KI-gestützte Branchenanalyse: Der Leitfaden für Berater

KI-gestützte Branchenanalyse ist die Praxis, LLM-basierte Werkzeuge zu nutzen, um Marktquellen zu erfassen, Wettbewerbs- und Marktevidenz zu strukturieren und Befunde unter expliziter Aufsicht der Berater zu entwerfen. Die Definition trägt eine Randbedingung, die ebenso wichtig ist wie die Fähigkeit selbst: Die Technologie ergänzt professionelles Urteilsvermögen, sie ersetzt es nicht. Der Berater formuliert weiterhin die Forschungsfragen, entscheidet, was wesentlich ist, und zeichnet die Schlussfolgerungen ab, die den Kunden erreichen. Was sich ändert, ist die Evidenzmenge, die ein einzelner Analyst glaubwürdig verarbeiten kann, und das Tempo, mit dem eine erste strukturierte Sicht auf einen Markt erstellt werden kann.

Der Umfang dieser Praxis umfasst das mechanische Rückgrat der Branchenarbeit: das Lesen von Datenräumen, Statistikunterlagen, Marktberichten und Managementunterlagen; das Mapping der Entitäten, die einen Markt bevölkern, von Kunden und Lieferanten bis zu Wettbewerbern; das Gegenprüfen von Aussagen über Quellen hinweg; und das Zusammenstellen von Erstentwürfen, die ein Spezialist dann testet, korrigiert und weiterentwickelt. Keiner dieser Schritte war zuvor automatisierbar, ohne die Nachvollziehbarkeit zu verlieren – genau deshalb haben sie so viel Junior-Zeit gebunden.

Die Adoption ist längst über die Pilotphase hinaus. Deloittes 2026 Generative AI in M&A Pulse Study zeigt, dass 90 % der Organisationen GenAI in M&A-Prozessen einsetzen, davon 37 % über mehrere Stufen des Deal-Lebenszyklus hinweg.[1] Auf der Beratungsseite berichtet eine Studie von LexisNexis, dass 80 % der Managementberater generative KI-Tools bereits in ihren täglichen Aufgaben nutzen.[2] Diese Zahlen beschreiben die Grundlage der operativen Umgebung für Marktanalysen in der Due Diligence, nicht eine Randgruppe früher Anwender.

Die Erwartungen der Kunden haben sich entsprechend verschoben. Käufer setzen heute voraus, dass Branchenanalysen schneller geliefert werden, mehr abdecken und hinter jeder Aussage einen Beleglink tragen. Ein lose belegtes Narrativ-Deck lässt sich vor einem Investmentkomitee schwerer verteidigen – nicht, weil das dahinterstehende Urteil schwächer wäre, sondern weil die Beweiskette dünner ist, als der Kunde weiß, dass sie sein könnte.

Definition: LLM-basierte Aufnahme, Strukturierung und Erstellung von Markt- und Wettbewerbsbelegen unter Berateraufsicht, die das Urteil ergänzt statt es zu ersetzen.

Adoption: 90 % der Organisationen nutzen heute GenAI im M&A (Deloitte 2026 Pulse Study); 80 % der Managementberater nutzen GenAI in täglichen Aufgaben (LexisNexis).

Kundenerwartung: schnellere, belegverknüpfte Branchenarbeit wird zum angenommenen Standard für Beratungsdeliverables.

Der in der Beratungspraxis entstandene Workflow läuft in fünf Stufen ab, von denen jede einen manuellen Engpass in einen strukturierten, überprüfbaren Schritt umwandelt. Die Stufen folgen aufeinander, doch die wichtigste Disziplin ist die Rückverfolgbarkeit, die sich durch alle Stufen zieht: Jedes Ergebnis auf jeder Stufe sollte mit dem Quelldokument verknüpft bleiben, aus dem es stammt.

Stufe 1: Quellenaufnahme

Die erste Stufe verbindet das Rohmaterial: virtuelle Datenräume, gesetzliche Offenlegungen, Marktberichte, Managementpräsentationen und Finanzmodelle. Eine spezialisierte Aufnahme verarbeitet Tausende von Dokumenten in Minuten statt Wochen, ordnet sie nach Arbeitsströmen und erstellt den Index, von dem jede spätere Stufe abhängt. Hier wird die Herkunft gesichert, und Datenraum-Analyse-Software, die bei der Aufnahme die Quelle jedes Dokuments erfasst, erspart später erheblichen Mehraufwand, wenn Ergebnisse bis zu ihrem Ursprung zurückverfolgt werden müssen.

