Daten
Jeder Einsatz erzeugt mehr Bewegungsdaten, und jede weitere Stunde an Daten macht das Modell schwerer replizierbar.
Investoren
Bewegung ist die letzte große Datenmodalität ohne Foundation Model.
Text hat GPT. Bilder haben CLIP. 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 lässt sich ohne aufgabenspezifische Labels auf Verletzungssignale, Scouting und Bewegungsgesundheit für Endnutzer übertragen.
| Modalität | Foundation Model | Status |
|---|---|---|
| Text | GPT | Etabliert |
| Bilder | CLIP | Etabliert |
| Proteine | AlphaFold | Etabliert |
| Bewegung | WithoutBall – Hierarchical Motion Transformer | Offen – entsteht jetzt |
Warum jetzt
Fünf unabhängige Trends, ein Schluss.
Keiner dieser Trends liegt in unserer Hand. Jeder ist für sich gereift; zusammen machen sie ein Foundation Model für Bewegung heute erst möglich – und sie machen das Zeitfenster zu einer First-Mover-Frage.
Die Posenschätzung ist gereift
Verlässliche Skelette aus gewöhnlichem Video zu extrahieren war jahrzehntelang ein Forschungsproblem. Seit etwa 2022 ist es Produktionsrealität: Moderne Posenschätzer lesen 2D-Skelette aus jeder Kamera in Echtzeit. Der Rohinput, den ein Bewegungsmodell braucht, ist zur Commodity geworden.
Das Foundation-Model-Paradigma ist bewiesen
Selbstüberwachte Modelle, trainiert auf großen ungelabelten Korpora, übertreffen heute aufgabenspezifische Systeme in Sprache, Bild, Audio und Proteinstruktur. Das Rezept ist etabliert; es auf eine neue Modalität anzuwenden ist kein Sprung ins Ungewisse mehr.
Bewegungsvideo wurde in großem Maßstab nutzbar
Bewegungsvideo existiert im Überfluss – in der Welt des Sports wie im Alltag. Sobald es sich in saubere Skelettdaten überführen lässt, wird dieser Überfluss zum Rohstoff eines Foundation Models. Vor drei Jahren war er unbrauchbar; heute nicht mehr.
Die Ausgaben für Sporttechnologie beschleunigen sich
Profiklubs kaufen Performance-Technologie bereits in großem Umfang, und die Analytik-Budgets wachsen um rund 25 % pro Jahr. Die Nachfrage nach Analysen jenseits von Volumenmetriken ist explizit – Analysten wissen, dass Belastungszahlen allein nicht erklären, wie ein Spieler sich bewegt.
Die Nachfrage nach Bewegungsgesundheit ist demografisch
1,4 Milliarden Menschen werden 2030 über 60 sein (WHO). Muskel-Skelett-Erkrankungen sind schon heute weltweit die häufigste Ursache von Behinderung und kosten die europäischen Gesundheitssysteme über 200 Mrd. € im Jahr. Der Bedarf, Bewegungsqualität zu messen und zu erhalten, ist strukturell, nicht zyklisch.
Diese Trends sind unabhängig – keiner hängt von uns ab, und keiner kehrt sich leicht um. Unsere Lesart: Das Zeitfenster, das Foundation Model der Bewegung zu etablieren, ist jetzt offen – und es verengt sich, je offensichtlicher das Rezept für weitere Forschungsgruppen wird.
Proof of Concept
Validiert, nicht prognostiziert.
Eine einzige Trainingskampagne hat die wissenschaftliche Kernfrage beantwortet: Kann ein Transformer die Struktur menschlicher Bewegung allein aus rohen Skeletten lernen? 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
Dies sind beobachtete Ausgaben des Proof-of-Concept-Modells auf zurückgehaltenen Daten – keine Projektionen. Der erste veröffentlichte Meilenstein der Roadmap ist ein direkter Benchmark gegen die stärkste verfügbare Standard-Pipeline.
Risiken ausgeräumt
Was der Proof of Concept bereits beantwortet hat.
