Arena, das Startup, das vor allem für das öffentliche Leaderboard bekannt ist, über das viele KI-Labore die Leistung ihrer Modelle vergleichen, gibt an, nur acht Monate nach der Einführung seines kostenpflichtigen Produkts ein Unternehmen mit einer auf das Jahr hochgerechneten Umsatzrate von 100 Millionen US-Dollar geworden zu sein. Laut TechCrunch erreichte das Unternehmen diesen Meilenstein nach der Einführung eines kommerziellen Dienstes im September, der Nutzerbewertungsdaten und Community-Tests in Analysen für Modellentwickler und Unternehmenskunden umwandelt.

Die Behauptung ist weit über die Wachstumsgeschichte eines einzelnen Startups hinaus von Bedeutung. Arena begann 2023 als Forschungsprojekt an der UC Berkeley und wurde zu einem festen Bestandteil des KI-Ökosystems, da es eine offene, Crowdsourced-Methode anbot, um Modelle direkt miteinander zu vergleichen. Wenn die gemeldeten Umsätze des Unternehmens korrekt sind, zeigt dies, dass die Bewertung selbst zu einer wichtigen Ebene des Stacks für generative KI (Generative AI) wird: nicht nur als öffentliche Anzeigetafel für Modell-Enthusiasten, sondern als Arbeitsablauf, für den Labore und Unternehmen bereit sind zu bezahlen, während sie Qualitätssteigerungen in der Phase nach dem Training (Post-Training) und beim Einsatz anstreben.

Vom öffentlichen Leaderboard zur bezahlten Bewertungsplattform

Arena hat seinen Ruf auf einem einfachen Interaktionsmodell aufgebaut. Auf seiner Consumer-Website gibt ein Nutzer einen Prompt ein, das System sendet ihn an zwei KI-Modelle, und der Nutzer wählt aus, welches Ergebnis besser ist. Mit der Zeit fließen diese paarweisen Einschätzungen in ein Leaderboard ein, das laut TechCrunch auf mehr als 10 Millionen Nutzerbewertungen basiert.

Dieses öffentliche Ranking-System bleibt laut Bericht kostenlos. Die kommerzielle Umstellung erfolgte im September, als Arena „AI Evaluations“ startete, einen Dienst, der sich an Modell-Labore und Unternehmen richtet. TechCrunch beschreibt das Produkt als eine Lösung, die tiefere Leistungsanalysen auf der Grundlage von Daten liefert, die aus der Bewerter-Community von Arena gesammelt wurden.

Diese Positionierung ist wichtig. Arena verkauft kein Basismodell, keinen Inferenzzugang und kein Anwendungsschicht-Produkt. Es verkauft Feedback, Benchmarking und vergleichende Leistungsanalysen in einer Zeit, in der Labore versuchen, Gewinne aus dem Post-Training, Verstärkungsmethoden (Reinforcement Learning), Sicherheitstuning und aufgaben-spezifischer Optimierung herauszuholen.

TechCrunch berichtet, dass Arena Modelle in den Bereichen Text, Programmierung, Vision und Bildgenerierung bewertet und kürzlich einen Agent-Modus hinzugefügt hat, der sich auf komplexe, länger laufende Arbeitsabläufe konzentriert. Diese Erweiterung ist wichtig, da einfache Chatbot-Vergleiche nicht mehr das gesamte Spektrum der Aufgaben abdecken, die für Unternehmen relevant sind. Käufer verlangen zunehmend Nachweise über die Zuverlässigkeit bei Programmieraufgaben, multimodalen Eingaben und agentischen Ketten, die mehrere Schritte und Werkzeuge umfassen.

Warum diese Zahl jetzt wichtig ist

Das Timing erklärt, warum Investoren und Kunden aufmerksam werden. Arena sammelte im Januar in einer Serie-A-Finanzierungsrunde 150 Millionen US-Dollar bei einer gemeldeten Post-Money-Bewertung von 1,7 Milliarden US-Dollar ein. Zu diesem Zeitpunkt lag der annualisierte Umsatz des Unternehmens laut TechCrunch bei 30 Millionen US-Dollar. Das gleiche Medium berichtet nun, dass diese Zahl in den Monaten seitdem auf eine annualisierte Run-Rate von 100 Millionen US-Dollar gestiegen ist.

