Das von Xinglian Capital investierte Unternehmen Kando AI hat eine Seed-Finanzierungsrunde im Wert von mehreren zehn Millionen Yuan abgeschlossen und verfolgt das Ziel, der „Cursor im Bereich der Entscheidungsfindung“ zu werden.

Bildquelle | KI-generiert

Wu Bingzhe führt mindestens einmal täglich eine Nachbesprechung durch.

Als Doktor der Informatik an der Peking-Universität ist er gleichzeitig ein hochfrequenter Investor. Nach Börsenschluss jeden Tag überprüft er die Urteile des Tages – welche Notfallpläne umgesetzt wurden, welche durch neue Informationen aus dem Marktgeschehen durcheinandergebracht wurden und welche unbewussten Entscheidungen sich im Nachhinein als richtig erwiesen haben.

Diese Gewohnheit hält er seit vielen Jahren aufrecht. Es gibt jedoch ein Problem: Die meisten Nachbesprechungen werden nicht systematisch festgehalten.

„Dein Wissen ist ein Vermögenswert, aber derzeit verbleibt alles im menschlichen Gehirn“, sagt Wu Bingzhe. Er und Mao Shuhan, CEO von Kando AI, sind beide aktive Investoren auf dem Sekundärmarkt. Die Gemeinsamkeit der beiden ist, dass sie hochfrequente Entscheidungen in unsicheren Umfeldern treffen und sich bewusst geworden sind, dass die Wissensmuster hinter diesen Entscheidungen noch nie digitalisiert wurden.

Im Juni 2026 gründeten die beiden offiziell Kando AI. Das Ziel ist, dass KI kontinuierlich aus realen Entscheidungen und deren Ergebnissen lernt, um ein selbstentwickelndes Entscheidungssystem der nächsten Generation aufzubauen.

Kando AI hat eine Seed-Finanzierung in Höhe von mehreren zehn Millionen Yuan abgeschlossen, angeführt von Xinglian Capital, gefolgt von Lihe Financial Control, mit Beteiligung bekannter Industriepartner. Das Kando-Team umfasst derzeit etwa 10 Mitglieder, die von führenden inländischen Institutionen wie Tencent, ByteDance, Meituan und Huatai Securities stammen. Der Gründer und Chefwissenschaftler Wu Bingzhe absolvierte seinen Bachelor in Mathematik an der Peking-Universität und promovierte in Informatik. Er war der erste Empfänger des Apple-Doktorandenstipendiums auf dem chinesischen Festland und früher Leiter des Bereichs vertrauenswürdige KI bei Tencent AI Lab. Der Mitbegründer und CEO Mao Shuhan ist ein Serienunternehmer, der seinen Bachelor an der Tsinghua-Universität und seinen Master in Finanzwissenschaften an der Universität Hongkong absolvierte. Er arbeitete viele Jahre bei führenden inländischen Investmentbanken, beteiligte sich früher an der Gründung eines Unternehmens für verkörperte Intelligenz und wurde 2025 in die Liste „30 Under 30“ von Forbes aufgenommen.

Von der Digitalisierung von Informationen zur KI-gestützten Entscheidungsfindung

Was Kando AI anstrebt, ist nicht nur ein Werkzeug, sondern eine Umgebung, in der Wissen sich kontinuierlich weiterentwickelt. Wenn man in einem Satz zusammenfasst, was Kando AI macht, drückt es CEO Mao Shuhan so aus: „Im Zeitalter des Internets / mobilen Internets haben wir die Digitalisierung von Informationen abgeschlossen; im Zeitalter der KI wollen wir die selbstständige Weiterentwicklung von Entscheidungen vorantreiben.“

In den letzten zwanzig Jahren haben Produkte wie Tonghuashun und Wind im Finanzbereich sowie Paperdatenbanken, Literaturverwaltungstools und Wissensplattformen im wissenschaftlichen Forschungsszenario im Wesentlichen alle Probleme auf der „Informationsebene“ gelöst: Sie helfen Ihnen, Informationen zu sammeln, zu ordnen, zu speichern, abzurufen und zusammenzufassen. Die geordneten Informationen liegen aber danach vor und werden nicht automatisch zu einem wertvollen Urteil.

Egal ob bei Investitionen, wissenschaftlicher Forschung oder anderen hochwertigen Entscheidungsszenarien – der wirklich entscheidende Schritt findet oft im menschlichen Gehirn statt. Forscher bilden sich Urteile aus riesigen Mengen an Materialien, Investoren auf dem Sekundärmarkt entwickeln ein „Marktgefühl“ inmitten komplexer Marktgeräusche, und Wissenschaftler bilden durch langjährige Anhäufung von Erfahrungen ein ästhetisches Empfinden, Intuition und Auswahlvermögen für ein bestimmtes Fachgebiet … All das lässt sich kaum direkt ausdrücken und schon gar nicht einfach digitalisieren.

Mao Shuhan meint, dass hier schon immer eine Brücke fehlte.

