Die ersten Investoren von OpenRouter schildern den Investitionsprozess.

Autor: Menlo Ventures

Zusammengestellt von: Jia Huan, ChainCatcher

OpenRouter gab heute die Unterzeichnung einer Übernahmevereinbarung mit Stripe bekannt. Dies geschieht nur drei Jahre nach dem offiziellen Start von OpenRouter im Jahr 2023.

OpenRouter wurde ursprünglich als „einheitliche Schnittstelle für LLM“ eingeführt und unterstützte zu diesem Zeitpunkt nur vier Modelle: GPT-3.5, GPT-4, Together's GPT NeoXT und Cohere xlarge.

Das Unternehmen wurde auf der Grundlage zweier zentraler Annahmen gegründet: Erstens, dass der Umfang der KI-Nutzung irgendwann enorm sein und alle Bereiche durchdringen wird; zweitens, dass eine große Anzahl unterschiedlicher Modelle auf dem Markt entstehen wird, jedes mit seinen eigenen Vor- und Nachteilen, und dass die Benutzer je nach ihren unterschiedlichen Bedürfnissen unterschiedliche Modelle auswählen werden.

Wie sich herausstellte, übertrafen beide Urteile die damaligen Erwartungen bei Weitem.

Seit dem Start hat sich die Anzahl der von der OpenRouter-Plattform verarbeiteten Token um das 30.000-fache erhöht und übersteigt aktuell 4500 Billionen Token (annualisiert). Auch das Transaktionsvolumen auf der Plattform hat ein erstaunliches Niveau erreicht. Gleichzeitig ist die Anzahl der von OpenRouter unterstützten Modelle von anfänglich 4 auf über 500 gestiegen.

Diagramm: Wachstum der OpenRouter-Token-Nutzung von der Gründung bis zur Übernahme.

Menlo Ventures freut sich, Teil dieser Entwicklung zu sein. Im März 2025 beteiligten wir uns über den Anthology Fund, den wir in Partnerschaft mit Anthropic gegründet haben, an der Seed-Finanzierungsrunde von OpenRouter.

Alex Atallah, Gründer und CEO von OpenRouter, gründete zuvor OpenSea, das einst mit 13,3 Milliarden US-Dollar bewertet wurde. Zu seinen Mitgründern gehören Louis Vichy, ein Technologieexperte, den er über Discord kennenlernte, und Chris Clark, ein äußerst erfolgreicher COO.

Im Mai 2025 führten wir die Series-A-Finanzierungsrunde von OpenRouter an. Matt wurde in den Aufsichtsrat berufen, Deedy fungierte als Beobachterin. Anfang dieses Jahres, angesichts des rasanten Wachstums von OpenRouter hinsichtlich Kundenzahlen und Umsatz sowie der Produkt-Roadmap mit dem Ziel, die „Modellintelligenz“ in Bezug auf Modellauswahl und -bewertung weiter zu verbessern, investierten wir erneut in die Series-B-Finanzierungsrunde.

In der Technologiebranche dauert es oft Jahre, bis eine Idee von der Meinung einiger weniger zu einem Branchenkonsens wird.

Vor wenigen Wochen geschah Folgendes: Von Ramp bis Cursor brachten über zehn Unternehmen nahezu zeitgleich ihre eigenen Modellrouting-Produkte auf den Markt. Innerhalb weniger Jahre hat sich OpenRouter zu einem der wichtigsten Unternehmen im Zeitalter der KI entwickelt.

Foto: Gruppenfoto, aufgenommen anlässlich der Bestätigung von OpenRouters Series-A-Finanzierungsrunde als Hauptinvestor.

Auf den ersten Blick mag Stripe nicht der naheliegendste Käufer von OpenRouter sein, doch die beiden Unternehmen weisen tatsächlich frappierende Ähnlichkeiten auf.

Beide vereinfachen komplexe Transaktionsprozesse durch eine direkt zugängliche API und erheben eine prozentuale Transaktionsgebühr. OpenRouter unterstützt jedoch KI-Modelle.

Laut Stripes ständiger Aussage verfolgen die beiden Unternehmen auch nach dem Zusammenschluss weiterhin dasselbe Ziel: die Steigerung des „Internet-BIP“.

