AI Operating Model Due Diligence: Über Pilots hinaus skalieren

KI · Dieser Artikel wurde mit Hilfe von KI erstellt.

By Saachi Baghel

KI-Betriebsmodell-Due-Diligence meistern: Pilottheater von echter operativer Skalierung unterscheiden, GuV-Wirkung messen und die Organisationsreife bewerten.

Die KI-Skalierungsherausforderung für Investoren

Pilottheater erkennen statt echter Fähigkeiten

Strategie, Führung und Talente bewerten

Daten, Technologie und Workflows prüfen

Governance, Ökonomie und Ergebnisse beurteilen

Der KI-Operating-Model-Due-Diligence-Scorecard

Evidenzbasierte KI-Due-Diligence umsetzen

Häufig gestellte Fragen

Quellen

Wie beurteilen Investoren, ob ein Unternehmen KI skalieren kann? Indem sie über die Technologie hinausblicken und das Operating Model darum herum untersuchen: ob KI-Initiativen von verantwortlichen Business Leadern getragen, in neu gestaltete Workflows eingebettet, mit einer definierten Review-Kadenz gesteuert und anhand von GuV-Positionen statt mit Demo-Day-Anekdoten gemessen werden. Ein Zielunternehmen, das Werkzeuge gekauft, aber nicht umgebaut hat, wie Arbeit erledigt wird, zeigt beeindruckende Pilots und flache Wirtschaftlichkeit. Das Unternehmen, das KI skalieren kann, zeigt das gegenteilige Muster: eine kleine Anzahl produktionsreifer Use Cases, klare Entscheidungsbefugnisse und finanzvalidierten Mehrwert.

Die Einsätze sind asymmetrisch. PwCs AI Performance Study zeigt, dass 74 % des wirtschaftlichen Werts von KI von nur 20 % der Organisationen erfasst werden – und dass sich die Führer nicht durch die Anzahl der Werkzeuge, sondern durch Fundamente auszeichnen: Sie gestalten Workflows etwa doppelt so häufig neu, um KI zu integrieren, statt lediglich KI-Werkzeuge hinzuzufügen, und bauen stärkere Daten-, Governance- und Vertrauensmechanismen um die Technologie auf.[1] Mit anderen Worten: Der Abstand zwischen KI-Führern und dem Rest ist eine Lücke im Operating Model – und genau diese Lücke muss ein Wertsteigerungsplan während der Halteperiode schließen.

Für Deal-Teams lautet die Due-Diligence-Frage daher nicht „setzt das Zielunternehmen KI ein?“, sondern „kann das Management isolierte Experimente während der Halteperiode in einen wiederholbaren operativen Vorteil verwandeln?“ Diese Frage umfasst Strategie, Führung, Daten, Technologie, Workflows, Governance, Talente, Einführung, Wirtschaftlichkeit und Ergebnisse. Jede Ebene lässt sich bewerten, belegen und scoren, und die folgenden Abschnitte liefern den Rahmen dafür. Die Alternative, sich auf die Pilot-Präsentation des Managements zu verlassen, ist teuer: BCGs CEO-Umfrage ergab, dass fast zwei Drittel der Unternehmen KI-Pilots verfolgen, aber nur 26 % KI als Teil einer umfassenderen Geschäftstransformation verankert haben.[2]

Was zu prüfen ist: ob KI eine auf Vorstandsebene verankerte Wachstumsthese mit namentlich benannter Executive-Verantwortung ist – oder eine Sammlung von Abteilungsexperimenten.

Belege, die anzufordern sind: das KI-Strategiepapier, die Protokolle des Investitionsausschusses zu KI-Ausgaben und die Roadmap, die Initiativen mit Wertschöpfungs-Meilensteinen verknüpft.

Gute Ausprägung: ein kleines Portfolio von Initiativen, das an strategische Prioritäten gebunden und über einen mehrjährigen Horizont finanziert ist.

Schlechte Ausprägung: eine lange Liste von Proof-of-Concepts ohne Aufnahmekriterien, ohne Owner oberhalb der IT-Funktion und ohne definierte GuV-Verknüpfung.

