Session 07 - Launch, Customer Behavior & Synthesis

Business Basics

Dr. Tobias Vlcek

Universität Hamburg

Zwei Wetten, ein Widerspruch

Bevor wir starten: zwei Entscheidungen, jeweils per Handzeichen. Ehrlich aus dem Bauch, kein Rechnen.

Wette A

Wer nimmt die sicheren 500 €? Handzeichen!

… und wer die Lotterie, 50 % auf 1000 €, sonst nichts? Handzeichen!

Wette B

Wer nimmt den sicheren Verlust von 500 €? Handzeichen!

… und wer die Verlust-Lotterie: 50 %, 1000 € zu verlieren, sonst nichts? Handzeichen!

Beide Lotterien haben denselben Erwartungswert wie die sichere Option. Trotzdem wählt fast jede Gruppe A sicher und B riskant.

Ihr habt gerade der Theorie widersprochen

• Die Standardtheorie (rationale Nutzenmaximierung) sagt: Wer beim Gewinn auf Nummer sicher geht, sollte das beim Verlust auch tun; euer Risikoverhalten sollte gleich bleiben
• Ihr habt es umgedreht: risikoscheu bei Gewinnen, risikofreudig bei Verlusten
• Die Mehrheit von euch hat gerade der Standardtheorie widersprochen und ist damit völlig normal

Das ist kein Denkfehler von euch, sondern ein System. Es heißt Prospect Theory, und es ist der Schlüssel zur Leitfrage von heute: Wie bringe ich ein Produkt auf den Markt – und warum entscheiden Kunden irrational?

Rückblick

Wo wir letzte Woche standen

• Digitale Transformation wirkt auf drei Ebenen: Prozesse → Geschäftsmodelle → Branchen; die Musikindustrie zeigte den ganzen Verlauf
• Plattform vs. Pipeline: die Plattform vermittelt zwischen zwei Seiten (zweiseitiger Markt), die Pipeline veredelt linear; Netflix zeigte, dass die Grenze fließend ist
• Netzwerkeffekte (direkt/indirekt) treiben das Wachstum; Winner-take-most ist eine Tendenz, Multihoming die Gegenkraft

Ein roter Faden bleibt: Der GPT Store hatte 3 Mio. Bauende und trotzdem kein fertiges Erlösmodell. Heute kommen wir im Capstone auf genau diese KI-Anbieter zurück.

Deine Frage: eine Seite reicht nicht

Frage

Letzte Woche galt: Millionen Nutzende auf einer Seite lösen das Henne-Ei nicht automatisch. Woran fehlte es dem GPT Store konkret?

Am Erlösmodell: Das versprochene Auszahlungsprogramm für die Bauenden war zum Start nicht fertig. Eine volle Seite ist noch kein Geschäftsmodell; im Capstone sehen wir heute, wie dieselben Anbieter das Erlösproblem angehen.

Ablauf heute

• Teil 1 (~30 min): Wie Kundschaft entscheidet: Prospect Theory, Defaults, Nudging ehrlich, Dark Patterns
• Teil 2 (~30 min): Launch: Timing, Pricing (Skimming vs. Penetration), Freemium & virale Starts
• Teil 3 (~30 min): Synthese: der Frontier-KI-Wettbewerb durch alle Sitzungen des Kurses

Leitfrage heute: Wie bringe ich ein Produkt auf den Markt – und warum entscheiden Kunden irrational?

Lernziele

Nach dieser Sitzung könnt ihr …

• Prospect Theory erklären: Referenzpunkte, Verlustaversion (λ ≈ 2, mit Hedge) und Certainty Effect,
• Defaults und Nudging als Choice Architecture einordnen und die Ethikgrenze zu Dark Patterns ziehen,
• die ehrliche Effektstärken-Debatte um Nudging wiedergeben (Wissenschaft korrigiert sich selbst),
• Launch-Timing (First vs. Fast Follower) und Skimming vs. Penetration auf Fälle anwenden,
• den Frontier-KI-Wettbewerb als Synthese aller Kurskonzepte lesen und sagen, warum „Wer gewinnt?” die falsche Frage ist.

Wie Kundschaft entscheidet

Das Muster hinter der Wette: Prospect Theory

Warum habt ihr bei A und B unterschiedlich entschieden? Kahneman & Tversky (1979) geben die Antwort (Kahneman und Tversky 1979):

• Menschen bewerten Ergebnisse nicht absolut, sondern relativ zu einem Referenzpunkt, meist dem Status quo
• Von dort aus zählen Gewinne und Verluste getrennt und ganz unterschiedlich stark
• Ein Verlust von 500 € schmerzt mehr, als ein Gewinn von 500 € freut; deshalb geht ihr Verlusten lieber aus dem Weg, auch mit Risiko

Lektion: Kundschaft entscheidet nicht über Endzustände, sondern über Veränderungen gegenüber einem Referenzpunkt, Gewinne und Verluste getrennt.

Quelle: (Kahneman und Tversky 1979).