Deep-Tech-Risiko ist eine Warteschlange offener Fragen. Diese fünf sind geklärt.
| 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 – selbstüberwachtes Training auf roher Bewegung lieferte Embeddings, die Tempo, Stabilität und Gelenkasymmetrien kodieren – ganz ohne Labels. |
| Fehlende Daten | Kann ein Modell Verdeckungen und Lücken nativ verarbeiten? | Ja – das Modell stellt verdeckte und fehlende Gelenke nativ wieder her; Robustheit gegenüber Lücken ist eingebaut, nicht aufgesetzt. |
| 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 Lifting gewöhnlicher Videos nach 3D in dieselbe Architektur? | Ja – dasselbe Modell stellt die Tiefe wieder her, die eine Kamera verwirft: 2D-Video hinein, konsistente 3D-Skelette heraus, in einem Forward-Pass. |
Markt
Zwei Märkte, ein Modell.
Bewegung ist der integrierte Output von Muskel-Skelett- und Nervensystem – eines der reichhaltigsten Gesundheits- und Leistungssignale überhaupt, und eines der am wenigsten genutzten. Die Werkzeuge, die Klubs und Endnutzer heute kaufen, messen Volumen: Distanz, Belastung, Schritte, Herzfrequenz. Die Frage, die keines von ihnen beantwortet – wie bewegt sich diese Person, und was bedeutet das –, ist der Markt. Eine einzige F&E-Investition speist beide Seiten davon.
Profifußball – B2B
| Signal | Wert | Quelle |
|---|---|---|
| Sportanalytik | 4,5 Mrd. $ (2025) → 14+ Mrd. $ (2030), ~25 % CAGR | Grand View Research; MarketsandMarkets |
| Verletzungslast | ≈50 Verletzungen je Kader und Saison auf europäischem Top-Niveau – Hunderte verlorene Spielertage | UEFA Elite Club Injury Study |
| Verletzungsökonomie | 3–10 Mio. € – die Gesamtkosten einer einzigen schweren Verletzung für einen Spitzenklub | Branchenschätzungen: medizinische Kosten, Gehälter während der Genesung, Effekt auf den Transferwert |
| Ausgaben für Performance-Technologie | Millionen Euro je Klub und Jahr, mit rund 25 % jährlichem Wachstum | Veröffentlichte Technologiebudgets der Klubs |
Persönliche Bewegungsgesundheit – B2C
| Signal | Wert | Quelle |
|---|---|---|
| Fitness-Technologie | 12+ Mrd. $ (2025), rund 12 % Wachstum pro Jahr | Statista |
| Wearables | 60+ Mrd. $ | IDC |
| Regelmäßige Läufer | 150+ Mio. weltweit; jährliche Verletzungsinzidenz auf 37–79 % geschätzt, überwiegend biomechanisch bedingt | World Athletics; IHRSA; systematische Reviews (van Mechelen; van Gent et al., Br J Sports Med) |
| Fitnessstudio-Mitglieder | ~200 Mio. weltweit, mit Übungen unter Last, bei denen die Ausführung das Verletzungsrisiko bestimmt | IHRSA-Branchenschätzungen |
| Ganganalyse heute | 500–2.000 € je Laborsitzung; zugänglich für unter 1 % derer, die davon profitieren würden | Veröffentlichte Preise je Laborsitzung |
| Demografischer Rückenwind | 1,4 Mrd. Menschen über 60 bis 2030; Muskel-Skelett-Erkrankungen kosten die europäischen Gesundheitssysteme schon heute über 200 Mrd. € im Jahr | WHO |
Der B2B-Einstieg, in Organisationen gezählt
~98Klubs in Europas Top-5-Ligen
200+Klubs in Europas zweiten Ligen
~50Nationalteam-Programme
Für einen Klub finanziert eine einzige verhinderte schwere Verletzung Jahre an Analytik. Für einen Läufer ersetzt die Smartphone-Kamera 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 Head auf denselben Bewegungs-Embeddings. Jedes weitere Produkt nutzt die gemeinsame Repräsentation wieder, statt einen neuen Stack zu errichten – jedes zusätzliche Produkt lässt sich günstiger bauen.
Klub-Analytik – B2B
- InjuryRadar
- SkeletonAPI
- MoveSearch
- MoveID
Bewegungsgesundheit für Endnutzer – B2C
- Verletzungsprävention
- Lauf-Biomechanik
- Reha-Monitoring
- Tagesform
384-dimensionale Bewegungs-Embeddings – eine gemeinsame Repräsentation
Hierarchical Motion TransformerSelbstüberwachtes Foundation Model · ohne Labels
- InjuryRadarLeitproduktRoadmap
Biomechanische Frühwarnung für den gesamten Kader – feine Drift wird sichtbar, Wochen bevor sie zum Ausfall wird.
