Due Diligence bei der Monetarisierung von Agentic AI: Wann Outcome-Pricing funktioniert

Die Due Diligence bei Softwareunternehmen hat Pricing lange als Frage des Abonnements pro Sitzplatz behandelt. Agentic Monetarisierung durchbricht diese Gewohnheit. Ein Copilot unterstützt einen Menschen innerhalb eines bestehenden Workflows und wird pro Sitzplatz berechnet, ähnlich wie klassisches SaaS. Ein Agent führt Aufgaben oder ganze Workflows autonom aus, sodass die Werteinheit nicht mehr der Sitzplatz ist, sondern die Aktion, das Ergebnis oder das Outcome. Bessemer Venture Partners unterteilt den Markt genau deshalb in Copilots, Agenten und KI-gestützte Dienste, weil jede Kategorie eine andere Abrechnungsmetrik mit sich bringt: Copilots werden typischerweise pro Sitzplatz oder nach Verbrauch berechnet, während Agenten zunehmend an Workflow- oder Outcome-Pricing gebunden sind, das an messbaren ROI gekoppelt ist.[1]

Pro-Seat-Ökonomie scheitert, wenn eine einzige Lizenz Tausende variabler Kostenaktionen auslöst. Coding-Copilots wurden zum kanonischen Beispiel: Intensive Nutzer verbrauchten mehr Inferenz-Compute, als eine pauschale Seat-Gebühr deckte, weil jede Abfrage echte Grenzkosten verursacht statt der nahezu grenzkostenfreien Bereitstellung klassischer SaaS.[1] Wenn der Verbrauch mit der Nutzung skaliert, wird der Seat zur Marge-Falle statt zur Marge-Maschine. Deshalb gehört dieser Wandel in die Prüfung der Umsatzqualität und nicht in einen Technologie-Anhang: Die Abrechnungsmetrik bestimmt heute, ob berichtetes Wachstum in dauerhaften, margenpositiven Umsatz übergeht – ein Thema, das wir in unserem Beitrag zur SaaS-Monetarisierung weiterentwickeln.

Zuora unterscheidet vier agentische Preismodelle – pro Agent, pro Aktivität, pro Output und pro Ergebnis – und berichtet, dass reines Preisen pro Ergebnis weniger als 10 % der rund 60 von seinen Analysten untersuchten agentischen KI-Dienste ausmacht, weil die Definition und Nachverfolgung von Ergebnissen deutlich schwieriger ist als die Messung von Aktivität.[2] Genau in dieser Lücke zwischen ergebnisbasierter Ambition und per-Aktivität-Praxis sollte die Aufmerksamkeit eines Investors liegen, und genau hier setzt der Rest dieses Artikels an.

Der Rahmen, den dieser Artikel entwickelt, ist bewusst einfach gehalten, und es handelt sich um einen Prüfkatalog für Investoren, nicht um die Methodik eines Anbieters. Ergebnisbasiertes Pricing ist nur dort glaubwürdig, wo das Ergebnis (1) in Vertragssprache definiert, (2) von einem von beiden Seiten akzeptierten Messinstrument erfasst und (3) hinreichend dem Produkt statt dem eigenen Prozess, Personal oder den Marktbedingungen des Kunden zurechenbar ist. Jede dieser Hürden ist eine Due-Diligence-Frage. Ein Anbieter, der auch nur eine davon nicht erfüllt, verkauft etwas anderes als ein reines Ergebnis – was auch immer sein Marketing behauptet –, und sein Umsatz sollte stattdessen als Aktivitäts- oder Verbrauchsumsatz gelesen werden.

Der Drei-Hürden-Test: Ein Ergebnis muss definiert, gemessen und zuordenbar sein, bevor Preisen pro Ergebnis glaubwürdig ist. · KI-generiert

Messbare versus subjektive Ergebnisse

Die erste praktische Unterscheidung liegt zwischen messbaren und subjektiven Ergebnissen. Ein gelöstes Support-Ticket ist zählbar, mit Zeitstempel versehen und prüfbar. Kundenzufriedenheit, gesteigerte Produktivität oder eine bessere Personalentscheidung sind das nicht – zumindest nicht ohne ein Messinstrument, dem beide Seiten vertrauen. Wo das zugrunde liegende Ergebnis subjektiv ist, ist damit zu rechnen, dass der Anbieter eine Ersatzmetrik einsetzt, und dass diese Ersatzmetrik – nicht das Ergebnis – das ist, worauf die Rechnung tatsächlich verweist. Die Due Diligence sollte immer fragen, welches von beiden der Vertrag bepreist.