„Zwischen Informationen und Handlungen gibt es keine automatische Verbindung. Das Entscheidende dazwischen ist die Entscheidung. Das menschliche Gehirn, die Erfahrung, das Unterbewusstsein, das ästhetische Empfinden und die Gewohnheiten der Urteilsbildung konnten bisher nie systematisch festgehalten werden. Die KI macht es zum ersten Mal möglich, diese Brücke zu bauen.“

Das ist auch der größte Unterschied zwischen Kando AI und den meisten KI-Tools: Viele KI-Produkte verbleiben auf der Ebene der „Optimierung der Ausgabequalität“ – sie machen Zusammenfassungen vollständiger, Abrufe schneller und Texte flüssiger. Was Kando AI optimieren möchte, ist etwas anderes: die Akzeptanzrate von Entscheidungen und die Zuverlässigkeit im Nachhinein. Das heißt, ob die Vorschläge der KI von den Nutzern tatsächlich angenommen werden und ob sie wirklich in den Forschungs-, Urteils- und Handlungsprozess der Nutzer einfließen.

Mao Shuhan gibt an, dass Kando sich als „Cursor“ im Bereich der Entscheidungsfindung positioniert.

Als die KI-Coding-Tools 2022 auf den Markt kamen, lag die Akzeptanzrate von Code fast bei Null. Heute erreicht die Akzeptanzrate von Cursor bereits 60 % bis 70 %.

Die Wahl des Finanzbereichs als eines der Validierungsszenarien liegt darin begründet, dass dieses Szenario aus Sicht der Informationsdimension einer der am stärksten strukturierten Bereiche ist. Mao Shuhan erläutert, dass der Finanzbereich in Dimensionen wie Klarheit des Feedbacks, Feedback-Zyklus (Tages-/Wochenebene), Prüfbarkeit und Wert von Entscheidungen die höchste Gesamtpunktzahl erzielt und damit einer der besten Bereiche für den Aufbau einer selbstentwickelnden Entscheidungsengine ist.

Das Produkt zu einem fortlaufenden Nachschulungsprozess machen

Die Produktform von Kando AI ist ein Arbeitsplatz für hochwertige Entscheidungsszenarien. Aus Sicht des Teams ist der Arbeitsplatz aber nur der Eingang zum Produkt. Was er wirklich trägt, ist ein Entscheidungssystem, das Erfahrungen aus realen Entscheidungen sammeln, Urteile validieren und sich kontinuierlich weiterentwickeln kann.

Eine Kernfähigkeit von Kando AI ist das „Gedächtnis“. Das Gedächtnis von Kando AI ist aber kein Wissensspeicher im üblichen Sinne und unterscheidet sich auch von der gängigen RAG-Suche.

Herkömmliches RAG orientiert sich stärker am Abgleich der semantischen Ähnlichkeit, während das Gedächtnissystem von Kando AI eher einem Empfehlungs- und Abrufmechanismus für kognitive Strukturen gleicht: Das System merkt sich nicht nur, was der Nutzer gesehen hat, sondern vor allem, wie der Nutzer Probleme versteht, welche Präferenzen er hat und wie er früher Urteile korrigiert hat – es ähnelt eher einer Art Harness.

„Es wird dich immer besser verstehen, aber noch wichtiger ist: Es lernt aus jeder deiner Interaktionen mit der realen Welt als dein Partner.“

Am Beispiel des wissenschaftlichen Forschungsszenarios trifft das Produkt Vorhersagen, und der Nutzer entscheidet, ob er sie übernimmt, modifiziert, ablehnt oder in die Verfolgung aufnimmt. Nachdem das Ergebnis eingetreten ist, kehrt das System zur ursprünglichen Annahme zurück, analysiert, welche Urteile sich bestätigt haben, welche Variablen sich geändert haben und ob Fehler aus Informationslücken, Denkfehlern oder Umsetzungsproblemen stammen.

Diese Entscheidungspfade verbleiben nicht in Chat-Protokollen. Die Übernahmen, Modifikationen und Ablehnungen des Nutzers, die Unterschiede zwischen Erwartungen und Ergebnissen sowie die nachträglichen Nachbesprechungen und Ursachenanalysen werden zu neuen Lernsignalen organisiert, die das Langzeitgedächtnis, die Aufgabenstrategien, die Skill-Steuerung und die Modellanpassungsschicht im System kontinuierlich aktualisieren.

Das bedeutet, dass das Ergebnis der Entscheidung der letzten Runde verändert, wie das System in der nächsten Runde Informationen abruft, Schlussfolgerungen organisiert und Vorschläge erstellt. Es entsteht ein rekursiver geschlossener Kreislauf von „Urteil – Handlung – Feedback – Aktualisierung“.