- SkeletonAPIRoadmap
Saubere 3D-Bewegungsdaten aus gewöhnlichem Video, in einem einzigen Forward-Pass.
- MoveSearchRoadmap
Semantische Suche über eine ganze Saison Bewegung – abgefragt wird Verhalten, nicht Tags.
- MoveIDRoadmap
Spieleridentifikation allein aus dem Gangbild.
- VerletzungspräventionRoadmap
Persönliche biomechanische Frühwarnung aus der Smartphone-Kamera.
- Lauf-BiomechanikRoadmap
Formanalyse und Kennzahlen zur Bewegungsqualität für jeden Lauf.
- Reha-MonitoringRoadmap
Objektive Verlaufsmessung zwischen Klinikterminen – niemals eine medizinische Diagnose.
- TagesformRoadmap
Ein tägliches Readiness-Signal, abgeleitet daraus, wie Sie sich tatsächlich bewegen.
Wettbewerbsumfeld
Fünf belebte Kategorien, eine leere Schicht.
Jede bestehende Kategorie löst ein echtes Problem und hat ein echtes Geschäft aufgebaut. Jede endet auch an derselben Linie: Sie erfasst Bewegung, ohne sie zu verstehen. Achten Sie auf das Muster in der letzten Spalte – es ist die Position, die wir besetzen.
| Kategorie | Repräsentative Anbieter | Was sie tun | Was sie nicht können |
|---|---|---|---|
| Tracking-Systeme | Catapult; Stats Perform; Second Spectrum | Position, Tempo, Distanz, Belastung, Event-Erkennung | Bewegungsqualität lesen oder erkennen, wie sich die Mechanik eines Spielers verändert |
| Videoanalyse | Hudl; Wyscout; InStat | Events taggen, Clips abrufen, Statistik-Dashboards bauen | Nach Bewegungsähnlichkeit suchen oder biomechanische Muster erkennen |
| Klinische Ganglabore | Vicon; Qualisys | 3D-Erfassung nach Goldstandard, Kraftmessplatten, Expertenbefunde | Über das Labor hinaus skalieren – sechsstellige Installationen, eine Handvoll Probanden pro Tag |
| Fitness-Wearables | Whoop; Garmin; Apple Watch; Oura | Schritte, Herzfrequenz, Schlaf, Recovery-Scores | Bewerten, wie Sie sich bewegen – statt nur, wie viel Sie sich bewegt haben |
| Posenschätzungs-Bibliotheken | Open-Source-Posenschätzer | Gelenkpositionen im Video erkennen, schnell und kostenlos | Verstehen, was die erkannte Pose bedeutet – Erkennung ohne Verständnis |
| Bewegungsintelligenz | WithoutBall | Lernt Struktur und Bedeutung der Bewegung selbst | – die Schicht, die jeder Zeile darüber fehlt |
WithoutBall sitzt oberhalb der Posenschätzung 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.
Burggraben
Eine Position, vier sich verstärkende Schleifen.
Tracking-Systeme messen. Video-Tools taggen. Labore analysieren. Wearables zählen. Posenschätzer erkennen. Niemand versteht.
Produkte
Neue Produkte sind leichtgewichtige Heads auf gemeinsamen Embeddings – jeder Launch vergrößert die Fläche, die ein Wettbewerber nachbilden muss.
Nutzer
Längsschnitt-Baselines pro Person gewinnen mit der Nutzung an Wert – ein Wechsel bedeutet, die eigene Historie aufzugeben.
Vertrauen
Klubs und Kliniker schenken Vertrauen langsam – und bewahren es lange. Evidenzbasierte Antworten lassen es Monat für Monat wachsen.
Die Schleifen erklären, warum der Burggraben tiefer wird. Vier Barrieren erklären, warum es ihn überhaupt gibt – warum ein etablierter Anbieter nicht einfach ein Team abstellen und aufholen kann:
Architektur auf Forschungsniveau
Der Hierarchical Motion Transformer ist eine eigens entworfene Architektur, kein Standardmodell, das auf neue Daten gerichtet wurde. Die etablierten Anbieter der Sportanalytik sind Softwareorganisationen, keine Transformer-Forschungslabore – eines aufzubauen ist eine mehrjährige Transformation, kein Produkt-Sprint.
Selbstüberwachung für Skelette
Selbstüberwachtes Training auf Skeletten in Bewegung zum Funktionieren zu bringen – so, dass das Modell Biomechanik lernt statt Abkürzungen –, ist ein offenes Forschungsproblem, kein dokumentiertes Rezept. Es zu lösen erforderte Tiefe im Repräsentationslernen, angeleitet von einem der meistzitierten ML-Wissenschaftler Europas.