Stufe 2: Entitäten- und Markt-Mapping

Sobald die Quellen aufgenommen sind, baut die zweite Stufe die Struktur des Marktes auf: Wer sind die Kunden, wer beliefert sie, wer konkurriert um dieselbe Nachfrage, und wie hängen die Akteure zusammen? KI beschleunigt dies, indem sie Entitätserwähnungen über Tausende von Seiten hinweg extrahiert und zu einer kohärenten Karte konsolidiert – aber der Berater entscheidet, welche Beziehungen für die These wesentlich sind und welche nur Rauschen. Die Karte ist eine Arbeitshypothese, kein Ergebnis.

Stufe 3: Wettbewerbs-Triangulation

Die dritte Stufe gleicht Wettbewerbs- und Marktaussagen über unabhängige Quellen hinweg ab: was das Management über Marktanteile sagt, was Kunden in Gesprächsprotokollen äußern, was Offenlegungen über Umsatzkonzentration verraten, was Branchenberichte über Wachstum schätzen. Hier erweist sich die Massenverarbeitung in der Wettbewerbsanalyse als wertvoll, weil alle Quellen gleichzeitig im Blick bleiben und Abweichungen markiert werden können. Der Berater beurteilt dann, welche Abweichung ein Datenproblem ist und welche ein echtes Signal.

Stufe 4: Stresstest der These

Die vierte Stufe greift die Arbeitsthese gezielt an. Setzt die These Preissetzungsmacht voraus, sucht die Analyse nach Belegen für Rabattierung. Setzt sie dauerhaftes Wachstum voraus, sucht sie nach Churn- und Substitutionssignalen. KPMG stellt fest, dass KI die Prüfung von Datenräumen und unstrukturierten Dokumenten beschleunigt und Anomalien, Trends und Warnsignale früher aufdeckt, sodass Spezialisten sich auf wesentliche Fragen und Urleisten konzentrieren können.[3] Der Stresstest ist der Punkt, an dem diese Fähigkeit die Ökonomie der Due Diligence verändert: Die zweite und dritte Hypothese lassen sich nun ebenfalls prüfen, nicht nur die erste.

Der fünfstufige Workflow: Die KI verarbeitet Volumen an jeder Stufe; der Berater trifft die Wesentlichkeitsentscheidungen dazwischen. · KI-generiert

Stufe 5: Synthese

In der letzten Stufe werden geprüfte Erkenntnisse zu einer strukturierten Sicht zusammengeführt: was bekannt ist, was geschätzt wird, was ungeprüft bleibt und wozu die Beleglage Schlussfolgerungen stützt. Die KI entwirft die Synthese; der Berater entscheidet, was sie für die Entscheidung des Kunden bedeutet. Das Ergebnis ist ein Erkenntnisregister mit Quellenverlinkungen – keine Erzählung, aus der man die Belege erst mühsam herausdestillieren muss.

Stufe 1, Quellenaufnahme: Datenräume, Börsenberichte und Marktstudien anbinden; tausende Dokumente in Minuten verarbeitet.

Stufe 2, Entitäten- und Markt-Mapping: die Struktur von Kunden, Lieferanten und Wettbewerbern aus extrahierten Entitäten aufbauen.

Stufe 3, Wettbewerber-Triangulation: Aussagen über unabhängige Quellen hinweg abgleichen und Abweichungen markieren.

Stufe 4, Thesis-Stresstest: gezielt nach Belegen suchen, die gegen jede These der Annahmen sprechen.

Stufe 5, Synthese: geprüfte Erkenntnisse zu einer quellenverlinkten Sicht für das Kundendeliverable zusammenführen.

Die Arbeitsteilung ist keine Floskel; sie lässt sich auf beiden Seiten konkreten Aufgaben zuordnen. Sie explizit zu machen, schützt sowohl die Qualität des Deliverables als auch die Glaubwürdigkeit der Firma, die es unterzeichnet.

