Was wurde aus dem TU-Start-up Legitary?

2019 war Nermina Mumic schon einmal im mein.job Magazin. Damals stand Legitary noch am Anfang. Aus einer Forschungsarbeit an der TU Wien sollte ein Start-up werden, die Software war in Entwicklung, die Vision groß: mehr Transparenz und Fairness im Streamingmarkt. Heute ist daraus ein internationales AI-Unternehmen geworden. Für unser Start-up-Special haben wir noch einmal nachgefragt: Was ist aus der damaligen Vision geworden? Was braucht es, damit aus Forschung ein Unternehmen wird? Und welche Rolle spielen Mathematik, KI und die eigene Energie auf diesem Weg?

Von der Vision zu heute
Legitary hat sich von einer Forschungsarbeit zu einem internationalen AI-Unternehmen entwickelt: Heute arbeiten wir mit einigen der größten Musikunternehmen weltweit, haben mehr als 1,2 Billionen Streams analysiert und eine Tochtergesellschaft in den USA.

Auch unser Produktportfolio ist gewachsen: Neben unserem Kernprodukt im Royalty Auditing unterstützen wir heute mit einem zweiten Produkt M&A-Teams bei der Bewertung von Musikkatalogen. Aktuell arbeiten wir außerdem an einem neuen Produkt, mit dem wir unsere Methodik erstmals außerhalb der Musikbranche für andere Industrien nutzbar machen.

Die Kernidee ist aber seit Beginn dieselbe geblieben: Mit Mathematik und unserer patentierten Technologie mehr Transparenz in sehr große und komplexe Abrechnungsstrukturen zu bringen und damit die Monetarisierung von Musikrechten zu optimieren.

Verändert hat sich allerdings unser Fokus innerhalb der Musikindustrie. Zu Beginn haben wir stark auf den Recording-Markt gesetzt. Mit der Zeit haben wir erkannt, dass wir im Verlagsbereich einen deutlich größeren Hebel haben und mit unserer Technologie mehr bewegen können. Das war für mich eine wichtige Lektion: Die Vision darf sehr klar sein, aber beim Weg dorthin muss man Annahmen hinterfragen und flexibel genug sein, den Kurs rasch anzupassen.

Was ich über das Gründen gelernt habe
Ich habe früh gemerkt, dass Forschung und Gründen sehr ähnlich sind. In beiden Fällen bewegt man sich in einem Gebiet mit vielen Unbekannten: Man versucht, ein Problem zu verstehen, stellt Hypothesen auf, testet sie möglichst schnell und muss hier und da seine Annahmen korrigieren. Plan und Realität liegen dabei manchmal weit auseinander, aber genau in diesem Spannungsfeld lernt man am meisten.
Legitary ist bootstrapped, was nicht immer einfach, aber rückblickend genau der richtige Weg für uns war. Wir haben uns von Anfang an bewusst darauf fokussiert, dass Umsätze reinkommen, und waren vom ersten Projekt an bezahlt. Genau das war für uns der Gradmesser: nicht einfach eine technisch interessante Lösung zu bauen, sondern ein reales Problem zu lösen, für das Kund*innen auch bereit sind zu zahlen.
Als Gründerin sollte man auch sehr früh für sich persönlich definieren, was das eigene Ziel ist und ab wann man dieses Projekt als erfolgreich sieht. Und hier sollte man sehr ehrlich mit sich sein und dann auch einen regelmäßigen Check-in mit sich machen und schauen, wo man liegt. Denn am Ende investiert man beim Gründen eine der wertvollsten Ressourcen, die man hat: die eigene Lebenszeit.

Was uns zum Abheben verholfen hat
Ein wichtiger Faktor war das Zusammenspiel zweier Welten: Mein Co-Founder Günter brachte 30 Jahre Erfahrung aus der Musikindustrie und ein klares Marktproblem mit, mein Doktorvater Prof. Filzmoser und ich brachten die wissenschaftliche Lösung im Zuge meiner Dissertation.

Von Beginn an haben wir bewusst international gedacht und sind direkt in die USA gegangen, obwohl das für ein frühphasiges Start-up eher untypisch ist. Wir wollten aber dort sein, wo die relevanten Entscheidungen getroffen werden. Bereits unsere ersten Pilotprojekte waren mit US-Kund*innen, und die spätere Zusammenarbeit mit Concord, einem der weltweit größten Musikverlage, war dabei bestimmt ein wichtiger Meilenstein.

Sehr wertvoll war in der Anfangsphase auch die Unterstützung des i2c der TU Wien. Forschung ist noch kein Produkt: Der Weg von der Wissenschaft bis zum marktfähigen Produkt ist lang, und Themen wie IP sind dabei oft ein Knackpunkt. Genau hier war die maßgeschneiderte Begleitung im Zuge des Inkubationsprogramms sehr wertvoll. Aber was am Ende entscheidend ist, sind die Menschen und das Umfeld, das man sich baut: das eigene Team, Mentorinnen, Partnerinnen und ein starkes Netzwerk drumherum.