Biomechanisches Domänenwissen
Ein Modell kann technisch korrekt und biomechanisch bedeutungslos sein. Zu wissen, worauf das Modell sensibel reagieren muss und was es ignorieren darf, verlangt Tiefe aus dem Spitzenfußball – jede Architekturentscheidung wurde vom ersten Tag an anhand realer Trainings- und Medizin-Workflows validiert.
Compute- und Trainingsinfrastruktur
Foundation Models verlangen dauerhaften Zugang zu GPU-Clustern und das Distributed-Training-Engineering, um ihn über Wochen zuverlässig zu nutzen. Wir haben eine Kampagne über ~2.700 GPU-Stunden durchgehend betrieben – eine Infrastruktur, die die meisten Sporttechnologie-Unternehmen nie betrieben haben.
Der Replikationstest: Ein Wettbewerber braucht das Forschungsteam, die Rechenleistung, eine Pipeline, die Bewegungsvideo in großem Maßstab in trainingstaugliche Skelette überführt, Beziehungen quer durch den Profifußball, die das Modell ehrlich halten, und die Geduld, ein Jahr F&E vor dem ersten Umsatz zu finanzieren. Jedes Teil ist erreichbar. Die Kombination in einer einzigen Organisation ist der Burggraben – und er zieht sich enger, je mehr sich Daten, Produkte und Vertrauen verstärken.
Datenstrategie
Bewusst unabhängig von jedem einzelnen Partner.
Ein Foundation Model ist nur so gut wie seine Datenstrategie. Unsere beruht auf einem Prinzip: Kein einzelner Partner, keine Liga, kein Anbieter darf das Modell einschränken. Drei Kanäle, jeder mit einer anderen Aufgabe.
| Kanal | Was er liefert | Status |
|---|---|---|
| Bewegungsdaten in großem Maßstab | Ein riesiges und wachsendes Korpus an Bewegungsvideo, in Skelettdaten überführt – vielfältig über Sportarten, Körpertypen, Altersgruppen und Leistungsniveaus hinweg. Vielfalt ist, was ein Foundation Model zum Generalisieren braucht. | Skaliert jetzt |
| Professionelle Kooperationen | Tiefe und Strenge: Beziehungen quer durch den Profifußball, die das Modell in realen Trainings- und Medizin-Workflows verankern. | In aktiven Gesprächen |
| Nutzerdaten mit Einwilligung – künftig | Sobald Produkte ausgeliefert sind, können Deployments – mit ausdrücklicher Einwilligung – Bewegungsdaten in das Training zurückspeisen, auf DSGVO-konformen Grundlagen, die von Anfang an mitentworfen wurden. | Entworfen, noch nicht aktiv |
Mehr NutzerMehr BewegungsdatenEin besseres ModellBessere Produkte
…die wiederum mehr Nutzer anziehen
Die Einzelheiten der Datenquellen sind aus Prinzip vertraulich – aus demselben Grund, aus dem die Strategie funktioniert: Sie sind Teil des Burggrabens. Details stehen qualifizierten Investoren im Datenraum unter NDA zur Verfügung.
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
Machine-Learning-Doktorand an Helmholtz Munich & TUM, entwickelt tiefe generative Modelle in einem der weltweit führenden Labore für KI in der Wissenschaft. Autor von mehr als zehn ML-Publikationen – darunter in Nature, Cell, ICML und NeurIPS, weitere in Arbeit. Entwarf den Hierarchical Motion Transformer von Grund auf und trainierte ihn durchgehend selbst.
Mitgründer · ML & KI
Fabian J. Theis
Professor an der TUM und Direktor bei Helmholtz Munich. Träger des Leibniz-Preises – Deutschlands renommiertesten Forschungspreises – und eines ERC Advanced Grant, einer der meistzitierten Wissenschaftler Europas im Bereich Maschinelles Lernen für die Lebenswissenschaften. Seine Gruppe hat Pionierarbeit bei der Anwendung von Foundation Models auf biologische Daten geleistet – der engste methodische Präzedenzfall für ein Foundation Model der Bewegung.
