- How do you get from $296k of revenue to MRR, after store fees? What is the mix of plans?
- Can I see renewal by start month and plan?
What happened after, kept out of the reasoning
I made my decision only with what the deck shows. Afterwards I looked up what happened.
This seems to be the $2.5M seed Praktika closed in early 2024. The 40% held for a while: revenue grew about 41% a month to roughly $20M annualised by May 2024, when they raised a Series A of $33–35M led by Blossom Capital.
In May 2025 the company reported more than 2 million monthly users, 14 million downloads and nine languages. There has been no new funding round since, and no new revenue figure. In the same time their competitor Speak passed $100M ARR.
So the seed worked out. The best case is still unproven, and retention has never been published. That was my open question in January 2024, and it still is.
Sources
In Praktika investieren. Der Traction-Folie nicht blind glauben.
Investment-Memo · Seed-Runde · Deck Stand Januar 2024
Ein Seed-Deck lag als Case Study auf meinem Tisch. Die Frage war einfach: Würde ich investieren?
Das hier ist die ausführliche Fassung meiner Antwort. Alles stammt aus dem Deck oder aus öffentlichen Quellen. Wo ich schätze oder interpretiere, sage ich es.
- $296k
- Umsatz im Dezember 2023
- +40 %
- Wachstum pro Monat (Deck)
- 486k
- Monatlich aktive Nutzer
- $2M
- Ask. Ziel: $6M ARR in einem Jahr
Praktika ist eine App, mit der man Englisch sprechen übt, mit einem KI-Avatar als Tutor. Der Launch war im März 2023, 500 Global ist investiert. Das Deck nennt keine Bewertung.
Scorecard
- TeamStark
- Sieben Jahre gemeinsam in Conversational AI. Vor Praktika keine Consumer-App, aber starke Advisors.
- MarktStark
- Online-Englischlernen wächst 16 % pro Jahr. Duolingo war Anfang 2024 rund $9 Mrd. wert, Exits gibt es also.
- ProduktStark
- Setzt bei der Sprechangst an statt beim Content. Eine Hypothese, bis ich Retention sehe.
- TraktionUnbewiesen
- Schnelles Wachstum. Aber der Umsatz ist vielleicht vorausbezahlt, und Retention fehlt im Deck.
- MoatDünn
- Die Technik ist kopierbar. Sie haben Distribution, eine klare Zielgruppe und Tempo.
- DealOffen
- Keine Bewertung im Deck. Wer sich vermutlich selbst finanzieren kann, bestimmt den Preis.
Wie ich die Firma sehe
Was verkaufen sie?
Einen sicheren Ort zum Sprechen.
Menschen scheitern an Englisch nicht, weil Content fehlt. Es gibt mehr kostenlosen Content, als irgendwer nutzen kann. Sie scheitern, weil Sprechen vor anderen peinlich ist und Tutoren teuer sind.
Vor einem Avatar kann man Fehler machen, ohne sich bewertet zu fühlen. Trotzdem fühlt er sich echt genug an, dass man wiederkommt.
Für mich ist die wichtigste Folie im Deck nicht die Traction-Folie. Es ist Folie 12, auf der Nutzer den Avatar einen Freund nennen. Das sind Zitate, die das Team ausgewählt hat. Ich werte sie deshalb als erstes Signal und nicht als Beweis.
Wer zahlt?
Die Reviews im Deck sind aus dem Portugiesischen, Spanischen und Russischen übersetzt. Sie kommen von Samsung-, Xiaomi- und realme-Handys.
Ich lese das als Android-Nutzer in Schwellenländern, die Englisch für den Job brauchen. Das Deck selbst nennt Jobs und Migration als Treiber des Marktes.
Das ist wichtig für den Preis. Diese Nutzer vergleichen Praktika nicht mit Duolingo. Sie vergleichen es mit einem Tutor, und laut Deck ist Praktika 50-mal billiger.
Wie wachsen sie?
Eine Review erwähnt ein 3-Monats-Abo. Deshalb glaube ich, dass die meisten Kunden im Voraus zahlen.
Das verändert, wie das Geschäft funktioniert. Wenn ein Kunde in der Werbung weniger kostet, als er am ersten Tag zahlt, ist das Geld sofort zurück und kann in die nächste Werbung fließen. Dann wiederholt es sich.
