Die Partnerin eines Münchner Frühphasenfonds bestätigt zwei Konferenztage, bekommt einen Kalender mit zehn vorterminierten Founder-Meetings und stellt Ihrem Team am ersten Morgen die Frage, an der die Teilnahme im nächsten Jahr hängt: Warum genau diese zehn? Wenn die ehrliche Antwort “das hat der Algorithmus entschieden” lautet, haben Sie ein Problem, das keine Keynote repariert.
Die Frage kommt 2026 häufiger, und sie kommt schärfer. Im ersten Halbjahr 2026 haben US-Startups 412,7 Milliarden US-Dollar eingesammelt, mehr als im gesamten Jahr 2025, und 87,5 Prozent dieses Kapitals floss in Runden ab 100 Millionen US-Dollar (PitchBook-NVCA Venture Monitor, Q2 2026). Je stärker sich das Kapital konzentriert, desto überlaufener sind die wenigen Investoren, die alle treffen wollen, und desto genauer schauen sie darauf, wem ein Veranstalter ihre knappe Zeit zuteilt.
Dieser Leitfaden erklärt, was zwischen einem Founder-Profil und einem bestätigten Investor-Meeting tatsächlich passiert: die vier Familien der Matching-Logik, die Daten, die jede davon braucht, die Stellen, an denen sie scheitern, und die Fragen, mit denen Sie eine Black Box im Anbietergespräch erkennen. Die Kernaussage vorweg: Über die Qualität Ihrer Meetings entscheiden die Regel- und Datenschicht unter dem Algorithmus, nicht seine Raffinesse. Ein Match, das Sie nicht erklären können, können Sie auch nicht verteidigen.
Was ist ein Investor-Matching-Algorithmus?
Ein Investor-Matching-Algorithmus ist die Logik, mit der eine Eventplattform entscheidet, welche Founder und welche Investoren sich treffen sollten. Er bewertet jede mögliche Paarung nach Kriterien wie Branche, Finanzierungsphase, Ticketgröße und erklärten Zielen, wendet die Meeting-Regeln des Veranstalters an und macht aus den besten Paarungen einen Plan bestätigter 1:1-Meetings.
Bewusst steht in dieser Definition “Logik” und nicht “KI (künstliche Intelligenz)”: Einige der leistungsfähigsten Setups kommen ganz ohne maschinelles Lernen aus. Falls Ihnen das Konzept selbst noch neu ist, beginnen Sie mit unserem Grundlagen-Beitrag Was ist Investor-Matchmaking? und kehren Sie für die Mechanik hierher zurück.
Warum die Mechanik 2026 zur Chefsache wird
Die Kapitalkonzentration aus dem zweiten Absatz hat eine direkte operative Folge: Die Aufmerksamkeit konzentriert sich mit. Wenn drei Fondsgesellschaften 48,1 Prozent des neu eingesammelten Fondskapitals auf sich vereinen, werden deren Partner auf jeder Konferenz zu den meistangefragten Profilen. Ohne bewusste Matching-Logik reproduziert Ihr Event dieses Ungleichgewicht, statt es zu korrigieren: Eine Handvoll Fonds ertrinkt in Anfragen, alle anderen warten.
Warum Matching-Logik unter Druck steht
Kapital und Aufmerksamkeit konzentrieren sich weiter
Strukturiertes Matching ist das Gegengewicht des Veranstalters. Sehen wir uns die Maschine dahinter an.
Die vier Familien der Matching-Logik
Anbieter beschreiben ihre Algorithmen in sehr unterschiedlichem Vokabular, von “16 Strategien” bis “hunderte Datenpunkte”. Unter dem Marketing kombiniert fast jede Plattform Bausteine aus vier Ansätzen. Auf Startup-Konferenzen kommen vier Familien von Matching-Logik zum Einsatz: regelbasierte Meeting-Matrizen, gewichtetes Kriterien-Scoring, verhaltensbasiertes Matching (Collaborative Filtering) und semantisches Matching mit maschinellem Lernen.