Selbst wenn man die lose Natur der Run-Rate-Berechnungen berücksichtigt, ist dies eine starke Beschleunigung. Es deutet darauf hin, dass die Nachfrage nach Bewertungen und Post-Training-Unterstützung parallel zum Modellmarkt selbst skaliert. Da Modellveröffentlichungen häufiger und die Leistungsunterschiede geringer geworden sind, ist der Wert glaubwürdiger Vergleichstests gestiegen. Ein Labor kann sich nicht mehr allein auf breite Benchmark-Siege verlassen, wenn Kunden sich für domänenspezifische Leistung, Regressionsrisiken oder das Verhalten eines Modells bei echten Nutzeranfragen interessieren.

Das Wachstum von Arena spiegelt auch eine breitere kommerzielle Realität in der KI wider: Da Modelle immer einfacher zugänglich werden, verlagert sich die Differenzierung auf Daten, Tuning, Workflow-Leistung und Vertrauen. Ein öffentliches Leaderboard kann das Engagement der Community fördern, aber eine bezahlte Analyseebene kann dieselbe zugrunde liegende Bewertungsaktivität monetarisieren, wenn Kunden glauben, dass das Signal nützlich ist.

Es gibt noch einen weiteren strategischen Aspekt. Der öffentliche Dienst von Arena verschafft dem Unternehmen eine seltene Position auf dem Markt: Es ist nah an den Modellveröffentlichungen und profitiert oft vom Nutzerinteresse am Testen von neu veröffentlichten oder sogar noch unveröffentlichten Modellen. Dies verleiht dem Unternehmen einen Vorteil bei der Datensammlung und Sichtbarkeit, den man nur schwer schnell von Grund auf neu schaffen könnte.

Das Geschäftsmodell ist stark, aber die Terminologie zählt

Eines der bemerkenswertesten Details im Bericht von TechCrunch ist, dass der Geschäftsführer von Arena, Anastasios Angelopoulos, Berichten zufolge klarstellte, dass das Unternehmen eine verbrauchsbasierte Preisgestaltung (Consumption Pricing) verwendet. Mit anderen Worten: Die Zahl von 100 Millionen US-Dollar ist kein klassischer annualisierter wiederkehrender Umsatz (ARR), der auf Abonnements oder vertraglich vereinbarten wiederkehrenden Ausgaben basiert.

Diese Unterscheidung ist für jeden wichtig, der das Geschäft bewerten möchte. Der verbrauchsabhängige Umsatz kann schneller skalieren als platzbasierte SaaS, insbesondere wenn Kunden die Nutzung schnell hochfahren. Er kann jedoch auch volatiler sein. Wenn Modell-Labore bei Tests kürzen, Anbieter konsolidieren oder einige Bewertungsarbeiten intern übernehmen, verhalten sich die Ausgaben möglicherweise nicht wie bindende Software-Abonnements.

TechCrunch sagt, dass Arena die Zahl als ARR bezeichnet, während es gleichzeitig anerkennt, dass der Umsatz im herkömmlichen Sinne nicht wiederkehrend ist. Leser sollten die Zahl daher als annualisierte Run-Rate auf Basis der aktuellen Nutzung betrachten und nicht als eine vollständig vertraglich zugesicherte, wiederkehrende Umsatzbasis.

Das macht den Meilenstein nicht weniger wichtig. Es bedeutet lediglich, dass die Struktur des Geschäfts wahrscheinlich anders aussieht als bei klassischer Unternehmenssoftware. Für Entwickler und Investoren ist die richtige Frage weniger, ob das Akronym passt, sondern ob die Nutzung der Bewertung tief genug in die Entwicklungszyklen eingebettet ist, um eine dauerhafte Nachfrage zu erzeugen.

Der Wettbewerb beschränkt sich nicht nur auf andere Leaderboard-Startups

Der gemeldete Erfolg von Arena kommt zustande, obwohl direkte Analoga begrenzt erscheinen. TechCrunch stellt fest, dass Yupp, ein weiteres Crowdsourced-KI-Modell-Auswahl-Startup, im März geschlossen wurde. Angelopoulos sagte der Publikation, dass Arena stattdessen um dasselbe Budget konkurriert wie Anbieter von menschlicher Kennzeichnung (Human Labeling) und Post-Training-Diensten wie Mercor, Surge und Scale AI.

