📐 Methodik & Bewertungslogik
Wie der AI-Era Score entsteht, was er misst,
und wie verlässlich er ist.
📊 Was ist der AI-Era Score?
Der AI-Era Score bewertet Aktien danach, wie gut ein Unternehmen für das Zeitalter autonomer KI-Agenten positioniert ist. Er ist kein klassischer Finanz-Score, sondern ein Disruptions-Readiness-Index.
Kernfrage: Profitiert dieses Unternehmen von AI-Agenten — oder wird es von ihnen bedroht?
AI-Era Score = Σ (KPI_i × Gewicht_i) × 10
Wertebereich: 0–100 | Höher = besser positioniert
Wertebereich: 0–100 | Höher = besser positioniert
🤖 Schritt 1: AI-Relevanz (0–100%)
Bevor die KPIs greifen, wird bestimmt: Wie relevant ist AI-Disruption für dieses Geschäftsmodell überhaupt?
| Bereich | AI-Relevanz | Beispiele | Bewertungsfokus |
|---|---|---|---|
| AI/Software-Kern | 80–100% | NVIDIA, Salesforce, Palantir | AI-KPIs dominieren |
| Tech-getrieben | 50–80% | Amazon, Finanzdienstleister | Mix AI + Fundamentals |
| AI optimiert Prozesse | 20–50% | Pharma, Automotive, Defense | Fundamentals dominieren |
| Physische Güter | 0–20% | Tabak, Mining, Öl | Rein klassisch |
Bestimmung: Analyse des Geschäftsmodells (10-K/20-F), Umsatzstruktur, und Einschätzung wie stark AI-Agenten das Wertangebot substituieren oder verstärken können.
📏 Schritt 2: Die 6 KPIs
Jeder KPI wird auf einer Skala von 0–10 bewertet. Die Gewichtung summiert sich auf 100%.
| KPI | Gewicht | Was wird gemessen? | Haltbarkeit |
|---|---|---|---|
| 🛡️ Schutzgraben ehem. "Moat" |
20% | Wie verteidigbar ist die Marktposition? Proprietäre Daten, Netzwerkeffekte, Kundenbindung, regulatorische Barrieren. Bei niedriger AI-Relevanz: klassische Wettbewerbsvorteile (Marke, Patente, Sucht). | 6–12 Mo. |
| 🤖 AI-Macher ehem. "Agent Enablement" |
20% | Baut oder ermöglicht das Unternehmen AI-Agenten? Hat es eine Plattform, APIs, ein AI-Ökosystem? Oder nutzt es intern AI-Agenten für massive Effizienzgewinne? | 3–6 Mo. |
| ⚡ Hebel-Effekt ehem. "Automation Leverage" |
15% | Wie stark können AI-Agenten den Output des Unternehmens vervielfachen? Kann ein Agent die Arbeit von 10 Mitarbeitern machen? Oder optimiert AI nur am Rand? | 3–6 Mo. |
| 💺 Ablöse-Risiko ehem. "Seat Vulnerability" |
20% | Wie abhängig ist der Umsatz von menschlichen Nutzern? Per-Seat-Lizenzen sind hochriskant: Wenn AI-Agenten Aufgaben übernehmen, fallen Sitze weg = weniger Umsatz. 10 = maximales Risiko. Wird invertiert: (10 − Wert) fließt in den Score. | 6–12 Mo. |
| 🔄 Daten-Motor ehem. "Flywheel" |
15% | Erzeugt mehr Nutzung bessere Daten → bessere AI → mehr Nutzung? Dieser selbstverstärkende Kreislauf ist der stärkste langfristige Vorteil im AI-Zeitalter. | 12+ Mo. |
| 🔌 Andock-Fähigkeit ehem. "Integration Surface" |
10% | Können AI-Agenten das Produkt nutzen und erweitern? APIs, Plugin-Ökosysteme, offene Schnittstellen. Unternehmen ohne APIs werden in einer Agent-Welt unsichtbar. | 3–6 Mo. |
🔢 Score-Berechnung
AI-Era Score = (
Schutzgraben × 0.20 +
AI-Macher × 0.20 +
Hebel-Effekt × 0.15 +
(10 − Ablöse-Risiko) × 0.20 +
Daten-Motor × 0.15 +
Andock-Fähigkeit × 0.10
) × 10
Beispiel NVIDIA:
(10×0.20 + 9×0.20 + 8×0.15 + (10−1)×0.20 + 9×0.15 + 9×0.10) × 10
= (2.0 + 1.8 + 1.2 + 1.8 + 1.35 + 0.9) × 10
= 9.05 × 10 = 91
Schutzgraben × 0.20 +
AI-Macher × 0.20 +
Hebel-Effekt × 0.15 +
(10 − Ablöse-Risiko) × 0.20 +
Daten-Motor × 0.15 +
Andock-Fähigkeit × 0.10
) × 10
Beispiel NVIDIA:
(10×0.20 + 9×0.20 + 8×0.15 + (10−1)×0.20 + 9×0.15 + 9×0.10) × 10
= (2.0 + 1.8 + 1.2 + 1.8 + 1.35 + 0.9) × 10
= 9.05 × 10 = 91
Hinweis: Das Ablöse-Risiko wird invertiert, weil ein hoher Wert (= hohes Risiko) den Score senken soll.