Wer betreibt den Agenten – und wer wählt die Ersatzmetrik

Die Herstellerdokumentation zeigt, wie elastisch ein Stellvertreter sein kann. Das Helpcenter von Zendesk erklärt, dass eine Konversation per E-Mail 72 Stunden nach der letzten E-Mail endet und eine automatisierte Lösung nach dieser Stille gezählt werden kann, wenn kein menschlicher Agent eingegriffen ist und ein LLM-Verifizierungsschritt bestätigt, dass die Antwort relevant war.[3] Intercom zählt eine angenommene Lösung, wenn ein Kunde die Konversation einfach verlässt, ohne weitere Hilfe anzufordern, und rechnet ein Ergebnis pro Konversation ab.[4] In beiden Fällen definiert der Anbieter das Lösungsereignis, verifiziert es mit seinem eigenen Modell und stellt die Rechnung dagegen. Ob der Agent vom Kunden oder vom Anbieter betrieben wird, ist aus demselben Grund relevant: Die Partei, die die Messung kontrolliert, ist nie eine neutrale Gegenpartei.

Das dritte Tor ist die Zuschreibung. Zuaras Arbeit zu agentenbasierter Preisgestaltung stuft Ergebnisse auf einer Skala von diffus (ein Assistent, dessen Beitrag still im Hintergrund läuft) über mittel bis stark ein (ein Vertriebsmitarbeiter, dessen abgeschlossene Deals direkt erfasst und angerechnet werden): Trägt die KI zu einem Ergebnis bei, das von vielen Faktoren beeinflusst wird, passt eine Preisgestaltung pro Agent oder pro Aktivität, und eine reine Preisgestaltung pro Ergebnis passt nur dort, wo die Zuschreibung direkt und die Messung eindeutig ist.[2] Diffuse Zuschreibung sollte Anbieter in Richtung hybrider Strukturen drängen – und sie sollte ein Due-Diligence-Team beim Lesen des Revenue Build zu derselben Schlussfolgerung führen.

Bevor ein Investor auch nur einen einzigen Vertrag liest, sollte er die Standard-Messgrößen des Marktes kennen. Die folgende Tabelle sammelt öffentlich gelistete oder dokumentierte Preise von Anbietern, denen ein Investor in agentic-AI-Datenräumen wahrscheinlich begegnen wird. Preise ändern sich, betrachten Sie sie daher als Referenzpunkte für die Metrik, nicht als Bewertungsinput.

Hybride Strukturen aus Abonnement plus Verbrauch werden zum Standard-Kompromiss. ServiceNow kombiniert ausdrücklich Lizenz- und Verbrauchskomponenten, wobei das Management argumentiert, dass die Mischung Kunden Planbarkeit gibt und gleichzeitig den Verbrauch an die Ergebnisse koppelt, die Kunden sehen. Oracle enthält in jedem Fusion-Abonnement eine monatliche AI-Unit-Zuteilung und verkauft zusätzliche Einheiten in 1.000-$-Schritten, die über den Vertrag gepoolt werden.[7] Salesforce selbst ist von seiner Launch-Preisgestaltung von 2 $ pro Konversation zu Flex Credits übergegangen, damit die Kosten mit diskreten Aktionen statt mit Sitzungen skalieren.[6]

Zwei Lesegewohnheiten sind wichtig, wenn diese Strukturen in einem Datenraum auftauchen. Erstens kann derselbe Anbieter mehrere Messgrößen gleichzeitig betreiben, sodass der scheinbare Preis pro Ergebnis zusätzlich zu Lizenzen, Mindestabnahmen oder ablaufenden Freikontingenten stehen kann. Zweitens ist die Spanne zwischen zugesagten und Mehrverbrauchspreisen selbst ein Signal: Ein Anbieter, der zugesagte Volumen stark rabattiert, sagt Ihnen damit, dass er die Kostenschwankungen seines eigenen Modells fürchtet.