Was die KI gut kann

Die KI ist stark im Verarbeiten großer Volumina: Sie liest tausende Seiten aus Datenräumen, Börsenberichten und Marktstudien in einem Bruchteil der Zeit, die eine manuelle Durchsicht bräuchte. Sie gleicht Aussagen über Quellen hinweg ab, ohne zu ermüden, erstellt Erstentwürfe von Zusammenfassungen, die Senior-Profis einen Vorsprung verschaffen, und erkennt Anomalien – ungewöhnliche Umsatzmuster, inkonsistente Offenlegungen, Ausreißer bei Vertragsklauseln –, die ein ermüdeter Prüfer auf Seite 800 leicht übersieht. Das sind die Aufgaben, bei denen die Einschränkung immer menschliche Stunden waren, nicht menschliches Urteilsvermögen.

Wo das Urteilsvermögen zentral bleibt

Das Urteilsvermögen bleibt dort zentral, wo die Frage nicht lautet, was das Dokument sagt, sondern was es bedeutet und ob es relevant ist. Wesentlichkeitsentscheidungen – also welche Erkenntnisse die Deal-These verändern und welche bloße Fußnoten sind – lassen sich nicht delegieren. Die Analyse so zu rahmen, dass sie die tatsächliche Entscheidung des Kunden beantwortet, Primärquellen-Interviews mit Kunden und Marktteilnehmern zu führen, den Kundenkontext zu interpretieren, der in keinem Dokument auftaucht, und die finalen Schlussfolgerungen zu verantworten – all das bleibt beim Berater. Die KI strukturiert die Belege; der Profi gewichtet sie.

Die Governance-Belege

Die Pulse Study 2026 von Deloitte liefert den Governance-Datenpunkt: Menschliche Prüfung bleibt die wichtigste Anforderung bei risikoreichen GenAI-Einsätzen, und nur etwa ein Drittel der Organisationen wendet GenAI auf urteilsintensive Verhandlungsschritte an – ein klares Signal, dass die Praktiker selbst zwischen mechanischen und urteilskritischen Phasen unterscheiden.[1] Die Leitlinie von KPMG ist operativ: kartieren, wo menschliches Urteilsvermögen wesentlich ist, einschließlich Materialitätsschwellen, Ausnahmen und Freigaben, und diese Kontrollpunkte direkt in den Workflow einbetten – mit Rückverfolgbarkeit zu den Quelldokumenten, damit Erkenntnisse in Verhandlungen verteidigt werden können.[3]

Verteidigungsfähigkeit ist der Test, der KI-gestützte Beratungsarbeit von KI-gestütztem Rätselraten unterscheidet. Ein Kundendeliverable muss die Frage überstehen: Woher stammt das? Drei Disziplinen machen diese Antwort zur Selbstverständlichkeit statt zur Improvisation.

Jede Aussage auf ein Quelldokument zurückführen

Jede Aussage in einem kundengerichteten Finding sollte sich auf ein bestimmtes Quelldokument zurückführen lassen, und diese Herkunft ist am günstigsten bei der Aufnahme zu erfassen, wenn das Dokument erstmals in den Workflow eintritt. Nachträgliche Herkunftsangaben nach der Analyse sind fehleranfällig und teuer – deshalb wird Data Provenance in der KI-Due-Diligence als Designanforderung und nicht als nachträglicher Berichtsanhang behandelt. Plattformen wie die AI Analysis Engine von Plausity liefern Findings mit Quellen-Rückverfolgbarkeit, sodass jede Schlussfolgerung ihre Evidenz mit sich führt, und das Modul Findings & Risk Intelligence bewertet die Materialität und bildet arbeitsübergreifende Risiken auf ebendiese Quellenverknüpfungen ab.

Jede KI-generierte Referenz verifizieren

Das Zitationsrisiko ist nicht theoretisch. Eine arXiv-Studie, die Chatbots anhand von Finanzliteratur evaluierte und 150 Zitationen analysierte, ergab, dass ChatGPT-4o in 20,0 % der Fälle Referenzen erfand, während Gemini Advanced in 76,7 % der Fälle erfundene Referenzen lieferte.[4] Die eigene Schlussfolgerung der Studie ist die Handlungsanweisung: Von Chatbots gelieferte Referenzen müssen verifiziert werden, insbesondere in sich schnell entwickelnden Fachgebieten. Für Beratungsarbeit folgt daraus unmittelbar: Eine Referenz, die in einem Entwurfs-Finding auftaucht, ist ein Hinweis, keine Tatsache – solange niemand die Quelle geöffnet und bestätigt hat, dass sie die Aussage stützt.