📊 Klassische Finanz-KPIs
Ergänzend zum AI-Era Score werden 6 klassische Finanz-KPIs erhoben. Diese bewerten das Unternehmen nach traditionellen Börsen-Maßstäben — unabhängig von der AI-Disruption.
| KPI | Was wird gemessen? | Datengrundlage |
|---|---|---|
| 📊 Fundamental | Gesamtbewertung der finanziellen Gesundheit. Kombination aus Umsatz, Gewinn, Cashflow, Bilanzstruktur. | 10-K/20-F, Quartalszahlen |
| 📈 Wachstum | Umsatz- und Gewinnwachstum (YoY). Wie schnell wächst das Unternehmen? | Revenue Growth Rate, EPS Growth |
| 💰 Bewertung | Ist die Aktie günstig oder teuer? Hoher Wert = günstiger bewertet. Berücksichtigt KGV, KUV, EV/EBITDA im Branchenvergleich. | P/E, P/S, EV/EBITDA vs. Peers |
| 💵 Profitabilität | Wie profitabel arbeitet das Unternehmen? Margen, Kapitalrendite (ROIC), operative Effizienz. | Gross Margin, Net Margin, ROIC |
| 🏦 Stabilität | Bilanz-Stabilität und Verschuldungsgrad. Wie krisenfest ist das Unternehmen? | Debt/Equity, Current Ratio, Free Cash Flow |
| 🎯 Dividende | Dividendenrendite und -wachstum. 0 = keine Dividende (nicht automatisch schlecht bei Wachstumsaktien). | Dividend Yield, Payout Ratio, Dividend Growth Rate |
Alle klassischen KPIs werden auf einer Skala von 0–10 bewertet, genau wie die AI-KPIs. Die Bewertung erfolgt durch GPT-4o-mini auf Basis der Yahoo Finance Finanzdaten.
⚖️ Wie AI-Era und klassische KPIs zusammenspielen
Die drei Perspektiven in der App zeigen unterschiedliche Blickwinkel auf dieselbe Aktie:
| Perspektive | Wann nutzen? | Was du siehst |
|---|---|---|
| 🧠 AI-Era Score Standard / Unser Modell |
Für Tech- und Software-Aktien mit hoher AI-Relevanz (>50%). Hier ist die Frage: Wird dieses Unternehmen von AI-Agenten profitieren oder bedroht? | 6 AI-KPIs: Schutzgraben, AI-Macher, Hebel-Effekt, Ablöse-Risiko, Daten-Motor, Andock-Fähigkeit |
| ⚖️ AI + Klassisch Kombinierte Sicht |
Für eine ausgewogene Einschätzung. Besonders sinnvoll bei mittlerer AI-Relevanz (30–70%) — z.B. Pharma, Automotive, Finanzdienstleister. | Top 3 AI-KPIs (Schutzgraben, AI-Macher, Hebel-Effekt) + Top 3 Klassik (Wachstum, Profitabilität, Bewertung) |
| 📊 Klassisch Traditionelle Analyse |
Für Aktien mit niedriger AI-Relevanz (<30%) — Tabak, Öl, Mining, Versorger. Oder wenn du einen rein finanziellen Blick willst, unabhängig von AI. | 6 Finanz-KPIs: Fundamental, Wachstum, Bewertung, Profitabilität, Stabilität, Dividende |
Wichtig: Der AI-Era Score (0–100) basiert ausschließlich auf den AI-KPIs. Die klassischen KPIs fließen nicht in den Score ein, sondern werden als ergänzende Perspektive angezeigt. So bleibt der Score vergleichbar und konsistent.