Zu hinterfragende Übertreibung: „Wir sind AI-first“-Behauptungen, die sich als Folien ohne Budgetlinien, ohne Entscheidungsbefugnisse und ohne namentlich verantwortliche Führungskräfte entpuppen.

Pilottheater ist die diszipliniert klingende Variante der KI-Untätigkeit: ein steter Strom von Demos, Hackathon-Gewinnern und pressefreundlichen Experimenten, von denen keines je Produktionsverkehr trägt oder eine GuV-Position berührt. Echte Fähigkeit wirkt leiser. Sie zeigt sich in einer Handvoll Use Cases, die den Sprung in die Produktion geschafft haben, täglich von der Zielgruppe genutzt werden, für die sie gebaut wurden, und an finanziellen Baselines gemessen werden. Der Unterschied ist messbar – und ein Due-Diligence-Prozess sollte ihn messen, statt die Demo-Tour zu machen.

Beginnen Sie mit der Graduierungs-Trichterstruktur. Fragen Sie nach der Gesamtzahl der in den letzten 24 Monate gestarteten KI-Initiativen und der Zahl derer, die mit echten Nutzern in Produktion gegangen sind. Ein Target mit dreißig laufenden Piloten und zwei in Produktion hat ein Portfolio-Problem, kein Technologieproblem. Die Forschung von Branchenforschung unterstreicht, wie selten echte Konversion ist: Mehr als die Hälfte der CEOs nennt die Notwendigkeit, KI-Initiativen mit der GuV zu verknüpfen, als zentrale Hürde – doch nur 14 % haben die GuV-Wirkung für alle KI-Initiativen klar definiert.[2]

Vom Pilottheater zur operativen Fähigkeit: der Graduierungstrichter, den ein Due-Diligence-Team vom Management reproduziert haben sollte. · KI-generiert

Prüfen Sie anschließend Einführung und Wiederholbarkeit. Einführungskennzahlen wie täglich und wöchentlich aktive Nutzer über die vorgesehene Nutzerpopulation hinweg zeigen, ob ein ausgerolltes Tool Teil der Arbeit ist oder ein Nebenexperiment; eine Lizenz, die an 400 Underwriter vergeben wurde, mit 30 wöchentlichen Nutzern, ist ein Pilot im Produktionsgewand. Wiederholbare Playbooks sind genauso wichtig: Fragen Sie, ob die zweite und dritte Ausrollung die Muster der ersten für Datenzugriff, Evaluation, menschliche Prüfung und Rollout wiederverwendet haben – oder ob jeder Erfolg ein Einzelfall war. Die Umfragearbeit von Branchenforschung zeigt, dass starkes Performance-Management eng mit dem Ergebnisbeitrag verknüpft ist, während viele Organisationen versäumen, klar definierte KPIs zu verfolgen – ein echtes KPI-Dashboard ist damit ein starkes Signal.[3]

Gestartete versus graduierte Piloten: das Verhältnis von Initiativen zu Produktionsausrollungen mit echten Nutzern.

Einführung: DAU/WAU über die vorgesehene Nutzerpopulation, nicht Lizenzanzahlen.

Wirkung: Kennzahlen, die an echte GuV-Positionen gebunden, von der Finanzabteilung validiert und mit vorab vereinbarten Baselines versehen sind.

Governance-Rhythmus: ein regelmäßiger Sicherheits- und Modell-Review-Takt, den Produktionssysteme tatsächlich durchlaufen.

Wiederholbarkeit: Playbooks und wiederverwendbare Komponenten statt eines Portfolios von Einzelerfolgen.

Die ersten Ebenen des Rahmens sind organisatorisch, und genau dort werden die meisten Wertsteigerungspläne gewonnen oder verloren. Die Strategie fragt, ob KI auf die zwei oder drei Stellen gerichtet ist, an denen sie die Ökonomie des Unternehmens verändern kann. Die Führung fragt, wer verantwortlich ist. Das Talent fragt, ob die Menschen, die mit den Systemen leben müssen, diese bauen, betreiben und hinterfragen können. An jedem einzelnen dieser Punkte kann ein Zielunternehmen scheitern, und die technologischen Ebenen werden es nicht retten.