Dieser Vergleich ist aufschlussreich. Er rahmt Arena weniger als Medienobjekt oder Benchmarking-Website ein, sondern vielmehr als Infrastruktur für die Modellverbesserung. Menschliche Bewerter, Präferenzdaten, Rankingsysteme und detaillierte Analysen tragen alle zum selben Ziel bei: Modelle bei Aufgaben, die Entwicklern wichtig sind, leistungsfähiger zu machen.

TechCrunch verbindet das Wachstum von Arena mit breiteren Anzeichen dafür, dass der Markt für Post-Training schnell wächst. Das Medium zitiert frühere Berichte von „The Information“, wonach der Brutto-Jahresumsatz von Handshake aus KI-Training zwischen Januar und April von 550 Millionen auf fast 1 Milliarde US-Dollar gestiegen ist und dass der annualisierte Umsatz von Mercor Anfang dieses Jahres die 1-Milliarde-Dollar-Marke überschritten hat, nachdem er im vergangenen September bei etwa 500 Millionen US-Dollar gelegen hatte. Diese Zahlen sind Kontext aus dem Zweitmarkt und keine frischen Offenlegungen in Arenas eigenem Bericht, aber sie stützen die Idee, dass KI-Bewertung, -Kennzeichnung und -Training zu großen Ausgabenkategorien werden.

Für den Markt bedeutet das, dass sich das Schlachtfeld verschiebt. Modellanbieter konkurrieren immer noch bei Frontier-Releases (fortschrittlichsten Modellen), aber ein wachsender Teil des Wertes liegt möglicherweise in den Schichten, die Kunden mitteilen, welches Modell besser ist, warum es besser ist und wie es verbessert werden kann.

Beweise, Attribution und was noch nicht verifiziert ist

Die Kernnachrichten in dieser Geschichte stammen aus der Berichterstattung von TechCrunch, einschließlich der Aussagen, die dem CEO von Arena, Anastasios Angelopoulos, zugeschrieben werden. Die 100-Millionen-Dollar-Zahl von Arena ist daher ein vom Unternehmen gemeldeter Umsatzmeilenstein, keine unabhängig geprüfte Finanzoffenlegung im bereitgestellten Quellenmaterial.

Mehrere andere wichtige Details stammen ebenfalls aus dem Bericht von TechCrunch: dass Arena 2023 als Projekt an der UC Berkeley entstand; dass es im September sein kommerzielles Produkt „AI Evaluations“ startete; dass das öffentliche Leaderboard mehr als 10 Millionen Nutzerbewertungen widerspiegelt; dass das Unternehmen laut Bericht im Januar einen annualisierten Umsatz von 30 Millionen US-Dollar hatte; und dass es insgesamt 250 Millionen US-Dollar von Investoren wie Felicis, Andreessen Horowitz, Kleiner Perkins, Lightspeed und anderen eingesammelt hat.

Der Bericht identifiziert auch die Mitbegründer von Arena als Angelopoulos, CTO Wei-Lin Chiang sowie den UC-Berkeley-Professor und Databricks-Mitbegründer Ion Stoica, der das Projekt beriet, bevor das Unternehmen im April 2025 gegründet wurde.

Ungewiss bleibt die genaue Zusammensetzung der 100-Millionen-Dollar-Run-Rate. Die bereitgestellte Quelle schlüsselt weder die Anzahl der Kunden, die durchschnittlichen Ausgaben, die Kundenbindung (Retention), die Bruttomargen noch die Mischung zwischen Modell-Laboren und Unternehmenskäufern auf. Sie bietet auch keine Validierung durch Dritte, wie prädiktiv das öffentliche Leaderboard von Arena für reale Produktionsergebnisse ist. Diese Lücken sind wichtig, da viele Unternehmen heute domänenspezifische Bewertungen wünschen und nicht nur breite Popularität oder Community-Präferenzsignale.

Was das für KI-Entwickler und Unternehmenskäufer bedeutet

Für Modellentwickler unterstreicht Arenas Aufstieg eine praktische Wahrheit: Ein starkes Modell auszuliefern reicht nicht mehr aus. Teams benötigen eine kontinuierliche Bewertung über Releases, Aufgabentypen und Workflow-Längen hinweg. Ein Dienst, der schnell Präferenzdaten, vergleichende Analysen und Regressionen liefern kann, kann Iterationszyklen verkürzen und das Risiko verringern, einen schwächeren Checkpoint zu fördern.