Empfehlung: Bei Aktien mit AI-Relevanz >70% → Primär AI-Score nutzen. Bei AI-Relevanz <30% → Primär klassische KPIs nutzen. Dazwischen → Kombinierte Sicht.
Empfehlung: Bei Aktien mit AI-Relevanz >70% → Primär AI-Score nutzen. Bei AI-Relevanz <30% → Primär klassische KPIs nutzen. Dazwischen → Kombinierte Sicht.
Beispiel — drei verschiedene Aktien:
| Aktie | AI-Relevanz | AI-Score | Klassisch-Stärke | Empfohlene Perspektive |
|---|---|---|---|---|
| NVIDIA | 95% | 86 (Strong Buy) | Wachstum 10, aber Bewertung 4 | 🧠 AI-Era |
| SAP | 70% | 48 (Hold) | Stabilität 8, Dividende 4 | ⚖️ Kombiniert |
| British Am. Tobacco | 15% | 50 (Hold) | Dividende 9, Profit 8 | 📊 Klassisch |
🏷️ Verdikt-Stufen
| Verdikt | Score-Bereich | Bedeutung |
|---|---|---|
| STRONG BUY | 80–100 | Herausragend positioniert für AI-Ära. Starke Empfehlung zur Vertiefung. |
| BUY | 65–79 | Gut positioniert, einige Risiken. Genauer ansehen. |
| HOLD | 45–64 | Neutral. AI-Impact unklar oder begrenzt. |
| SELL | 25–44 | Unter Druck durch AI-Disruption. Vorsicht. |
| STRONG SELL | 0–24 | Massiv bedroht. Geschäftsmodell wird möglicherweise obsolet. |
⚠️ Das Verdikt basiert ausschließlich auf AI-Era-Kriterien. Ein "SELL" bedeutet nicht, dass die Aktie fundamental schlecht ist — sondern dass sie im AI-Kontext unter Druck steht. Für eine vollständige Anlageentscheidung müssen klassische Fundamentaldaten, Makro-Umfeld und persönliche Risikotoleranz berücksichtigt werden.
📚 Datenquellen & Informationsbasis
| Datentyp | Quelle | Aktualisierung |
|---|---|---|
| Kursdaten, KGV, MCap | Yahoo Finance API (Echtzeit) | Bei jeder Analyse |
| Unternehmensprofil, Sektor | Yahoo Finance QuoteSummary | Bei jeder Analyse |
| KPI-Bewertung | GPT-4o-mini Analyse auf Basis von Profil + Finanzdaten | Bei jeder Analyse |
| Markt-Kontext | Bloomberg, FT, Handelsblatt, Reuters (täglicher Scan) | Mo–Fr, 7:30 Uhr |
| Branchen-Trends | IDC FutureScape, Gartner, McKinsey Reports | Quartalsweise |
Die KPI-Scores werden durch ein LLM (GPT-4o-mini) generiert, das Unternehmensdaten, Geschäftsmodell und Marktkontext analysiert. Dies ist eine qualitative, AI-gestützte Einschätzung — kein quantitatives Modell.
