Zwei Doktoren fungieren als Lehrer für KI, erzielen Jahreseinnahmen von 670 Millionen und erreichen eine Unternehmensbewertung von 20,7 Milliarden.

Ein weiteres KI-Geschäft erlebt einen Boom.

Am 8. Oktober gab die KI-Bewertungsplattform Arena den Abschluss einer Serie-B-Finanzierungsrunde in Höhe von 200 Millionen US-Dollar (ca. 1,34 Milliarden Yuan) bekannt, die gemeinsam von Lightspeed Venture Partners und Khosla Ventures angeführt wurde. Die Bewertung des Unternehmens erreichte 3,1 Milliarden US-Dollar (ca. 20,7 Milliarden Yuan).

Im Januar dieses Jahres lag die Bewertung von Arena noch bei 1,7 Milliarden US-Dollar. Innerhalb von nur neun Monaten stieg der Wert des Unternehmens um 80 %.

Noch beeindruckender ist die Geschwindigkeit der Gewinngenerierung. Arena gab im Juni dieses Jahres bekannt, dass nur acht Monate nach der Einführung seiner kommerziellen Dienstleistungen der annualisierte Umsatz bereits 100 Millionen US-Dollar (ca. 670 Millionen Yuan) überschritten hat.

Das Geschäft dieses Unternehmens ist sehr speziell: Es erstellt Aufgaben, führt Prüfungen durch und vergibt Noten für KI-Modelle wie ChatGPT und Claude.

Ähnliche Geschichten wiederholen sich nacheinander. Im September sammelte das von Stanford gegründete Startup Snorkel AI 350 Millionen US-Dollar mit einer Bewertung von 3,5 Milliarden US-Dollar. Auch aus China gibt es Nachrichten: Alibaba plant, eine Finanzierungsrunde von etwa 300 Millionen US-Dollar für das KI-Bewertungsunternehmen UniPat anzuführen, mit einer Bewertung von 2,5 Milliarden US-Dollar, wobei Institutionen wie Tencent und HSG wahrscheinlich teilnehmen werden.

Die KI-Bewertung, die ursprünglich zu den Universitätslabors gehörte, ist plötzlich zu einem beliebten Geschäft auf dem Kapitalmarkt geworden.

- 01 - Aus dem Berkeley-Labor hervorgegangen: Ein Einhorn mit 3,1 Milliarden US-Dollar Bewertung

Die Geschichte von Arena beginnt an der University of California, Berkeley.

Im Jahr 2023 stellten die Berkeley-Doktoranden Jiang Weilin und Anastasios Angelopoulos Chatbot Arena vor, um ein Problem zu lösen: Welches der Modelle wie ChatGPT, Claude und Gemini ist eigentlich intelligenter?

Damals war die Branche der großen KI-Modelle sehr darauf aus, gute Testergebnisse vorzuweisen. Bei der Veröffentlichung jedes neuen Modells legten die Hersteller Testergebnisse aus Bereichen wie Mathematik, Programmierung und Wissensabfrage vor, um zu beweisen, dass sie ihren Konkurrenten überlegen sind.

Doch diese Prüfungen hatten ein Problem: Eine hohe Punktzahl bei der Prüfung bedeutet nicht, dass die Nutzer das Produkt für gut halten.

Also dachte sich das Berkeley-Team eine Lösung aus: Gewöhnliche Menschen als Prüfer einzusetzen.

Auf der Chatbot-Arena-Website gibt der Nutzer eine Frage ein, und das System lässt zwei anonyme Modelle zufällig antworten. Der Nutzer weiß nicht, welche Antwort von OpenAI und welche von Anthropic stammt, er muss nur die Antwort auswählen, die er für besser hält.

Mit zunehmender Anzahl von Abstimmungen bildete sich auf der Plattform allmählich eine Rangliste für KI-Modelle heraus.

Dieses Konzept wurde schnell im Silicon Valley populär. Jedes Mal, wenn ein Unternehmen für große KI-Modelle ein neues Produkt veröffentlichte, wollte es nicht nur seine Testergebnisse vorzeigen, sondern auch in der Spitze der Arena-Rangliste stehen.

Was ursprünglich nur ein Forschungsprojekt war, wurde allmählich zu einer wichtigen Bewertungsplattform für die KI-Branche.

Im Jahr 2025 gründete das Team das kommerzielle Unternehmen Arena Intelligence und begann, Risikokapital anzunehmen. Im Januar 2026 schloss Arena eine Serie-A-Finanzierungsrunde in Höhe von 150 Millionen US-Dollar ab, mit einer Bewertung von 1,7 Milliarden US-Dollar.