1. Die regelbasierte Meeting-Matrix
Die Meeting-Matrix ist die Regelschicht. Sie legt fest, welche Teilnehmergruppen welche anderen Gruppen sehen, suchen und anfragen dürfen, und in welche Richtung: Founder dürfen Investoren anfragen, Investoren sehen nur Startups innerhalb ihrer erklärten Investmentthese, Dienstleister sehen keine von beiden, sofern sie nicht eingeladen werden. Die Forschung bestätigt den Wert dieser Schicht: Eine Arbeit der TU Wien zu Event-Empfehlungssystemen zeigt, dass Meeting-Regeln wie “Founder treffen Investoren, Investoren treffen keine Investoren” den Raum möglicher Paarungen drastisch verkleinern, bevor überhaupt ein Scoring läuft (Bugl, 2023).
Jedes Match lässt sich erklären, indem man auf eine Regel zeigt. Das macht diese Familie zum revisionssicheren Standard für Programme unter Compliance- oder Vorstandsaufsicht. Ihre Grenze ist das Sortieren: Innerhalb einer erlaubten Gruppe ordnet eine reine Matrix nichts. Zweihundert zulässige Startups bleiben zweihundert. Die Matrix entscheidet, wer sich treffen darf. Sie rät nie.
2. Gewichtetes Kriterien-Scoring
Das Scoring liefert die Rangfolge. Jede zulässige Paarung sammelt Punkte für erklärte Passung: Branchenüberschneidung, Phasen-Match, Ticketgröße innerhalb der Runde des Founders, Geografie, gegebenenfalls Mandate wie ESG-Kriterien (Umwelt, Soziales, Unternehmensführung). Die Gewichte legen Sie oder die Plattform fest. Eine Series-A-Fintech-Gründerin erzielt einen hohen Score mit einem Fintech-fokussierten Series-A-Fonds und fast null mit einem Biotech-Seed-Investor.
Die Mechanik ähnelt eher einer Tabellenkalkulation als einem neuronalen Netz, und genau das ist die Stärke: Sie können die Formel ausdrucken und jede Platzierung darin begründen. Die Schwäche liegt in den Eingaben. Wenn die Hälfte Ihrer Investoren jede Branche ankreuzt, um sich Optionen offenzuhalten, sieht jedes Match plausibel aus und keines ist es. Das Scoring ist nur so ehrlich wie die Profile, die es liest.
3. Verhaltensbasiertes Matching (Collaborative Filtering)
Die dritte Familie beobachtet, was Teilnehmende tun, statt was sie angeben: welche Profile ein Investor öffnet, welche Anfragen angenommen und welche ignoriert werden. Daraus entstehen Empfehlungen nach dem Muster “Investoren mit ähnlichem Verhalten wollten auch dieses Startup treffen”. Das ist Streamingdienst-Logik, angewendet auf Dealflow, und auf großen wiederkehrenden Events funktioniert sie, weil tausende Interaktionen dem System zeigen, was erklärte Profile verschweigen.
Zwei strukturelle Probleme bleiben. Erstens der Kaltstart: Bei einer Erstauflage gibt es kein Verhalten, aus dem das System lernen könnte, die Empfehlungen sind Rätselraten, bis genug Anfragen fließen. Zweitens die Rückkopplung: Verhaltensbasierte Systeme verstärken, wer ohnehin populär ist, und lenken noch mehr Anfragen auf die fünf sichtbarsten Fonds, also exakt auf die Konzentration, die Sie eigentlich korrigieren wollten. Wenn genau das Ihr Schmerzpunkt ist: Unser Playbook zum Vermeiden von Investor-Overload bei Demo Days behandelt die Verteilungsseite im Detail.
4. Semantisches Matching (Embeddings und Sprachmodelle)
Die jüngste Familie liest Freitext. Sie nimmt die Produktbeschreibung des Founders und das Thesenpapier des Investors und bildet beide in einem mathematischen Raum ab, in dem “Lieferkettenlogistik” nahe bei “automatisiertem Bestandsmanagement” liegt, obwohl sich die Wörter nie überschneiden. Eine Checkbox-Taxonomie braucht dieser Ansatz nicht, was ihn dort am stärksten macht, wo Profile reich, ausformuliert und mehrsprachig sind.
