Die Anwendung war nur 180 Tage lang online, bevor die Blase im Bereich der KI-Anwendungen platzte.
Drei und eine halbe Jahre nach dem Ausbruch der generativen KI hat der Markt einen neuen Disputpunkt erreicht: Die Optimismus ist immer noch beschleunigt, aber der Zweifel akkumuliert auch. Die Beurteilung, ob eine "Blase" eintritt, reicht nicht aus, um die gegenwärtige Komplexität zu erklären. Die Serie "KI-Glauben und Blase" wird aus verschiedenen Perspektiven des Marktes, der Technologie, der Branche und der Unternehmen nach den Schlüsselvariablen suchen.
Im ersten Halbjahr 2026 ziehen eine Reihe von KI-Anwendungen, die einst von den Kapitalen heiß gelobt wurden, nacheinander aus dem Markt zurück. Nicht nur die kassenleeren Start-up-Teams, sondern auch Riesen wie OpenAI und Google kürzen aktiv ihre zuvor ausgebreiteten Produktlinien.
Im März 2026 kündigte OpenAI an, den erst seit sechs Monaten online befindlichen Videogenerator Sora einzustellen. Diese App, die auf ein "soziales" Erlebnis abzielt und einmal die Spitze des Apple App Stores erreichte, wurde schließlich wegen des stetig sinkenden Downloadvolumens und der enormen täglichen Rechenleistungskosten gestrichen.
Im gleichen Monat kündigte die KI-Modell-Bewertungsplattform Yupp.ai an, ihre Aktivitäten einzustellen. Sie wurde von Chris Dixon von a16z crypto angeführt und 33 Millionen US-Dollar an Kapital beschafft. Innerhalb von weniger als einem Jahr hatte sie 1,3 Millionen Nutzer, konnte aber nie eine stark genügende Übereinstimmung zwischen Produkt und Markt finden. Der Gründer gestand, dass mit der schnellen Verbesserung der Modellfähigkeiten und der Migration der Nutzerarbeit zu agentischen Systemen, die Werkzeuge und Gedächtnis nutzen können, die Crowdsourcing-Bewertung auf der Chat-Ebene immer weniger wichtig wird. Die Website bleibt bis zum 15. April für die Nutzer zur Verfügung, um ihre historischen Daten herunterzuladen.
Darüber hinaus hat Google begonnen, seine internen KI-Anwendungslinien zu kürzen. Im Juni wurde die Kernfunktion der Bildgenerierung in Pixel Studio in der v2.3-Aktualisierung geschlossen, und die Nutzer wurden zu Gemini und Nano Banana weitergeleitet. Das Browser-Agent-Experiment Projekt Mariner wurde am 4. Mai geschlossen, und seine Fähigkeiten wurden in größere Produktsysteme wie Gemini Agent und AI Mode integriert.
Die KI-Anwendungsschicht geht von der frühen Funktionserprobung in eine härtere kommerzielle Selektionsphase über.
Viele dieser Ausräumungen erfolgen bei Anwendungs-Schicht-Produkten, die "auf der Fähigkeit eines einzelnen Modells basieren": Einige sind Funktionsintegrationen innerhalb großer Unternehmen, andere sind kommerzielle Misserfolge von Start-up-Unternehmen, und wieder andere sind Experimentprojekte, die in größere Plattformen integriert werden. Sie haben unterschiedliche Formen, aber sie offenbaren alle das gleiche Problem: Wenn das zugrunde liegende Modell weiter verbessert wird, hat die Anwendungs-Schicht überhaupt einen ausreichend großen unabhängigen Wert geschaffen?
Darren Mowry, Leiter der globalen Start-up-Geschäftsabteilung von Google Cloud, sagte in einem Interview mit TechCrunch: Wenn ein Start-up-Unternehmen hauptsächlich auf das hintere Modell angewiesen ist, um seine Arbeit zu erledigen, ist diese Form fast wie eine Weißmarkenversion von Gemini oder GPT-5. Die Branche hat nicht mehr viel Geduld.