Der dreiteilige Test lässt sich in einen konkreten Satz von Due-Diligence-Fragen übersetzen. Jeder der folgenden Tests lässt sich auf eines der drei Tore zurückführen, und jeder hat bereits reale Belege dafür geliefert, wo ergebnisbasierte Modelle an ihre Grenzen stoßen. In der Praxis verteilt sich die Arbeit auf das Commercial-Diligence--Arbeitspaket, das die Metrikdefinitionen und das Kundenverhalten verantwortet, und das Financial-Diligence--Arbeitspaket, das für die Margen- und Ertragsausweis-Konsequenzen zuständig ist.

Nutzungsvariabilität und Beschaffungssicherheit. Uber verbrannte sein gesamtes jährliches KI-Budget in vier Monaten und deckelte anschließend die Ausgaben der Mitarbeitenden auf 1.500 $ pro Monat pro agentischem Coding-Tool.[8] Wo der Verbrauch volatil ist, schieben Käufer die Kostenkontrolle zurück in den Vertrag: Die Einkaufsabteilung verlangt Deckelungen, und damit wird auch der Umsatz des Anbieters gedeckelt.

Umsatzvorhersagbarkeit. Wenn die Abrechnung von kundendefinierten Ergebnissen abhängt, degeneriert die Prognose zu Rätselraten. IDCs Ritu Jyoti weist darauf hin, dass ergebnisbasierte Preismodelle zu Streitigkeiten darüber führen können, ob der gewünschte Effekt erreicht wurde, und dass Unternehmen Subscription-Stufen verlangen, weil sie Vorhersagbarkeit wollen.[9]

Margenabgleich. KI-Anbieter erzielen Bruttomargen von rund 50-60 % gegenüber 80-90 % bei klassischem SaaS, weil jede Abfrage echte Inferenzkosten verursacht.[1] Eine feste Ergebnisgebühr verliert Geld, sobald die Rechenleistung hinter einer Lösung den Lösungspreis übersteigt – und der Verkäufer trägt diese Lücke.

Kundenmanipulation und Metrikdesign. Die Partei, die den Ersatzwert für die Lösungsauslösung bestimmt, ist die Partei, die die Rechnung schickt. Stille-Timer, angenommene Lösungen und LLM-Selbstverifikation verzerren die Messung alle zugunsten des Anbieters, und ein versierter Kunde wird lernen, den Timer zu seinen Gunsten zu nutzen.

Streitpotenzial nach Vertragsabschluss. Umstrittene Zurechnung ist kein hypothetisches Szenario. Sie zeigt sich als Gutschriften, Erstattungen und Neuverhandlungen und gehört als wiederkehrende Umsatzkorrektur in die Due-Diligence-Akte – nicht als Einzelfall.

Der Margenabgleich verdient die größte Aufmerksamkeit, weil er am wenigsten sichtbar ist. Zuoras Leitfaden stellt ausdrücklich klar, dass Preisgestaltung pro Ergebnis die Kostenschwankung vom Käufer auf den Verkäufer überträgt und dass sie nur kommerziell tragfähig ist, wenn der Verkäufer die Kosten pro Ergebnis innerhalb eines engen Bandes vorhersagen kann, das Ergebnis auditierbar ist, sodass Streitigkeiten beigelegt werden können, oder der Verkäufer die Cashflow-Toleranz hat, um hochvariabile Verträge zu absorbieren.[10] Ein Zielunternehmen, das nicht zeigen kann, welche dieser drei Bedingungen es erfüllt, verbucht Umsätze, die es möglicherweise nicht halten kann.