Der Preis ist Intransparenz. Das Relevanzurteil steckt in einem Modell, das niemand ausdrucken kann. Geht eine Paarung schief, steht als Erklärung ein Ähnlichkeitswert in der Akte, kein Grund. Wo KI-Schichten sinnvoll sitzen und wo nicht, vertiefen wir in KI-Matchmaking bei Events: So funktioniert es.
Die vier Familien im Vergleich
| Logik | Benötigte Daten | Transparenz | Kaltstart-Risiko | Am besten für |
|---|---|---|---|---|
| Meeting-Matrix | Gruppendefinitionen, Meeting-Regeln | Voll: jede Regel sichtbar | Keins | Erstauflagen, Compliance-Programme |
| Kriterien-Scoring | Strukturierte Profile | Hoch: Gewichte ausdruckbar | Gering | Thesengetriebene Investor-Events |
| Verhaltensbasiert | Interaktionshistorie | Gering | Hoch | Große wiederkehrende Konferenzen |
| Semantisch | Freitext-Profile | Gering bis mittel | Mittel | Ausformulierte, mehrsprachige Profile |
Welche Daten der Algorithmus wirklich braucht
Jede Familie steht und fällt mit ihren Eingaben, und der Unterschied zwischen einem nützlichen und einem nutzlosen Profil heißt Absicht. Ein Häkchen bei “Interesse an KI” kann einen Käufer nicht von einem Founder und nicht von einem Jobsuchenden unterscheiden. Die Felder, die Investor-Matching wirklich bewegen, sind konkreter:
- These und Phase: Welche Branchen, welche Finanzierungsphasen, formuliert als Einschränkung statt als Interesse. “B2B-SaaS (Business-to-Business), Seed bis Series A” ist matchbar, “Innovation” nicht.
- Ticketgröße und Runde: Ein Investor mit 500.000-Euro-Tickets sollte keine Gründerin treffen, die 30 Millionen einsammelt, egal wie ähnlich die Schlagworte sind.
- Geografie und Mandat: Fondsauflagen, regionaler Fokus, Diversitäts- oder Impact-Mandate, die den Pool hart filtern.
- Aktuelle Absicht: Was beide Seiten von diesem Event, in diesem Quartal wollen: aktiv investierend, gerade fundraisend, einen Markt sondierend.
Daraus folgen zwei Arbeitsregeln. Halten Sie das Registrierungsformular kurz und verlangen Sie Präzision nur bei diesen Feldern, denn Profiltiefe sagt die Match-Qualität besser voraus als die Raffinesse des Algorithmus. Und planen Sie zwei Wochen vor Matching-Start eine Datenqualitätsrunde ein: Leeren Thesen-Feldern läuft man hinterher wie offenen Rechnungen. Gute Eingaben sind unglamourös. Sie sind auch der größte Teil des Ergebnisses.
Vom Match-Score zum Meeting-Plan
Eine sortierte Liste von Paarungen ist noch kein Meeting. Der Schritt vom Score zum Plan unterscheidet Event-Matchmaking am deutlichsten von Dating-Apps und Fundraising-Datenbanken, und er hat eine akademischere Herkunft, als die meisten Anbieterfolien verraten. Das Deferred-Acceptance-Verfahren, das stabile Paarungen garantiert, also Paarungen, bei denen kein Duo lieber tauschen würde, stammt von Gale und Shapley aus dem Jahr 1962 und wurde 2012 mit dem Wirtschaftsnobelpreis für Roth und Shapley gewürdigt. Aktuelle Forschung zeigt, dass es auch mit stark verkürzten Präferenzlisten robust bleibt (McCauley et al., 2026). Das ist praxisrelevant, denn niemand auf Ihrer Konferenz wird zweihundert Profile in eine Rangfolge bringen.
Blick in die Pipeline
Wie aus einem Profil ein bestätigtes Meeting wird
- Signale Profile und Absichten fließen ein Strukturierte Felder und erklärte Ziele beider Seiten bilden das Rohmaterial.
- Regeln Die Meeting-Matrix filtert Sichtbarkeits- und Richtungsregeln entfernen unzulässige Paarungen, bevor sortiert wird.
