Nachdem das Gesicht kopiert wurde, beginnt die KI, das Gehirn des Experten zu replizieren

Innerhalb eines Jahres flossen mindestens drei Finanzierungsrunden in dieselbe Kategorie von KI-Produkten. Sie streben kein noch realistischeres Gesicht an und sind auch nicht damit beschäftigt, menschliche Stimmen zu kopieren. Investoren setzen auf eine andere Richtung: Sie lassen KI lernen, wie Fachkräfte zu denken und zu arbeiten, und übernehmen einen Teil ihrer Aufgaben für sie.

Der jüngste Fall ereignete sich am 20. August. Twin1 AI trat aus dem Stealth-Modus mit einer Startfinanzierung von 20 Millionen US-Dollar hervor, die gemeinsam von Bessemer, Tribeca und Aramco Ventures angeführt wurde. Die internationale Anwaltskanzlei Orrick beteiligte sich an dieser Runde gleichzeitig als Investor und Kunde.

Fast zur gleichen Zeit ging der offizielle KI-Avatar des bekannten Ökonomen Fu Peng auf nashnova online, und die beiden Seiten begannen mit der offiziellen Vermarktung. nashnova ist ein KI-Assistent für Investmentforschung, der die von Ökonomen und Analysten angesammelten Forschungsmaterialien und Analyseframeworks in Agenturen umwandelt, die Gespräche führen und den Markt nachhaltig verfolgen können.

Vor zwei Jahren hatte Fu Peng bereits eine Version eines digitalen Menschen ausprobiert, der sein Aussehen und seine Stimme nachbilden konnte. Dieser Versuch entsprach nicht seinen Erwartungen. Der digitale Mensch sah aus wie er, sprach wie er, konnte aber ohne Skript nicht weitermachen.

Diesmal fasste er den neu online gestellten KI-Avatar von Fu Peng sehr direkt zusammen.

„Der digitale Mensch hat ein Gehirn.“

Eins

Das Kapital beginnt, auf menschliche Erfahrung zu setzen

Im vergangenen Jahr hat das Kapital kontinuierlich entlang derselben Linie investiert. Der Wert von KI-Avataren verlagert sich von der Nachbildung des Aussehens einer Person hin zur Vervielfältigung ihres Wissens, ihrer Denkmuster und ihrer Arbeitsabläufe.

Im Juni 2025 führte HSG die Serie-A-Finanzierung von Delphi über 16 Millionen US-Dollar an, gefolgt von Menlo Ventures und dem Anthology Fund unter Anthropic. Delphi hilft Experten, ihre eigenen „digital minds“ zu trainieren, und Nutzer können diese KI-Avatare zu spezifischen Fragen konsultieren. Auf der Plattform gibt es bereits mehr als 2000 Ersteller, darunter Lenny Rachitsky, Brian Halligan, Gründer von HubSpot, und Arnold Schwarzenegger.

Delphi hat als Erstes bewiesen, dass Experten-Avatare direkt Einnahmen generieren können. Die Plattform bietet drei Abonnementstufen zu 79 US-Dollar, 399 US-Dollar und 2499 US-Dollar pro Monat an, wobei die Ersteller mehr als 85 % der Einnahmen aus bezahlten Gesprächen erhalten. Der KI-Avatar des Beziehungs-Experten Matthew Hussey hat bereits einen Jahresumsatz im siebenstelligen Dollar-Bereich erreicht.

Delphi verkauft Wissensdienstleistungen von Experten. Acht Monate später übertrug Simile diese Logik auf unternehmerische Entscheidungen.

Im Februar 2026 führte Index Ventures die Serie-A-Finanzierung von Simile über 100 Millionen US-Dollar an, gefolgt von Bain Capital Ventures. Li Fei-Fei und Andrej Karpathy tauchen ebenfalls in der Liste der Investoren auf. Die drei Gründer Joon Sung Park, Michael Bernstein und Percy Liang stammen alle von der Stanford University.

Simile trainiert KI, um die Reaktionen echter Menschen auf neue Produkte, neue Funktionen und Marktveränderungen zu simulieren, und hilft Unternehmen, die möglichen Rückmeldungen einer Entscheidung im Voraus zu testen. CVS Health und Telstra gehören zu den ersten Kunden. Bei einer simulierten Gewinnkonferenz sagte das System im Voraus acht von zehn Fragen vorher, die die Analysten stellen würden.