Tatsächlich hatte sich OpenRouter bereits vor über einem Jahr als „das Stripe der LLM-Welt“ bezeichnet.

Der Kernwert von OpenRouter

OpenRouter war eines der ersten Unternehmen, mit denen Deedy nach seinem Eintritt bei Menlo im Jahr 2024 in Kontakt kam. Dieses Unternehmen steht fast genau im Mittelpunkt unserer Investitionslogik für KI-Infrastruktur.

In seinem „ 2024 Enterprise AI Report “ schlug Menlo zwei Annahmen vor, die für Investitionen in OpenRouter getroffen werden müssen: Die Ausgaben für KI werden deutlich steigen, und die Entwickler werden nicht nur ein Modell verwenden, sondern mehrere Modelle gleichzeitig.

Abbildung: Menlos erste E-Mail an OpenRouter

Da wir selbst Code schreiben und diese Modelle in der Praxis anwenden, haben wir frühzeitig erkannt, dass es hinsichtlich Kosten, Latenz und Leistung sehr große Unterschiede zwischen den verschiedenen Modellen gibt.

Wenn Sie beispielsweise eine einfache NLP-Aufgabe durchführen, wie das Erkennen von Entitäten in einem Text, müssen Sie nicht unbedingt ein hochmodernes, leistungsstarkes Modell wie Fable aufrufen.

Das Problem besteht darin, dass der gesamte Prozess sehr umständlich wäre, wenn die Benutzer die offizielle Website jedes einzelnen Modellherstellers besuchen, ein Konto registrieren, einen API-Schlüssel erstellen, diesen sicher aufbewahren, sich an die jeweils leicht unterschiedlichen API-Schnittstellenspezifikationen der einzelnen Unternehmen anpassen und schließlich alle Modelle selbst verwalten müssten.

Ein einheitliches Gateway-Modell mag einfach klingen, ist aber in Wirklichkeit ein deutlich komplexeres Infrastrukturproblem als es zunächst scheint. Nur wenige sind langfristig bereit, ein solches System selbst aufzubauen und zu warten.

In der Risikokapitalbranche ist oft von „Wettbewerbsbarrieren“ die Rede, wobei man dabei meist zuerst an technologische Hürden denkt. OpenRouter verfügt jedoch über einen ganz typischen Größenvorteil.

Je mehr Nutzer OpenRouter hat, desto besser kann es die Modellnachfrage vorhersagen und größere Lasten bewältigen; außerdem ist es einfacher, größere Verträge mit Modelllaboren abzuschließen und dadurch ein stabileres Angebot und eine stabilere Nachfrage nach Token zu erreichen.

Letztendlich entsteht dadurch ein Kreislauf: Neue Modelllabore werden, um Vertriebskanäle zu gewinnen, auch die Protokollierung in OpenRouter priorisieren wollen.

Wir haben außerdem einen weiteren Trend beobachtet.

Mit der zunehmenden Beliebtheit von Vibe Coding ist die Zahl der Software-Startups rasant gestiegen. Produkte, die den Enterprise-Markt erobern wollen, werden oft letztendlich von Unternehmen gekauft, wenn sie bereits die Zustimmung der internen Entwickler erhalten haben.

Anthropic, OpenAI, xAI, Cursor, Cognition, ElevenLabs, Lovable und Fireworks folgen alle diesem Muster: Sie gewinnen zuerst die Entwickler für sich und dringen dann in den Unternehmensmarkt ein.

Das Gleiche gilt für OpenRouter.

Seit unserer Investition:

OpenRouter verarbeitet derzeit 30.000 Mal so viele Token wie zum Start und verzeichnete in den letzten drei Jahren eine monatliche Wachstumsrate von etwa 33 %, was einer Verdopplung im Durchschnitt alle 11 Wochen entspricht.

Der Markt für Routermodelle hat sich ebenfalls rasant entwickelt. Hervorragende Open-Source-Modelle wie DeepSeek, GLM und Kimi sind in China entstanden, ebenso wie Modelle von Unternehmen wie Grok, Meta und Thinking Machines. Aktuell integriert OpenRouter über 500 Modelle von mehr als 80 Anbietern und bedient damit rund 10 Millionen Nutzer.

