Softwareaktien verloren Anfang 2026 rund eine Billion US-Dollar an Börsenwert, und das Etikett, das hängen blieb – „SaaSpocalypse“ – brachte alle zu derselben Frage, ob bestimmte Softwareunternehmen überhaupt noch existieren werden. Das ist nicht die richtige Frage, oder zumindest ist sie unvollständig. Die bessere Frage lautet, ob ein Unternehmen seinen Terminal Value schützen kann: seine Fähigkeit, gegenüber aufstrebenden KI-Unternehmen wettbewerbsfähig zu bleiben und dieselbe Denkweise sowie dasselbe Innovationstempo zu übernehmen. Die Billionen-Zahl lässt es so aussehen, als würde die gesamte Kategorie sterben. Tatsächlich sehen wir jedoch eine stärkere Spreizung. Einige Softwareunternehmen haben seit dem Ausverkauf wieder zweistellige Zuwächse erzielt. Andere liegen weiterhin 60 % oder mehr unter ihren Höchstständen. Die Story über die gesamte Kategorie verdeckt die darunterliegende, deutlich nützlichere.

Die eigentliche Trennlinie

Das „Moat & Journey“-Framework von Morgan Stanley erklärt das sehr gut – und es ist eine Dreiteilung, keine Zweiteilung. Da sind Unternehmen ohne echten Burggraben: dünne Produkte, die auf dem Workflow eines anderen aufsetzen und sich leicht replizieren lassen, seit KI die Kosten für den Bau eines brauchbaren Klons stark gesenkt hat. Da sind Unternehmen mit Burggraben, die selbstzufrieden geworden sind – heute noch echte Verteidigungsfähigkeit, aber keine Reinvestitionen in das, was als Nächstes kommt. Das erodiert den Terminal Value langsamer als gar keinen Burggraben zu haben, aber es erodiert ihn dennoch. Und da sind Unternehmen mit Burggraben, die KI nutzen, um ihn zu erweitern – sie vertiefen den Workflow, die Datenbasis und das Vertrauen, das sie bereits mit Kunden aufgebaut haben. Nur diese dritte Gruppe schützt ihren Terminal Value tatsächlich. 

Der Praxistest

Diese Dreiteilung ist auch der Grund, warum „Build vs. Buy“ in Finanzorganisationen immer wieder als aktuelle Frage auftaucht – und es ist dieselbe Rechnung, die ich in einer früheren Ausgabe dargelegt habe: das Fundament kaufen, den Vorteil bauen. Der SaaS-Markt beweist diese Logik jetzt im großen Maßstab – mit Unternehmensbewertungen statt mit Implementierungsbudgets.

Aus demselben Grund kaufen Finanzorganisationen ihre Systems of Record, statt sie selbst zu entwickeln. Steuerrecht, HGB/IFRS und Prüfungsstandards ändern sich. Ein Eigenbau-System, das dafür entwickelt wurde, die regulatorischen Fragen von heute zu beantworten, ist in dem Moment veraltet, in dem sich diese Fragen ändern – und im Finanzbereich passiert das ständig. Kaufen bedeutet, dass ein Anbieter die Kosten trägt, mit diesen Änderungen über Tausende von Kunden hinweg Schritt zu halten, statt über nur einen. KI erzeugt jetzt denselben Druck bei jeder anderen Build-Entscheidung, weil sich das Ziel, auf das man hin entwickelt, nicht lange genug ruhig verhält, damit ein Build jemals wirklich „fertig“ werden kann.

Ich habe eine Variante davon von einem Banker gehört, der diese Entscheidung sehr früh in seiner Karriere genau so getroffen hat. Sein Team baute eine Softwarelösung, statt eine zu kaufen. Das funktionierte – bis die Engineers, die sie gebaut hatten, das Unternehmen verließen. Niemand, der blieb, verstand das System gut genug, um es weiterzuentwickeln, und die Kosten dieser Entscheidung gingen am Ende in die Millionen. KI-Coding-Tools machen diese Geschichte häufiger, nicht seltener. Sie beschleunigen den initialen Build, aber sie machen den darunterliegenden Code nicht besser dokumentiert oder übertragbarer.