Qualitätskontrolle als Governance-Anforderung behandeln

Qualitätskontrolle ist kein Höflichkeitsschritt; die Dealmaker selbst stufen sie als das größte Risiko ein. In der SS&C-Intralinks-Umfrage unter globalen M&A-Profis nennen ein Viertel der Befragten Qualitätskontrolle und zuverlässige Leistung als die größten Risiken im Zusammenhang mit der KI-Einführung – noch vor Datensicherheit und Datenschutz mit 19 %.[5] Die praktische Konsequenz: Eine QC-Schwelle für KI-gestützte Findings mit einem namentlich benannten Prüfer wird so selbstverständlich wie das Partner-Review eines finalen Decks.

Herkunft bei der Aufnahme dokumentieren: das Quelldokument in dem Moment erfassen, in dem es in den Workflow eintritt, nicht erst nach der Analyse.

Jede KI-generierte Referenz vor ihrer Verwendung in einem Kundendeliverable an der tatsächlichen Quelle verifizieren.

Eine QC-Schwelle mit namentlich benanntem Prüfer für KI-gestützte Findings anwenden; ein Viertel der Dealmaker stuft Qualitätskontrolle als das größte Risiko der KI-Einführung ein.

Entworfene Aussagen in den Arbeitspapieren von verifizierten Findings unterscheiden, sodass das Kundendeliverable nur Letztere enthält.

Eine konkrete Prüfliste übersetzt die obigen Governance-Prinzipien in die tägliche Praxis. Deal-Teams, die KI-gestützte Branchenanalysen durchführen, sollten drei Prüfungen anwenden, bevor ein Finding vom Entwurf zum Deliverable wird.

Triangulierungsprüfungen

Prüfen, ob Wettbewerbs- und Marktaussagen über mindestens zwei unabhängige Quellen hinweg Bestand haben. Eine Marktvolumen-Schätzung, die nur in einer Management-Präsentation auftaucht, ist eine Hypothese; dieselbe Schätzung, bestätigt durch einen Branchenbericht und ein Kundeninterview, ist ein Finding. KI macht die Triangulierungsprüfung schnell, weil alle Quellen gleichzeitig im Blick bleiben, aber das Team sollte bestätigen, dass die Quellen wirklich unabhängig und nicht zirkulär sind – drei Medien, die dieselbe Pressemitteilung zitieren, sind eine Quelle, nicht drei.

Review von Beweislücken

Nutzen Sie KI-gekennzeichnete fehlende Dokumente und unbeantwortete Fragen als Auslöser für Nachfassanfragen – nicht als Grund, mit unvollständigen Beweisen weiterzuarbeiten. Eine strukturierte Lückenliste – welche Dokumente angefordert, aber nie geliefert wurden, welche Fragen in der Management-Session unbeantwortet blieben, welche Marktbehauptungen keinerlei unabhängige Bestätigung haben – ist selbst ein Signal für die Qualität des Deliverables. Plattformen, die Beweislücken systematisch aufdecken und Befunde nach Wesentlichkeit und Deal-Relevanz bewerten, machen aus der Lückenprüfung einen verwalteten Arbeitsstrom statt eines Nachgedankens und reduzieren die KI-blinden Flecken, die unvollständiger Kontext erzeugt.

Red Flags in KI-Ergebnissen

Bestimmte Muster in KI-Ergebnissen rechtfertigen sofortige Skepsis: unbelegte Behauptungen ohne dahinterliegendes Dokument, veraltete Daten, die als aktuell präsentiert werden, Ein-Quellen-Schlüsse, die auf einem einzigen Dokument beruhen, und in sich widersprüchliche Befunde, bei denen ein Abschnitt der Analyse einem anderen widerspricht. Jedes Muster entspricht einem Fehlermodus, den die Verifizierungsstudien dokumentieren, und jedes ist mit einer gezielten Prüfung statt einer vollständigen erneuten Lektüre erkennbar.

Der größere Kontext stützt den Aufwand: In der SS&C-Intralinks-Umfrage sehen 16 % der Dealmaker die Identifikation von Risiken und Chancen als den Bereich, in dem KI am wichtigsten sein wird – direkt nach der Datenanalyse.[5] Und PwC stellt fest, dass KI es Teams ermöglicht, Deal-Thesen auf neue Weise zu prüfen, einschließlich Simulationen, die eine These testen, bevor sie das Investment Committee erreicht.[6] Am meisten profitieren die Teams, die diese Fähigkeit mit einer disziplinierten Prüfliste kombinieren.