Für Anwendungsteams ist die Situation etwas anders. Öffentliche Leaderboards sind nützliche Werkzeuge zur Entdeckung, aber Produktionsentscheidungen erfordern normalerweise engere Tests, die mit den eigenen Prompts, Richtlinien und Fehlerschwellen eines Unternehmens verknüpft sind. Der kommerzielle Vorstoß von Arena deutet darauf hin, dass ein Appetit auf externe Bewertungsinfrastruktur besteht, aber Käufer sollten dennoch hinterfragen, ob der Testdatensatz ihren Anwendungsfall widerspiegelt, ob Urteile reproduzierbar sind und wie schnell der Anbieter Regressionen nach einem Modell-Update erkennen kann.

Für Unternehmen ist die größere Implikation die Beschaffung. Die Bewertung entwickelt sich von einer Ad-hoc-Forschungsfunktion zu einem Posten, der neben Modellzugang, Leitplanken (Guardrails), Beobachtbarkeit (Observability) und Datenkennzeichnung stehen kann. Das kann die Disziplin bei der Bereitstellung verbessern, schafft aber auch Überschneidungen zwischen Anbietern, die Benchmarking, menschliches Feedback, Red-Teaming und Unterstützung nach dem Training anbieten. Käufer müssen zwischen nützlichen Signalen und teuren, aber generischen Dashboards unterscheiden.

Was als Nächstes zu beobachten ist

Das nächste Signal, das es zu beobachten gilt, ist, ob Arena seine aktuelle Momentum bei der Run-Rate in dauerhafte Unternehmenskontrakte umwandelt oder primär ein nutzungsgetriebener Dienst bleibt, der an das Tempo von Modellveröffentlichungen gebunden ist. Mehr Details zum Kundenmix und zur Kundenbindung würden helfen, dies zu klären.

Eine zweite Frage ist, ob große Labore ihre Abhängigkeit von externen Bewertungsplattformen vertiefen oder mehr von diesem Stack intern aufbauen. Wenn externe Plattformen weiterhin Budgets gewinnen, könnte die Bewertung eine eigene große Software- und Dienstleistungskategorie werden. Wenn Labore die Arbeit internalisieren, müssen sich unabhängige Anbieter möglicherweise weiter spezialisieren.

Drittens: Beobachten Sie, wie sich der Agent-Modus von Arena entwickelt. Wenn Kunden zunehmend langlaufende Arbeitsabläufe statt einzelner Prompts bewerten, könnte das Unternehmen für Unternehmenskäufer, die Agenten einsetzen, relevanter werden, nicht nur für Modellentwickler, die dem Leaderboard-Ranking nachjagen.

Schließlich: Achten Sie auf die Prüfung von Benchmarks und Transparenz. Wenn die Bewertung zu einer geschäftskritischen Infrastruktur wird, werden Kunden mehr Klarheit über Methodik, Sampling-Bias, Reproduzierbarkeit und darüber verlangen, ob öffentliche Rankings mit privaten Produktionsergebnissen übereinstimmen.

Creati.ai-Perspektive

Das gemeldete Wachstum von Arena ist ein nützlicher Indikator dafür, wohin die KI-Ausgaben fließen. Die Modellschicht erhält immer noch die meiste Aufmerksamkeit, aber diese Geschichte legt nahe, dass der Markt zunehmend die Maschinerie um die Modelle herum schätzt: Ranking, Feedback, Tuning und Qualitätsnachweis. Das gilt besonders jetzt, wo Modellunterschiede subtil, schnelllebig und stark von der Gestaltung des Arbeitsablaufs abhängig sein können.

Die Vorsicht gebietet jedoch, dass nicht jedes Bewertungssignal gleich ist. Crowdsourced-Präferenzdaten können mächtig sein, aber Unternehmen benötigen Nachweise, dass ein Leaderboard in echte betriebliche Leistung bei ihren eigenen Aufgaben übersetzt werden kann. Wenn Arena diese Brücke schlagen kann – die Offenheit bewahrend, die es einflussreich gemacht hat, während es gleichzeitig rigorosen Wert in bezahlten Implementierungen beweist –, könnte es dazu beitragen, eine Kategorie zu definieren, die irgendwo zwischen Benchmark-Labor, Datenplattform und Post-Training-Anbieter angesiedelt ist.