- Scoring Zulässige Paare werden sortiert Gewichtete Kriterien, Verhalten oder Semantik ordnen, was die Regeln erlauben.
- Plan Bestätigte Matches werden Slots Beidseitig bestätigte Meetings landen überschneidungsfrei in Zeitfenstern, an Tischen und in Videoräumen.
In der Planungsschicht stecken außerdem die operativen Nebenbedingungen, die reines Scoring ignoriert: Quoten pro Investor, keine Doppelbuchung gegen Pitch-Slots, Tischkapazität, Pufferzeiten. Erst hier wird aus einer Matching-Engine ein Veranstaltungswerkzeug. Wie viele Meetings Sie pro Investor zulassen sollten, ist eine eigene Kapazitätsfrage; unser Playbook zum Maximieren von Investor-Meetings auf einer zweitägigen Konferenz rechnet sie durch.
Woran Matching-Algorithmen scheitern
Vier Fehlerbilder erklären die meisten enttäuschten Feedback-Bögen, und keines davon behebt ein besseres Modell.
Der Kaltstart trifft Erstauflagen, die auf Verhaltenslogik setzen: keine Historie, kein Signal, zufällig wirkende Vorschläge in Woche eins. Dünne Profile höhlen das Scoring aus: Der Algorithmus sortiert selbstbewusst auf Basis von Daten, die gar nicht da sind. Die Überlastungs-Rückkopplung ist das Problem aus Familie drei: Ohne Deckelung schickt jede Rangliste die gesamte Menge zu denselben fünf Fonds. Und der Perfektionsmythos ist ein Einkaufsfehler, kein technischer. Die Matching-Theorie selbst zeigt, dass kein Verfahren gleichzeitig stabil und vollständig immun gegen strategisches Verhalten sein kann (Ravindranath et al., 2021). Ein Anbieter, der perfekte Matches verspricht, beschreibt eine mathematische Unmöglichkeit.
Das realistische Ziel sieht anders aus: erklärbare Logik, messbare Annahme- und Durchführungsquoten, Deckel, die Aufmerksamkeit verteilen. Unperfekt und nachvollziehbar schlägt optimal und undurchsichtig.
Können Sie das Match erklären? Die Compliance-Ebene 2026
Erklärbarkeit war lange eine Geschmacksfrage. 2026 ist sie eine Rechtsfrage. Artikel 22 der DSGVO (Datenschutz-Grundverordnung) gibt Teilnehmenden das Recht, bei automatisierten Entscheidungen eine menschliche Überprüfung zu verlangen, und der EU AI Act, inzwischen in voller Anwendung, hebt die Dokumentationspflichten für Systeme an, deren Entscheidungen spürbare Folgen haben, etwa welche Startups vor welchen Investoren landen. Für Veranstalter im DACH-Raum heißt das praktisch: Ihre Plattform braucht einen Prüfpfad und eine Eingriffsmöglichkeit, nicht nur gute Vorschläge.
An dieser Stelle kehrt die Partnerin vom Anfang zurück. Wenn sie fragt, warum genau diese zehn Founder, dann beendet eine Antwort wie “Ihre erklärte These, der Phasenfilter, beidseitige Bestätigung, Regel vier” das Gespräch mit intaktem Vertrauen. Ein Ähnlichkeitswert tut das nicht.
Solution: Converve setzt beim Matching auf eine regelbasierte Meeting-Matrix, die Sie pro Teilnehmergruppe konfigurieren, mit Scoring-Unterstützung darüber. Jede Paarung führt auf eine sichtbare Regel plus eine beidseitige Bestätigung zurück, was das Programm unter Artikel 22 DSGVO prüfbar hält und vor Ihren anspruchsvollsten Gästen verteidigbar macht. Wie das B2B-Matchmaking-Modul arbeitet und wie Investor-Konferenzen es mit Pitch-Sessions kombinieren, zeigt unsere Seite zu Startup- und Investor-Events.
Sieben Fragen an Ihren Plattform-Anbieter
Stellen Sie diese Fragen in der Demo, in dieser Reihenfolge. Die Antworten trennen transparente Systeme schneller von Black Boxes als jede Feature-Liste.