Triangulation: Wettbewerbs- und Marktbehauptungen über mindestens zwei wirklich unabhängige Quellen bestätigen.

Beweislücken: KI-gekennzeichnete fehlende Dokumente und unbeantwortete Fragen in strukturierte Nachfassanfragen umwandeln.

Red Flags: Unbelegte Behauptungen, veraltete Daten, Ein-Quellen-Schlüsse und in sich widersprüchliche Befunde hinterfragen, bevor sie den Kunden erreichen.

Die Veränderungen wirken sich in drei Dimensionen auf die Beratungspraxis aus: auf Geschwindigkeit und Tiefe der Analyse selbst, auf den Qualitätsstandard des Deliverables und auf das Betriebsmodell des Teams, das es erstellt.

Geschwindigkeit und Tiefe

PwCs Benchmark-Tests zeigen Produktivitätsgewinne von 35 % bis 85 %, wobei einige Due-Diligence-Aufgaben wie Wettbewerbsanalyse und Analyse interner Finanzdaten von Wochen auf Tage verkürzt werden.[6] Der Gewinn liegt nicht nur in der Kalendergeschwindigkeit. Da die mechanische Durchsicht schrumpft, können Teams mehr Hypothesen testen, mehr des Datenraums abdecken und an der These iterieren, statt den ersten Entwurf unter Zeitdruck zu verteidigen.

Deliverable-Qualität

Der Qualitätsmaßstab verschiebt sich von narrativer Politur hin zu Beweisdisziplin. Prüfungsfeste Befunde mit Quellenrückverfolgbarkeit, bei denen jede wesentliche Behauptung auf das sie stützende Dokument verlinkt, ersetzen lose belegte Narrative-Decks als Standard für die Kundenarbeit. Das ist ein struktureller Wandel dessen, was Kunden erhalten: ein Befundsregister mit Herkunftsnachweis, eine Red-Flag-Zusammenfassung mit Schweregradbewertung und eine Synthese, die verifizierte Schlussfolgerungen von offenen Fragen unterscheidet. Tools, die diese Deliverables mit integrierter Rückverfolgbarkeit erstellen, wie das Reports-und-Deliverables-Modul von Plausity, machen den Standard wiederholbar statt heldenhaft.

Folgen für das Betriebsmodell

Da die Stunden für Routinerecherche schrumpfen, müssen Personalmodelle, Preisstrukturen und QC-Prozesse neu gestaltet werden. Der Analyst, der auf Stundengrundlage recherchiert, ist eine andere ökonomische Einheit als der Analyst, der KI-gestützte Prüfungen beaufsichtigt und die Wesentlichkeit beurteilt. Die Deloitte-Studie liefert zusätzlich ein Fähigkeitssignal: Die Integration mit genehmigten Deal-Datenquellen wird als wichtigste Fähigkeit einer M&A-Technologielösung genannt – was bedeutet, dass die Tool-Auswahl heute eine Entscheidung über das Betriebsmodell ist, keine IT-Beschaffung.[1]

Geschwindigkeit und Tiefe: Produktivitätsgewinne von 35 % bis 85 % in Benchmark-Tests, mit Wettbewerbs- und Finanzanalyse von Wochen auf Tage verkürzt (PwC).

Deliverable-Qualität: prüfungsfeste, quellenrückverfolgbare Befunde ersetzen lose belegte Narrative-Decks als Kundenstandard.

Betriebsmodell: Personalplanung, Preisgestaltung und QC-Prozesse erfordern Neugestaltung, da die Stunden für Routinerecherche schrumpfen; die Integration mit genehmigten Deal-Datenquellen ist die am höchsten bewertete Plattformfähigkeit (Deloitte).

Der oben beschriebene Workflow lässt sich zu einer wiederholbaren Abfolge verdichten, die ein Deal-Team bei seinem nächsten Mandat durchlaufen kann. Die folgenden Schritte ordnen jeder Phase die sie unterstützende Funktion zu – sowie den menschlichen Kontrollpunkt, der die Arbeit belastbar hält.