Strategie und Verantwortung auf Vorstandsebene

Anzufordernde Nachweise umfassen das KI-Strategiedokument, das Organigramm für KI- und Datenrollen, Budgetzuweisungen je Initiative sowie die Protokolle des Gremiums, das über KI-Investitionen wacht. Sprechen Sie mit dem CFO und mindestens zwei Geschäftsbereichsleitern, nicht nur mit dem CTO: Wenn die Business-Seite nicht beschreiben kann, welche KI-Initiativen für ihre GuV-Wirkung relevant sind, ist die Verantwortung nur nominell. McKinseys Analyse dessen, was die EBIT-Wirkung generativer KI bestimmt, ergab, dass die Aufsicht des CEO über KI-Governance eines der am stärksten mit dem Ergebnis korrelierten Merkmale ist – deshalb sollte die Due Diligence die KI-Verantwortung bis ganz nach oben im Organigramm verfolgen.[4]

Talent- und Kompetenzbereitschaft

Beim Talent sind der Kompetenzkatalog, der Weiterbildungsplan und die Fluktuationsdaten für KI-kritische Rollen anzufordern. PwCs Global AI Jobs Barometer zeigt, dass Stellen mit spezifischen KI-Kenntnissen fast achtmal schneller wachsen als der gesamte Arbeitsmarkt und eine Lohnprämie von 62 % mit sich bringen – das bedeutet, dass das KI-Talent eines Zielunternehmens knapp und abwerbbar ist; Bindungs- und Entwicklungspläne sind daher Due-Diligence-Material, keine HR-Nebensache.[5]

So sieht gut aus: eine funktionsübergreifende Steuerungsstruktur, in der GuV-Verantwortliche der Geschäftsbereiche KI-Initiativen mittragen, ein namentlich benannter Verantwortlicher auf Vorstandsebene für die Einführung und rollenbasierte Schulungen, die an Deploy-Meilensteine gekoppelt sind.

So sieht schlecht aus: ein isoliertes IT- oder Data-Science-Team, das KI ohne Verantwortung der Geschäftsbereiche vorantreibt, eine Strategie, die nur als Akquisitionsnarrativ existiert, und ein Einführungsplan, der eine Lizenz-Rollout statt einer Workflow-Änderung ist.

Falschdarstellung, die zu prüfen ist: ein „KI-Center of Excellence“, das eine Folie ist, kein finanziertes Team; ein Chief AI Officer ohne Entscheidungsbefugnisse; angekündigte, aber nie ausgegebene Schulungsbudgets.

Die mittleren Ebenen des Rahmens entscheiden, ob die KI des Zielunternehmens aus der Demo-Umgebung ins Geschäft kommen kann. Die Daten fragen, ob die Eingaben existieren, zugänglich und geregelt sind. Die Technologie fragt, ob der Stack Produktionslasten, Evaluierung und Kostenkontrolle tragen kann. Die Workflows stellen die entscheidende Frage: Ist KI in die Art und Weise eingebettet, wie Arbeit tatsächlich erledigt wird, oder daneben angeflanscht?

Daten- und Technologiefundamente

Anzufordernde Nachweise umfassen Datenarchitekturdiagramme, das Modellinventar mit Versionen und Verantwortlichen, Systemzugang für eine geführte Demonstration, den Evaluierungs- und Monitoringansatz für produktive Modelle sowie die Roadmap für die nächsten zwölf Monate. Suchen Sie im Datenraum nach Dokumentation von Datenherkunft, Zugriffskontrollen und Qualitätsmessung. Fragen Sie, wie Modelle vor dem Release evaluiert und wie Drift danach erkannt wird; ein Zielunternehmen, das seinen Evaluierungsprozess nicht beschreiben kann, trägt ein unkontrolliertes Risiko – ganz gleich, was seine Demos zeigen.