So kamen sie vom Launch im März 2023 in neun Monaten auf $296k pro Monat, vor dieser Runde.
Wofür ist die Runde?
40 % der $2M gehen in Werbung. Das sind $800k, also etwa $67k pro Monat.
Allein der Dezember brachte $296k. Das Werbebudget ist also weniger als ein Viertel eines Jahresumsatzes im Dezember-Tempo. Ich kenne ihre Kosten nicht, aber diese Werbung könnten sie vermutlich selbst bezahlen.
Ich glaube deshalb nicht, dass es in dieser Runde ums Überleben geht. Sie kauft Tempo.
Die Runde neben einem Jahresumsatz
Das Team
Der CEO Adam Turaev und der CPO Ilya Chernyakov sind seit der siebten Klasse befreundet. Sie haben bei Bosch und Sanofi gearbeitet und 2017 Cleverbots gegründet, eine Firma, die Chatbots und Conversational AI für große Unternehmen gebaut hat. Der CTO Anton Marin war dort Mitgründer und CTO.
Cleverbots hat über 60 KI-Projekte für Unternehmen wie Nestlé und AstraZeneca gemacht und 2022 $2M umgesetzt. Beide Gründer standen 2023 auf der Liste Forbes Russland 30 Under 30.
Was mir daran gefällt:
- Die Gründer haben schon jahrelang zusammen eine Firma geführt. Das Risiko, dass sie sich zerstreiten, ist klein.
- Sie arbeiten seit 2017 an Conversational AI. Praktika ist keine Reaktion auf den Hype. Es ist der nächste Schritt von dem, was sie schon gemacht haben.
- Sie wissen, wie man mit wenig Kapital Geld verdient.
Ihre Schwachstelle: Eine Agentur ist keine Consumer-App. Projekte an Nestlé zu verkaufen ist ein anderer Job, als Millionen Nutzer in einer App zu halten.
Das wissen sie. Ihre Advisors decken genau diese Lücke ab: der Head of User Acquisition von Flo, Adapty für Abos, und Ilya Gelfenbeyn, der Dialogflow und Inworld AI gegründet hat.
Das Potenzial
Der Markt wächst und wandert ins Netz
Folie 2 zeigt Englischlernen von rund $45 Mrd. im Jahr 2021 auf rund $80 Mrd. im Jahr 2030.
Der Online-Teil wächst am schnellsten, 16 % pro Jahr. Er geht von etwa einem Fünftel des Marktes auf fast die Hälfte. Duolingo setzte 2023 über $500M um, es gibt hier also Platz für große Firmen.
Auch der vorsichtige Fall ist groß
Ich glaube nicht, dass 40 % pro Monat halten. Das hält niemand lange durch.
Mit 10 % pro Monat würden sie in einem Jahr trotzdem rund $930k pro Monat machen. Das sind etwa $11M ARR.
Ihr eigenes Ziel ist niedrig
Das Ziel im Deck sind $6M ARR. ARR ist nicht die Summe eines Jahres. Es ist ein Monat mal zwölf. $6M ARR heißt also: ein einzelner Monat, der $500k bringt.
Bei 40 % pro Monat sind sie in sieben Wochen dort. Bei 10 % dauert es sechs Monate.
Das Ziel braucht nur 4,5 % pro Monat. Dann würden sie im Jahr $296k × (1,045 + … + 1,045¹²) einnehmen, also rund $4,8M, und das Jahr bei $500k pro Monat beenden.
Es passt auch zu etwas anderem: Das heutige Jahrestempo (12 × Dezember = $3,56M) plus das Werbebudget mal drei ($2,4M) ergibt fast genau $6M. Das ist meine Lesart, das Deck sagt es nicht. Aber wenn das Ziel so gebaut wurde, heißt das: Die Gründer zählen nur Wachstum, das aus Werbung kommt.
Wann bringt ein Monat $500k?
6 Monate
bis ein einzelner Monat $500k bringt. Das ist das Zwölf-Monats-Ziel aus dem Deck.
Wächst 10,0 % pro Monat ab $296k
Pro
- Sie lösen das richtige Problem. Companion-Apps halten Nutzer, verdienen aber wenig. Sprach-Apps verdienen Geld, verlieren aber Nutzer. Praktika könnte beides.