Die Dokumenten-Checkliste

Rahmenverträge und Bestellformulare mit der Ergebnisdefinition schriftlich festgehalten, nicht nur in Marketing-Decks

Metrikdefinitionen, einschließlich der Behandlung von Stille, Inaktivitäts-Timern und menschlichen Übergaben

Abrechnungs- und Nutzungsprotokolle, abgestimmt mit den ausgestellten Rechnungen

Umsatzrealisierungs-Vermerke nach ASC 606, die eine Bereitschaftsverpflichtung zum Bereitstellen des Zugangs von einer Verpflichtung zur Lieferung einer bestimmten Menge erfolgreicher Ergebnisse unterscheiden[11]

Streit- und Gutschriftaufzeichnungen, mit der jeweiligen vertraglichen Klausel, auf die jeder Streit sich stützte

Bruttomargen-Brücken nach Preismodell, isoliert nach Inferenzkosten pro Ergebnis

Die ASC-606-Unterscheidung ist nicht akademisch. Deloites Rechnungslegungsleitfaden zu agentischer KI stellt fest, dass die Frage, ob das Versprechen in der Bereitschaft zum Zugang zum Agenten oder in der Lieferung einer bestimmten Menge erfolgreicher Ergebnisse besteht, den Zeitpunkt der Umsatzrealisierung verändert, und dass ergebnisbasierte variable Gebühren nur unter engen Bedingungen für die Ausnahme bei der Zuteilung variabler Gegenleistungen qualifizieren.[11] Ein Zielunternehmen, das nicht dokumentiert hat, welches Versprechen es abgibt, hat eine Frage zur Umsatzrealisierung – nicht nur eine Preisfrage. Für den breiteren Dokumentensatz deckt unsere Due-Diligence-Checkliste für KI-native Zielunternehmen das angrenzende Gebiet ab.

Warnsignale

Für die Bewertung zählt die Mischung mehr als das Label. Verbrauchs- und Ergebnisumsätze verhalten sich anders als zugesagte ARR: Sie sind in Abschwüngen elastischer, empfindlicher gegenüber kostenbezogenen Kontrollen auf Kundenseite und schwerer kohortenweise zu prognostizieren. ServiceNow veranschaulicht den Aufwärtssinn und die Absicherung zugleich: Das Management berichtet, dass rund die Hälfte des Netto-Neugeschäfts bereits auf Nicht-Sitzplatz-Basis bepreist ist, einschließlich Token- und anderer Verbrauchsmessungen, während sitzbasierte Optionen bestehen bleiben, weil Kunden einen vorhersagbaren Einstiegspunkt wollen.[12] Für Investmentprofis, die diesen Trade-off bemessen, lautet die Frage nicht, ob Ergebnispreismodelle den Multiplikator heben, sondern welcher Umsatzanteil den dreistufigen Test übersteht – und unser Beitrag zu Bewertungsrisiken wendet dieselbe Logik auf KI-Zielunternehmen mit Premium-Multiplikatoren an.

IC- und Kreditgeber-Narrativen bergen ihr eigenes Risiko, wenn Preismodelle in Bewegung sind. Eine Umsatzplanung, die eine Abrechnung pro Outcome annimmt, kann sich als hinfällig erweisen, wenn ein Zielunternehmen auf ein hybrides Modell umstellt oder wenn streitbedingte Gutschriften den Nettoumsatz drücken, während die Bruttobuchungen wachsen. Testen Sie das Modell unter beiden Lesarten im Stresstest und behandeln Sie den Pricing-Metric-Mix als Kohortenvariable statt als Konstante. Advisory-Teams, die diese Analyse über Mandate hinweg standardisieren müssen, finden den Anwendungsfall M&A Advisory direkt relevant.

Data Room Ingestion scannt Verträge, Bestellformulare und Abrechnungsunterlagen innerhalb weniger Minuten nach dem Upload

Die AI-Analysis Engine extrahiert und kreuzt Pricing-Metric-Definitionen über Dokumente hinweg ab und zeigt auf, wo die Outcome-Definition zwischen Rahmenvertrag und Bestellformular abweicht

Risk Radar bewertet Findings nach Wesentlichkeit, sodass umstrittene Outcome-Definitionen und Below-Cost-Outcome-Gebühren an die Spitze des Risikoregisters rücken

Report Builder strukturiert das Memo mit Quellennachverfolgbarkeit bis zur zugrunde liegenden Klausel

Collaboration Hub hält Commercial-, Financial- und Legal-Workstreams auf einem gemeinsamen Satz von Findings

Die Plattform unterstützt die Analyse; die Pricing-Entscheidung trifft sie nicht. Das Urteil darüber, ob ein Outcome wirklich definiert, messbar und zuordenbar ist, bleibt beim Deal-Team – und genau da gehört es auch hin. Was eine AI-native Due-Diligence-Plattform verändert, sind die Kosten, den Test überhaupt durchzuführen: Die Definitionen, die Abrechnungsprotokolle und die Margenbrücken werden extrahiert und verknüpft statt von Hand rekonstruiert.