Die Wertfunktion – schematisch

Schematisch, nicht maßstabsgetreu: Die Verlustseite fällt steiler ab, als die Gewinnseite ansteigt.

Verlustaversion – wie stark genau?

Wie viel schwerer wiegt ein Verlust? Die derzeit beste Schätzung, aber mit Hedge (Hedge = ehrlicher Unsicherheits-Vorbehalt):

• Die größte Meta-Analyse (Brown et al. 2024, 607 Schätzungen aus 150 Studien) findet einen Koeffizienten λ ≈ 1,95 [95 %-KI 1,82–2,10]; Verluste wiegen rund doppelt so schwer wie Gewinne (Brown u. a. 2024)
• Aber: Das ist umstritten. Eine Re-Meta-Analyse von Yechiam & Zeif argumentiert, der Effekt sei nicht robust, wenn man Studienauswahl-Verzerrungen berücksichtigt (Yechiam und Zeif 2025)
• Merke: „λ ≈ 2” ist eine gut gestützte Faustregel, keine Naturkonstante

Lektion: Verlustaversion ist real und groß, aber die genaue Zahl ist Gegenstand laufender Forschung, kein festgeschriebener Wert.

Quelle: Brown u. a. (2024); Yechiam und Zeif (2025).

Der Certainty Effect

Noch ein Baustein aus der Wette: Menschen überschätzen Sicherheit.

• Ein sicheres Ergebnis wiegt mehr, als seine reine Wahrscheinlichkeit rechtfertigt: der Certainty Effect
• Deshalb wirkt „garantiert” so stark: die Geld-zurück-Garantie, die „100 % kostenlos”-Zusage, das „ohne Risiko testen”
• Der Sprung von 95 % auf 100 % fühlt sich größer an als der von 45 % auf 50 %, obwohl beide 5 Prozentpunkte sind

Lektion: „Sicher” ist kein neutrales Wort; es hat einen psychologischen Aufschlag, den Produkte gezielt nutzen.

Quelle: (Kahneman und Tversky 1979).

Was heißt das für Produkte und Preise?

Prospect Theory ist keine Theorie für den Hörsaal, sie steckt in jedem Shop:

• Geld-zurück-Garantie: verschiebt den Referenzpunkt; der Kauf fühlt sich nicht mehr wie ein möglicher Verlust an
• Verknappung („nur noch 2 auf Lager”): macht aus einem Nicht-Kauf einen drohenden Verlust der Gelegenheit
• Preisrahmung (Framing): „5 € Rabatt” vs. „5 € Aufpreis bei Barzahlung”: logisch gleich, gefühlt völlig verschieden (Tversky & Kahneman 1981) (Tversky und Kahneman 1981)

Lektion: Dieselbe Zahl, anders gerahmt, führt zu anderen Entscheidungen; der Rahmen ist Teil des Produkts.

Quelle: (Tversky und Kahneman 1981).

Der stärkste Hebel: der Default

Die wirksamste Rahmung ist oft die Voreinstellung, also was passiert, wenn man nichts tut.

• Organspende ist das Lehrbuchbeispiel: In Johnson & Goldstein (2003) lag die effektive Zustimmung in Opt-out-Ländern (Widerspruchslösung) meist über 85 %, in Österreich ~99 %
• In Opt-in-Ländern (aktive Zustimmung nötig) meist unter ~30 %, in Deutschland ~12 %
• Fast dieselben Menschen, fast dieselben Werte, nur eine andere Voreinstellung

Der Kern

Der Default entscheidet mit, weil Nichtstun die bequemste Option ist und der Status quo als Referenzpunkt zählt.

Lektion: Wer die Voreinstellung setzt, beeinflusst das Ergebnis stärker als jede Werbekampagne (Johnson und Goldstein 2003).

Quelle: (Johnson und Goldstein 2003).

Ihr erlebt das Ethik-Dilemma in Echtzeit

Der Organspende-Default ist in Deutschland kein gelöstes Lehrbuchthema, sondern live:

• Der Bundestag lehnte am 16. Januar 2020 die Widerspruchslösung ab, mit 379 zu 292 Stimmen (3 Enthaltungen); es blieb bei der schwächeren Entscheidungslösung (weiter Opt-in)
• Die Debatte kam im Dezember 2024 und erneut 2026 zurück; sie läuft, während ihr hier sitzt
• Die Streitfrage ist eine Nudging-Ethik-Frage: Ist ein Widerspruchs-Default „sanfter Paternalismus” oder ein Eingriff in die körperliche Selbstbestimmung?

Lektion: Ein Default ist nie „neutral”; wer ihn setzt, trifft eine ethische Entscheidung, keine bloß technische.

Quelle: (Kosfeld 2020); Debatten Dez. 2024 & 2026 (Kosfeld 2024; Hausding 2026); (ZDFheute 2026).

Deine Frage: derselbe Preis, zwei Rahmen

Frage

Ein Streamingdienst kostet 120 € im Jahr. Formuliert einen Rahmen, der die Zahlungsbereitschaft erhöht, ohne den Preis zu ändern.