Workflow-Integration

Die Workflow-Integration ist der Punkt, an dem die Due Diligence ihre Gebühr verdient. McKinseys Umfragearbeit ergab, dass von den 25 getesteten Merkmalen die Neugestaltung von Workflows den größten Einfluss auf die Fähigkeit einer Organisation hat, EBIT-Wirkung aus generativer KI zu erzielen – dennoch haben nur wenige Anwender ihre Workflows grundlegend neu gestaltet.[3] Der praktische Test im Gespräch: Wählen Sie einen Produktionsanwendungsfall und lassen Sie das Frontline-Team seinen Arbeitstag vorher und nachher durchgehen. Sitzt das KI-Tool neben dem Prozess und jemand muss sich daran erinnern, es zu öffnen, wird die Einführung verkümmern. Wurde der Prozess selbst so umgestaltet, dass der KI-Schritt der Weg des geringsten Widerstands ist, ist der Anwendungsfall real. Deloittes Studie zur Technologieführung bringt den strukturellen Punkt auf den Punkt: 81 % der Führungskräfte sagen, sie könnten KI heute im großen Maßstab einsetzen und steuern, doch fast 75 % räumen ein, dass sich ihr Operating Model in den nächsten 12 bis 18 Monaten ändern muss, um Fortschritte zu halten.[6]

So sieht gut aus: ein gepflegtes Modellinventar mit Verantwortlichen und Versionen, dokumentierte Datenherkunft, Evaluierungstore vor dem Release, Monitoring danach und mindestens ein Workflow, der wirklich Ende-zu-Ende um KI herum neu gestaltet wurde.

So sieht schlecht aus: Einzeltools, die von einzelnen Abteilungen beschafft wurden, kein Modellinventar, Evaluierung nach Bauchgefühl und eine „Integration“, die ein Chat-Interface bedeutet, das niemand zu benutzen braucht.

Falschdarstellung, die zu prüfen ist: eine Demo-Umgebung, die als Produktion präsentiert wird; eine „Datenplattform“, die ein gemeinsames Laufwerk ist; Einführungszahlen, die als verkaufte Lizenzen statt aktive Nutzer ausgewiesen werden.

So sieht gut aus: anhaltende aktive Nutzung über die Zielgruppe hinweg, mit Nutzungsmustern, die darauf hindeuten, dass das Tool für den täglichen Workflow unverzichtbar ist.

So sieht schlecht aus: ein Anstieg der Logins in der Launch-Woche, gefolgt von raschem Verfall, sodass nur ein Bruchteil der vorgesehenen Nutzer übrig bleibt.

Häufige Falschdarstellungen, die zu prüfen sind: die Angabe lizenzierter Gesamtplätze statt aktiver Nutzer oder die Präsentation der Begeisterung einer Pilotgruppe als breite Einführung.

Die Einführung fragt, ob das Unternehmen die eingesetzten Tools tatsächlich nutzt. Zu bewerten ist die Zahl der täglich und wöchentlich aktiven Nutzer (DAU/WAU) über die vorgesehene Zielgruppe hinweg. Anzufordernde Nachweise sind Nutzungs-Dashboards, Support-Tickets der Nutzer und Abwanderungsraten im Zeitverlauf.

Einführung und Skalierung

Die letzten Ebenen prüfen, ob das KI-Betriebsmodell sicher ist und ob es sich rechnet. Governance fragt, wer Modelle prüft, wie oft und mit welcher Befugnis, ein Release zu stoppen. Ökonomie fragt, ob der geschaffene Wert die Rechen-, Lizenz- und Managementkosten rechtfertigt. Ergebnisse fragen, ob jemand außerhalb des KI-Teams die Resultate verifizieren kann. Auf diesen Ebenen treffen die Erzählungen des Managements auf die Finanzbuchhaltung – und ein disziplinierter Prozess trennt das eine vom anderen.