Der Maßstab im Finance-Bereich

Finance hat bei dieser Entscheidung weniger Spielraum für Fehler als die meisten anderen Funktionen. Eine zu 90 % korrekte Antwort reicht nicht, wenn das Ergebnis in die externe Berichterstattung einfließt – Umsatzrealisierung und Billing sind Beispiele, die zu 100 % korrekt sein müssen. Schon geringe Abweichungen haben reale Konsequenzen, die sowohl dem Unternehmen als auch dem Ruf der Führungskräfte schaden können. Ein Eigenbau-System muss außerdem einer Prüfung standhalten und – falls es jemals dazu kommt – auch vor Gericht. 

Bevor wir heute einen Build freigeben, stellen wir diese Fragen: 

1. Ist das Kern dessen, was wir verkaufen, oder ist es Infrastruktur, die es unterstützt? 
2. Wird das in 18 Monaten noch differenzierend sein, oder wird ein Anbieter dieselbe Fähigkeit als Feature ausliefern und uns zwingen, um seine Lösung herum neu zu bauen? 
3. Wenn der Engineer, der es mit einem KI-Coding-Tool gebaut hat, das Unternehmen verlässt – versteht dann überhaupt noch jemand, wie es funktioniert?
4. Hält das einer Prüfung und regulatorischer Kontrolle stand?

Die Disziplin, die den Terminal Value schützt

Das richtig hinzubekommen läuft auf eine einzige, disziplinierte Gewohnheit hinaus: die vollständigen Lifecycle-Kosten zu bepreisen, bevor sich das Team in einen Prototypen verliebt. Ein schneller Erfolg kann einen Custom Build rechtfertigen, aber ein langfristiger Bedarf erfordert einen klaren Plan für Ownership und Wartung, damit er nicht zur technischen Schuld von morgen wird. Derselbe Test gilt, wenn Sie selbst als Anbieter bewertet werden. Der Burggraben ist nicht mehr das Interface. Es ist, wie tief das Produkt geht, wie sehr ein Kunde dem System vertrauen kann und wie gut es zu der Art passt, wie das Unternehmen tatsächlich arbeitet. Produkte lassen sich schneller kopieren als je zuvor – Monetarisierungsmodelle, Workflows und über Jahre aufgebautes Vertrauen hingegen noch immer nicht.

Nicht jedes SaaS ist gleich, und KI hat diese Lücke nicht geschaffen. Sie hat lediglich dazu geführt, dass der Markt sie bepreist – danach, wer den Terminal Value schützt, statt danach, wer „KI hat“. Genau diesen Test sollte Finance bei jeder Build-Entscheidung anlegen, die es abzeichnet.

Setzen Sie das Gespräch fort

Vom Produktlaunch bis zum realisierten Umsatz: Eine Zuora-AI-Reise durch Quote-to-Cash 

Wenn der Terminal Value zunehmend davon abhängt, wie gut ein Unternehmen Komplexität operationalisieren kann, wird die Implementierungsgeschwindigkeit Teil der Geschichte. Der Wechsel von Monaten auf Wochen bedeutet eine schnellere Time-to-Value, frühere Transparenz über nachgelagerte Entscheidungen und mehr Kapazität für die nächste strategische Priorität. Erfahren Sie in dieser On-Demand-Session, wie KI die bereits vorhandenen Verträge, Preisregeln und Workflows eines Unternehmens in ein funktionsfähiges Modell seines Quote-to-Cash-Prozesses überführen kann, noch bevor die Implementierung beginnt. 

Hyland-Fallstudie 

Bei Hyland dreht sich die Value Story weniger um Geschwindigkeit allein, sondern vielmehr darum, was eine bessere Finanzinfrastruktur im Zeitverlauf ermöglicht. Mit Zuora Revenue verkürzte das Team seinen Abschlussprozess von 12 Tagen auf 3, automatisierte SSP-Allokationen und Contract Carve-outs und verschaffte dem Revenue Accounting mehr Kapazität, Deals früher zu prüfen und das Geschäft strategischer zu unterstützen.

