Due-Diligence-Research-Tool: Wie Deal-Teams Belege aufbauen

Das Ressourcenproblem hinter der modernen Due Diligence lässt sich leicht benennen, aber kaum überschätzen. Eine Mid-Market-Übernahme erzeugt heute 5.000 bis 12.000 Datenraumdokumente, und der Due-Diligence-Fragebogen enthält typischerweise 200 bis 400 strukturierte Fragen, verteilt auf 8 bis 15 Workstream-Abschnitte – alles innerhalb eines Prüfzeitfensters von 30 bis 90 Tagen.[1] Die Methodik selbst hat sich nicht geändert: Der Verkäufer füllt einen virtuellen Datenraum, der Käufer prüft die Inhalte, der DDQ wird ausgetauscht, und wesentliche Risiken treten vor der Unterzeichnung zutage. Geändert hat sich das Volumen des Materials, das durch diesen Prozess fließt und heute regelmäßig übersteigt, was ein Deal-Team innerhalb der Frist verarbeiten kann.

Der Druck ist messbar. In einer Umfrage von SRS Acquiom und Mergermarket unter 150 Führungskräften US-amerikanischer Investmentbanken gaben fast zwei Drittel der Befragten (64 %) an, dass Due Diligence heute länger dauert als vor der Pandemie; 58 % davon sagten, dass sie im Durchschnitt ein bis drei Monate länger dauert.[2] Dieselbe Studie ergab, dass die größte Buy-Side-Herausforderung die Prüfung der erhaltenen Informationen war, genannt von 31 % der Befragten in den Top-zwei-Stimmen, gefolgt von unzuverlässigen oder unklaren Daten mit 25 %.[2] Mit anderen Worten: Der Engpass ist nicht das Auffinden von Dokumenten. Es ist festzustellen, was man vertrauen kann.

Deshalb ist eine unbelegte Antwort im Deal-Kontext nahezu wertlos. Eine Zusammenfassung, die besagt, die Kundenabwanderung sei beherrschbar oder der Vertragsbestand sei sauber, hat kein Gewicht, solange sie sich nicht auf die konkreten Verträge, Finanzmodelle und Managementunterlagen dahinter zurückführen lässt. Ergebnisse müssen der Prüfung durch gegnerische Berater, Workstream-Leads und letztlich das Investment Committee standhalten – und eine Schlussfolgerung, die ihre Belege nicht vorweisen kann, übersteht diese Prüfung schlicht nicht. Was Deals scheitern lässt, ist selten das Offensichtliche; es ist eine Kundenkonzentration, die in den Zusammenfassungsdaten beherrschbar aussah, sich in den zugrunde liegenden Verträgen aber als fragil erwies, oder eine Change-of-Control-Klausel, versteckt in einem Liefervertrag.[1]

Volumen: 5.000 bis 12.000 Data-Room-Dokumente bei einem typischen Mid-Market-Deal[1]

Struktur: 200 bis 400 DDQ-Fragen über 8 bis 15 Workstreams[1]

Zeit: ein Prüfzeitfenster von 30 bis 90 Tagen, wobei 64 % der Banker angeben, dass Due Diligence heute länger dauert als vor der Pandemie[2]

Vertrauen: Die Prüfung der erhaltenen Informationen ist die größte Buy-Side-Herausforderung (31 % der Top-zwei-Stimmen)[2]

Die Konsequenz ist eindeutig. Der wertvolle Ertrag von Due-Diligence-Recherche ist nicht eine Antwort. Es ist eine Antwort plus ihre Belege, ihr Kontext, ihre Quelle und ihre Risikoimplikation. Alles andere verlagert die Beweislast zurück auf genau die Personen, die das Tool eigentlich entlasten sollte.