Zum Beispiel „nur 10 € im Monat” (kleinerer Referenzpunkt) oder „33 Cent am Tag – weniger als ein Kaffee”. Gleiche 120 €, aber gegen einen kleineren Vergleichsanker gerahmt. Auch stark: „30 Tage kostenlos testen, jederzeit kündbar”: nimmt dem Kauf das Verlustrisiko (Certainty Effect + Geld-zurück-Logik).

Nudging ehrlich: die Wissenschaft korrigiert sich

Kleine Stupser (Nudges) sind populär, aber wie stark wirken sie wirklich? Genau hier zeigt sich, wie Wissenschaft arbeitet:

• Mertens et al. (2022): Meta-Analyse über 447 Studien: ein solider mittlerer Effekt (d = 0,43) (Mertens u. a. 2022)
• Maier et al. (2022): dieselben Daten, aber um Publikationsbias korrigiert; der Effekt wird statistisch ununterscheidbar von null (Maier u. a. 2022)
• DellaVigna & Linos (2022): echte Behörden-Nudges bringen nur ~1,4 Prozentpunkte statt 8,7 in publizierten Studien, rund ein Sechstel (DellaVigna und Linos 2022)

Quelle: Mertens u. a. (2022); Maier u. a. (2022); DellaVigna und Linos (2022).

Was wir heute ehrlich wissen

• Die aktuellste Synthese (Szaszi et al. 2025) fasst zusammen: Nudges wirken vermutlich im Schnitt, aber schwächer als die Schlagzeilen und stark kontextabhängig (Szaszi u. a. 2025)
• „Nudging wirkt immer” ist nicht belegt, „Nudging wirkt nie” aber auch nicht
• Genau das habt ihr in Sitzung 1 gelernt: Wissenschaft korrigiert sich selbst, und das ist eine Stärke, kein Makel

Lektion: Nehmt Effektstärken nie als Naturkonstante: wer hat was gemessen, unter welchen Bedingungen? Das ist die eigentliche Kompetenz.

Quelle: Szaszi u. a. (2025).

Wo Nudge zu Manipulation wird: Dark Patterns

• Dark Patterns = manipulative Designmuster: falsche Dringlichkeit, versteckte Kosten, erschwertes Kündigen (Mathur et al. 2019) (Mathur u. a. 2019)
• EU-Kommission gegen Temu: 200 Mio. € Strafe (28.05.2026, Digital Services Act), die größte DSA-Strafe bisher
• Gegen Shein läuft ein DSA-Verfahren (Stand Juli 2026 keine Strafe)

Die Ethikgrenze

Nudge hilft der eigenen Entscheidung. Dark Pattern arbeitet gegen sie. Der Unterschied ist jetzt einklagbar, nicht nur eine Frage der Moral.

Lektion: Zwischen legitimer Rahmung und Manipulation verläuft eine rechtliche Grenze, und sie wird gerade teuer durchgesetzt.

Quelle: Europäische Kommission (Temu-Strafe, 28.05.2026), (Jahangir 2026); (European Commission 2026).

Zwischenfazit Teil 1

• Prospect Theory: Kundschaft entscheidet über Veränderungen gegenüber einem Referenzpunkt; Verluste wiegen ~2× (Hedge), Sicherheit hat einen Aufschlag
• Defaults sind der stärkste Hebel und nie neutral (Organspende als lebendiges Ethik-Dilemma)
• Nudging wirkt schwächer als die Schlagzeilen (die Debatte selbst ist die Lektion); jenseits der Grenze liegen Dark Patterns, jetzt DSA-sanktioniert

Wir wissen nun, warum Kundschaft irrational entscheidet. Jetzt zur zweiten Hälfte der Leitfrage: Wie bringe ich ein Produkt auf den Markt? Das ist Teil 2.

Launch: Timing & Pricing

Timing: zuerst – oder besser als Zweiter?

Der Reflex sagt: „First Mover gewinnt.” Die Evidenz sagt: kommt darauf an – wie schon in Sitzung 5.

• Golder & Tellis (1993) zeigten mit um den Überlebensbias bereinigten Daten: Pioniere scheitern häufiger als der Mythos behauptet (Golder und Tellis 1993)
• Oft gewinnen nicht die Ersten, sondern die frühen Anführer, die ein Segment richtig treffen (Fast Follower)
• Erinnert euch: Google gewann die Suche nicht durch Frühstart, sondern als schneller Zweiter im richtigen Moment

Lektion: „Wann starten?” hat keine feste Antwort; der beste Zeitpunkt hängt an Tech-Tempo und Markt-Tempo, nicht am Kalender.

Quelle: Golder und Tellis (1993) (Pioneer Advantage: Marketing Logic or Legend?).