Der neueste Teilnehmer in diesem Bereich ist Twin1 AI. Im August 2026 schloss das Unternehmen eine Startfinanzierung von 20 Millionen US-Dollar ab und integrierte KI-Avatare direkt in den täglichen Arbeitsablauf von Unternehmen.

Twin1 liest E-Mails, Sitzungsprotokolle, Dokumente und Unternehmenssysteme, lernt den Hintergrund kennen, den ein Fachmann beherrscht, und tritt dann in Slack, Teams und Outlook ein, um Fragen zu beantworten und die Kommunikation für ihn zu erledigen. Anwaltskanzleien wie Linklaters und Dechert gehören zu den ersten Kunden. Laut Twin1 hat das System für einige Kunden bereits 30 % bis 50 % der Kommunikationsaufgaben von Wissensarbeitern erledigt.

Die drei Unternehmen besetzen jeweils die drei Szenarien Experten-Dienstleistungen, Marktsimulation und Unternehmenszusammenarbeit. Die Produktformen sind unterschiedlich, aber das, was das Kapital schätzt, ist sehr ähnlich. Ob das Wissen einer Person in Abonnementeinnahmen umgewandelt werden kann, ob ihre Urteile Unternehmen bei der Prüfung von Entscheidungen helfen können und ob ihre Arbeitsabläufe von KI übernommen werden können – diese konkreten Ergebnisse beginnen, den Wert von Avataren zu bestimmen.

Diese Linie muss getrennt von dem Geschäft mit digitalen Video-Menschen betrachtet werden, das von Synthesia und HeyGen repräsentiert wird.

Synthesia schloss im Januar 2026 eine E-Finanzierungsrunde über 200 Millionen US-Dollar ab, mit einer Bewertung von 4 Milliarden US-Dollar nach der Investition. HeyGen gab im Juni desselben Jahres bekannt, dass der jährliche wiederkehrende Umsatz (ARR) 200 Millionen US-Dollar übersteigt und sich innerhalb von acht Monaten verdoppelt hat. Die beiden Unternehmen konzentrieren sich hauptsächlich auf die Umgestaltung der unternehmerischen Videoproduktion und bündeln Aufnahme, Auftritt vor der Kamera, Übersetzung und Nachbearbeitung in einer einzigen Oberfläche. Wie viel Produktionskosten die Kunden einsparen, kann direkt berechnet werden.

Delphi, Simile, Twin1 und nashnova befassen sich mit einer anderen Art von Kosten. Sie versuchen, die Zeit zu reduzieren, die Experten für wiederholte Fragen, Unternehmen für wiederholte Marktforschungen und Fachkräfte für die Bearbeitung alltäglicher Kommunikation aufwenden.

Der Wettbewerb um digitale Menschen teilt sich damit in zwei Linien auf. Eine Linie senkt weiterhin die Kosten für die Inhaltsproduktion, die andere tritt nun in die Bereiche Wissensdienstleistungen und Facharbeit ein. Früher haben digitale Menschen hauptsächlich für Menschen vor der Kamera gestanden. Jetzt hofft das Kapital, dass sie einen Teil der Arbeit übernehmen können.

Zwei

Die privaten Korpora von Experten werden zu neuen Produktbarrieren

Das Kapital ist bereit, für Experten-Avatare zu zahlen. Die nächste Frage ist, warum diese Produkte schwer zu kopieren sind.

Grundlegende Modelle können kaum noch langfristige Unterschiede erzeugen. Die Modelle, auf die Startups zugreifen können, werden immer ähnlicher. Was die Produktunterschiede wirklich vergrößert, ist, auf welche Materialien das Modell zugreifen kann und wie viel Zeit der Experte selbst bereit ist, für sein Training aufzuwenden.

Der KI-Avatar von Fu Peng liefert ein konkretes Beispiel.

Nach Angaben von Fu Peng umfassen die Trainingsmaterialien, die er nashnova übergeben hat, Artikel und Tagebücher seit 1999, jährliche PowerPoint-Jahrbücher von vier- bis fünfhundert Seiten, Forschungsprotokolle und Transaktionsaufzeichnungen aus allen Jahren sowie einige Inhalte von nicht realnamen BBS-Konten aus früheren Jahren.