Unter "Weißmarkenisierung" versteht man, die Fähigkeiten eines anderen Modells mit eigener Benutzeroberfläche und Marke neu zu verpacken: Die Nutzer sehen eine neue App, aber die eigentliche Kernfähigkeit wird immer noch von führenden großen Modellen wie Gemini, GPT oder Claude unterstützt.
Die Anwendungen, die nur von den Modellerträgen getragen werden, verlieren den Grund, unabhängig zu existieren.
Wo sollte die Schutzmauer der Anwendungs-Schicht sein, wenn der Sturm bereits eingetroffen ist und das zugrunde liegende Modell ständig nach unten rutscht?
Das Bild wurde von einem KI-Tool generiert
Nach der Absenkung der großen Modelle wird die Anwendungs-Schicht neu bewertet
Viele Unternehmen in der Anwendungs-Schicht sind nicht von Anfang an wertlos. Das Problem ist, dass ihr Wert in einer Phase gegründet wurde, in der die Modelle noch nicht gut genug funktionierten, die Nutzer noch nicht reif genug waren und die Szenarien noch neu verpackt werden mussten. Sobald die Modellfähigkeiten bis zum Nutzerzugang hinunterrutschen, wird dieser Teil des Werts schnell neu bewertet.
Jasper AI war eines der ersten Unternehmen, das von dieser Logik getroffen wurde. Es war einst ein Star unter den KI-Schreibanwendungen. Mit Hilfe von GPT-3 generierte es automatisch kreative Marketinginhalte und wurde in kurzer Zeit ein Unicorn mit einem Schätzwert von bis zu 1,5 Milliarden US-Dollar. Aber mit der Verbreitung der Nutzung von ChatGPT wurde "Generieren von Marketingtexten" schnell von einem Kernverkaufspunkt einer unabhängigen App zu einer Grundfähigkeit großer Modelle. Später hat Jasper Personalausstellungen vorgenommen, seinen Schätzwert korrigiert, seinen Chef gewechselt und sich auf den Unternehmensmarketing-Arbeitsfluss konzentriert.
Eine ähnliche Geschichte spielte sich auch bei Chegg ab.
Chegg ist ein Online-Bildungsunternehmen, das stark von KI-Tools wie ChatGPT und Google AI Overviews betroffen ist. Im ersten Quartal 2026 belief sich das Einkommen auf 63,3 Millionen US-Dollar, was einem Rückgang von 48 % gegenüber dem Vorjahr entspricht. Chegg hat anschließend Personal entlassen, das Einkommen gesenkt und den Schwerpunkt auf KI und berufliche Fähigkeiten verschoben.
Dan Rosensweig, CEO von Chegg, hat öffentlich zugegeben, dass das steigende Interesse der Studenten an ChatGPT das Wachstum neuer Nutzer des Unternehmens beeinträchtigt hat. Die Nutzer haben nicht ein anderes Chegg gefunden, sondern ihre Bedürfnisse direkt auf ChatGPT verlagert. Für die Anwendungs-Schicht ist der gefährlichste Ersatz nicht immer der Konkurrent, sondern das zugrunde liegende Modell, das plötzlich zum Nutzerzugang wird.
In der Vergangenheit gab es eine Kluft zwischen der ursprünglichen Fähigkeit des Modells und den realen Bedürfnissen der Endnutzer: Das Modell war stark, aber schwer zu nutzen, schwer auszuwählen und schwer umzusetzen; die Nutzer hatten Bedürfnisse, verstanden aber die Modelle nicht, konnten die Parameter nicht einstellen und wollten nicht die Kosten für Fehlversuche tragen.
Der Wert der Anwendungs-Schicht besteht darin, "was das Modell kann" in "was Sie damit tun können" zu übersetzen und für diese "Übersetzung" zu bezahlen. Je breiter diese Kluft ist, desto größer ist ihr Gewinnraum.
Aber die reale Schwierigkeit besteht darin, dass dieser Raum ständig komprimiert wird.
