Daten
Jeder Einsatz erzeugt mehr Bewegungsdaten, und jede neue Datenstunde macht das Modell schwerer replizierbar.
Investoren
Bewegung ist die letzte große Datenmodalität ohne Foundation Model.
Text hat GPT. Bilder haben DINO. Proteine haben AlphaFold. WithoutBall baut die Intelligenzschicht für menschliche Bewegung — selbstüberwacht, auf realen Daten validiert und aus eigener Kraft bis zu einem funktionierenden Proof of Concept geführt.
These
Jede Datenmodalität bekommt ihr Foundation Model. Bewegung ist die nächste.
Ein einziges selbstüberwachtes Modell, trainiert auf Skelettbewegung, lernt, wie technisch saubere, gesunde und sich verschlechternde Bewegung aussieht — und überträgt sich ohne aufgabenspezifische Labels auf Verletzungssignale, Scouting und Bewegungsgesundheit für Endnutzer.
| Modalität | Foundation Model | Status |
|---|---|---|
| Text | GPT | Etabliert |
| Bilder | DINO | Etabliert |
| Proteine | AlphaFold | Etabliert |
| Bewegung | WithoutBall — Hierarchical Motion Transformer | Offen — entsteht jetzt |
Proof of Concept
Validiert, nicht prognostiziert.
Eine einzige Trainingskampagne hat das wissenschaftliche Kernrisiko aus dem Unternehmen genommen. Diese Zahlen beschreiben, was bereits geschehen ist — keinen Plan.
Umgesetzt8×NVIDIA-H100-GPUs in einem durchgehenden Lauf
Umgesetzt14Tage ununterbrochenes verteiltes Training
Umgesetzt~2.700GPU-Stunden Rechenzeit
Umgesetzt0Labels — vollständig selbstüberwacht
Umgesetzt3auf zurückgehaltenen Realdaten validierte Fähigkeiten
Umgesetzt4Mitgründer — Forschung, Engineering, Spitzenfußball
Risiken ausgeräumt
Was der Proof of Concept bereits beantwortet hat.
Deep-Tech-Risiko ist eine Warteschlange offener Fragen. Diese fünf sind geschlossen.
| Risiko | Die Frage zu Beginn | Der Stand heute |
|---|---|---|
| Konvergenz | Konvergiert die Architektur auf realen, verrauschten Skelettdaten? | Ja — das Training blieb über die gesamte 14-tägige Kampagne stabil. |
| Zielfunktion | Kann Selbstüberwachung Bewegungsstruktur ohne Labels lernen? | Ja — Ziele aus maskierter Rekonstruktion und Mehransichten-Konsistenz lieferten Embeddings, die Tempo, Stabilität und Gelenkasymmetrien kodieren. |
| Fehlende Daten | Kann ein Modell Verdeckungen und Lücken nativ verarbeiten? | Ja — der Umgang mit fehlenden Daten ist Teil des Trainingsziels, kein Vorverarbeitungs-Patch. |
| Umsetzung | Kann dieses Team mehrwöchiges verteiltes Training in großem Maßstab betreiben? | Ja — das Gründerteam hat die 8-GPU-Kampagne durchgehend geplant, ausgeführt und überwacht. |
| 2D→3D | Passt das Anheben gewöhnlicher Videos nach 3D in dieselbe Architektur? | Ja — das Lifting wird als Rekonstruktion aus einer verlustbehafteten Sicht gelernt, in einem einzigen Forward-Pass. |
Markt
Zwei Märkte, ein Modell.
Eine F&E-Investition speist zwei Erlöskanäle: Klub-Intelligenz für den Profifußball (B2B) und Bewegungsgesundheit für alle mit einer Handykamera (B2C).
| Signal | Wert | Quelle |
|---|---|---|
| Sportanalytik | 4,5 Mrd. $ (2025) → 14+ Mrd. $ (2030), ~25 % CAGR | Grand View Research; MarketsandMarkets |
| Verletzungsökonomie | 3–10 Mio. € — die Kosten einer einzigen schweren Verletzung für einen Spitzenklub | Branchenschätzungen zum Kaderwert-Effekt |
| Fitness-Technologie | 12+ Mrd. $ | Statista |
| Wearables | 60+ Mrd. $ | IDC |
| Regelmäßige Läufer | 150+ Mio. weltweit | World Athletics; IHRSA |
| Ganganalyse heute | 500–2.000 € pro Laborsitzung; zugänglich für unter 1 % der Athleten | Veröffentlichte Labor-Sitzungspreise |
Für einen Klub finanziert eine einzige verhinderte schwere Verletzung Jahre an Analytik. Für einen Läufer ersetzt die Handykamera einen Laborbesuch, zu dem heute weniger als einer von hundert Athleten Zugang hat.
Plattform
Ein Modell, eine Plattform aus Produkten.
Jedes Produkt unten ist ein leichtgewichtiger Kopf auf denselben Bewegungs-Embeddings. Jedes weitere Produkt nutzt die gemeinsame Repräsentation wieder, statt einen neuen Stack zu errichten — das nächste Produkt wird günstiger zu bauen.
Klub-Intelligenz — B2B
- InjuryRadar
- SkeletonAPI
- MoveSearch
- MoveID
Bewegungsgesundheit für Endnutzer — B2C
- Verletzungsprävention
- Lauf-Biomechanik
- Reha-Monitoring
- Movement Readiness
384-dimensionale Bewegungs-Embeddings — eine gemeinsame Repräsentation
Hierarchical Motion TransformerSelbstüberwachtes Foundation Model · ohne Labels
- InjuryRadarLeitproduktRoadmap
Biomechanische Frühwarnung für den gesamten Kader — feine Drift wird Wochen sichtbar, bevor sie zum Ausfall wird.