Pricing: Skimming vs. Penetration

Zwei Grundstrategien für den Einstiegspreis, als Extreme eines Kontinuums, nicht als Entweder-oder (Spann et al. 2015) (Spann u. a. 2015):

	Skimming	Penetration
Startpreis	hoch, dann senken	niedrig, um Menge zu holen
Ziel	frühe Marge „abschöpfen”	schnell Marktanteil
Risiko	Markt bleibt zu klein	Marge fehlt, schwer zu erhöhen

In der Praxis folgen viele Starts einem gemischten, dynamischen Pfad; die Lehrbuch-Dichotomie ist eine Vereinfachung.

Quelle: Spann u. a. (2015) (Skimming or Penetration?, Marketing Science).

Skimming mit Ansage: Apple Vision Pro

• Start 02.02.2024 für 3.499 $: extremes Skimming in einer neuen Kategorie (Spatial Computing)
• Frühe Nachfrage schwach: Stückziele von 700–800k auf 400–450k halbiert
• Juli 2026: IDC schätzt ~45.000 Geräte in Q4 2025 (vs. ~390.000 im Jahr 2024); Quest ~80 % Stückanteil
• M5-Refresh Okt. 2025: die Linie lebt, die Skimming-Wette ging nicht auf

Skimming-Risiko konkret

Ein hoher Preis „skimmt” nur, wenn genug zahlungsbereite Käufer da sind. Bleibt der Markt dünn, wird aus der Prämie ein Ladenhüter.

Lektion: Skimming maximiert die Marge pro Stück, setzt aber einen vorhandenen Premiummarkt voraus; Quest holte per Penetration das Volumen.

Quelle: (PYMNTS 2026) (IDC-Schätzung, zitiert nach PYMNTS); (Koller 2024).

Freemium & viral: der ChatGPT-Start

• OpenAI veröffentlichte ChatGPT am 30. November 2022 als kostenlose Forschungsvorschau, null Einstiegshürde
• Berichtet wird (UBS-Analyse, Feb. 2023, auf Basis von Similarweb-Verkehrsdaten): ~100 Mio. monatlich Aktive in ~2 Monaten, der schnellste Consumer-App-Start, den UBS bis dahin gesehen hatte
• Vergleich (UBS): TikTok brauchte ~9 Monate, Instagram ~2,5 Jahre bis 100 Mio.

Zahl mit Vorsicht

Die „100 Mio. in 2 Monaten” sind eine Drittschätzung (UBS/Similarweb), keine von OpenAI veröffentlichte Nutzerzahl; einige Quellen nennen eher drei Monate.

Lektion: „Kostenlos” ist selbst eine Launch-Strategie: der Certainty Effect („100 % gratis”) und null Reibung erzeugen viralen Sog.

Quelle: UBS-Analyse via (Hu 2023; Chow 2023), Feb. 2023.

Der Launch als Schock: DeepSeek R1

Ein Start kann einen ganzen Markt erschüttern, nicht durch Werbung, sondern durch das Erlösmodell:

• Am 20. Januar 2025 veröffentlichte DeepSeek sein Modell R1: kostenlos und open-weight (MIT-Lizenz), auf dem Benchmark-Niveau teurer Modelle, zu einem Bruchteil der berichteten Trainingskosten
• Innerhalb einer Woche App-Nr.-1 in den USA; Nvidias Aktie verlor an einem Tag ~600 Mrd. $ (~17 %), der größte Einzelwert-Tagesverlust der US-Börsengeschichte bis dahin
• Randnote (April 2026): DeepSeek brachte V4; der Markt reagierte diesmal gelassen, weil billige, offene Modelle inzwischen eingepreist sind

Lektion: „Open-weight + kostenlos” ist ein Launch-Hebel mit Marktschock-Wirkung, aber der Schock nutzt sich ab, sobald die Konkurrenz ihn erwartet.

Quelle: (Carew u. a. 2025; Szkutak 2025; Iyer 2026).

Die Entscheidungsreise der Kundschaft

Ein Launch endet nicht am Kauftag. Kundschaft durchläuft eine Reise, nicht linear, sondern als Schleife:

• Auslöser → Erwägung → Bewertung → Kauf → Erlebnis, und das Erlebnis speist die nächste Erwägung (Loyalitätsschleife)
• Prospect Theory wirkt an jeder Station: der Referenzpreis in der Bewertung, die Verlustangst beim Warenkorbabbruch, der Certainty Effect bei der Garantie
• Digitale Kanäle machen jede Station messbar; hier greifen die A/B-Tests aus Sitzung 2

Lektion: Der Launch ist der Anfang der Beziehung, nicht ihr Höhepunkt; die Reise nach dem Kauf entscheidet über Wiederkauf und Weiterempfehlung.

Quelle: (McKinsey 2009).

Deine Frage: Skimming oder Penetration?

Frage

Ein Startup bringt eine neue Smartwatch ohne bekannten Wettbewerber heraus. Es will schnell die Standardplattform werden, auf der andere ihre Apps bauen. Skimming oder Penetration?

Eher Penetration: Wer zur Plattform mit Netzwerkeffekten werden will (Sitzung 6!), braucht schnell viele Nutzende; ein niedriger Einstiegspreis „zündet” die Nutzerseite. Skimming würde die Marge sichern, aber den Anteil riskieren, auf den das ganze Plattform-Kalkül baut.