Data Room verbinden und scannen. Nutzen Sie Data Room Ingestion, um sich mit dem VDR zu verbinden und PDFs, Tabellen, Verträge und Finanzmodelle in Minuten zu verarbeiten – wobei die Herkunft jedes Dokuments bereits beim Import erfasst wird.

Strukturiertes Lesen und Abgleich durchführen. Nutzen Sie die AI-Analysis Engine, um den gesamten Korpus zu lesen, Entitäten und Marktstrukturen zu extrahieren, Aussagen gegeneinander abzugleichen und Befunde zu entwerfen – jeweils mit angehängter Quellnachvollziehbarkeit.

Wesentliche Risiken aufdecken und einstufen. Nutzen Sie Risk Radar, um Befunde nach Wesentlichkeit, finanzieller Auswirkung, rechtlichem Risiko und Deal-Relevanz zu bewerten, damit die Aufmerksamkeit des Teams den Risiken gilt, die die These wirklich bewegen.

These belasten und Beweislücken prüfen. Fordern Sie jede These-Annahme anhand des Korpus heraus, wandeln Sie KI-erkannte Lücken in Nachfassanfragen um und wenden Sie die oben beschriebenen Triangulations- und Red-Flag-Prüfungen an.

Kundendeliverable mit vollständiger Nachvollziehbarkeit entwerfen. Nutzen Sie Report Builder, um das Befundregister, die Red-Flag-Zusammenfassung und das Executive Briefing zu strukturieren – mit jeder wesentlichen Aussage verknüpft mit ihrem Quelldokument.

Arbeitsströme und menschliche Freigabe koordinieren. Nutzen Sie die Kollaborations- und Workflow-Ebene, um Arbeitsströme zuzuweisen, Review-Kommentare zu verknüpfen und die Freigabe an jeder Wesentlichkeitsschwelle einzuholen – gemäß KPMGs Human-in-the-Loop-Designprinzip, Kontrollpunkte für Wesentlichkeit, Ausnahmen und Freigaben direkt in den Workflow einzubetten.

Die Teams, die bei KI-gestützter Branchenanalyse am meisten gewinnen, sind nicht die, die die meisten Schritte automatisieren; es sind die, die die Mengenarbeit so vollständig automatisieren, dass die eingesparten Stunden in Urteilsvermögen, Triangulation und Kundenkontext reinvestiert werden können. Diese Reinvestition – nicht die Technologie allein – macht das Deliverable belastbar.

Plausity ist eine KI-native Due-Diligence- und Deal-Intelligence-Plattform, die M&A-Beratungen, VC- und PE-Fonds, Corporate-Development-Teams und Investment-Banking-Teams dabei unterstützt, Nachweise, Findings und Fragen entlang eines Datenraums zu strukturieren. Plausity unterstützt Evidenzextraktion, Quellenverankerung, Findings-Management und IC-Vorbereitung — die Plattform ersetzt keine menschlichen Analysten, Berater oder Investmentprofessionals, liefert keine Rechts-, Steuer-, Prüfungs-, Regulierungs- oder Anlageberatung und trifft keine autonomen Investitionsentscheidungen. Alle Findings erfordern menschliche Prüfung. Gebaut für die heutigen Investment- und Deal-Teams. Vertrauen von >200 Firmen.

Weitere Details zu den Kernbausteinen finden Sie beim Plausity AI Analysis Engine und in der Findings & Risk Intelligence-Übersicht. Für team-spezifische Workflows sehen Sie, wie VC- und PE-Fonds und M&A-Beratungen Plausity in laufenden Deals einsetzen.

1. [1] deloitte.com — https://www.deloitte.com/us/en/what-we-do/capabilities/mergers-acquisitions-restructuring/articles/m-and-a-generative-ai-study.html
2. [2] consultancy.uk — https://www.consultancy.uk/news/42670/five-ways-gen-ai-is-boosting-day-to-day-management-consulting-work
3. [3] kpmg.com — https://kpmg.com/ch/en/insights/deals/ai-in-deals.html
4. [4] arxiv.org — https://arxiv.org/abs/2411.07031
5. [5] intralinks.com — https://www.intralinks.com/company/news-press/global-ma-dealmakers-see-ai-adoption-accelerating-ssc-intralinks-survey-finds
6. [6] pwc.com — https://www.pwc.com/us/en/industries/financial-services/library/private-equity-ai-transformation.html