Viele wichtige neue Modelle werden vorrangig auf OpenRouter veröffentlicht, darunter Modelle von OpenAI, X und Meta. Mark Zuckerberg, der selten twittert oder sich öffentlich zu anderen Produkten äußert, kündigte die Veröffentlichung des Muse Spark auf OpenRouter ausdrücklich an, ebenso wie Elon Musk. OpenAI wird über OpenRouter außerdem exklusive Rabatte auf Modelle wie Terra und Luna anbieten.

OpenRouters produktorientiertes Wachstumsmodell hat sich auch im Enterprise-Markt erfolgreich etabliert. Der Vertriebszyklus für Enterprise-Produkte zählt zu den schnellsten, die wir je gesehen haben. Unternehmen können dieses Produkt nutzen, um Modellressourcen zentral zuzuweisen, Zugriffsberechtigungen zu steuern und interne KI-Budgets zu verwalten.

Da OpenRouter Verträge mit verschiedenen Modellanbietern einheitlich aushandeln kann, ist eine extrem hohe Serviceverfügbarkeit auch bei modernsten Modellen gewährleistet.

Wie hat OpenRouter seinen heutigen Status erreicht?

Jeder, der schon länger ein Startup leitet, wird Ihnen bestätigen, dass die Suche nach dem Product-Market-Fit (PMF) niemals ein geradliniger Prozess ist.

Das Gleiche gilt für OpenRouter.

Die Geschichte des Unternehmens beginnt eigentlich am 5. April 2023. Damals veröffentlichte das Team eine Chrome-Erweiterung namens Window, mit der Benutzer mehrere Models gleichzeitig in verschiedenen Chat-Anwendungen im Internet anrufen konnten.

Ihr ursprüngliches Ziel war es, zu verhindern, dass Benutzer an einen bestimmten Modellanbieter gebunden sind, und gleichzeitig die Notwendigkeit zu beseitigen, ihre API-Schlüssel an verschiedene Anwendungen weiterzugeben, um verschiedene Modelle verwenden zu können.

Das Design dieses Produkts wurde von Krypto-Wallets inspiriert und steht auch im Zusammenhang mit Alex' vorheriger Erfahrung als Gründer von OpenSea. Damals unterstützte Windows insgesamt vier Modelle.

Am 24. April 2023 tauchte der Name „OpenRouter“ erstmals im Windows GitHub-Repository auf.

Etwa einen Monat später integrierten sie die erste Charge von Anthropic v1-Modellen, begannen, Anfragen automatisch den entsprechenden Modellen anhand der Eingabeaufforderungen zuzuordnen, erstellten die mittlerweile berühmte Modell-Rangliste und begannen, den Namen OpenRouter zu verwenden.

Am 10. August 2023 benannte das Team das Produkt offiziell in OpenRouter um, mit dem Slogan „Eine einheitliche Schnittstelle für LLMs“.

Damals verarbeitete OpenRouter etwa 3 Milliarden Token pro Woche. Das damalige Ranglistenmodell unterschied sich grundlegend von dem uns heute bekannten Modell.

Anschließend brachte das Team Playground auf den Markt, das es Nutzern ermöglicht, über eine einzige Chat-Oberfläche gleichzeitig Antworten von mehreren Models zu erhalten.

Bis November desselben Jahres unterstützte OpenRouter 52 Modelle, war mit mehr als 2.000 Anwendungen verbunden und verarbeitete wöchentlich etwa 8 Milliarden Token.

An diesem Punkt stießen sie schließlich auf PMF.

Die Zukunft des Modellroutings

Anders als oft angenommen, besteht das Kernprodukt von OpenRouter nicht einfach darin, „Benutzern beim Weiterleiten von Token zu helfen“, sondern vielmehr darin, das benutzerfreundlichste KI-Gateway zu werden.

OpenRouter bietet zwar einen Auto Router, der automatisch ein Modell auswählen kann, aber die meisten Entwickler nutzen OpenRouter in erster Linie, um über einen einzigen Einstiegspunkt auf verschiedene Modelle zuzugreifen und dann selbst zu entscheiden, wie die Modelle geroutet werden sollen.

In letzter Zeit hat sich der rasante Anstieg der Unternehmensausgaben für LLMs zu einem echten Problem für Unternehmen wie Uber, Coinbase und Microsoft entwickelt.

Daher klingt der „Modellrouter“ als Lösung zur Kostenreduzierung sehr verlockend.