- Sie sind vermutlich nicht auf uns angewiesen. Das Werbebudget von $800k ist weniger als ein Viertel von 12 × Dezember-Umsatz. Unser Geld macht sie schneller.
- Die Kosten fallen. OpenAI hat 2023 den Input-Preis von GPT-4 um zwei Drittel gesenkt, während die Abo-Preise gleich blieben.
- Das Team arbeitet seit sieben Jahren zusammen und weiß, was ihm fehlt.
- Das Risiko ist begrenzt. Ich kann mein Investment einmal verlieren, aber ein Vielfaches gewinnen.
Contra
- Die $296k sind vielleicht kein MRR. Folie 8 sagt im Titel MRR und unter der Zahl Revenue. Zahlen Kunden monatlich, ist beides dasselbe. Haben sie ein Jahr vorausbezahlt, wäre der echte Monatswert nur etwa ein Viertel davon. Das Deck sagt nicht, was gilt.
- Das LTV/CAC von 3:1 ist eine Prognose. Neun Monate nach Launch gibt es zu wenig Historie, um zu messen, wie lange Kunden bleiben. Das Deck zeigt keine Retention, keinen Payback und keine Marge.
- Das Wachstum ist vielleicht gekauft. Bleiben die Kunden nicht, beschleunigt unser Geld nur ein Laufband.
- Andere können das auch bauen: Duolingo Max, Speak, der Sprachmodus von ChatGPT.
- „Top-5 Language App in einem Jahr“ passt nicht zu einem Ziel von $6M ARR. Duolingo setzte 2023 über $500M um.
Das sind alles offene Fragen, und die Gründer haben die Daten, um sie zu beantworten:
Ist der Umsatz wiederkehrend?
Wenn Kunden für Monate im Voraus zahlen, wirkt der Dezember größer als das, was wirklich jeden Monat wiederkommt.
TestDer Weg von $296k Revenue zu MRR, nach Store-Gebühren, und der Mix der Pläne.
Bleiben die Kunden?
Das 3:1 funktioniert nur, wenn Leute verlängern. Neun Monate nach Launch kann das noch niemand wissen.
TestVerlängerung nach Startmonat und Plan, und wie viele zahlende Nutzer letzten Monat aktiv waren.
Ist das Wachstum gekauft?
40 % der Runde gehen in Werbung. Gekauftes Wachstum hört auf, wenn das Geld aufhört.
TestCAC und Payback je Kanal, der Anteil organischer Installs, und was mit dem CAC passierte, als das Budget stieg.
Was kosten Vielnutzer?
Sprechen ist unbegrenzt und läuft auf bezahlten KI-Modellen. Die fleißigsten Lerner kosten vielleicht mehr, als sie zahlen.
TestBruttomarge pro aktivem Lerner, und für das oberste Zehntel nach Nutzung.
Können andere es kopieren?
Duolingo Max, Speak und der Sprachmodus von ChatGPT können dasselbe Feature liefern.
TestOb Nutzer, die bei einem Avatar bleiben, länger bleiben. Die Geschichte mit einem Lerner ist das, was einer Kopie fehlt.
Entscheidung
Investieren
Ich würde zu einer Seed-Bewertung investieren. Die Pros beschreiben, was Praktika ist. Die Contras betreffen Dinge, die das Deck noch nicht zeigt. Sie bestimmen den Preis und was ich zuerst prüfe. An meiner Antwort ändern sie nichts.
Ich würde aussteigen, wenn
- 1weniger als etwa 30 % der Quartalsabos auch nur einmal verlängern. Dann ist ein LTV/CAC von 3:1 bei realistischen Werbekosten kaum erreichbar.
- 2es nach Store-Gebühren und KI-Kosten länger als sechs Monate dauert, die Kosten für einen Kunden wieder einzuspielen. Wenn Kunden im Voraus zahlen, müsste es viel schneller gehen.
- 3mehr als 30 % der zahlenden Nutzer die App in den letzten dreißig Tagen nicht geöffnet haben. Das wäre Umsatz von Leuten, die das Kündigen vergessen haben.
- 4IP und Firmenstruktur aus ihrer früheren Firma Cleverbots nicht sauber sind.