Zwischenfazit Teil 2

• Timing: First Mover ist ein Mythos mit Bedingungen; frühe Anführer schlagen oft die Ersten (Golder & Tellis)
• Pricing: Skimming vs. Penetration sind Extreme eines Kontinuums; Vision Pro zeigt das Skimming-Risiko, Metas Quest die Penetration
• Freemium/viral: „kostenlos” und „open-weight” sind Launch-Strategien; ChatGPT und DeepSeek zeigen Sog und Schock

Timing, Pricing, Launch-Modell, Plattform, Erlösmodell: all das trifft jetzt in einem Fall zusammen, dem Wettbewerb um die Frontier-KI. Das ist die Synthese des ganzen Kurses.

Synthese: Frontier-KI-Wettbewerb

Bevor wir starten: ein Transparenz-Hinweis

Hinweis

Hinweis: Kursmaterialien wurden KI-gestützt erstellt; auch deshalb gilt hier besonders: prüft die Quellen.

• Alle Fakten auf den folgenden Folien stammen ausschließlich aus datierten, externen Quellen; jede Aussage trägt Datum und Quelle
• Wir betrachten vier Spieler in einem Markt, kein Duell, kein „Team”: OpenAI, Anthropic, Google, Mistral
• Der Markt bewegt sich monatlich; Stand aller Zahlen: Juli 2026. Genau deshalb ist „prüft die Quellen” hier die eigentliche Lektion

Spieler 1 – OpenAI: Consumer-Skala

• Strategie: größte Consumer-Reichweite (ChatGPT), aggressiver Ausbau
• Governance: Umbau zur OpenAI Group PBC (Okt. 2025)
• Wende: ChatGPT erstmals unter 50 % Marktanteil (46,4 %, ~1,1 Mrd. MAU); Dominanz nicht mehr selbstverständlich

Kurs-Bezug

Erlösmodell (S4) + Plattform-Skala (S6) + Launch (S7), aber „viele Nutzende” ≠ „uneinholbar” (S1).

Lektion: Der First-Mover-Vorteil bei Consumer-KI ist real, aber angreifbar; Skala schützt nicht automatisch vor Aufholjagd.

Quelle: (Mehta 2026; Kaput 2025).

Spieler 2 – Anthropic: Enterprise & Regulierung

• Strategie: Fokus auf Unternehmen und Coding (Claude ~10,3 %, ~245 Mio. MAU)
• Juni 2026: US-Exportkontroll-Anordnung; zwei der fortschrittlichsten Modelle mussten offline, gewährter Zugang wurde entzogen
• Betroffen: ~200 Institutionen in 15 Ländern (Vorab-Zugang für Schwachstellen-Tests); genannte Sorge: möglicher Jailbreak-Bypass

Kurs-Bezug

Regulierung als Marktkraft (S6): Der Staat greift direkt in Produktverfügbarkeit ein, erstmals bei einem Frontier-Labor.

Lektion: Auch Regulierung formt Märkte; sie kann Produkte über Nacht vom Markt nehmen. Wir bleiben bei den datierten, belegten Fakten.

Quelle: (Al Jazeera 2026; Hale 2026).

Spieler 3 – Google: die Aufholjagd

• Strategie: Fast Follower mit voller Distributionsmacht (Android, Suche, Chrome)
• Momentum: Gemini-Web-Anteil von ~13,5 % (Anfang 2026) auf 27,4 % (Juni 2026); 900 Mio. App-MAU (Google I/O, Mai 2026)
• Plattform-Coup: Apple-Deal (~1 Mrd. $/Jahr, WWDC 08.06.2026): ein Gemini-Modell treibt das neue Siri, Standard auf Android und iPhone (Alternativen bleiben wählbar)

Kurs-Bezug

Plattform-Ökosysteme & Distribution (S5/S6): Wer die Kanäle besitzt, muss nicht der Erste sein; Fast Follower mit Reichweite.

Lektion: Distribution schlägt oft den Frühstart; Googles Weg in Siri ist ein Plattform-Zug, kein Produktvorsprung.

Quelle: (Business Standard 2026; Mehta 2026).

Spieler 4 – Mistral: die EU-Nische

• Strategie: bewusste Nische (Rückgriff S5): open-weight, EU-Datensouveränität, Enterprise-Anpassung
• Größe: ~11,7 Mrd. € (Series C, Sept. 2025), Größenordnungen kleiner als die US-Konkurrenz
• Juni 2026: der CEO positioniert Mistral öffentlich als „außerhalb staatlicher Kontrolle”; Ausgang offen

Kurs-Bezug

Nische statt Skala (S5): Auf einer Dimension (EU-Souveränität, Offenheit) schlägt der Kleine den Giganten, nicht auf allen.

Lektion: Der Kleine gewinnt nicht das ganze Feld, sondern eine verteidigbare Ecke; Mistrals Wette ist Souveränität und Offenheit, nicht Reichweite.