Nur neun Monate später führten Lightspeed Venture Partners und Khosla Ventures gemeinsam die Serie-B-Finanzierungsrunde in Höhe von 200 Millionen US-Dollar an, an der sich Salesforce Ventures, die Investmentgesellschaft von Dell sowie a16z und andere beteiligten.

Was hat das Kapital angezogen? Die Antwort liegt in den von Arena angesammelten Nutzerdaten.

Bis Juni dieses Jahres hatte Arena monatlich mehr als 10 Millionen Besucher, und es wurden insgesamt mehr als 700 Millionen Dialoge sowie 82 Millionen manuelle Abstimmungen erzeugt.

Diese Nutzer halfen Arena nicht nur kostenlos, Aufgaben zu erstellen, sondern auch, Antworten zu korrigieren.

Zum Beispiel: Wenn man die KI dazu bringt, einen Geschäftsplan zu schreiben, warum bevorzugen die Nutzer Claude statt GPT? Weil die Struktur klar ist, die Informationen genau sind oder der Inhalt den tatsächlichen Anforderungen besser entspricht?

Für KI-Hersteller sind diese Informationen sehr wertvoll.

Früher waren Unternehmen für große KI-Modelle darauf angewiesen, dass interne Ingenieure Tests entwerfen. Jetzt erhält Arena durch Millionen von Nutzern eine große Anzahl realer Fragen sowie die Einschätzungen der Menschen zu verschiedenen Antworten.

Noch wichtiger ist, dass diese Rückmeldungen ständig neu erzeugt werden.

Im September 2025 führte Arena das kostenpflichtige Produkt AI Evaluations offiziell ein. Die öffentliche Rangliste bleibt weiterhin kostenlos, aber wenn Modellunternehmen wissen wollen, warum sie verloren haben, bei welchen Aufgaben sie schlecht abschneiden und wie sie sich verbessern können, können sie detailliertere Bewertungsdienstleistungen erwerben.

Die kostenlose Rangliste zieht Nutzer an, und die dahinter stehenden Bewertungsdaten und Analysedienstleistungen generieren Einnahmen.

Dieses Modell hat sich schnell bewährt.

Im Januar dieses Jahres betrug der annualisierte Umsatz von Arena etwa 30 Millionen US-Dollar; bis Juni überschritt er bereits 100 Millionen US-Dollar. Allerdings ist der annualisierte Umsatz hier eine Berechnung auf der Grundlage des damaligen Geschäftsvolumens, nicht der tatsächlich erzielten gesamten Jahresbetriebseinnahmen.

Trotzdem dauerte es nur acht Monate, von der Einführung der kostenpflichtigen Dienstleistungen bis zum Überschreiten eines annualisierten Umsatzes von 100 Millionen US-Dollar.

Heute begnügt sich Arena nicht mehr damit, große KI-Modelle zu rangieren.

Am 8. Oktober veröffentlichte es im Zuge der neuen Finanzierungsrunde den Alignment Index, um zu prüfen, ob KI-Agenten ohne Genehmigung Operationen durchführen, die Absichten der Nutzer falsch verstehen und nicht abgeschlossene Aufgaben fälschlicherweise als abgeschlossen ausgeben.

In einer Studie mit 27 Modellen und etwa 90.000 echten Agenten-Sitzungen stellte Arena fest, dass selbst fortschrittliche KI Probleme hat, wie das unbefugte Löschen von Dateien oder die Behauptung, eine Prüfung erfolgreich abgeschlossen zu haben, obwohl sie nicht stattgefunden hat.

Vom Beurteilen, ob die KI chatten kann, bis zum Beurteilen, ob die KI zuverlässig arbeiten kann, erweitert Arena den Umfang seines Geschäfts ständig.

- 02 - VCs kämpfen um die „KI-Prüfer“

Arena ist kein Einzelfall.

Am 22. September gab ein weiteres KI-Unternehmen aus dem Silicon Valley, Snorkel AI, den Abschluss einer Serie-E-Finanzierungsrunde in Höhe von 350 Millionen US-Dollar bekannt. Die Bewertung erreichte 3,5 Milliarden US-Dollar, was fast dem Dreifachen des Werts von 1,3 Milliarden US-Dollar im Mai letzten Jahres entspricht.

Diese Runde wurde gemeinsam von Insight Partners und S32 angeführt, an der bekannte Institutionen wie Greylock, Lightspeed und GV teilnahmen.

Snorkel entstand ebenfalls aus dem Forschungssystem der Stanford University, wurde 2019 gegründet und half in der Anfangsphase Unternehmen hauptsächlich dabei, Trainingsdaten automatisiert zu verarbeiten.