Was ich die Gründer zuerst fragen würde
- Ist das $6M-Ziel einfach euer heutiges Jahrestempo plus Werbebudget mal drei? Welches Wachstum erwartet ihr wirklich?
- Was wächst ohne Werbung?
- Diese Werbung könntet ihr vermutlich selbst bezahlen. Was ändert unser Geld?
- Wie kommt ihr von $296k Revenue zu MRR, nach Store-Gebühren? Wie ist der Mix der Pläne?
- Kann ich die Verlängerung nach Startmonat und Plan sehen?
Was danach passiert ist, nicht Teil der Begründung
Meine Entscheidung habe ich nur mit dem getroffen, was das Deck zeigt. Danach habe ich nachgesehen, was passiert ist.
Das ist vermutlich die $2,5M-Seed, die Praktika Anfang 2024 abgeschlossen hat. Die 40 % haben eine Weile gehalten: Der Umsatz wuchs rund 41 % pro Monat auf etwa $20M annualisiert im Mai 2024. Dann kam eine Series A über $33–35M, angeführt von Blossom Capital.
Im Mai 2025 meldete die Firma über 2 Millionen monatliche Nutzer, 14 Millionen Downloads und neun Sprachen. Seitdem gab es keine neue Finanzierungsrunde und keine neue Umsatzzahl. Im selben Zeitraum hat der Wettbewerber Speak $100M ARR überschritten.
Die Seed ist also aufgegangen. Der beste Fall ist weiter unbewiesen, und Retention wurde nie veröffentlicht. Das war im Januar 2024 meine offene Frage, und sie ist es immer noch.
Quellen
Build Access. Start in Defence.
Founder thesis · September 2026
It builds on The New Moat, which makes the general argument. This is what I would do with it.
The question I was given: imagine yourself a couple of years from now. You have worked side by side with the founder of a fast-growing startup, investors know you, and you can attract very good people. What is the thesis you would build your own company on?
Where the thesis comes from
I joined my father on a press trip about defence. We visited defence startups, arms manufacturers and software companies.
At one of the software companies, a journalist asked the obvious question: what sets you apart from all your competitors?
Most of us expected the usual answer. Better drones, better technology, a better product.
He said none of that. He said: we have a data advantage. He would not tell us what data it was, or how they get it. And he said they hold approvals and clearances that only a select few ever obtain. That, he said, was their biggest advantage.
Two things stayed with me. Neither of his answers was something a competitor could build. And the fact that he would not describe the data was itself the point. What you can build, you show. What you can only get, you keep quiet.
The insight
For a long time, being difficult to build was a defence. If a product needed 30 engineers and two years, few could follow.
That is ending. A small team with coding agents now ships what used to need a department. Building is becoming abundant, and abundant things are not moats.
What AI does not change is everything that was never a question of building. Licences, distribution, relationships and, above all, private data. A model knows how every bakery works. It does not know what sold out in this bakery yesterday at 4:17 pm.
So the question changes. Not what can I build with AI, but what can I know that nobody else, including the models, can?
Seven advantages, two axes
How the market develops
- Now, everyone builds. Thousands of products sit on the same few models. Many are wrappers. It is a bubble around a real shift.
- Next, software gets cheap. Everyone rents the same intelligence, and features are copied in weeks. Whatever was only hard to make loses its pricing power.
- Then, value concentrates. It goes to whoever holds context the models cannot read. Incumbents have data but no learning loop. Startups can build the loop but have to earn the access.
The problem
- Most operational knowledge is never written down. The maintainer who hears which part is about to fail. The experienced operator who knows what really works in the field. It lives in heads, chats and spreadsheets.
- For armed forces and manufacturers, that is expensive. Readiness hangs on a few experienced people, new people need years, and one site repeats the mistakes of the next.
- For AI, it is a blind spot, and most of all in defence. The data is classified and sits in no training set. A model can explain the industry. It cannot make the specific call.
- What I want to solve: turn knowledge that disappears into a system that learns from every decision and its result.
Why now
- Building just became cheap. Within about two years, coding agents turned engineering from the bottleneck into a commodity. The old moat is expiring now, not someday.
- Capture just became free. Models understand voice notes, photos and messy chats. Recording field knowledge used to mean forms nobody filled in. Now it can be a by-product of doing the job.