Um den Wandel von planbaren SaaS-Umsätzen hin zu dynamischen KI-Modellen zu bewältigen, müssen Finance-Teams von statischer Jahresplanung auf kontinuierliche, nutzungsbasierte Forecasts umstellen. Beginnen Sie mit einer Prüfung Ihrer aktuellen Datenpipeline, um sicherzustellen, dass Sie Echtzeit-Infrastrukturkosten zusammen mit der Kundennutzung nachverfolgen können. Etablieren Sie anschließend einen engen Feedback-Loop zwischen Engineering, IT und FP&A, um Token-Verbrauch oder Rechenleistung direkt auf die Unit Economics abzubilden und so Preis- und Investitionsniveaus anpassen zu können, bevor Margen beeinträchtigt werden.

Jede KI-Anfrage hat zugehörige Kosten, und da die Kundennutzung von Account zu Account erheblich variiert und die Infrastrukturausgaben je nach Modellwahl schwanken, wird die Beziehung zwischen Umsatz und Kosten deutlich dynamischer. Diese Komplexität erschwert es, die Profitabilität mit derselben Sicherheit zu prognostizieren, und wirft eine wichtige Frage auf: Verfügt Finance über die Insights, die erforderlich sind, um die finanziellen Treiber hinter KI zu verstehen?

Um die nötige Vorausschau zu gewinnen, Margen zu prognostizieren, Pricing zu bewerten und Investitionen zu steuern, müssen Finance-Teams ihren Planungsfokus proaktiv verlagern. Erstens: Prüfen Sie, wie sich KI-spezifische Treiber von traditionellen SaaS-Kennzahlen unterscheiden – Nutzung, Infrastrukturkosten und Overages. Zweitens: Identifizieren Sie Datenlücken: Können Sie Margen je Kunde nachverfolgen? Kosten pro Anfrage? Nutzung vs. Overages? Drittens: Strukturieren Sie Ihre Planungsmodelle so um, dass diese besonderen Variablen berücksichtigt werden. 

Die folgenden Abschnitte zeigen, wie – und worin sie sich von traditionellem SaaS unterscheiden.

Wechsel von fixen Kennzahlen zu variablen, KI-getriebenen Treibern

Während das Kernziel der Planung – Margen zu schützen und Investitionen zu steuern – unverändert bleibt, haben sich die Treiber grundlegend verschoben. Traditionelle Planung stützte sich auf stabile Kennzahlen wie Headcount und feste Subscription-Tiers. Im KI-Zeitalter werden diese durch variable Infrastrukturausgaben, Kosten der Modellauswahl und hoch individuelle Nutzungsmuster der Kunden ersetzt. Finance muss nun die Fixkosten der Entwicklung mit den flexiblen, anfragenbasierten Kosten der Leistungserbringung in Einklang bringen.

Dafür muss Finance neue Treiber der Unternehmensperformance verstehen: die Kosten zur Erfüllung von KI-Anfragen, welche Produkte die stärksten Margen generieren, wie Kunden Infrastrukturressourcen konsumieren und wie Nutzungsmuster – etwa ungenutzte Credits und Overages – die Profitabilität beeinflussen. Diese Kennzahlen bilden die Grundlage, um die Performance zu prognostizieren und zu erkennen, wo das Unternehmen Wert schafft und wo als Nächstes investiert werden sollte.

Nehmen Sie zugesagte KI-Credits als Beispiel. Nicht jeder Kunde wird Credits auf dieselbe Weise nutzen. Einige lassen die gekaufte Kapazität ungenutzt, während andere ihre Zusagen kontinuierlich überschreiten. Diese Nutzungsmuster beeinflussen Margen, Pricing-Entscheidungen und künftige Investitionen. Sie zu verstehen hilft FP&A, die Performance genauer zu prognostizieren und Chancen zu identifizieren, Packaging zu verfeinern, Adoption zu verbessern oder Pricing im Zeitverlauf anzupassen.