Diese Materialien sind nicht vollständig im öffentlichen Netz erschienen, und allgemeine Modelle können sie auch durch reguläres Training kaum erhalten. Sie dokumentieren nicht nur die Ansichten, die Fu Peng öffentlich geäußert hat, sondern auch, worauf er sich vor der Bildung seiner Ansichten bezog, wie er sie später angepasst hat und welche Beweise ihn dazu gebracht haben, seine Urteile zu ändern.

Das ist genau die Grenze öffentlicher Materialien.

Eine Person kann in Artikeln, Reden und Videos normalerweise nur die Schlussfolgerung zu dem jeweiligen Zeitpunkt darstellen. Eine Rede ist zeitlich begrenzt, und der vollständige Analyseprozess kann oft nur einen Teil davon entfalten. Nachdem Inhalte zu Kurzvideos geschnitten wurden, gehen die Annahmebedingungen und Anwendungsgrenzen weiter verloren.

Wenn alle diese öffentlichen Inhalte gesammelt werden, kann KI antworten „was er früher gesagt hat“ und auch seine Ausdrucksweise nachahmen. Bei neuen Fragen, die die betreffende Person nie öffentlich erörtert hat, weiß sie möglicherweise immer noch nicht, welche Variablen zuerst geprüft werden müssen.

Nachdem ein Journalist von Fast Company Delphi ausprobiert hatte, stellte er fest, dass einige Antworten ähnliche Satzstrukturen wiederholen und die Abdeckung aktueller Themen unzureichend ist. Das zeigt, dass historische Inhalte KI dabei helfen können, eine Person nachzuahmen, aber nicht ausreichen, um ihren vollständigen Urteilsprozess wiederherzustellen.

Beim Training des Avatars von Fu Peng versucht nashnova, einen Schritt weiter zu gehen. Das System zerlegt zuerst die Fakten, Hintergründe und phasenweisen Urteile aus den langfristigen Materialien und sucht dann nach den Regeln, die Fu Peng bei der Bearbeitung von Problemen wiederholt verwendet. Welche Variablen er zuerst prüft, in welcher Reihenfolge er Möglichkeiten ausschließt und welche Beweise ihn dazu bringen, seine Schlussfolgerungen zu ändern.

Nachdem die Materialien sortiert sind, muss Fu Peng das System selbst testen. Er stellt normale Fragen, fügt aber auch absichtlich falsche Voraussetzungen hinzu, um zu beobachten, ob die KI das Problem erkennen kann oder ob sie entlang der falschen Voraussetzungen weiter antwortet.

Jede Fehlerkorrektur erfordert das erneute Schreiben von Trainingsregeln und Testaufgabensammlungen. Ähnliche Probleme werden vor der Veröffentlichung der nächsten Produktversion erneut getestet. Auf diese Weise kann die Korrektur, die aus einem Fehler resultiert, erhalten bleiben und die späteren Antworten des Systems weiter beeinflussen.

Das bildet auch den Teil des Experten-Avatars, der schwerer zu kopieren ist.

Die Genehmigung zu erhalten, erfordert nur eine einmalige Unterschrift des Experten. Einen Avatar zu trainieren, der neue Probleme bearbeiten kann, erfordert jedoch, dass der Experte kontinuierlich Fragen stellt, Fehler korrigiert und seinen Urteilsprozess klar erläutert. Je länger er Zeit investiert, desto mehr Regeln und Testfälle sammelt das System an, desto schwerer können Nachahmer es nur durch das Scrapen öffentlicher Inhalte reproduzieren.

Der Unterschied zwischen zukünftigen Experten-Avataren hängt höchstwahrscheinlich von zwei Dingen ab: Wie viele nicht veröffentlichte langfristige Materialien der Experte bereit ist, zu übergeben, und wie viel Zeit er bereit ist, diesen Avatar persönlich zu trainieren.