- SkeletonAPIRoadmap
Saubere 3D-Bewegungsdaten aus gewöhnlichem Video, in einem einzigen Forward-Pass.
- MoveSearchRoadmap
Semantische Suche über eine Saison an Bewegung — Verhalten abfragen, nicht Tags.
- MoveIDRoadmap
Spieleridentifikation allein aus dem Gangbild.
- VerletzungspräventionRoadmap
Persönliche biomechanische Frühwarnung aus der Handykamera.
- Lauf-BiomechanikRoadmap
Formanalyse und Einblick in die Bewegungsqualität für jeden Lauf.
- Reha-MonitoringRoadmap
Objektive Verlaufsmessung zwischen Klinikterminen — niemals eine medizinische Diagnose.
- Movement ReadinessRoadmap
Ein tägliches Readiness-Signal, abgeleitet daraus, wie Sie sich tatsächlich bewegen.
Burggraben
Eine Position, vier sich verstärkende Schleifen.
Tracking-Systeme messen. Video-Tools taggen. Labore analysieren. Wearables zählen. Pose-Schätzer erkennen. Niemand versteht.
WithoutBall sitzt oberhalb der Pose-Schätzung und unterhalb der Anwendungen — eine Ergänzung zu Tracking- und Video-Anbietern, kein Konkurrent. Der Burggraben ist keine einzelne Barriere, sondern vier Schleifen, die sich mit jedem Betriebsmonat enger ziehen:
Produkte
Neue Produkte sind leichte Köpfe auf gemeinsamen Embeddings — jeder Launch vergrößert die Fläche, die ein Rivale einholen muss.
Nutzer
Längsschnitt-Baselines pro Person gewinnen mit der Nutzung an Wert — ein Wechsel bedeutet, die eigene Historie aufzugeben.
Vertrauen
Klubs und Kliniker gewähren Vertrauen langsam und halten es lange. Evidenzbasierte Antworten lassen es Monat für Monat wachsen.
Team
Vier Gründer, eine Schnittmenge.
WithoutBall zu replizieren erfordert Machine Learning auf Forschungsniveau, Domänenwissen aus dem Spitzenfußball und Produktions-Engineering in einem Raum. Jedes davon ist rar. Die Schnittmenge ist der Burggraben.
CEO · Mitgründer
Kemal İnecik
Promovierter ML‑Forscher (Helmholtz Munich & TUM) und Entwickler tiefer generativer Modelle in einem der führenden KI‑für‑die‑Wissenschaft‑Labore. Verwandelt Spitzenforschung in reale Produkte.
Mitgründer · ML & KI
Fabian J. Theis
Professor an der TUM und Direktor bei Helmholtz Munich. Leibniz-Preisträger, ERC‑Advanced‑Grant‑Inhaber und einer der meistzitierten Wissenschaftler Europas im Bereich Maschinelles Lernen für die Lebenswissenschaften.
Mitgründer · Fußball
Şeref Çiçek
UEFA-Pro-lizenzierter Trainer mit zweiundzwanzig Jahren auf Elite-Niveau. Führte Beşiktaş zu zwei Süper-Lig-Titeln in Folge und trainierte die türkische Nationalmannschaft. Hält die KI am Boden der Realität.
Mitgründer · Engineering
Özgür Ak
Maschinenbauingenieur an der Schnittstelle aus Sensorik, Biomechanik und skalierbarer Software. Baut Systeme, die Bewegungsdaten in produktionsreife Intelligenz verwandeln.
Finanzierungsstatus
Aus eigener Kraft zu einem validierten Foundation Model.
100 % im Besitz der Gründer, kein externes Kapital, keine Schulden. Derzeit läuft eine Seed-Runde zur Finanzierung der Modellskalierung, der ersten Klub-Piloten und der Consumer-Beta.
| Position | Status |
|---|---|
| Eigentum | 100 % in Gründerhand — ein sauberer Cap Table |
| Externes Kapital | Keines — bis zum Proof of Concept aus eigener Kraft |
| Schulden | Keine |
| Phase | Pre-Revenue · Deep-Tech-F&E |
| Runde | Seed-Runde läuft |
| Partnerschaften | In aktiven Gesprächen mit professionellen Fußballorganisationen; aktive Forschungskooperation mit Helmholtz Munich & TUM |
Der weit überwiegende Teil des neuen Kapitals fließt in F&E und Engineering — unser wirksamstes Vertriebsinstrument ist ein funktionierendes Modell, dem richtigen Gegenüber vorgeführt. Nur ein kleiner Anteil geht ins Marketing.
Roadmap
Meilensteine statt Termine.
Wir sequenzieren den Plan so, dass die Fragen mit der größten Unsicherheit zuerst gelöst werden — mit den günstigsten möglichen Experimenten. Phasen schreiten mit Meilensteinen voran, nicht mit dem Kalender.
- 01
Validieren Roadmap
Das Modell gegen Standard-Pipelines benchmarken, die Datenpipeline skalieren und die ersten Pilotgespräche eröffnen.
- 02
Erste Umsätze Roadmap
Piloten in die ersten zahlenden Klub-Deployments überführen.
- 03
Consumer-Beta Roadmap
Die Beta der Consumer-App öffnen, während die Klub-Basis wächst.
- 04
Wachstum Roadmap
Plattform-API und angrenzende Vertikalen jenseits des Fußballs.
Datenraum
Die Details liegen unter NDA.
Detaillierte Finanzdaten, Cap Table und Partnerschaftsinformationen stehen qualifizierten Investoren unter NDA zur Verfügung — info@withoutball.com.