Aber es stellte schnell fest, dass sich die Anforderungen von KI-Unternehmen geändert haben.

Früher erforderte das Modelltraining eine große Menge an Texten, Bildern und manuell annotierten Informationen. Diese Arbeiten konnten an externe Teams vergeben werden.

Heute wird KI immer intelligenter, und einfache Daten reichen nicht mehr aus.

Zum Beispiel: Wenn ein KI-Unternehmen möchte, dass sein Modell lernt, Fusionstransaktionen zu analysieren, reicht es nicht aus, ihm Tausende von Verträgen zu geben. Es müssen auch Fachleute komplexe Fälle entwerfen, um zu beurteilen, ob das Modell die zentralen Risiken erkannt hat.

Dafür sind Fachleute wie Anwälte und Finanzanalysten erforderlich.

Snorkel erweiterte sein Geschäft vom Verkauf von Datenverarbeitungssoftware auf die Bereitstellung hochwertiger Trainingsdaten, fachlicher Aufgaben und Bewertungsumgebungen.

Das Ergebnis ist ein starker Anstieg der Einnahmen.

Nach Angaben des Unternehmens wuchs sein Geschäft nach der Einführung neuer Datendienste im September 2025 rasant. Bis September dieses Jahres überschritt der annualisierte Umsatz bereits 375 Millionen US-Dollar, was einem Anstieg von mehr als dem 17-fachen gegenüber dem Vorjahr entspricht.

Ein Unternehmen, das KI Daten und Prüfungsmaterialien liefert, hat bereits einen annualisierten Umsatz von mehreren hundert Millionen US-Dollar erreicht.

Auch chinesisches Kapital beginnt, auf diese Branchenspur zu achten.

Ende September berichtete 36Kr, dass Alibaba eine Investition in UniPat prüft und etwa 300 Millionen US-Dollar anführen will. Die diskutierte Post-Money-Bewertung beträgt etwa 2,5 Milliarden US-Dollar, und Institutionen wie Tencent und HSG beabsichtigen ebenfalls, teilzunehmen.

UniPat wurde Ende 2025 gegründet und betreibt hauptsächlich Geschäfte rund um das Training von KI-Modellen, Bewertungen und echten Aufgabendaten.

Die von ihm angebotenen Dienstleistungen lassen sich so verstehen, dass sie KI-Unternehmen dabei helfen, ein eigenes Prüfungssystem aufzubauen.

Ein Unternehmen für große KI-Modelle, das Agenten entwickelt, musste ursprünglich sein eigenes Testteam Aufgaben entwerfen lassen, bevor Ingenieure prüfen konnten, ob die KI die Arbeit abgeschlossen hat. UniPat versucht, diesen Prozess zu einem Produkt zu machen.

Zhu Jun (Pseudonym), der Leiter eines KI-Agenten-Projekts bei einem großen Technologiekonzern, erzählte Pencil News, dass bei der Entwicklung von Agenten das Testteam früher selbst Aufgaben entwerfen und dann beurteilen musste, in welchem Ausmaß sie abgeschlossen wurden. UniPat hat einen Teil der Aufgaben, die ursprünglich vom Testteam erledigt wurden, zu einem Produkt zusammengefasst.

Dahinter steckt eine wirtschaftliche Überlegung.

Angenommen, ein Unternehmen plant, ein KI-Programmierwerkzeug auf den Markt zu bringen. Wenn es selbst ein Bewertungsteam aufbaut, muss es nicht nur Ingenieure einstellen, sondern auch Testumgebungen entwickeln, Aufgaben entwerfen und Antworten überprüfen.

Wenn ein Drittanbieter diese Arbeiten schneller und günstiger erledigen kann, hat das Unternehmen einen Grund, dafür zu bezahlen.

Außerdem hat dieses Geschäft ein Merkmal: Die KI-Modelle werden ständig aktualisiert, was bedeutet, dass die Prüfungen auch immer wieder neu durchgeführt werden müssen.

Heute wird eine neue Version von GPT veröffentlicht, nächsten Monat bringt Claude ein neues Modell heraus, und in ein paar Wochen kann es schon wieder neue Produkte geben. Bei jeder Aktualisierung müssen die Hersteller die neuen Fähigkeiten testen und prüfen, ob die alten Funktionen nicht beschädigt wurden.

Neben Arena, Snorkel und UniPat haben bereits weitere Unternehmen Einnahmen aus entsprechenden Geschäften erzielt.

Eines der repräsentativsten ist Mercor.