Mitgründer · Fußball
Şeref Çiçek
Trainer mit UEFA-Pro-Lizenz und zweiundzwanzig Jahren Erfahrung auf Elite-Niveau. Führte Beşiktaş zu zwei Süper-Lig-Titeln in Folge und trainierte die türkische Nationalmannschaft. Der Fachmann, der die KI auf dem Boden der Tatsachen hält – Mitgründer, nicht Berater.
Mitgründer · Engineering
Özgür Ak
Maschinenbauingenieur an der Schnittstelle von Sensorik, Biomechanik und skalierbarer Software. Baut die Produktionsstrecke von rohen Bewegungsdaten bis zu ausgelieferten Vorhersagen – Ingestion, verteiltes Training, Inferenz – verankert in der Physik der Bewegung, nicht nur in Software-Abstraktionen.
Nehmen Sie einen beliebigen Gründer heraus, und das Unternehmen verliert eine Fähigkeit, die die anderen nicht abdecken: die Architektur, die wissenschaftliche Glaubwürdigkeit und den institutionellen Zugang, die fachliche Validierung und den Marktzugang oder die Produktionssysteme. Diese Komplementarität ist gewollt – und sie ist hier am schwersten zu replizieren.
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 Pilotprojekte mit Klubs 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, das der richtigen Person vorgeführt wird. Nur ein kleiner Anteil geht ins Marketing.
Roadmap
Meilensteine statt Termine.
Wir staffeln den Plan so, dass die Fragen mit der größten Unsicherheit zuerst gelöst werden – mit den günstigsten möglichen Experimenten. Der Übergang zwischen Phasen folgt Meilensteinen, nicht dem Kalender.
- 01
Validieren Roadmap
Wir skalieren das Modell und die Datenpipeline, benchmarken direkt gegen die stärkste verfügbare Standard-Alternative und nehmen die ersten Pilotgespräche auf.
Abschluss: veröffentlichter Benchmark · 1–2 Pilotklubs an Bord
- 02
Erste Umsätze Roadmap
Wir überführen Pilotprojekte in die ersten zahlenden Klub-Kunden und iterieren das Produkt anhand realen Klub-Feedbacks – getestet wird die Zahlungsbereitschaft, nicht die Gesprächsbereitschaft.
Abschluss: 1–3 zahlende Klub-Kunden
- 03
Consumer-Beta Roadmap
Sind Technologie und B2B-Markt beide validiert, starten wir eine fokussierte Consumer-Beta – zuerst die Laufanalyse –, während die Klub-Basis wächst.
Abschluss: Consumer-Beta live · 4–8 Klub-Kunden
- 04
Wachstum Roadmap
Wir skalieren beide Kanäle, öffnen die Plattform-API und erschließen angrenzende Vertikalen jenseits des Fußballs.
Abschluss: wachsende Klub- und Abonnentenbasis
Die Reihenfolge ist bewusst gewählt. Phase 1 beantwortet die härteste technische Frage – schlägt das Modell die beste verfügbare Standard-Alternative? – mit einem günstigen, binären Experiment. Phase 2 beantwortet die härteste kommerzielle Frage: Werden Klubs zahlen? Phase 3 setzt erst dann auf Endnutzer, wenn beide Antworten vorliegen. Scheitert eine Phase, lernen wir früh und günstig – und die Seed-Runde ist so bemessen, dass sie die ersten beiden Phasen vollständig finanziert und die dritte beginnt; es gibt also mehrere Entscheidungspunkte, bevor das Kapital ausgegeben ist.
Metriken
Was wir messen – und was wir bewusst nicht prognostizieren.
Deep Tech vor dem ersten Umsatz wird nicht in Finanzkennzahlen gemessen. Es wird daran gemessen, ob die Technologie funktioniert, ob das Team liefert und ob der Markt anspringt. Wir veröffentlichen, was bereits geschehen ist; Projektionen gehören in den Datenraum.