Mathematik in der Praxis
Mein Co-Founder Günter erkannte aus seiner langjährigen Erfahrung in der Musikindustrie ein konkretes Problem und hat Wissenschaftler*innen gesucht, die es fundiert lösen können. So entstand das Forschungsprojekt mit der TU Wien, wo Prof. Filzmoser und ich eine neue Machine-Learning-Methodik entwickelt haben.

Es ging dabei nie darum, bestehende KI-Modelle bloß anzuwenden. Fundierte Mathematik befähigt einen dazu, viel weiter zu gehen und eigene, maßgeschneiderte Modelle zu entwickeln, die exakt zur Fragestellung passen. Genau das ist für mich der eigentliche Mehrwert der Mathematik: nicht nur Werkzeuge zu bedienen, sondern sie selbst zu bauen.

Im Mathematikstudium lernt man vor allem eine bestimmte Art zu denken: komplexe Probleme zu analysieren, zu strukturieren und zu abstrahieren. So kommt man sehr schnell auf den eigentlichen Kern der Dinge. Genau dieses Denken ist extrem universell und ermöglicht es, sich sehr schnell in neue Themen einzuarbeiten und Zusammenhänge in völlig unterschiedlichen Bereichen zu verstehen.

Am Ende zeigt unser Weg für mich aber vor allem, dass Forschung nicht im Elfenbeinturm stattfinden darf, sondern dass es Räume braucht, in denen Wissenschaft und Industrie eng zusammenarbeiten können.

KI, Vorsprung und der eigene Ansatz
Bevor man über unseren Vorsprung spricht, lohnt es sich, einen Schritt zurück zu machen. Bei KI denken viele automatisch an Large Language Models, die aber nur ein Teilbereich von KI sind. Legitary hat von Anfang an nicht mit bestehenden KI-Modellen gearbeitet, sondern eigene Machine-Learning-Modelle entwickelt, lange bevor der aktuelle Hype begonnen hat.

Möglich war das, weil fundierte Mathematik uns befähigt, Modelle selbst zu bauen, die maßgeschneidert sind für das zugrunde liegende Problem. Man kann eben nicht mit einem Auto über den Ozean fahren, egal wie gut es ist. Die eigentliche Herausforderung ist, zu erkennen, welches System für welches Terrain geeignet ist, und es dann so entwickeln zu können – wie etwa ein Boot.

Ein großes Thema in unserer Branche ist aktuell KI-generierter Content und seine Vergütung. Für unsere Analyse macht es aber keinen Unterschied, ob ein Stream aus KI-generiertem oder organischem Content stammt. Es gibt für uns lediglich mehr Content, den man sich ansehen muss. Unser Vorsprung ist deshalb nicht einfach „der Algorithmus“, sondern die Kombination aus jahrzehntelangem Branchenwissen, Erkenntnissen aus über 1,2 Billionen analysierten Streams führender Musikunternehmen und der Fähigkeit, diese Insights geeignet zu modellieren.

Aber am Ende sind Kundenbeziehungen immer auch Beziehungen: Ein gutes Produkt ist Voraussetzung, darüber hinaus zählen aber Vertrauen und Verlässlichkeit und die Reputation, die man in der Branche aufbaut.

Feel your Energy
Für mich gibt es keinen grundsätzlichen Widerspruch zwischen Technologie und Transparenz. Mathematik und KI sind zunächst einmal Werkzeuge. Entscheidend ist, wofür man sie einsetzt. Wir nutzen sie, um Abrechnungen in enormen Datenmengen zu verifizieren.

Dinge geben mir so lange Energie, solange ich sie als sinnstiftend empfinde. Zu wissen, dass am Ende dieser enormen Datenmengen echte Menschen stehen, die dafür bezahlt werden sollen, was ihre Arbeit wert ist, gehört für mich auf jeden Fall dazu. Ein neues Feature kann toll sein, aber es muss eine reale Verbesserung für jemanden bringen. Solange man diese Veränderungen und Fortschritte beobachten kann, gibt das Energie zum Weitermachen.

Energie kostet mich dagegen Stillstand, vor allem wenn ich weiß, dass etwas schneller oder einfacher gehen könnte, aber Prozesse, Abhängigkeiten oder Rahmenbedingungen es unnötig kompliziert machen.

Botschaft an junge Frauen
Bereit sein ist kein Gefühl, sondern eine Entscheidung. Wenn man darauf wartet, sich vollkommen bereit zu fühlen, wartet man möglicherweise ewig.

Und man muss nicht alle Antworten a priori kennen. Viel wichtiger ist das Vertrauen in die eigene Fähigkeit, neue Dinge zu verstehen, Fragen zu stellen, sich Unterstützung zu holen und Probleme unterwegs lösen zu können. Man muss dabei auch nicht wissen, wie der gesamte Weg aussieht. Man muss sich nur zutrauen, den nächsten Schritt herauszufinden. Gerade ein technisches Studium vermittelt dafür eigentlich eine gute Grundlage.