Drei

Experten-Avatare müssen noch drei Fragen beantworten

Private Korpora und persönliche Kalibrierung machen Experten-Avatare schwerer zu kopieren, garantieren aber nicht, dass sie zu einem langfristigen Geschäft werden. Ob Produkte kontinuierlich Gebühren einnehmen können, hängt davon ab, drei Probleme zu lösen: Compliance, Nutzerbindung und Fähigkeitsgrenzen.

Compliance ist die erste auftretende Einschränkung. Die „Maßnahmen zur Kennzeichnung von künstlicher Intelligenz generierten synthetischen Inhalten“ sind am 1. September 2025 in Kraft getreten. Sie verlangen, dass Texte, Bilder, Audios und Videos, die von KI generiert wurden, mit entsprechenden Kennzeichnungen versehen werden, und dass Dienstanbieter und Inhaltsverbreitungsplattformen ihre Prüfpflichten erfüllen.

Die Situation für Finanz-Experten-Avatare ist komplexer. Je länger Nutzer mit dem Avatar kommunizieren, desto leichter verstehen sie die Antworten als das aktuelle Urteil des Experten selbst. Das Produkt muss die KI-Identität ständig anzeigen und den Nutzern ermöglichen, zitiertes Material, Datumsangaben von Daten und Inhaltsversionen einzusehen. KI kann Informationen und Analysen liefern, die konkreten Investitionsentscheidungen und deren Folgen werden jedoch weiterhin von den Nutzern getragen.

Wenn die KI in dem Ton des Experten eine Aussage macht, die der Experte selbst nie geäußert hat, muss die Verantwortung zwischen Plattform, Experte und Nutzer im Voraus klar geregelt werden.

Ein weiteres Problem ist die Nutzerbindung. Delphi hat bereits bewiesen, dass einige Nutzer bereit sind, für Experten-Avatare zu zahlen. Zwischen einer einmaligen Zahlung und einem langfristigen Abonnement besteht jedoch noch eine große Lücke.

Produkte, die auf Urteilen basieren, sind besonders schwer, ihre Wirkung in kurzer Zeit zu beweisen. Nutzer können kaum bestätigen, ob eine Analyse wirksam ist, und kaum beurteilen, ob der erhaltene Wert aus dem Denkrahmen des Experten oder aus der ursprünglichen Fähigkeit des grundlegenden Modells stammt. Wenn der Unterschied zwischen den beiden nicht deutlich genug ist, kehren die Nutzer möglicherweise wieder zu allgemeinen Modellen zurück.

Experten-Avatare müssen sich im Nutzungsprozess an die Märkte erinnern, auf die die Nutzer achten, an die Fragen, die sie gestellt haben, und an die Urteile, die sie in der Vergangenheit getroffen haben. Wenn neue Daten auftauchen, muss das System auch prüfen, ob die ursprünglichen Urteile noch gültig sind. Diese kontinuierlichen Aufzeichnungen werden erst zu Gründen, warum Nutzer bleiben. Ob Nutzer bereit sind, dafür langfristig zu zahlen, hängt davon ab, wie viele Personen im zweiten und dritten Monat zurückkehren.

Die Produktfähigkeit ist ebenfalls noch nicht ausreichend validiert.

Fu Peng hat sich ein weiter entferntes Szenario vorgestellt. In Zukunft könnte derjenige, der im Livestream sitzt, ein KI-Avatar sein, der Fragen versteht, aktiv nachfragt und auf natürliche Weise mit dem Moderator kommuniziert. Er nannte diesen Avatar „Xiao Pengpeng“.

Heutige Produkte sind noch deutlich von diesem Szenario entfernt. Sie müssen neue Probleme stabiler bearbeiten und faktische Fehler sowie falsche Schlussfolgerungen reduzieren. Diese Fähigkeit wird bestimmen, wie groß der Markt für Experten-Avatare letztendlich sein kann.

Wenn er nur die Worte wiedergeben kann, die der Experte früher öffentlich gesagt hat, kaufen die Nutzer immer noch eine Art von Inhaltsdienstleistung. Wenn er neue Informationen verarbeiten, alte Urteile kontinuierlich überprüfen und die Arbeit übernehmen kann, die ursprünglich die Beteiligung des Experten selbst erfordert, kann er in die Märkte für Beratung, Forschung und Unternehmensdienstleistungen eintreten.

In den vergangenen Jahren haben Unternehmen