Der Unterschied liegt nicht in der Modellqualität. Er liegt darin, was das Tool innerhalb einer laufenden Transaktion leisten muss. Ein generischer KI-Assistent liefert eine Antwort. Ein Due-Diligence-Recherche-Tool liefert einen Output-Vertrag: die Antwort, die Belege dahinter, den Workstream-Kontext, in den sie gehört, die Quellenangabe bis hin zu Dokument und Seite sowie die Risikoimplikation für den Deal. Fehlt eines dieser fünf Elemente, ist das Ergebnis ein Entwurf, den ein Mensch neu erstellen muss – kein Befund, auf den sich ein Deal-Team verlassen kann.

Aus diesem Vertrag folgen fünf strukturelle Anforderungen. Provenienz: Jede Aussage stützt sich auf ein identifizierbares Dokument, das das Team tatsächlich erhalten hat, nicht auf Open-Web-Inhalte unklarer Herkunft. Nachvollziehbarkeit: Jeder Befund verweist auf seine Quelle, sodass ein Prüfer ihn in Sekunden verifizieren kann. Wiederholbarkeit: Dieselbe Frage, gestellt an denselben Data Room, liefert dieselbe Antwort, sodass die Arbeit bei erneuter Prüfung Bestand hat. Workstream-Kontext: Ein Befund zu einer Change-of-Control-Klausel landet im Legal-Workstream, nicht in einem undifferenzierten Chatverlauf. Prüfbarkeit: Befunde sind versionsstabil und können von anderen Personen abgezeichnet, angefochten und auditiert werden.

Generische Open-Web-Assistenten scheitern genau an diesen Punkten. Wie Third Bridge in seinem Leitfaden zu Grounded AI in der Private-Equity-Due-Diligence ausführt, führen generische Modelle zu halluzinierten Schlussfolgerungen, die sich nicht auf eine verlässliche Quelle zurückführen lassen, zu keinem Audit-Trail für Investment Committee oder Regulierungsbehörden, zu unklarer Datenprovenienz und Berechtigungsvergabe sowie zu Open-Web-Kontamination durch irrelevante oder veraltete Informationen.[3] Grounded AI hingegen liefert überprüfbare, auditerbare Erkenntnisse, die an identifizierbare Quellen gebunden sind. Die Branche erwartet, dass dieser Unterschied ins Gewicht fällt: Im SS&C Intralinks 2024 AI in M&A Report, einer Umfrage unter 300 globalen Deal-Makern, sagten 97 % der Teilnehmer voraus, dass KI ihre Abläufe und die Art, wie sie M&A-Prozesse führen, tiefgreifend verändern wird.[4] Erwartungen in dieser Größenordnung erhöhen die Anforderungen an Kontrolle, statt sie zu senken: Je mehr der Analyse ein Modell anvertraut wird, desto nachweisbarer muss die Beweiskette sein. Genau darauf beruht das Argument für speziell entwickelte KI-Due-Diligence statt eines Allzweck-Chatbots, der auf einen Data Room gerichtet wird.

Der praktische Test ist einfach. Fragen Sie das Tool, woher eine Schlussfolgerung stammt, wer sie geprüft hat und ob sie morgen dieselbe sein wird. Ein generischer Assistent scheitert an allen drei Fragen. Ein echtes DD-Recherche-Tool beantwortet sie von Grund auf, weil es dafür gebaut wurde, eine laufende Transaktion zu unterstützen – und nicht, um ein Gespräch zu gewinnen.

Ein Due-Diligence-Recherche-Tool beweist seinen Wert, indem es den gesamten Prozess von Anfang bis Ende unterstützt – nicht, indem es bei einem einzelnen Schritt glänzt. Der Workflow läuft in drei großen Bewegungen ab: Ingestion, dokumentübergreifende Prüfung und strukturierte Ergebnisse, die in die Vorbereitung des Komitees einfließen.