Governance- und Sicherheitsprüfungsrhythmus

Anzufordernde Nachweise sind die KI-Governance-Richtlinie, das Risikoregister für KI-Systeme, die Protokolle des Governance- bzw. Prüfungsgremiums, das Incident-Log und die Freigabematrix nach Risikostufe. Bitten Sie um die letzten drei Modell- bzw.[1] Use-Case-Reviews und verfolgen Sie, was sich dadurch geändert hat; ein Governance-Gremium, das noch nie etwas blockiert oder geändert hat, ist ein Briefkopf. PwCs AI Performance Study zeigt, dass führende Unternehmen häufiger über ein Responsible-AI-Framework und ein funktionsübergreifendes KI-Governance-Gremium verfügen und dass ihre Mitarbeitenden doppelt so häufig KI-Ergebnissen vertrauen – was Governance direkt mit der Einführung verknüpft, statt sie als Overhead zu betrachten.

So sieht Gut aus: eine nach Risikostufen gegliederte Freigabematrix, ein regelmäßiger Prüfrhythmus mit dokumentierten Entscheidungen und ein Incident-Log mit Post-Mortems.

So sieht Schlecht aus: Governance als Richtliniendokument ohne Meetings und ohne blockierte Releases.

Häufige Falschdarstellungen, die zu prüfen sind: ein Prüfungsgremium, das nur auf dem Papier existiert und noch nie eine Einführung geändert oder gestoppt hat.

Ökonomie und finanzieller Wert

Bei der Ökonomie ist zu bewerten, ob der geschaffene Wert die Rechen-, Lizenz- und Managementkosten rechtfertigt. Anzufordernde Nachweise sind Wertfälle mit Baselines, das vollständig belastete Kostenmodell (einschließlich der Zeit für menschliche Prüfung) und die Freigabe durch die Finanzabteilung. McKinseys jüngste State-of-AI-Umfrage zeigt, dass rund 20 % der Befragten KI-bezogene Betriebskosten als Einschränkung ihrer KI-Nutzung angeben und nur 37 Prozent eine EBIT-Wirkung durch KI verzeichnen – ein Ziel mit breiter finanzieller Wirkung muss also seinen Rechenweg offenlegen.[7]

So sieht Gut aus: von der Finanzabteilung validierte Baselines, mit Inferenzkosten und Renditen, die in einem einzigen Ledger erfasst werden.

So sieht Schlecht aus: Einsparungsbehauptungen ohne kontrafaktische Baselines und nicht eingeplante Rechenkosten.

Häufige Falschdarstellungen, die zu prüfen sind: Produktivitätsgewinne aus Vendor-Case-Studies statt aus internen Messungen zu zitieren oder die Kosten von Human-in-the-Loop zu ignorieren.

So sieht Gut aus: eine verifizierte GuV-Wirkung für Live-Use-Cases und ein wiederholbares Playbook für Datenzugriff und Evaluierung im nächsten Projekt.

So sieht Schlecht aus: isolierte Einzelerfolge, die keine Infrastruktur oder Erkenntnisse teilen, und Dashboards, die niemand außerhalb des KI-Teams prüft.

Häufige Falschdarstellungen, die zu prüfen sind: transformativen Geschäftsnutzen für isolierte Experimente zu behaupten, die die Finanzabteilung nicht validiert hat.

Ergebnisse fragen, ob das gesamte KI-Programm eine verifizierte GuV-Wirkung liefert und ein Fundament für künftige Einführungen aufbaut. Zu bewerten ist die Rückverfolgbarkeit von KI-Initiativen bis zum Ergebnis und die Wiederverwendung von Komponenten. Anzufordernde Nachweise sind KPI-Dashboards, die mit der Finanzbuchhaltung verknüpft sind, sowie Reviews nach der Implementierung eingesetzter Modelle.

Ergebnisse und wiederholbare Playbooks

Das Framework verdichtet sich zu einer Scorecard, die sich während der Due Diligence bewerten und am 100. Tag sowie bei jedem Wertsteigerungs-Review neu bewerten lässt. Fordern Sie für jede Ebene die aufgeführten Nachweise an, bewerten Sie die Fähigkeit auf einer einfachen Skala vom Pilottheater bis zur Produktionsreife und dokumentieren Sie das jeweilige Artefakt hinter der Bewertung. Der Wert der Scorecard liegt weniger in einer einzelnen Zeile als im Muster: starke Technologie bei schwacher Einführung und Ökonomie ist das klassische Pilottheater-Signaturbild – und es sollte den Plan nach dem Closing bestimmen.