Quelle: (Heim 2026; Leprince-Ringuet 2026).

Die Nutzungsanteile im Bild

ChatGPT liegt erstmals unter 50 %; der Markt ist ein Vierkampf, kein Monopol. (Gezeigt ist die App-Nutzung nach Sensor Tower, Ende Mai 2026; Geminis Web-Anteil im Juni lag bei 27,4 %, andere Metrik, anderes Datum.)

Preisopazität als Strategiefrage

Ein Muster fällt auf: Manche Preise stehen öffentlich im Netz, andere nicht. Warum?

• Consumer-Abos (ChatGPT Plus, Gemini) haben öffentliche Preisseiten; sie konkurrieren um Masse, Transparenz senkt die Hürde
• Enterprise-Verträge sind oft intransparent (Preis auf Anfrage): individuell verhandelt, an Volumen und Bedarf angepasst
• Preisopazität ist kein Zufall, sondern Strategie: Sie ermöglicht Preisdifferenzierung, schützt Margen und verhindert, dass Wettbewerber den Preis kennen

Lektion: Ob ein Preis öffentlich ist, verrät die Strategie dahinter: Transparenz für die Masse, Opazität für das Verhandelbare.

Quelle: eigene Einordnung auf Basis der öffentlichen Preisseiten der Anbieter, Stand Juli 2026.

Der Fall durch alle Sitzungen (1)

Der KI-Markt ist kein neues Thema; er ist jede Sitzung dieses Kurses auf einmal:

Sitzung	Frage	Am KI-Markt
S1 Scheitern	Warum scheitern Produkte?	Skala ohne Erlösmodell schützt nicht (GPT Store)
S2 Kunde	Welchen Job löst es?	Suchen, Schreiben, Coden = verschiedene Jobs und Sieger
S3 Design/Governance	Offen oder geschlossen?	open-weight (Mistral, DeepSeek) vs. proprietär (OpenAI)

Der Fall durch alle Sitzungen (2)

Sitzung	Frage	Am KI-Markt
S4 Geschäftsmodell	Wer bezahlt wie?	API vs. Consumer-Abo vs. Enterprise vs. Werbung; Preisopazität
S5 Strategie	Nische oder Skala?	OpenAI First Mover, Google Fast Follower, Mistral Nische
S6 Plattform	Wem gehören die Kanäle?	Apple-Siri-Gemini-Deal, Distribution, Netzwerkeffekte
S7 Launch/Verhalten	Wie starten, wie überzeugen?	DeepSeek-Schock, Skimming/Penetration, Vertrauen & Defaults

Ein Fall, sieben Brillen: genau das ist BWL, nicht eine Antwort, sondern die richtige Frage je Situation.

„Fall in Bewegung”

Achtung: bewegliches Ziel

Jede Zahl auf diesen Folien hat ein Datum. Der KI-Markt ändert sich monatlich: Marktanteile, Bewertungen, Regulierung. Zum Semesterstart werden diese Folien neu geprüft. Behandelt sie als Momentaufnahme, nicht als feste Wahrheit.

Das ist keine Schwäche der Analyse, sondern ihr ehrlicher Zustand, und es ist die Kernkompetenz dieses Kurses: Quellen datieren und prüfen.

Deine Frage: Wer gewinnt?

Frage

Die naheliegende Frage lautet: „Welcher der vier gewinnt den KI-Markt?” Das ist die falsche Frage. Warum?

Weil „gewinnen” verschiedene Spiele meint: OpenAI spielt um Consumer-Reichweite, Anthropic um Enterprise/Coding, Google um Distribution, Mistral um die EU-Nische. Sie konkurrieren teils, teils nebeneinander in verschiedenen Segmenten (Sitzung 5!). Die bessere Frage: Wer gewinnt welches Segment – und unter welchen Bedingungen? „Der eine Sieger” ist ein Denkfehler, den ihr jetzt erkennt.

Was ihr jetzt könnt – und wo es weitergeht

• Ihr könnt ein Produkt von der Idee (S1) über Kunde (S2), Design (S3), Geschäftsmodell (S4), Strategie (S5), Plattform (S6) bis zu Launch & Verhalten (S7) denken, an einem Fall
• Ihr nehmt keine Zahl mehr als Naturkonstante: Ihr fragt nach Quelle, Datum, Bedingungen
• Wo geht’s weiter? Entrepreneurship kehrt in den Schwerpunkten zurück: BA-MARKET (Sem. 4, Planspiel & Unternehmensgründung), BA-UFÜ (Entrepreneurial Firm), BA-WI (IT-Entrepreneurship). Prospect Theory vertieft 22-1.MikroBWL (Sem. 2, Verhaltensökonomik) + BA-MARKET

Lektion: Ihr habt kein Rezept gelernt, sondern eine Denkweise, und die trägt weit über diesen Kurs hinaus.

Was davon ist klausurrelevant?