Ingestion und Indexierung

Die erste Bewegung besteht darin, den Deal-Korpus in einen arbeitsfähigen Zustand zu bringen. Das bedeutet, sich mit dem virtuellen Datenraum zu verbinden und Verträge, Finanzmodelle, Tabellen und Managementunterlagen schnell zu verarbeiten und anschließend zu indexieren, sodass spätere Fragen gegen die richtigen Dokumente aufgelöst werden – das ist die Aufgabe, die die Datenraum-Ingestion erledigt, bevor irgendeine Analyse beginnt. Dazu gehört auch, den Datenraum mit externen und öffentlichen Quellen zu kombinieren, denn ein Teil der Belege, die ein Deal-Team benötigt, liegt nicht im Raum: Marktdaten, regulatorische Einreichungen, Handelsregisterauszüge und frühere Berichterstattung über das Zielunternehmen gehören alle in dieselbe Beweisgrundlage. Solange diese Ingestion nicht abgeschlossen ist, bleibt jeder nachfolgende Schritt manuell.

Dokumentübergreifende Prüfung und Fragegenerierung

Die zweite Bewegung ist der Punkt, an dem ein Recherche-Tool seinen Wert unter Beweis stellt. Wer Dokumente isoliert liest, übersieht genau die Probleme, die Deals tatsächlich scheitern lassen; die wesentlichen Erkenntnisse liegen in den Lücken zwischen den Dokumenten. Das Tool sollte Widersprüche zwischen dem Finanzmodell und den Managementunterlagen aufdecken, Change-of-Control-Klauseln markieren, die die Zustimmung der Vertragspartner erfordern, die Kundenkonzentration hinter aggregierten Umsatzzahlen offenlegen und Beweislücken identifizieren, in denen ein Arbeitsbereich schlicht nichts vorzuweisen hat.[1] Aus diesen Lücken sollte es Diligence-Fragen für die DDQ und gezielte Managementfragen für die Expertengespräche generieren, damit menschliche Zeit für das Nachbohren statt für das Rekonstruieren aufgewendet wird.

Vom Datenraum zum Komitee: Jede Stufe liefert strukturierte, quellenverknüpfte Ergebnisse statt Freitext-Zusammenfassungen. · KI-generiert

Strukturierte Ergebnisse und IC-Vorbereitung

Die dritte Bewegung verwandelt die Analyse in Ergebnisse: Findings, Red Flags, Risikoregister und Evidence Packs, die in die Vorbereitung des Investmentkomitees einfließen. Die gängige Praxis der rechtlichen Due Diligence deutet auf dieselbe Abfolge hin: Die Arbeit wird in Phasen strukturiert, sodass die Bereiche, die am ehesten Red-Flag- bzw. Go/No-Go-Fragen aufwerfen, zuerst bearbeitet werden, und die bestätigende Prüfung folgt, sobald die Dealsicherheit zunimmt. Ein Tool, das diese Abfolge unterstützt, ermöglicht dem Team, früh einen Red-Flag-Durchlauf zu fahren und jeden Arbeitsbereich zu vertiefen, wenn sich das Bild verdichtet – so wird ein KI-Due-Diligence-Workflow in der Praxis üblicherweise gestaffelt. Das Endziel ist ein Komitee-Paket, in dem jeder wesentliche Befund seine Quelle trägt, sodass die Diskussion um den Deal selbst geht und nicht darum, ob die Zahlen stimmen.

Sobald der Workflow definiert ist, wird die Tool-Auswahl zu einer Frage der Fähigkeiten statt der Demo-Performance. Drei Fähigkeitsbereiche unterscheiden Tools, die bei Live-Deals standhalten, von Tools, die nur in der Sandbox gut aussehen.

Quellenbezug und Wiederholbarkeit

Beginnen Sie mit der Beweiskette. Jeder Befund muss auf ein zitierfähiges Dokument und eine Seite verweisen, und die Ergebnisse müssen über mehrere Durchläufe hinweg reproduzierbar sein: Dieselbe Frage an denselben Datenraum sollte dieselbe Antwort mit denselben Quellenangaben liefern. Wenn ein Tool nicht zeigen kann, woher eine Zahl stammt, muss das Team sie am Ende manuell nachprüfen – genau die Arbeit, die das Tool eigentlich abnehmen sollte. Herkunft und Nachvollziehbarkeit sind keine Funktionen, die man in einer Demo bewundern kann; sie sind die Voraussetzungen dafür, dass ein Befund vor einem Investmentkomitee oder einem gegnerischen Berater verteidigt werden kann. Wie eine Plattform damit umgeht, zeigt sich daran, wie sie Datenherkunft und Quellenbelege über die gesamte Due-Diligence-Dokumentation hinweg behandelt.