Ein Unternehmer in der Anwendungs-Schicht großer Modelle sagte: "Jetzt gehen auch die Hersteller von Modellen in der oberen Ebene in die Anwendungs-Schicht ein. Diese Kluft wird von beiden Enden her zugeschüttet. Darüber hinaus reifen auch die unteren Unternehmenskunden schnell. Mit der breiten Verwendung von großen KI-Modellen wurde eine Markterziehung durchgeführt, und die Unternehmen kennen die wichtigsten Kernfunktionen. Noch wichtiger ist, dass es immer mehr optionale Anbieter gibt."
Die Hersteller von Modellen in der oberen Ebene haben die Kernfähigkeiten und können diese jederzeit als native Funktionen zur Verfügung stellen; die unteren Kunden werden immer kundiger und drängen auf Preissenkungen, Ergebnisse und ROI; es gibt auch unzählige Ersatzprodukte, von ChatGPT, Gemini, Copilot bis zu Cloud-Anbietern und Bürosoftware; und das Schlimmste ist, dass neue Konkurrenten fast jederzeit eintreten können.
Daher wird die dazwischen liegende Anwendungs-Schicht von einem "Verstärker der Technologieerträge" zu einem "Schwerpunkt der Wertbeweisung".
Die überlebenden Anwendungs-Schicht-Produkte verkaufen nicht nur "nur KI"
Im Gegensatz zu der Reihe von Schließungen von Sora, Yupp.ai und Pixel Studio ist der Markt immer noch im Aufschwung. Laut den Daten von Sensor Tower hat sich die Anzahl der Downloads von generativen KI-Anwendungen im Jahr 2025 im Vergleich zum Vorjahr verdoppelt auf 3,8 Milliarden Mal, und die Einnahmen aus In-App-Käufen sind fast verdreifacht und haben 5 Milliarden US-Dollar überschritten. Sensor Tower prognostiziert auch, dass die Einnahmen aus generativen KI-Anwendungen im Jahr 2026 möglicherweise 10 Milliarden US-Dollar überschreiten werden. Das heißt, das Geld und die Nutzer sind da, und es ist nicht die Branche, die zusammenbricht, sondern hauptsächlich eine Reihe von Produkten, die "am falschen Ort stehen".
Was haben die Anwendungs-Schicht-Produkte, die wirklich überleben und sogar gut abschneiden, richtig gemacht?
Anhand der sechsten Ausgabe der Liste der generativen KI-Verbraucheranwendungen, die a16z im März 2026 veröffentlichte, haben wir festgestellt, dass sich die Produktform der wirklich erfolgreichen KI-Anwendungs-Schicht geändert hat. Es gibt hauptsächlich drei Kategorien:
Die erste Kategorie von Anwendungen sind Super-Apps, die als Standardzugang dienen.
Beispielsweise sind horizontale KI-Produkte wie ChatGPT, Gemini und Claude nicht mehr traditionelle Tools, sondern konkurrieren um den KI-Zugang. Die Nutzer verwenden diese Tools als neues Arbeitsplatz: Sie stellen Fragen, recherchieren, schreiben Code, erstellen Tabellen, verbinden Kalender, Mailboxen und rufen externe Anwendungen auf. a16z hat besonders erwähnt, dass sowohl ChatGPT als auch Claude eine Connector- und App-Ökosystem aufbauen. Wenn ein Nutzer seine Mailbox, Kalender, CRM, Dokumente und Arbeitssoftware an einen KI-Assistenten anschließt, steigt die Wechselkosten schnell.
Die zweite Kategorie von Anwendungen sind Anwendungen, die bereits in häufigen Szenarien oder vertikalen Szenarien etabliert sind.
Nehmen wir CapCut als Beispiel. Als Videobearbeitungstool mit über 800 Millionen monatlichen aktiven Nutzern werden seine beliebtesten Funktionen wie Bildausschnitt, KI-Effekte, automatische Untertitel und Text-zu-Video von KI angetrieben. Aber die Nutzer kommen nicht wegen der "KI", sondern wegen der Videobearbeitungsfunktionen. Die KI macht nur die bisher zehn Minuten dauernden Vorgänge zu einem Klick.