Ein Framework für die KI-Impact-Due-Diligence in einem laufenden Deal manuell durchzuführen ist, bevor es zu einem Urteilsproblem wird, zunächst ein Datenproblem: Modellinventare, Governance-Protokolle, Einführungs-Dashboards und Wertfälle sind über einen Datenraum in Hunderten von Dokumenten verstreut, und das Diligence-Fenster ist kurz. Hier passt die Plattform von Plausity. Data Room Ingestion verbindet sich mit der VDR und verarbeitet PDFs, Tabellen, Verträge und Finanzmodelle innerhalb von Minuten, sodass die Belegbasis für die Scorecard ab der ersten Woche statt der letzten vorliegt.

Die AI-Analysis Engine liest dieses Material anschließend, gleicht es ab und leitet daraus ab, um die Aussagen des Managements gegen die Dokumente zu prüfen: Ob das Modellinventar zur Roadmap passt, ob die Wertfälle eine Freigabe durch die Finanzabteilung tragen, ob die Governance-Protokolle einen echten Review-Rhythmus zeigen. Der Risk Radar bewertet die Ergebnisse nach Wesentlichkeit, finanzieller Wirkung und Deal-Relevanz, sodass die Pilottheater-Signale als priorisierte Risiken statt als Anekdoten zutage treten. Der Report Builder erstellt das Deliverable mit vollständiger Quellenrückverfolgung, und die Collaboration Hub hält das Deal-Team, die Berater und die Workstreams auf einem beleggestützten Gesamtbild des KI-Betriebsmodells des Zielunternehmens auf demselben Stand. Die Engine an einem Beispieldatenraum arbeiten zu sehen, ist der schnellste Weg zu beurteilen, wie viel dieses Frameworks sie in einem laufenden Deal automatisieren kann, und Plausity führt Demonstrationen für Deal-Teams auf Anfrage durch.

Plausity ist ein KI-nativer Workspace für Due Diligence und Deal Intelligence, der M&A-Berater, VC- und PE-Fonds, Corporate-Development-Teams und Investmentbank-Deal-Teams dabei unterstützt, Evidenz, Erkenntnisse und Fragen entlang eines Datenraums zu strukturieren. Plausity unterstützt Evidenzextraktion, Quellennachweise, Findings-Management und IC-Vorbereitung — Plausity ersetzt keine menschlichen Analysten, Berater oder Investmentprofis, erbringt keine rechtliche, steuerliche, prüferische, regulatorische oder Anlageberatung und trifft keine autonomen Investitionsentscheidungen. Alle Erkenntnisse erfordern menschliche Prüfung. Gebaut für heutige Investment- und Deal-Teams. Vertrauen von >200 Firmen.

Um die Kernfähigkeiten zu erkunden, siehe die Plausity AI Analysis Engine, Findings & Risk Intelligence und Evidence Gap Detection, sowie die IC-Memo-Produktseite. Für Team-Workflows siehe, wie VC- und PE-Fonds und M&A-Advisory-Firmen Plausity über Live-Deals hinweg nutzen, und wie AI-Impact-Due-Diligence und Value Creation die Analyse unterstützen.

1. [1] pwc.com — https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-performance-study.html
2. [2] Branchenforschung.com — https://www.Branchenforschung.com/press/22july2026-ceos-cost-revenue-benefits-ai-struggling-scale
3. [3] Branchenforschung.com — https://www.Branchenforschung.com/~/media/Branchenforschung/business%20functions/quantumblack/our%20insights/the%20state%20of%20ai/2025/the-state-of-ai-how-organizations-are-rewiring-to-capture-value_final.pdf
4. [4] Branchenforschung.com — https://www.Branchenforschung.com/capabilities/quantumblack/our-insights/the-state-of-ai-how-organizations-are-rewiring-to-capture-value
5. [5] pwc.com — https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html
6. [6] deloitte.com — https://www.deloitte.com/us/en/insights/topics/technology-management/rewiring-ai-operating-model.html
7. [7] Branchenforschung.com — https://www.Branchenforschung.com/capabilities/quantumblack/our-insights/the-state-of-ai