Prüfungsrelevant

• Prospect Theory: Referenzpunkt, Verlustaversion (λ ≈ 2, Hedge), Certainty Effect; Framing vs. Default
• Nudging-Debatte ehrlich (Effektstärken umstritten) und die Ethikgrenze zu Dark Patterns (DSA)
• Launch-Timing (First vs. Fast Follower) und Skimming vs. Penetration (Vision Pro als Skimming-Risiko)
• Freemium/viral als Launch-Strategie (ChatGPT, DeepSeek als Schock)
• Synthese: ein Fall (KI-Markt) durch die Kurskonzepte, und warum „Wer gewinnt?” die falsche Frage ist

Vertiefung: Tutorium 07 (Capstone Challenge: Ultimatum Game + Prospect-Theory-Votes + Mock-Exam-Walkthrough) und Quiz 07.

Dazu kommt Session 8 (KI & Werkzeuge); daraus gibt es nur einige leichte Klausurfragen.

Literatur

• Kahneman und Tversky (1979) – Prospect Theory: Referenzpunkte, Verlustaversion, Certainty Effect.
• Tversky und Kahneman (1981) – die Rahmung von Entscheidungen (Framing).
• Brown u. a. (2024) – aktuelle Meta-Analyse zur Verlustaversion (λ ≈ 2, mit Hedge).
• Mertens u. a. (2022), Maier u. a. (2022), DellaVigna und Linos (2022), Szaszi u. a. (2025) – die ehrliche Nudging-Effektstärken-Debatte.
• Mathur u. a. (2019) – Dark Patterns; Golder und Tellis (1993) – Pioneer Advantage; Spann u. a. (2015) – Skimming vs. Penetration.

Das war die letzte Kern-Vorlesung. Session 8 und die Tutorien laufen weiter.

Danke – und Fragen?

Al Jazeera. 2026. „US asks Anthropic to block global access to top AI models: Why it matters“. In Al Jazeera. https://www.aljazeera.com/news/2026/6/14/us-asks-anthropic-to-block-global-access-to-top-ai-models-why-it-matters.

Brown, Alexander L., Taisuke Imai, Ferdinand M. Vieider, und Colin F. Camerer. 2024. „Meta-analysis of Empirical Estimates of Loss Aversion“. Journal of Economic Literature 62 (2): 485–516. https://doi.org/10.1257/jel.20221698.

Business Standard. 2026. WWDC 2026: Apple unveils Siri AI, Gemini-powered Apple Intelligence, more. https://www.business-standard.com/technology/tech-news/wwdc-2026-apple-unveils-siri-ai-gemini-powered-apple-intelligence-more-126060900042_1.html.

Carew, Sinéad, Amanda Cooper, und Ankur Banerjee. 2025. „DeepSeek sparks AI stock selloff; Nvidia posts record market-cap loss“. Reuters, Januar. https://www.reuters.com/technology/chinas-deepseek-sets-off-ai-market-rout-2025-01-27/.

Chow, Andrew R. 2023. „How ChatGPT Managed to Grow Faster Than TikTok or Instagram“. In TIME. https://time.com/6253615/chatgpt-fastest-growing/.

DellaVigna, Stefano, und Elizabeth Linos. 2022. „RCTs to Scale: Comprehensive Evidence From Two Nudge Units“. Econometrica 90 (1): 81–116. https://doi.org/10.3982/ECTA18709.

European Commission. 2026. „Commission fines Temu €200 million for breaching the Digital Services Act“. Text. In European Commission. https://ec.europa.eu/commission/presscorner/detail/en/ip_26_1178.

Golder, Peter N., und Gerard J. Tellis. 1993. „Pioneer Advantage: Marketing Logic or Marketing Legend?“ Journal of Marketing Research 30 (2): 158–70. https://doi.org/10.2307/3172825.

Hale, Erin. 2026. „US export ban on Anthropic’s AI models further strains alliances“. In Al Jazeera. https://www.aljazeera.com/news/2026/6/19/us-export-ban-on-anthropics-ai-models-further-strains-alliances.

Hausding, Götz. 2026. „Deutscher Bundestag - Grundsatzdebatte über Organspende und Widerspruchsregelung“. In Deutscher Bundestag. https://www.bundestag.de/dokumente/textarchiv/2026/kw26-de-vereinbarte-debatte-organspende-1184306.

Heim, Anna. 2026. „What is Mistral AI? Everything to know about the OpenAI competitor“. In TechCrunch. https://techcrunch.com/2026/07/04/what-is-mistral-ai-everything-to-know-about-the-openai-competitor/.

Hu, Krystal. 2023. „ChatGPT sets record for fastest-growing user base - analyst note“. Reuters, Februar. https://www.reuters.com/technology/chatgpt-sets-record-fastest-growing-user-base-analyst-note-2023-02-01/.

Iyer, Ram. 2026. „DeepSeek previews new AI model that ’closes the gap’ with frontier models“. In TechCrunch. https://techcrunch.com/2026/04/24/deepseek-previews-new-ai-model-that-closes-the-gap-with-frontier-models/.