Heute – Technologie und Umsetzung
| Metrik | Status |
|---|---|
| Foundation Model | Entworfen, gebaut und auf realen Daten validiert |
| Proof-of-Concept-Training | 8× NVIDIA H100 · 14 Tage · ~2.700 GPU-Stunden |
| Validierte Fähigkeiten | Repräsentationslernen · Skelett-Rekonstruktion · 2D→3D-Lifting |
| Datenpipeline | Skaliert – Bewegungsvideo wird in trainingstaugliche Skelettdaten überführt |
| Team | Vier Mitgründer: ML-Forschung, Spitzenfußball, Engineering |
| Partnerschaften | Mehrere Gespräche im Profifußball aktiv |
| Öffentliche Präsenz | withoutball.com in drei Sprachen live; Early-Access-Warteliste geöffnet |
Als Nächstes – die Beweispunkte, auf die es ankommt
| Beweispunkt | Die Frage, die er beantwortet | Reihenfolge |
|---|---|---|
| Direkter Benchmark | Schlägt das Modell die stärkste verfügbare Standard-Pipeline bei fußballrelevanten Aufgaben? | Phase 01 |
| Erstes Klub-Pilotprojekt | Wird ein Profiklub das Produkt einsetzen und weiter nutzen? | Phase 01 |
| Erster zahlender Klub | Wird aus einem Pilotprojekt nach der Testphase Umsatz? | Phase 02 |
| Consumer-Beta | Können Endnutzer biomechanisches Feedback vom Smartphone verstehen und umsetzen? | Phase 03 |
Unit Economics werden an öffentlichen Vergleichswerten aus Sporttechnologie und Consumer Health gemessen, sobald es Umsatz zu berichten gibt. Bis dahin veröffentlichen wir keine Finanzprojektionen – eine Disziplin, die wir als Stärke verstehen, und dieselbe Ehrlichkeit, die die Status-Chips auf dieser Website durchsetzen.
FAQ
Die Fragen, die Investoren zuerst stellen.
Warum baut ein großer etablierter Anbieter das nicht einfach selbst?
Weil die erforderliche Kombination selten ist: eine eigens entworfene Forschungsarchitektur, Expertise für selbstüberwachtes Training auf Skelettdaten, biomechanische Domänentiefe und Infrastruktur für wochenlanges verteiltes Training. Die etablierten Anbieter der Sportanalytik sind exzellente Softwareorganisationen – aber keine Transformer-Forschungslabore, und eines aufzubauen ist eine mehrjährige Transformation. Die vier Barrieren oben sind die lange Antwort.
Woher stammen die Trainingsdaten?
Aus Bewegungsdaten in großem Maßstab – einem riesigen und wachsenden Korpus an Bewegungsvideo, in Skelettdaten überführt und bewusst so zusammengestellt, dass kein einzelner Partner und kein Anbieter das Modell einschränkt. Die Einzelheiten der Quellen sind mit Absicht vertraulich und werden qualifizierten Investoren unter NDA offengelegt.
Worin unterscheidet sich das von Posenschätzung?
Posenschätzung beantwortet, wo die Gelenke sind – Frame für Frame. Das Foundation Model beantwortet, was die Bewegung bedeutet: Es verwandelt Gelenkpositionen in Repräsentationen, die Qualität, Stil, Symmetrie und Veränderung über die Zeit kodieren. Posenschätzung ist Commodity-Input am Fuß unseres Stacks; das Asset ist die gelernte Repräsentation.
Was existiert heute, und was ist Roadmap?
Das Foundation Model, seine Trainingspipeline und die validierten Fähigkeiten existieren heute – demonstriert auf zurückgehaltenen realen Daten. Jedes darauf aufgebaute Produkt trägt das Label „Roadmap“, und jede Aussage auf dieser Website trägt einen expliziten Status-Chip. Wir halten diese Ehrlichkeit für ein Verkaufsargument, nicht für eine Schwäche.
Warum zuerst der Profifußball?
Er ist der schärfste Einstieg: Klubs zahlen bereits für Performance-Technologie, das Verletzungskosten-Argument wirkt unmittelbar, und ein Mitgründer hat zweiundzwanzig Jahre an der Spitze des Spiels verbracht – wir erreichen Entscheider also direkt. Menschliche Biomechanik ist universell; deshalb lässt sich dasselbe Modell anschließend in die Bewegungsgesundheit für Endnutzer übertragen.
Was finanziert die Seed-Runde?
Die Skalierung des Modells, die Datenpipeline, die ersten Pilotprojekte mit Klubs und die Grundlagen der Consumer-Beta – wobei der weit überwiegende Teil des Kapitals in F&E und Engineering fließt. Die Runde ist so bemessen, dass sie die ersten beiden Phasen vollständig finanziert und die dritte beginnt. Konditionen und detaillierte Finanzdaten liegen im Datenraum.
Datenraum
Die Details liegen unter NDA.
Finanzplan, Cap Table, Partnerschaftsdetails, Datenquellen und technische Benchmark-Ergebnisse stehen qualifizierten Investoren unter NDA zur Verfügung – info@withoutball.com.