Aus Sicht von Kando AI stellt dies eine wichtige Veränderung bei KI-Produkten dar: Früher wurde die Fähigkeit des Modells hauptsächlich durch den Zeitpunkt bestimmt, an dem das Training abgeschlossen wurde. In Zukunft wird die Grenze der Intelligenz immer stärker durch die angesammelten Erfahrungen nach der Bereitstellung bestimmt.

Wu Bingzhe definiert das, was sie tun, als eine „generalisierte Nachschulung“.

Im herkömmlichen Sinne dient die Nachschulung eher dazu, die Modellparameter anzupassen. Aus Sicht von Kando AI geht das, was kontinuierlich optimiert werden muss, aber weit über die Parameter selbst hinaus: Es umfasst unter anderem, wie das Gedächtnis gespeichert wird, wie es präzise abgerufen wird, wie vergessen wird, wie die Interaktionslogik des Produkts gestaltet wird, wie der Kontext von Fähigkeiten sich dynamisch entwickelt und wie das Feedback verschiedener Nutzer zu effektiven Lernsignalen organisiert wird.

„Du kannst den Prozess der Produktentwicklung als einen Prozess der Nachschulung des Modells betrachten. Früher wurden die Parameter optimiert, jetzt werden Kontext, Interaktion und Gedächtnis optimiert“, sagt Wu Bingzhe.

Das ist auch der Grund, warum Kando AI bereits auf der Infrastrukturebene auf Eigenentwicklung setzt. Wu Bingzhe erläutert, dass Kando AI wünscht, dass alle Trainings-, Feedback- und Gedächtnisketten so transparent, überwachbar und nachvollziehbar wie möglich sind. Was Kando AI anhäuft, ist keine oberflächliche Produktfunktion, sondern ein vollständiger Datenschwungrad, der sich um den realen Entscheidungsprozess herum kontinuierlich weiterentwickelt.

Bei der Kommerzialisierung wählt Kando AI zunächst den Einstieg bei Nutzern mit hochwertigen, hochfrequenten Entscheidungen. Die aktuellen Seed-Nutzer konzentrieren sich hauptsächlich auf professionelle Nutzergruppen, darunter Investoren, Wissenschaftler und andere.

Kando AI befindet sich derzeit in der internen Testphase. Es bietet Dienstleistungen rund um die kontinuierliche Nutzung, das kontinuierliche Merken und Feedback der Nutzer in Branchen wie Finanzen und wissenschaftlicher Forschung an. Aus Sicht des Teams könnte in Zukunft jeder Entscheidungsbereich mit hohem Wert, nicht standardisiertem Ablauf und starker Abhängigkeit von Wissen zum Anwendungsobjekt dieses Systems werden.

„Kando AI entwickelt nicht nur ein Werkzeug, sondern schließt den Kreislauf von ‚Information → Entscheidung → Feedback‘ wirklich in Bereichen, die keine Standardantworten haben, aber am meisten wert sind, um weiterentwickelt zu werden“, sagt Wu Bingzhe.

Das ist wahrscheinlich die genaueste Beschreibung der Positionierung von Kando AI: Kando AI möchte letztendlich eine intelligente Infrastruktur für Entscheidungen aufbauen, die kontinuierlich menschliche Erfahrungen aufnimmt, das Feedback der realen Welt versteht und ihre Fähigkeiten in jeder einzelnen Entscheidung stetig verbessert.

Li Wenjuan, Partner von Xinglian Capital, erklärt: In der nächsten Phase der KI-Anwendungen geht es nicht nur darum, Informationen effizienter zu verarbeiten, sondern darum, in echte Arbeitsabläufe einzutreten und zu lernen, wie professionelle Nutzer urteilen, handeln und ihr Wissen korrigieren. Kando AI wählt hochwertige Entscheidungsszenarien wie Finanzen und wissenschaftliche Forschung aus, nutzt personalisiertes Gedächtnis und kognitive Modellierung als Grundlage, wandelt den Forschungsprozess, die Annahmen und Ablehnungen sowie die nachträglichen Nachbesprechungen der Nutzer in Lernsignale um, durchbricht die Grenze der einmaligen Antworten herkömmlicher KI-Tools und bildet ein Entscheidungssystem, das sich gemeinsam mit den Nutzern weiterentwickelt. Wir schätzen nicht nur die Erfahrung des Teams in Spitzen-KI-Forschung, Modell-Nachschulung, Systemtechnik und komplexen Entscheidungen, sondern auch das Potenzial, spezielle Arbeitsablaufdaten aus der tatsächlichen Nutzung zu sammeln und die Fähigkeiten kontinuierlich zu steigern. Wenn dieser geschlossene Kreislauf validiert wird, wird Kando nicht nur ein Werkzeug für Investmentforschung oder wissenschaftliche Forschung aufbauen, sondern möglicherweise zu einer neuen Generation von kognitiver Infrastruktur werden, die Informationen, Urteile und Handlungen verbindet – damit das wertvollste Gut von Einzelpersonen und Organisationen, die Fähigkeit zur Urteilsbildung, festgehalten, kalibriert und wiederverwendet werden kann.