Jahangir, Ramsha. 2026. „EU Tests Limits of Platform ‚Risk Assessments‘ with €200 Million Temu Fine“. In Tech Policy Press. https://techpolicy.press/eu-tests-limits-of-platform-risk-assessments-with-200-million-temu-fine.

Johnson, Eric J., und Daniel Goldstein. 2003. „Do Defaults Save Lives?“ Science 302 (5649): 1338–39. https://doi.org/10.1126/science.1091721.

Kahneman, Daniel, und Amos Tversky. 1979. „Prospect Theory: An Analysis of Decision under Risk“. Econometrica 47 (2): 263–91. https://doi.org/10.2307/1914185.

Kaput, Mike. 2025. OpenAI Is Now a For-Profit Company, Paving the Way for a Possible $1 Trillion IPO. https://www.marketingaiinstitute.com/blog/openai-for-profit-ipo.

Koller, Alex. 2024. „Apple $3,499 Vision Pro headset now available to order ahead of Feb. 2 release“. In CNBC. https://www.cnbc.com/2024/01/19/apples-vision-pro-preorders-live-price-specs-release-date.html.

Kosfeld, Claus Peter. 2020. „Deutscher Bundestag - Organspenden: Mehrheit für die Entscheidungslösung“. In Deutscher Bundestag. https://www.bundestag.de/webarchiv/textarchiv/2020/kw03-de-transplantationsgesetz-674682.

Kosfeld, Claus Peter. 2024. „Deutscher Bundestag - Kontroverse Aussprache über Widerspruchsregelung bei der Organspende“. In Deutscher Bundestag. https://www.bundestag.de/dokumente/textarchiv/2024/kw49-de-transplantationsgesetz-1032682.

Leprince-Ringuet, Daphné. 2026. „Mistral CEO pitches open source AI days after Anthropic ban: ‚We exist outside of state control‘“. In Sifted. https://sifted.eu/articles/mistral-arthur-mensch-open-source-anthropic/.

Maier, Maximilian, František Bartoš, T. D. Stanley, David R. Shanks, Adam J. L. Harris, und Eric-Jan Wagenmakers. 2022. „No evidence for nudging after adjusting for publication bias“. Proceedings of the National Academy of Sciences 119 (31): e2200300119. https://doi.org/10.1073/pnas.2200300119.

Mathur, Arunesh, Gunes Acar, Michael J. Friedman, u. a. 2019. „Dark Patterns at Scale: Findings from a Crawl of 11K Shopping Websites“. Proc. ACM Hum.-Comput. Interact. 3 (CSCW): 81:1–32. https://doi.org/10.1145/3359183.

McKinsey. 2009. The consumer decision journey McKinsey. https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/the-consumer-decision-journey.

Mehta, Ivan. 2026. „ChatGPT’s market share slips below 50% for first time“. In TechCrunch. https://techcrunch.com/2026/06/16/chatgpts-market-share-slips-below-50-for-first-time/.

Mertens, Stephanie, Mario Herberz, Ulf J. J. Hahnel, und Tobias Brosch. 2022. „The effectiveness of nudging: A meta-analysis of choice architecture interventions across behavioral domains“. Proceedings of the National Academy of Sciences 119 (1): e2107346118. https://doi.org/10.1073/pnas.2107346118.

PYMNTS. 2026. „Apple Retreats on Vision Pro as Consumer Demand Falls Short“. In PYMNTS.com. https://www.pymnts.com/apple/2026/apple-retreats-on-vision-pro-as-consumer-demand-falls-short/.

Spann, Martin, Marc Fischer, und Gerard J. Tellis. 2015. „Skimming or Penetration? Strategic Dynamic Pricing for New Products“. Marketing Science 34 (2): 235–49. https://doi.org/10.1287/mksc.2014.0891.

Szaszi, Barnabas, Daniel G. Goldstein, Dilip Soman, und Susan Michie. 2025. „Generalizability of choice architecture interventions“. Nature Reviews Psychology 4 (8): 518–29. https://doi.org/10.1038/s44159-025-00471-9.

Szkutak, Rebecca. 2025. „Nvidia drops $600B off its market cap amid the rise of DeepSeek“. In TechCrunch. https://techcrunch.com/2025/01/27/nvidia-drops-600bn-off-its-market-cap-amid-the-rise-of-deepseek/.

Tversky, Amos, und Daniel Kahneman. 1981. „The Framing of Decisions and the Psychology of Choice“. Science 211 (4481): 453–58. https://doi.org/10.1126/science.7455683.

Yechiam, Eldad, und Dana Zeif. 2025. „Loss aversion is not robust: A re-meta-analysis“. Journal of Economic Psychology 107 (März): 102801. https://doi.org/10.1016/j.joep.2025.102801.

ZDFheute. 2026. „Organspende: Emotionale Debatte im Bundestag - darum ging es“. In ZDFheute. https://www.zdfheute.de/politik/deutschland/organspende-widerspruch-neue-regeln-bundestag-debatte-100.html.