- Defence is opening up. Budgets are rising, and procurement is buying from startups in earnest for the first time. Companies like Helsing and Quantum Systems have shown in Europe that a young company can get in.
- Later is too late. The first product inside a workflow compounds. A copy that arrives later starts with zero outcomes.
Where I start
Defence first, and a filter instead of a product.
Defence is the entry because it shows most clearly what AI does not democratise. Access is protected harder than anywhere else: procurement is complex, approvals and security clearances take years, the data is operational and private, and experience counts for more than in almost any other field.
The thesis is bigger than defence. The same pattern holds later in industry, repair, logistics and critical infrastructure, wherever work is physical and decisions are critical.
I would not fix the product in advance. A defence product decided at a desk is a guess. Inside the sector I would look for the first operational workflow that passes four tests:
- Private. The knowledge is not online and not in any model.
- Observable. We see whether the prediction was right. No outcome, no learning.
- Frequent. The decision repeats daily, so the data compounds fast.
- Useful on day one. The tool pays off before any data exists.
The loop behind it is always the same: problem, prediction, action, outcome. In maintenance, for example: the software suggests the cause of a fault, the maintainer repairs, and the software learns whether it was right. Usage creates data, data improves the prediction, better predictions create usage.
How the data gets captured
Capture has to be a by-product of the work, never an extra task. The moment someone has to enter data, the product is dead.
- The problem and the action come in through work that has to be done anyway. The maintainer has to write a report. Instead he speaks for twenty seconds and takes a photo, and the tool writes the report. He saves time, and the case arrives structured.
- The prediction is a suggestion, and the correction is the signal. When an experienced person overrides the tool, that disagreement is exactly the knowledge that was never written down.
- The outcome is read passively, from events that happen anyway: a follow-up job on the same machine, the parts that were billed, a warranty case. Nobody answers the question whether the prediction was right. So the system must not need to ask.
The capture method follows the workflow. The phone comes first, because it is already in every pocket. Sensors or cameras come in where the outcome would otherwise stay invisible. A device on site is physical access, and that sits on the hard-to-get side too. But the hardware is never the moat. The outcome record is.
The real business
It looks like a software company. It is a data-access company.
- The software is the entry ticket. It can be copied, so it is priced to be used, not to maximise margin.
- The asset is the outcome record: cases of problem, prediction, action and result that nobody else holds.
That decides which function matters most. In order:
- Access to procurement and to the people who do the work. Scarce, and it decides everything.
- The learning loop. Scarce, and it becomes the asset. I would steer by verified outcomes captured per week, not by features shipped.
- Engineering. Abundant.
- The model. Rented.
In practice, the first hires come from the sector and sit with customers, not at a desk.
Why me
Under the premise of the question, the two years buy exactly what this thesis needs.
- Experience. Two years beside a founder at full speed is training in distribution, the function this company lives on.
- Network. Defence is hard to enter. Investors and their portfolios open the doors to the first design partners.
- Capital. Approvals take years, and each one is a moat in itself. A data loop pays late. Investors who know me can fund that patience.
- Talent. Engineers are abundant. Experienced operators and people who understand procurement are not. Recognition lets me hire them.
What I have today is smaller: one press trip, and an answer I have not stopped thinking about.
What would prove me wrong
Classified data cannot be pooled
If every customer walls off its data, the system never learns across customers, and the flywheel stays a tool.
TestWhether the loop inside a single customer already improves predictions enough to matter, and whether the cross-customer learning comes later, in the civil markets.
The primes hold the access
The established contractors already sit inside procurement. They are the real competitor, not other startups.
TestWhether a first design partner can be won within a year, directly or alongside a prime.
Procurement is slow
Sales cycles that take years outlast most startups.
TestThe time from first conversation to a paid pilot, and whether pilots are paid at all.
The data is shallow
If a thousand cases predict as well as a million, the lead stops growing and a follower catches up.
TestWhether accuracy in the first workflow keeps improving as outcomes accumulate.
Cold start
If the tool is not worth using with zero data, the loop never begins.
TestWhether people use it for the documentation alone, before it predicts anything.
Conclusion
Build access.