Passung zu den Workstreams

Zweitens sollte das Tool Befunde nach Workstreams ordnen: Finanz, Recht, Steuern, Commercial, Betrieb, Technologie und HR. Due Diligence ist ein paralleler Prozess mit unterschiedlichen Verantwortlichen, Fragenkatalogen und Berichtsformaten pro Bereich, und Debevoise weist darauf hin, dass das Berichtsformat widerspiegeln sollte, wie das Deal-Team und Dritte es tatsächlich verwenden – von umfassenden Langformatberichten bis hin zu kurzen Red-Flag-Listen.[5] Ein Tool, das einen einzigen undifferenzierten Chat liefert, zwingt Analysten, diese Struktur von Hand wiederherzustellen. Befunde und Risikobewertungen, die bereits Workstreams zugeordnet sind und mit Materialität und Deal-Relevanz versehen sind, machen die Ausgabe für das gesamte Team nutzbar – das ist der Zweck strukturierter Befunde und Risikointelligenz.

Überprüfbarkeit und Zusammenarbeit

Drittens ist Due Diligence ein Teamsport mit einer Prüfkette. Achten Sie auf versionierte, stabile Befunde, Freigaben durch Prüfer und Audit-Trails, damit jederzeit klar ist, was behauptet wurde, auf welcher Grundlage und wer es geprüft hat. Das ist keine Bürokratie; es ist der Mechanismus, der es einem Partner ermöglicht, hinter dem Bericht zu stehen, und deshalb ist die Versionskontrolle von Due-Diligence-Befunden und Quellenbelegen für das IC-Memo genauso wichtig wie für die zugrunde liegende Analyse. Qualitätskontrolle und zuverlässige Leistung gehören zu den Anliegen, die Deal-Macher am häufigsten im Zusammenhang mit KI in der Transaktionsarbeit äußern – was die Prüfebene zu einem eigenständigen Auswahlkriterium statt einem Nachgedanken macht. Wie Befunde durch Expert-in-the-Loop-Prüfung, threaded Diskussionen und Audit-Trails laufen, entscheidet darüber, ob die Zusammenarbeit und Workflow-Tools für das Deal-Team diese Kette unterstützen oder untergraben.

Lässt sich jeder Befund auf ein Dokument und eine Seite zurückführen, und liefert dieselbe Frage bei einem zweiten Durchlauf dieselbe Antwort?

Sind Befunde nach Workstreams mit Materialität und Deal-Relevanz geordnet, oder werden sie als ein einziger undifferenzierter Chat geliefert?

Können Prüfer Befunde freigeben, anfechten und auditieren, mit Versionshistorie und einem Protokoll, wer was geprüft hat?

Fehlermodi offen anzusprechen gehört zum professionellen Umgang mit diesen Tools. Die bekannten Schwächen von KI in der Due Diligence sind gut dokumentiert und sollten benannt werden, bevor man mitten im Deal auf sie stößt.

Halluzinierte Schlussfolgerungen: selbstsichere Ausgaben, die sich auf keine verlässliche Quelle zurückführen lassen[3]

Fehlender Kontext: Analysen, die eine Klausel oder Kennzahl korrekt lesen, aber die Deal-These oder den Workstream-Kontext darum herum übersehen

Veraltete oder kontaminierte Quellen: Open-Web-Material, das veraltet, irrelevant oder außerhalb der Berechtigungen des Deals liegt

Nicht nachvollziehbare Gewissheit: Befunde ohne Quellenverweise, die weder überprüft noch verteidigt werden können