Dieses 2023 gegründete US-Startup hilft KI-Unternehmen speziell dabei, Fachkräfte wie Programmierer, Ärzte, Anwälte und Finanzexperten einzustellen, um Aufgaben für große KI-Modelle zu entwerfen, Antworten zu prüfen und Trainingsrückmeldungen zu geben.

Nach Daten von Sacra erreichte der gesamte annualisierte Umsatz von Mercor im Juni dieses Jahres etwa 2 Milliarden US-Dollar.

Ein weiteres Unternehmen, Surge AI, hat bereits bewiesen, dass diese Branche profitabel sein kann.

Britische Medien berichteten zuvor, dass Surge AI im Jahr 2024 einen Umsatz von mehr als 1 Milliarde US-Dollar erzielte und bereits profitabel ist. Es bietet hauptsächlich hochwertige Trainingsdaten und manuelle Rückmeldungen an und beschränkt sich nicht nur auf die Modellbewertung.

Die Geschäfte dieser Unternehmen sind unterschiedlich, aber sie haben eines gemeinsam: Sie haben nicht wie OpenAI riesige Summen in das Training allgemeiner großer KI-Modelle investiert, sondern helfen dabei, große KI-Modelle besser und zuverlässiger zu machen.

Einige entwerfen Prüfungsaufgaben, andere korrigieren Antworten, wieder andere rekrutieren Experten, und wiederum andere wandeln Fehler in neue Trainingsdaten um.

Je komplexer die KI wird, desto mehr professionelle Dienstleistungen werden benötigt.

Das erinnert an den Goldrausch: Einige graben nach Gold, andere verkaufen Schaufeln. Heute kämpfen die KI-Modellunternehmen um den ersten Platz, während eine Gruppe von Unternehmen, die Bewertungs-, Trainings- und Datendienstleistungen anbieten, bereits als Erste profitable Möglichkeiten gefunden hat.

- 03 - Die KI-Prüfer verdienen Geld – wer zahlt dafür?

Die Unternehmen, die die Prüfungen für die KI durchführen, werden immer wertvoller, aber Zhang Yizhe, Gründungspartner von Yonggui Fund, stellt eine entscheidende Frage: Wer bezahlt dafür?

Er ist der Meinung, dass die Entwicklung von KI Ähnlichkeiten mit der des Internets und des mobilen Internets aufweist. Jeder Abschnitt der Industriekette hat seinen eigenen Wert, und auch die Bewertung kann einen kommerziellen Platz finden. Wie groß das Geschäft letztendlich werden kann, hängt aber noch von den Anforderungen der Kunden ab.

Derzeit gibt es hauptsächlich zwei Gruppen von Zahlern.

Die erste Gruppe sind die Unternehmen für große KI-Modelle.

In den letzten Jahren haben Unternehmen wie OpenAI, Anthropic und Google große Summen in das Training von Modellen investiert. Bei jeder Veröffentlichung eines neuen Produkts wollen sie beweisen, dass ihr Produkt besser ist als das der Konkurrenten.

Aber im Jahr 2026 reicht es nicht mehr, nur zu beweisen, dass das Modell gut in Mathematik und Programmierung ist. Insbesondere nach dem Aufstieg von Agenten beginnt die KI, Aufgaben für Menschen auszuführen, anstatt nur Fragen zu beantworten.

Angenommen, ein Finanzunternehmen lässt die KI fünf Jahresberichte von börsennotierten Unternehmen analysieren.

Die KI kann in nur wenigen Minuten einen schönen Bericht erstellen, mit vollständigen Zahlen und flüssiger Sprache. Aber wenn sie nur eine große Verbindlichkeit auslässt oder die Finanzmessgrößen verschiedener Unternehmen durcheinanderbringt, ist dieser Bericht möglicherweise unbrauchbar. Noch problematischer ist, dass der Nutzer nicht unbedingt weiß, wo der Fehler liegt.

Ebenso kann ein KI-Programmierwerkzeug an einem Tag Zehntausende von Codezeilen generieren, aber beim Ändern einer Funktion neue Fehler einführen.

Eine hohe Punktzahl bei der Modellprüfung bedeutet nicht, dass es wirklich in der Lage ist, die Arbeit für Menschen zu erledigen.

Im Jahr 2025 führte OpenAI die GDPval-Bewertung ein, die 9 Branchen und 44 Berufe abdeckt und insgesamt 1320 fachliche Aufgaben entwarf. Die Experten, die Aufgaben erstellten und prüften, verfügten durchschnittlich über mehr als 14 Jahre Berufserfahrung.

Diese Art von Bewertung beginnt, von der KI echte Arbeitsergebnisse zu verlangen, anstatt nur einfache Multiple-Choice-Fragen zu beantworten.

Das bedeutet, dass sich die