Defence shows most clearly what AI does not democratise: access to procurement, to operational context, to experienced operators and to private outcome data. The pattern that comes out of it carries over to every industry with physical work and critical decisions.
Startups used to ask: can we build this? Increasingly the answer is yes. The better questions are whether we can access something the models cannot, whether we see the outcome so the system learns, and whether every interaction makes the advantage stronger.
Zugang bauen. Mit Defence anfangen.
Founder Thesis · September 2026
Sie baut auf The New Moat auf, wo ich das allgemeine Argument mache. Das hier ist, was ich damit tun würde.
Die Frage, die mir gestellt wurde: Stell dir dich in ein paar Jahren vor. Du hast Seite an Seite mit dem Gründer eines schnell wachsenden Startups gearbeitet, Investoren kennen dich, und du kannst sehr gute Leute gewinnen. Auf welcher These würdest du deine eigene Firma bauen?
Woher die These kommt
Ich habe meinen Vater auf einer Pressereise zum Thema Defence begleitet. Wir haben Defence-Startups, Rüstungshersteller und Software-Firmen besucht.
Bei einer der Software-Firmen stellte ein Journalist die naheliegende Frage: Was unterscheidet euch von all euren Wettbewerbern?
Die meisten von uns haben die übliche Antwort erwartet. Bessere Drohnen, bessere Technologie, ein besseres Produkt.
Nichts davon hat er gesagt. Er sagte: Wir haben einen Datenvorteil. Er wollte uns nicht sagen, welche Daten das sind oder wie sie an sie kommen. Und er sagte, sie haben Zulassungen und Freigaben, die nur sehr wenige je bekommen. Das sei ihr größter Vorteil.
Zwei Dinge sind mir geblieben. Keine seiner Antworten war etwas, das ein Wettbewerber bauen könnte. Und dass er die Daten nicht beschreiben wollte, war selbst der Punkt. Was man bauen kann, zeigt man. Was man nur bekommen kann, darüber schweigt man.
Die Erkenntnis
Lange war es ein Schutz, schwer zu bauen zu sein. Wenn ein Produkt 30 Entwickler und zwei Jahre brauchte, konnten nur wenige folgen.
Das geht zu Ende. Ein kleines Team mit Coding-Agenten liefert heute, wofür früher eine Abteilung nötig war. Bauen wird zur Massenware, und Massenware ist kein Burggraben.
Was KI nicht ändert, ist alles, was nie eine Frage des Bauens war. Lizenzen, Vertrieb, Beziehungen und vor allem private Daten. Ein Modell weiß, wie jede Bäckerei funktioniert. Es weiß nicht, was in dieser Bäckerei gestern um 16:17 Uhr ausverkauft war.
Damit ändert sich die Frage. Nicht: Was kann ich mit KI bauen? Sondern: Was kann ich wissen, das kein anderer weiß, auch die Modelle nicht?
Sieben Vorteile, zwei Achsen
Wie sich der Markt entwickelt
- Jetzt bauen alle. Tausende Produkte sitzen auf denselben wenigen Modellen. Viele sind Wrapper. Es ist eine Blase um einen echten Umbruch.
- Dann wird Software billig. Alle mieten dieselbe Intelligenz, und Features sind in Wochen kopiert. Was nur schwer zu bauen war, verliert seine Preismacht.
- Danach konzentriert sich der Wert. Er geht an den, der Kontext hat, den die Modelle nicht lesen können. Etablierte haben Daten, aber keinen Lern-Loop. Startups können den Loop bauen, müssen sich den Zugang aber erst verdienen.
Das Problem
- Das meiste operative Wissen wird nie aufgeschrieben. Der Instandsetzer, der hört, welches Teil bald ausfällt. Der erfahrene Anwender, der weiß, was im Einsatz wirklich funktioniert. Es steckt in Köpfen, Chats und Tabellen.
- Für Streitkräfte und Hersteller ist das teuer. Die Einsatzbereitschaft hängt an wenigen Erfahrenen, neue Leute brauchen Jahre, und ein Standort wiederholt die Fehler des nächsten.
- Für KI ist es ein blinder Fleck, in Defence am stärksten. Die Daten sind eingestuft und stehen in keinem Trainingssatz. Ein Modell kann die Branche erklären. Die konkrete Entscheidung kann es nicht treffen.