- Warum hat Teilnehmer A auf Ihrem letzten Event Teilnehmerin B getroffen, und können Sie die beteiligten Regeln und Profilfelder benennen?
- Was macht Ihr Algorithmus bei einer Erstauflage, ohne Verhaltenshistorie, aus der er lernen könnte?
- Wie schützen Sie die meistangefragten Gäste: Anfrage-Deckel, Quoten, gestufte Sichtbarkeit?
- Welche Profilfelder treiben den Match-Score, und können wir sie für unser Publikum umgewichten?
- Bestätigen beide Seiten, bevor ein Meeting im Plan landet, oder bucht das System zwangsweise?
- Wie unterstützen Sie Artikel 22 DSGVO und die Pflichten aus dem EU AI Act: Prüfpfad, menschliche Überprüfung, Eingriffsmöglichkeit?
- Welche Ergebniskennzahlen liefert die Plattform ab Werk: Annahmequote, Durchführungsquote, Folgetermin-Quote?
Ein Anbieter, der alle sieben beantwortet, ohne zum Wort “proprietär” zu greifen, ist ein Anbieter, mit dem Sie ein Programm bauen können.
Häufige Fragen
Brauchen Investor-Matching-Algorithmen KI?
Nein. Eine regelbasierte Meeting-Matrix plus gewichtetes Kriterien-Scoring erzeugt prüfbare Matches mit hohen Annahmequoten, ganz ohne maschinelles Lernen. KI-Schichten bringen Mehrwert bei großen Teilnehmerzahlen und ausformulierten Freitext-Profilen, bleiben aber eine optionale Verfeinerung über den Regeln, keine Voraussetzung.
Was ist eine gute Annahmequote bei einem Investor-Event?
Richtwerte sind eine Match-Annahmequote von 40 bis 60 Prozent, eine Durchführungsquote über 80 Prozent und eine Folgetermin-Quote von 20 bis 30 Prozent (Converve Event-Matchmaking-FAQ, 2026). Eine Plattform, die diese Zahlen nicht ausweisen kann, kann auch nicht belegen, dass ihr Algorithmus funktioniert; das vollständige Kennzahlen-Set steht in unserem Event-Matchmaking-FAQ.
Welche Matching-Logik eignet sich für eine Erstauflage?
Regeln plus Kriterien-Scoring. Beide funktionieren vom ersten Tag an, weil sie mit erklärten Profilen arbeiten statt mit Interaktionshistorie. Rein verhaltensbasierte Systeme brauchen Daten, die Ihre erste Ausgabe nicht hat. Behandeln Sie “der Algorithmus lernt Ihre Community kennen” als Feature für Jahr zwei, nicht für den Start.
Wie verhindern Algorithmen, dass Top-Investoren überflutet werden?
Der Algorithmus allein verhindert das nicht, die Regelschicht tut es. Anfrage-Deckel, Meeting-Quoten pro Investor und gestufte Sichtbarkeitsregeln halten die begehrtesten Profile antwortfähig. Verhaltensbasiertes Nachsortieren sollte immer innerhalb dieser Grenzen laufen, nie an ihrer Stelle.
Fazit: Kaufen Sie die Logik, die Sie verteidigen können
Investor-Matching ist keine Magie, und Anbieter, die das Gegenteil suggerieren, verstecken meist genau die Mechanik, die dieser Leitfaden durchgegangen ist. Vier Familien von Logik, eine Datenschicht, die sie füttert, eine Planungsschicht, die aus Scores Meetings macht: Das ist die ganze Maschine. Die Veranstalter, die damit gewinnen, sind selten die mit dem raffiniertesten Modell. Es sind die, die auf die Frage “Warum diese zehn?” in einem Satz antworten können, bei jeder Ausgabe, gegenüber jeder Partnerin, die fragt.
Wählen Sie Regeln, die Sie ausdrucken können, Daten, die Sie wirklich erheben, und einen Algorithmus, den jemand in Ihrem Team erklären kann. Sie möchten sehen, wie eine erklärbare Meeting-Matrix für Ihre Konferenz aussähe? Nehmen Sie Kontakt mit Converve auf, wir führen Sie durch ein Live-Setup.