Da ein KI-Agent eine Aufgabe in viele verschiedene Teilaufgaben zerlegt, warum sollte man für jede Teilaufgabe das teuerste Modell verwenden? Einfache Aufgaben können von kostengünstigeren Modellen erledigt werden.

In den letzten Wochen scheint die gesamte Branche dies plötzlich gleichzeitig erkannt zu haben. Von Ramp bis Cursor haben mehr als zehn Unternehmen ihre eigenen Router-Modelle auf den Markt gebracht.

Das Problem besteht jedoch darin, dass die Auswahl eines Modells ausschließlich auf Grundlage der Aufgabenstellung selbst keine besonders effektive Methode darstellt.

In einem agentenbasierten Szenario kann die Ausführung einer Aufgabe sehr lange dauern. Um zu bestimmen, welches Modell eine bestimmte Anfrage bearbeiten soll, ist ein umfassendes Verständnis des Kontextes erforderlich.

Ein Beispiel für einen einfachen Befehl: „Suche diese Datei im Code-Repository.“

Es kann ausreichen, ein einfaches, kostengünstiges LLM zu verwenden, oder es muss ein hochmodernes Modell aufgerufen werden. Das hängt von der Größe der Codebasis und dem Kontext ab, der durch vorherige Aufgaben entstanden ist.

Bei mehrstufigen Agentenaufgaben führt eine falsche Modellauswahl des Routers in einem Schritt dazu, dass sich die Kosten dieses Fehlers in den nachfolgenden Schritten immer weiter verstärken und schließlich zu einer erheblichen Verschlechterung der Gesamtqualität der Aufgaben-Ergebnisse führen.

Daher ist die Grundlage eines wirklich differenzierten Modellrouting-Produkts nicht ein einfacher "Modellauswahlalgorithmus", sondern eine hervorragende einheitliche API und eine ausreichend große reale Nutzerbasis.

Es sind diese Nutzer, die es OpenRouter ermöglicht haben, nach und nach einen extrem großen Datensatz anzusammeln, der von der Außenwelt nahezu unbemerkt blieb. Dieser Datensatz umfasst die von den Nutzern eingegebenen Eingabeaufforderungen, die letztendlich verwendeten Modelle, die während der Aufgabenausführung genutzten Kontexte und die erzielten Ergebnisse.

Hier kommt es wirklich auf das Modellrouting an.

In einer realen Produktionsumgebung kann OpenRouter Unternehmen dabei helfen, die Kosten zu kontrollieren, indem die Leistung durch ein vernünftigeres Modellrouting so weit wie möglich aufrechterhalten wird.

Zukünftig müssen Entwickler weder komplexe Bewertungssysteme selbst entwickeln, noch die Eingabeaufforderung ständig für verschiedene Modelle anpassen.

Möglicherweise müssen Sie sich lediglich im Backend anmelden und sehen dann eine Meldung wie diese: „Ein Teil Ihres Quellcodes wird hauptsächlich für die Zusammenfassung verwendet. Durch den Wechsel von GPT 5.6 Sol zu Muse Spark könnten Sie jährlich 100.000 US-Dollar sparen. Wir haben die entsprechenden Auswertungen automatisch für Sie durchgeführt.“

Das ist die wahre Zukunft des Modellroutings.

Von der Zahlungsinfrastruktur bis zur KI-Infrastruktur

Stripe und OpenRouter weisen sehr ähnliche Entwicklungsverläufe auf. Beide Unternehmen konnten zunächst Entwickler für sich gewinnen, bevor sie schrittweise in den Markt für Großunternehmen eintraten. Auch ihre Produktdesignsprachen sind sehr einfach und direkt.

Andrej Karpathy bezeichnete OpenRouter einst als „Schalter“ für KI. Stripe macht etwas Ähnliches: Es ist zu diesem „Schalter“ im Zahlungsabwicklungssystem geworden.

Diese Übernahme zählt zu den ersten großen Deals im Infrastruktursektor des KI-Zeitalters und wird nicht die letzte sein. Die Infrastruktur für das Management von Modellen, Kosten und Rechenleistung nimmt allmählich Gestalt an. Sie ermöglicht die Entstehung einer neuen Generation von Großunternehmen in einem nie dagewesenen Tempo.