📊 Konfidenz & Signifikanz
Die Verlässlichkeit eines Scores hängt von der Informationslage ab:
| Konfidenz | Bedingungen | Beispiel |
|---|---|---|
Hoch | Großes Unternehmen, umfangreiche Finanzdaten, klare AI-Strategie öffentlich, Earnings-Calls verfügbar | NVIDIA, Microsoft, Amazon |
Gut | Solide Datenlage, AI-Strategie teilweise sichtbar, einige Unsicherheiten | Salesforce, CrowdStrike, SAP |
Mittel | Begrenzte öffentliche AI-Strategie, Scoring basiert stärker auf Branchenanalyse | Vertiv, Rheinmetall, Elbit |
Gering | Small Cap, wenig Daten, junge Firma, volatile Entwicklung | BigBear.ai, Nano-X, SoundHound |
Mindestanforderung für ein belastbares Rating:
• Öffentlich gehandelt mit min. 1 Jahr Kursdaten
• Mindestens 1 vollständiger Geschäftsbericht (10-K/20-F)
• Identifizierbare AI-Strategie oder klarer AI-Impact auf das Geschäftsmodell
• Scores mit Konfidenz ≤ 2 sind als explorative Einschätzung zu verstehen, nicht als Empfehlung.
• Öffentlich gehandelt mit min. 1 Jahr Kursdaten
• Mindestens 1 vollständiger Geschäftsbericht (10-K/20-F)
• Identifizierbare AI-Strategie oder klarer AI-Impact auf das Geschäftsmodell
• Scores mit Konfidenz ≤ 2 sind als explorative Einschätzung zu verstehen, nicht als Empfehlung.
🎓 Wissenschaftliche Grundlage
Die AI-Era Matrix basiert auf vier etablierten Frameworks:
- Porter's Five Forces (1979) — Wettbewerbsanalyse, adaptiert: AI-Agenten als neue "Marktteilnehmer" die bestehende Wertschöpfungsketten angreifen
- Christensens Disruption Theory (1997) — AI-Agenten als klassische disruptive Innovation: erst "gut genug" für einfache Tasks, dann überlegen. SaaS-Incumbents stecken im Innovator's Dilemma
- Metcalfe's Law / Netzwerkeffekte (2013) — Plattformen mit AI-Agenten-Ökosystemen skalieren exponentiell (→ Daten-Motor KPI)
- AI-Agent Displacement Model (2026, eigene Entwicklung) — Quantifiziert, wie stark autonome Agenten das Wertangebot eines Unternehmens substituieren vs. verstärken
Porter, M.E. (1979) "How Competitive Forces Shape Strategy", Harvard Business Review. | Christensen, C.M. (1997) "The Innovator's Dilemma", Harvard Business School Press. | Metcalfe, R. (2013) "Metcalfe's Law after 40 Years of Ethernet", IEEE Computer. | IDC FutureScape 2026: "70% of SaaS vendors will refactor pricing by 2028."
⚠️ Limitationen & Bias
- Qualitativ, nicht quantitativ: KPI-Scores werden durch ein LLM generiert, nicht durch ein mathematisches Modell berechnet. Subjektive Einschätzung trotz Frameworks.
- AI-Hype-Bias: In der aktuellen Marktphase wird AI-Readiness möglicherweise überbewertet. Traditionelle Fundamentaldaten bleiben relevant.
- Temporal Bias: Scores basieren auf dem aktuellen Stand. AI-Revolution ist 6–18 Monate vor dem Mainstream — Timing-Risiko.
- Nicht berücksichtigt: EU AI Act, Geopolitik (China-Chips-Embargo), Zinsniveau, Management-Qualität, Insider-Trading, Short Interest, Optionsmarkt.
- LLM-Limitationen: Das Analyse-Modell hat einen Wissensstand-Cutoff und kann aktuelle Ereignisse nur über den täglichen Market-Scan berücksichtigen.
- Kein Backtest: Das Modell ist neu (Feb. 2026) und hat noch keine historische Validierung. Die erste Performance-Messung erfolgt nach 2 Wochen.
🔄 Aktualisierungszyklus
| Was | Frequenz | Trigger |
|---|---|---|
| Kursdaten | Bei jeder Analyse | Nutzer-Suche |
| Market-Scan | Täglich Mo–Fr, 7:30 | Automatisch (Cron) |
| Score-Neuberechnung | Bei Bedarf / monatlich | Market-Scan-Signal oder manuell |
| Performance-Report | Alle 2 Wochen, Montag 9:00 | Automatisch (Cron) |
| Modell-Überprüfung | Quartalsweise | Performance-Daten |