Yield-Optimierung: Warum das die einzige KI-Wette ist, die zählt

Travel-KI hat kein Ankündigungsproblem. Es hat ein Defensibilitätsproblem. Wer gerade beobachtet, wie Investitionsrunden folgen auf Pressemitteilungen folgen auf Demo-Videos, der fragt sich irgendwann: Was davon überlebt das nächste Marktkorrektur-Quartal?

Mia Morisset hat dafür einen klaren Filter entwickelt: Wird KI zum Kernprodukt – oder bleibt sie ein Feature, das man anschraubt? Der Unterschied entscheidet, ob ein Unternehmen in fünf Jahren noch existiert.

Yield-Optimierung: Geld, das immer da war

Morissets erste These ist eindeutig. Bei Yield und Ancillary Optimization liegen die Chips. Nicht weil das Thema neu wäre – Yield Management entstand in der Airline-Industrie vor Jahrzehnten –, sondern weil KI erstmals ermöglicht, was manuell schlicht zu komplex war.

„Yield and ancillary optimization is where I'd put my chips. Companies like Hopper, TravelX, and Fairlyne are finally capturing revenue that was always there but too complex to unlock manually — personalized upsell at booking, post-booking seat buyback, transferable ticket markets, loyalty monetization. In today's macro environment, a 1% uplift in gross profit isn't a nice-to-have, it's a board conversation.“

– Mia Morisset, Venture-Investorin

Das Entscheidende an diesem Ansatz: Die Defensibilität wächst mit jeder Transaktion. Ein Modell, das mit jedem Buchungsvorgang schärfer wird, baut einen Vorsprung auf, den Wettbewerber nicht einfach einkaufen können.

Corporate Travel: Riesiger Markt, kaum gemanagt

Geschäftsreisen sind zurück. Aber wie Unternehmen reisen, hat sich grundlegend verändert: Bleisure-Trips, Team-Offsites, hybride Arbeitsmuster. Trotzdem laufen die meisten Buchungen noch immer unmanaged – ohne Tool, ohne Auswertung, ohne Optimierung.

Für Morisset ist das eine der größten Chancen im gesamten Segment. Anbieter wie Naboo und Boompop gehen diesen Markt an. Was das Spielfeld interessant macht: Die Incumbents hier wurden als Service-Geschäfte gebaut – viele Menschen, viel manuelle Koordination. KI verbessert dieses Modell nicht nur schrittweise. Sie kann es vollständig ersetzen.

Drei Signale für echtes ROI

Morisset nennt drei konkrete Indikatoren, an denen sie echte KI-Defensibilität erkennt – und alle drei lassen sich an realen Unternehmen festmachen.

1. KI als Kernprodukt, nicht als Add-on

Guesty ist ihr Beispiel für einen gelungenen Übergang. Das Unternehmen hat sein KI-System auf über 500.000 Listings trainiert. Das Ergebnis: Pricing, Gäste-Messaging, Betrugserkennung und Listing-Optimierung laufen durch dieselbe Intelligenz-Schicht. Jeder Workflow wird mit der Zeit schärfer. Das ist laut Morisset ein „System of Intelligence“ – kein „System of Record“.

2. Revenue-to-Headcount als Kennzahl

Super.com ist das Zahlen-Beispiel, das sie immer wieder zitiert: über 200 Millionen Dollar annualisierter Umsatz mit etwas mehr als 200 Mitarbeitenden. Das neueste Produkt wuchs von null auf 100 Millionen Dollar ARR in zwei Jahren – nicht durch Marktgunst, sondern weil das Unternehmen Support, Pricing und Personalisierung komplett um KI herum neu gebaut hat. Diese Revenue-to-Headcount-Ratio war vor wenigen Jahren schlicht nicht denkbar.

3. Distribution Moats durch Datenwachstum

Hoppers Technology Solutions zeigt, wie ein Flywheel aussieht, das tatsächlich dreht: Price Freeze und Cancel-for-Any-Reason direkt in den Checkout-Flow von Airlines und OTAs eingebettet. Hopper verdient dabei Umsatz, ohne den Endreisenden selbst akquirieren zu müssen. Jeder neue Partner liefert mehr Daten, die das Risikopricing schärfen, das wiederum weitere Partner anzieht.

Das Ergebnis laut Morisset: TripAdvisor sieht bereits, dass 15 Prozent der Hotel-Bucher ein HTS-Produkt kaufen – in 190 Ländern. Das ist kein Feature mehr.

Wo Kapital verbrennt

Den dritten Teil ihres Frameworks – wo sie Kapital abfließen sieht, ohne strukturelle Gegenleistung – wird Morisset auf dem Skift Data + AI Summit am 3. Juni in New York City ausführen. Das vollständige Interview ist bei Skift verfügbar.

Was sich aus ihrer Systematik ableiten lässt: Der Unterschied zwischen skalierbarem KI-Business und teurer Demo liegt nicht im Algorithmus. Er liegt in der Frage, ob das Unternehmen nach dem ersten Jahr mehr weiß als vorher – und ob dieses Wissen in den Preis eingepreist ist, den kein Wettbewerber ohne dieselbe Datenbasis replizieren kann.