- Was ich lösen will: Wissen, das verschwindet, in ein System bringen, das aus jeder Entscheidung und ihrem Ergebnis lernt.
Warum jetzt
- Bauen ist gerade billig geworden. In etwa zwei Jahren haben Coding-Agenten Engineering vom Engpass zur Massenware gemacht. Der alte Burggraben läuft jetzt ab, nicht irgendwann.
- Erfassen ist gerade gratis geworden. Modelle verstehen Sprachnotizen, Fotos und chaotische Chats. Praxiswissen festzuhalten hieß früher Formulare, die niemand ausfüllte. Heute kann es nebenbei bei der Arbeit anfallen.
- Defence öffnet sich. Die Budgets steigen, und die Beschaffung kauft zum ersten Mal ernsthaft bei Startups. Firmen wie Helsing und Quantum Systems haben in Europa gezeigt, dass eine junge Firma hineinkommen kann.
- Später ist zu spät. Das erste Produkt in einem Workflow baut mit jeder Nutzung Vorsprung auf. Eine Kopie, die später kommt, startet bei null Ergebnissen.
Wo ich anfange
Defence zuerst, und ein Filter statt eines Produkts.
Defence ist der Einstieg, weil sich dort am deutlichsten zeigt, was KI nicht demokratisiert. Zugang ist stärker geschützt als irgendwo sonst: Die Beschaffung ist komplex, Zulassungen und Sicherheitsfreigaben dauern Jahre, die Daten sind operativ und privat, und Erfahrung zählt mehr als in fast jedem anderen Feld.
Die These ist größer als Defence. Dasselbe Muster gilt später in Industrie, Reparatur, Logistik und kritischer Infrastruktur, überall dort, wo Arbeit physisch ist und Entscheidungen kritisch sind.
Das Produkt würde ich nicht vorab festlegen. Ein Defence-Produkt, das am Schreibtisch entschieden wird, ist geraten. Innerhalb des Sektors würde ich den ersten operativen Workflow suchen, der vier Tests besteht:
- Privat. Das Wissen steht nicht im Netz und in keinem Modell.
- Beobachtbar. Wir sehen, ob die Vorhersage gestimmt hat. Ohne Ergebnis kein Lernen.
- Häufig. Die Entscheidung fällt täglich, die Daten wachsen also schnell.
- Nützlich ab Tag eins. Das Tool lohnt sich, bevor irgendwelche Daten existieren.
Der Loop dahinter ist immer derselbe: Problem, Vorhersage, Handlung, Ergebnis. In der Instandhaltung zum Beispiel: Die Software schlägt die Ursache eines Fehlers vor, der Instandsetzer repariert, und die Software lernt, ob sie recht hatte. Nutzung erzeugt Daten, Daten verbessern die Vorhersage, bessere Vorhersagen erzeugen Nutzung.
Wie die Daten erfasst werden
Erfassung muss ein Nebenprodukt der Arbeit sein, nie eine Zusatzaufgabe. In dem Moment, in dem jemand Daten eintippen muss, ist das Produkt tot.
- Das Problem und die Handlung kommen über Arbeit herein, die ohnehin gemacht werden muss. Der Instandsetzer muss einen Bericht schreiben. Stattdessen spricht er zwanzig Sekunden und macht ein Foto, und das Tool schreibt den Bericht. Er spart Zeit, und der Fall kommt strukturiert an.
- Die Vorhersage ist ein Vorschlag, und die Korrektur ist das Signal. Wenn ein Erfahrener das Tool überstimmt, ist genau dieser Widerspruch das Wissen, das nie aufgeschrieben wurde.
- Das Ergebnis wird passiv gelesen, aus Ereignissen, die ohnehin passieren: ein Folgeauftrag an derselben Maschine, die abgerechneten Teile, ein Garantiefall. Niemand beantwortet die Frage, ob die Vorhersage richtig war. Also darf das System nicht fragen müssen.
Die Erfassungsmethode folgt dem Workflow. Zuerst kommt das Handy, weil es schon in jeder Tasche steckt. Sensoren oder Kameras kommen dort dazu, wo das Ergebnis sonst unsichtbar bliebe. Ein Gerät vor Ort ist physischer Zugang, und auch der liegt auf der Seite von schwer zu bekommen. Aber die Hardware ist nie der Burggraben. Das Ergebnis-Protokoll ist es.