Einführungshürden sind real, nicht hypothetisch. Deloittes GenAI in M&A Survey 2025 unter 1.000 Führungskräften aus Konzernen und Private Equity ergab, dass 86 % der Organisationen GenAI in ihre M&A-Workflows integriert haben, die Nutzer aber vorsichtig bleiben: 67 % nannten Datensicherheit als wichtigstes Anliegen, gefolgt von Datenqualität und -verfügbarkeit mit 65 %.[6] Diese beiden Anliegen entsprechen direkt den oben genannten Fehlermodi: Sicherheit bestimmt, welches Material das Tool berühren darf, und Datenqualität bestimmt, wie sehr man der Ausgabe vertrauen kann. Ein Tool, das beide Fragen nicht klar beantworten kann, wird an der Governance-Prüfung scheitern, ganz gleich, wie leistungsfähig seine Analytik ist.

Die praktische Konsequenz für Investoren ist eine Arbeitsteilung, keine Übergabe. KI strukturiert und beschleunigt die Recherche: Sie verdichtet die Dokumentensichtung, deckt Widersprüche auf und hält die Beweiskette intakt. Investitionsentscheidungen, die Einbindung von Beratern und die abschließende Beurteilung bleiben beim Menschen – genau so, wie Third Bridge es formuliert: Die KI entscheidet nicht, ob Kapital investiert wird, sie verbessert Qualität und Geschwindigkeit der Inputs.[3] Eine Folgerung verdient besondere Betonung: Beweislücken müssen eskaliert, nicht geglättet werden. Ein Werkzeug, das ein fehlendes Dokument mit einer plausiblen Schlussfolgerung überdeckt, ist gefährlicher als eines, das die Lücke lautstark markiert – denn die Lücke ist oft der eigentliche Befund.

Abgebildet auf den oben beschriebenen Workflow und das Bewertungsframework funktioniert Plausity als kollaborativer KI-Arbeitsbereich für Due Diligence und nicht als Chat-Oberfläche, die nachträglich auf einen Dokumentenspeicher gesetzt wurde. Jede Phase des Prozesses entspricht einer Funktion der Plattform.

Data Room Ingestion verbindet sich mit virtuellen Datenräumen und verarbeitet PDFs, Tabellen, Verträge und Finanzmodelle innerhalb von Minuten – so entsteht die indizierte Evidenzbasis, auf die der gesamte weitere Workflow aufbaut

Die KI-Analyse-Engine liest, interpretiert, kreuzt und durchdenkt tausende Dokumente und Datenpunkte und liefert Analysen auf DD-Niveau über die Workstreams Commercial, Financial, Legal, Tax und Tech

Der Risk Radar bewertet Befunde nach Wesentlichkeit, finanzieller Auswirkung, rechtlichem Risiko und Deal-Relevanz und bringt zentrale Risiken und Anomalien an die Oberfläche

Der Report Builder erstellt, strukturiert und verfeinert investitionsreife Due-Diligence-Lieferobjekte mit vollständiger Quellenrückverfolgung

Der Collaboration Hub koordiniert die Aktivitäten des Deal-Teams, stimmt Workstreams ab und teilt Erkenntnisse in Echtzeit

Die Designabsicht entspricht dem zuvor beschriebenen Output-Kontrakt: Befunde kommen mit ihren Quellen an, Risiken kommen nach Deal-Relevanz bewertet an, und Lieferobjekte sind bis zum zugrunde liegenden Dokument nachvollziehbar. Die Plattform unterstützt Analysten und Berater entlang der gesamten Prüfkette; sie ersetzt nicht die Fachleute, die den Deal führen. Für Beratungshäuser lässt sich derselbe Workflow nutzen, um Diligence-Ergebnisse zu standardisieren und die Analystenarbeit unter Termindruck zu beschleunigen – so positioniert sich die Plattform für M&A-Beratungen; für Investoren, die ihre Due Diligence selbst durchführen, findet sich die entsprechende Einordnung bei VC- und PE-Fonds, die im Deal-Takt arbeiten. Das zugrunde liegende Argument – dass spezialisierte Diligence-Tools sich strukturell von generischen Chatbots unterscheiden – wird von der Positionierung der Plattform ausdrücklich selbst vertreten.