Führen Sie das Framework als Abfolge aus, nicht als Brainstorming. Die folgenden Schritte gehen von einem laufenden Deal aus, bei dem der Data Room offen ist und ein Workstream auf Commercial-, Financial- und Legal-Reviewer aufgeteilt ist. Teams, die sehen möchten, wie die Schritte in eine umfassendere Diligence-Workflow-Automatisierung passen, können sie direkt auf ihr bestehendes Risikoregister abbilden.

Fordern Sie die Pricing-Metric-Definitionen und eine Stichprobe abgerechneter Outcomes bereits in der ersten Dokumentanforderung an, bevor der Data Room um Sie herum kuratiert wird.

Führen Sie den dreiteiligen Test je Produktlinie durch und ordnen Sie jeden Umsatzstrom als definiert, messbar und zuordenbar – oder eben nicht – ein.

Stimmen Sie die abgerechneten Outcomes mit den anerkannten Umsätzen ab und prüfen Sie die Marge pro Outcome gegen die Inferenzkosten mithilfe der Bruttomargen-Brücke.

Erfassen Sie Red Flags im Risikoregister mit Beleglinks zu den zugrunde liegenden Klauseln und Abrechnungsunterlagen.

Informieren Sie das IC darüber, welcher Umsatz wirklich durch Outcomes und welcher durch Abonnements getragen wird, und was mit dem Modell passiert, wenn sich der hybride Mix verschiebt oder Streitfälle konkret werden.

Die obige Evidence-Checkliste ist das wiederverwendbare Artefakt. Sie überführt dieses Framework in eine Dokumentanforderung, die sich in jeden Deal mit Agentic-AI-Umsätzen einfügen lässt, und lässt sich natürlich mit den Custom Workflows kombinieren, die ein Team bereits für die IC-Vorbereitung nutzt. Plausity wurde genau für diese Art evidenzbasierter Diligence gebaut: Es nimmt den Data Room auf, extrahiert die relevanten Definitionen und hält jedes Finding bis zur Quelle nachvollziehbar – sodass der dreiteilige Test bei jedem AI-nativen Zielunternehmen durchgeführt werden kann und nicht nur bei denen mit sauberen Data Rooms. Es sind jedes Mal dieselben drei Schritte: ingestieren, analysieren und mit beigefügten Belegen berichten.

1. [1] bvp.com — https://www.bvp.com/atlas/the-ai-pricing-and-monetization-playbook
2. [2] zuora.com — https://www.zuora.com/subscribed/the-four-kinds-of-agentic-ai-pricing-models
3. [3] support.zendesk.com — https://support.zendesk.com/hc/en-us/articles/5352026794010-About-the-automated-resolutions-platform-prior-to-resolution-tiers
4. [4] intercom.com — https://www.intercom.com/help/en/articles/8205718-fin-ai-agent-outcomes
5. [5] eesel.ai — https://www.eesel.ai/blog/a-complete-guide-to-zendesk-ai-agents-setup-costs-and-best-practices
6. [6] help.salesforce.com — https://help.salesforce.com/s/articleView?id=004811240&language=en_US&type=1
7. [7] version1.com — https://www.version1.com/blog/oracle-ai-agents-understanding-the-pricing-model-before-you-commit/
8. [8] techcrunch.com — https://techcrunch.com/2026/06/02/uber-caps-employee-ai-spending-after-blowing-through-budget-in-four-months/
9. [9] cio.com — https://www.cio.com/article/3624540/how-will-ai-agents-be-priced-cios-need-to-pay-attention.html
10. [10] zuora.com — https://www.zuora.com/guides/ai-pricing-models
11. [11] dart.deloitte.com — https://dart.deloitte.com/USDART/home/publications/deloitte/industry/technology/accounting-outcome-based-pricing-agentic-ai
12. [12] futurumgroup.com — https://futurumgroup.com/insights/servicenow-q1-fy-2026-results-raise-full-year-subscription-outlook/