Diese Kennzahlen helfen FP&A, die Performance zu prognostizieren, Investitionen zu bewerten und mit größerer Sicherheit zu planen, während die KI-Adoption wächst.

Mit Product und Engineering zusammenarbeiten, um Ihr Datenmodell zu entwerfen

Viele der Insights, die FP&A benötigt, lassen sich nicht erst nach dem Launch eines KI-Produkts erzeugen. Bis dahin sind Entscheidungen zu Nutzungsdaten, Kostenattribution und Reporting bereits getroffen. Wenn Finance nicht früh eingebunden ist, wird Planung deutlich schwieriger.

FP&A sollte gemeinsam mit Product, Engineering und Operations arbeiten, während neue KI-Angebote konzipiert werden, um sicherzustellen, dass das Unternehmen die wichtigsten Kennzahlen messen kann. Dazu gehört, zu verstehen, wie Nutzung erfasst wird, wie Kosten zugeordnet werden und wie die Performance im Zeitverlauf bewertet wird.

Das bedeutet auch, vorausschauend über die Kennzahlen nachzudenken, die Finance benötigt, sobald KI-Produkte im Markt sind. Wie vorhersehbar ist ungenutzte Kapazität in unterschiedlichen Kundensegmenten? Wie wirkt sich die Marge aus, wenn das Unternehmen entscheidet, bestimmte Overages nicht zu berechnen? Verändern sich Nutzungsmuster, wenn Kunden reifer werden? Das sind Planungsfragen – und sie zu beantworten erfordert vom ersten Tag an die richtigen Daten.

Wenn diese Bausteine von Beginn an vorhanden sind, kann FP&A mit größerer Sicherheit forecasten, Pricing-Entscheidungen effektiver bewerten und dem Unternehmen helfen, sich anzupassen, während sich das Kundenverhalten weiterentwickelt.

Granulare Usage-Insights nutzen, um die Profitabilität zu optimieren

Bessere Transparenz verändert auch die Gespräche, die FP&A mit dem Business führen kann. Statt lediglich zu berichten, dass die KI-Adoption gestiegen ist, kann Finance helfen, strategischere Fragen zu beantworten: Investieren wir in die richtigen KI-Fähigkeiten? Welche Kundensegmente erzielen die besten Margen? Sollten wir Pricing oder Packaging anpassen? Skalieren die Infrastrukturkosten wie erwartet?

Das sind die Entscheidungen, die langfristiges Wachstum prägen. Wenn FP&A die finanziellen Treiber des Geschäfts versteht, kann es über reines Reporting hinausgehen und zu einem stärkeren strategischen Partner werden.

Die Zukunft von FP&A

Während KI weiterhin verändert, wie Unternehmen Produkte entwickeln, bepreisen und monetarisieren, hat FP&A die Chance, mitzugestalten, wie diese Unternehmen wachsen. Finanzverantwortliche, die ihre Datenpipelines proaktiv verstehen, eng mit Product und Engineering zusammenarbeiten und KI-spezifische Planungsmodelle aufbauen, treffen bessere Investitionsentscheidungen, bewerten neue Geschäftsmodelle, optimieren das Pricing und können sich schneller an Marktverschiebungen anpassen.

Genau hier kann FP&A dauerhaft strategischen Mehrwert schaffen.

Weiter entdecken

Revenue-Complexity-Assessment

Mehr Bundles, globale Expansion und KI-Produkt-Pricing führen zu einer Komplexität in der Umsatzrealisierung, die viele Teams nur schwer beherrschen. Nutzen Sie das Assessment von Zuora, um die wichtigsten Komplexitätstreiber in Ihrem Unternehmen zu identifizieren, und erhalten Sie maßgeschneiderte Empfehlungen, wie Sie mit der Bewältigung beginnen können.