Das eigentliche Geschäft
Es sieht aus wie eine Softwarefirma. Es ist eine Firma für Datenzugang.
- Die Software ist die Eintrittskarte. Sie ist kopierbar, also wird sie auf Nutzung bepreist und nicht auf maximale Marge.
- Das Asset ist das Ergebnis-Protokoll: Fälle aus Problem, Vorhersage, Handlung und Ergebnis, die sonst niemand hat.
Das entscheidet, welche Funktion am wichtigsten ist. Der Reihe nach:
- Zugang zur Beschaffung und zu den Leuten, die die Arbeit machen. Knapp, und er entscheidet alles.
- Der Lern-Loop. Knapp, und er wird zum Asset. Ich würde nach verifizierten Ergebnissen pro Woche steuern, nicht nach ausgelieferten Features.
- Engineering. Im Überfluss vorhanden.
- Das Modell. Gemietet.
In der Praxis kommen die ersten Mitarbeiter aus dem Sektor und sitzen bei Kunden, nicht am Schreibtisch.
Warum ich
Unter der Prämisse der Frage bringen die zwei Jahre genau das, was diese These braucht.
- Erfahrung. Zwei Jahre neben einem Gründer in vollem Tempo sind Training in Distribution, der Funktion, von der diese Firma lebt.
- Netzwerk. Defence ist schwer zu betreten. Investoren und ihre Portfolios öffnen die Türen zu den ersten Design-Partnern.
- Kapital. Zulassungen dauern Jahre, und jede ist ein Burggraben für sich. Ein Daten-Loop zahlt sich spät aus. Investoren, die mich kennen, können diese Geduld finanzieren.
- Talent. Entwickler gibt es im Überfluss. Erfahrene Anwender und Leute, die Beschaffung verstehen, nicht. Mein Ruf hilft mir, sie zu gewinnen.
Was ich heute habe, ist kleiner: eine Pressereise, und eine Antwort, über die ich nicht aufgehört habe nachzudenken.
Was mich widerlegen würde
Eingestufte Daten lassen sich nicht bündeln
Wenn jeder Kunde seine Daten abschottet, lernt das System nie über Kunden hinweg, und das Flywheel bleibt ein Werkzeug.
TestOb der Loop schon bei einem einzelnen Kunden die Vorhersagen spürbar verbessert, und ob das Lernen über Kunden hinweg später kommt, in den zivilen Märkten.
Die Etablierten haben den Zugang
Die großen Rüstungskonzerne sitzen schon in der Beschaffung. Sie sind der eigentliche Wettbewerber, nicht andere Startups.
TestOb sich innerhalb eines Jahres ein erster Design-Partner gewinnen lässt, direkt oder an der Seite eines Etablierten.
Beschaffung ist langsam
Verkaufszyklen, die Jahre dauern, überleben die meisten Startups nicht.
TestDie Zeit vom ersten Gespräch bis zum bezahlten Piloten, und ob Piloten überhaupt bezahlt werden.
Die Daten sind flach
Wenn tausend Fälle so gut vorhersagen wie eine Million, wächst der Vorsprung nicht mehr, und ein Nachfolger holt auf.
TestOb die Trefferquote im ersten Workflow weiter steigt, je mehr Ergebnisse dazukommen.
Kaltstart
Wenn sich das Tool ohne Daten nicht lohnt, beginnt der Loop nie.
TestOb Leute es allein für die Dokumentation nutzen, bevor es irgendetwas vorhersagt.
Fazit
Zugang bauen.
Defence zeigt am deutlichsten, was KI nicht demokratisiert: Zugang zur Beschaffung, zum Einsatzkontext, zu erfahrenen Anwendern und zu privaten Ergebnisdaten. Das Muster, das daraus entsteht, lässt sich auf jede Branche mit physischer Arbeit und kritischen Entscheidungen übertragen.
Startups haben früher gefragt: Können wir das bauen? Die Antwort ist immer öfter ja. Die besseren Fragen sind, ob wir an etwas herankommen, an das die Modelle nicht herankommen, ob wir das Ergebnis sehen, damit das System lernt, und ob jede Interaktion den Vorsprung größer macht.