Es gibt auch Notion AI, das KI in Unternehmenswissensdatenbanken, Projektmanagement, Meetingprotokolle und Automatisierungsabläufe integriert. Aus diesem Grund kann die Bezahlquote von Notion AI schnell steigen: Die Nutzer kaufen nicht nur ein neues Tool, sondern zahlen im Wesentlichen für eine effizientere Arbeitsweise in einem System, das sie ohnehin nicht mehr missen können.
Die dritte Kategorie von überlebenden Produkten hat sich von Tools zu "Agenten, die für die Nutzer arbeiten" entwickelt.
a16z hat in dieser Ausgabe der Liste besonders betont, dass Agenten bereits auftauchen. Beispielsweise repräsentieren Lovable, Cursor, Bolt, Replit und Claude Code agentische Verhaltensweisen in der Entwicklungsumgebung: Sie helfen den Nutzern bereits bei der Produktentwicklung, Codeänderung, Projektanalyse und Aufgabenbewältigung. Horizontale Agenten wie Manus und Genspark ermöglichen es den Nutzern, offene Aufgaben wie Recherche, Tabellenanalyse und Folienpräsentation zu übergeben, die von der KI end-to-end bearbeitet werden.
Diese verschiedenen Produktformen haben aber die gleiche Überlebenslogik: Sie gewinnen nicht nur Kunden mit der Tatsache, dass "sie KI haben", sondern integrieren die KI in Zugänge, Szenarien und Aufgaben, die die Nutzer nicht mehr missen können.
Die KI-Anwendungs-Schicht schrumpft nicht, sondern die Anforderungen werden höher
Deshalb können wir die Schließungen und Schrumpfungen in der KI-Anwendungs-Schicht heute nicht einfach so verstehen, dass "die KI-Anwendungs-Schicht schrumpft".
Was wirklich aus dem Markt verschwindet, sind leichte Anwendungen, die einzelne Funktionen als unabhängige Produkte verpacken; was weiter expandiert, sind Anwendungs-Schicht-Produkte, die in häufige Szenarien integriert sind, den Nutzerzugang einnehmen und in den realen Arbeitsfluss eingebunden sind. Sie erscheinen möglicherweise nicht mehr unter dem Namen "KI-Anwendung", sondern die KI ist bereits in verschiedene Produktformen wie Videobearbeitungssoftware, Bürosoftware, Browser und Designwerkzeuge integriert.
Das Zeitalter, in dem man einfach nur für eine einzelne Funktion unabhängig bezahlen konnte, ist vorbei.
Die Geschichte der KI-Anwendungs-Schicht geht weiter.
In der kommenden Agenten-Ära werden die Anforderungen an die Anwendungs-Schicht weiter steigen: In Zukunft wird eine einzelne Funktion nicht mehr genügen. Können die wirklich wertvollen Produkte in den Prozess integriert werden, Systeme verbinden, Verantwortung übernehmen, sicher und kontrollierbar sein und die Modellfähigkeiten in einen ausführbaren, nachverfolgbaren und messbaren geschlossenen Geschäftsprozess umwandeln?
In der Entwicklerumgebung können wir sehen, dass sich diese Veränderung bereits weit fortgeschritten hat. Tools wie OpenAI Codex und Claude Code bringen die KI von der "Code-Vervollständigung" zur "Softwareentwicklungsschaft". Diese Agenten beginnen, Code-Repositories zu verstehen, Dateien zu ändern, Fehler zu beheben, Tests zu generieren und sogar ein Entwicklungsprojekt kontinuierlich voranzutreiben.
Solche Fähigkeiten sind schwer durch ein allgemeines Chatfenster zu ersetzen. Die reale Softwareentwicklung erfordert die kontinuierliche Durchführung von Urteilen, Änderungen, Validierungen und Lieferungen in einem komplexen Engineering-System. Je länger ein Produkt verwendet wird, desto mehr wird es Projektkontext, Teamgewohnheiten, historische Probleme und Bedienaufzeichnungen sammeln und desto enger wird es mit der täglichen Arbeit der Nutzer verbunden.
Diese Selektion wird weitergehen. Die Produkte, die heute überleben, müssen auch weiterhin die gleichen Fragen beantworten. Wer noch am Ende des Wettlaufs steht, wird der Zeit überlassen.