Was ein Deal-Team aus dieser Zuordnung mitnehmen sollte, ist die Passung zwischen Funktion und Workflow-Phase. Die Ingestion löst das Volumenproblem, die Analysis Engine und der Risk Radar lösen das Prüfproblem, und Report Builder und Collaboration Hub lösen das Problem von Review und Übergabe. Wo sich der Prozess eines Teams unterscheidet, ist das Framework aus dem vorherigen Abschnitt die anzuwendende Checkliste: Provenienz, Workstream-Passung und Nachvollziehbarkeit – in dieser Reihenfolge.

Das obige Framework lässt sich zu einer praktischen, tool-agnostischen Abfolge verdichten: Sie funktioniert, egal ob das Team eine dedizierte Plattform nutzt oder einen disziplinierten manuellen Prozess – wobei die Plattform jeden Schritt beschleunigt.

Bei Eröffnung des Datenraums: den Raum früh und vollständig einlesen, die Workstream-Übersicht über Financial, Legal, Tax, Commercial, Operational, Technology und HR erstellen und einen ersten Red-Flag-Durchlauf durchführen, bevor der DDQ rausgeht – damit der Fragebogen davon geprägt ist, was die Dokumente tatsächlich zeigen

Während des Prozesses: für jeden Befund eine Quellenangabe verlangen, Widersprüche und Beweislücken als ausdrücklich verfolgte Punkte statt als Fußnoten erfassen und sie rechtzeitig in Diligence- und Managementfragen einspeisen, solange noch Zeit ist, Antworten zu bekommen

Vor dem IC: das Risikoregister und das Evidenzpaket zusammenstellen, die Prüfer die wesentlichen Befunde gegen die Quelldokumente verifizieren lassen und festhalten, was geprüft wurde und von wem – damit das Komitee die Prüfkette sieht, nicht nur die Schlussfolgerungen

Zwei Gewohnheiten machen die Abfolge tragfähig. Erstens: Betrachten Sie die Beweislücke als Lieferobjekt – ein als fehlend erfasster Punkt mit Verantwortlichem und angeschlossener Frage ist ein Fortschritt, während eine still durch Schlussfolgerung überbrückte Lücke ein Risiko ist. Zweitens: Behalten Sie die Red-Flag-First-Reihenfolge von Debevoise im Blick, wenn die Zeit knapp wird – bestätigende Arbeiten können warten, Go/No-Go-Fragen nicht.[5]

So geführt wird der Diligence-Record zu einem Asset statt zu einem Nebenprodukt: Befunde, die sich erneut verifizieren lassen, Quellen, die sich erneut prüfen lassen, und eine Review-Spur, die dem Komitee genau zeigt, wie das Team zu seiner Einschätzung gekommen ist. Das bedeutet evidenzbasierte Recherche in der Praxis – und daran sollte jedes Recherche-Tool gemessen werden, ob generisch oder spezialisiert.

1. [1] v7labs.com — https://www.v7labs.com/blog/ma-due-diligence
2. [2] ionanalytics.com — https://ionanalytics.com/wp-content/uploads/dlm_uploads/2024/03/SRS_Acquiom-DueDiligence_v7_DS.pdf
3. [3] thirdbridge.com — https://www.thirdbridge.com/en-us/about-us/media/perspectives/ai-due-diligence-private-equity
4. [4] investor.ssctech.com — https://investor.ssctech.com/news-and-events/news-details/2024/Global-MA-Dealmakers-See-AI-Adoption-Accelerating-SSC-Intralinks-Survey-Finds/default.aspx
5. [5] debevoise.com — https://www.debevoise.com/insights/publications/2025/05/eight-principles-of-effective-and-strategic
6. [6] deloitte.com — https://www.deloitte.com/us/en/about/press-room/deloitte-survey-genai-in-mna.html