KI im Investment Committee: 12 Fragen, die GPs vor der Freigabe eines Deals stellen sollten

KI · Dieser Artikel wurde mit Hilfe von KI erstellt.

By Saachi Baghel

12 essenzielle KI-Fragen, die jedes Private-Equity-Investmentkomitee vor der Freigabe eines Deals stellen sollte, um Risiken und Verteidigungsfähigkeit zu

Der neue Standard für die KI-Due-Diligence

Bewertung von Thesenwirkung und Verteidigbarkeit

Einschätzung des finanziellen Risikos und der Margenwirkung

Prüfung von Datenvermögen und technischen Abhängigkeiten

Validierung der Vision und Prognosen des Managements

Strukturierung der KI-Ergebnisse im IC-Memo

Das Investment Committee mit Plausity stärken

Häufig gestellte Fragen

Quellen

Welche KI-Fragen sollte ein Investment Committee stellen, bevor es einen Deal freigibt? Die zwölf Fragen in diesem Artikel haben eine Gemeinsamkeit: Jede zwingt das Dealteam, etwas zu quantifizieren, das eine klassische Technologieprüfung nie gemessen hat. Wie viel der These des Zielunternehmens wird durch KI gestört, wie viel der Marge ist KI-bedingten Kosten- und Umsatzverschiebungen ausgesetzt, und wie technisch verteidigungsfähig ist das Produkt gegenüber KI-nativen Substituten? Die KI-Diskussion im Investment Committee hat sich längst von der klassischen IT-Due-Diligence-Checkliste zu Infrastruktur, Cybersicherheit und Lizenzcompliance entfernt. Diese Prüfungen bleiben wichtig, beantworten aber nicht mehr die Frage, die darüber entscheidet, ob ein Multiple über die Haltedauer verteidigbar ist.

Das Ausmaß dieses Wandels erklärt, warum. Branchenanalyse schätzt, dass KI zwischen 2025 und 2035 Unternehmensgewinne von 4,7 Billionen Dollar gefährdet, 71 Prozent der Branchen strukturell verwandelt – gegenüber 41 Prozent im Internetzeitalter – und dabei Industrien erreicht, die das Internet weitgehend ausgespart hatte, etwa das Gesundheitswesen, die industrielle Fertigung und professionelle Dienstleistungen.[1] Für Mitglieder von PE-Investmentcommittees und Dealverantwortliche bedeutet das: Kaum eine Zielbranche liegt außerhalb des Wirkungsbereichs.

Wichtig ist: Die Störung ist ungleich verteilt, und die erste Aufgabe des IC besteht darin, das Zielunternehmen auf Bains Landkarte einzuordnen. Nur ein kleiner Teil der 4,7 Billionen Dollar – gerade einmal 0,3 Billionen – entfällt auf Bains „Revolution“-Cluster, in dem der Kerndienst selbst zur KI wird, wie im Kundensupport oder bei Prüfungsvorbereitungen. Deutlich größere 1,3 Billionen Dollar entfallen auf den „Augmentation“-Cluster, in dem das Geschäftsmodell überlebt, aber der Wettlauf um KI-getriebene Produktivitätsgewinne entscheidet, wer die Marge behält; „rewired“ Branchen wie Unternehmenssoftware stehen vor einem völlig offenen Wettbewerb.[1] Mit anderen Worten: Die meisten Zielunternehmen sehen sich Augmentation-Ökonomie gegenüber, nicht dem Untergang – doch in der Augmentation verlieren Nachzügler Marktanteile an Wettbewerber, die dieselben öffentlich verfügbaren Werkzeuge nutzen.

Von der technischen Prüfung zur kommerziellen Frage: Das Investment Committee sollte fragen, was KI mit Umsatzqualität, Kostenstruktur und Verteidigungsfähigkeit macht – nicht nur, ob die IT-Landschaft solide ist.

Von binär zu geclustert: Die Due Diligence sollte das Zielunternehmen einem Disruptionscluster zuordnen und die Exposition entsprechend bemessen, denn ein Zielunternehmen im Revolutionssektor und eines im Augmentierungssektor rechtfertigen völlig unterschiedliche Underwriting-Annahmen.

Vom statischen Schnappschuss zur Haltedauer-Perspektive: KI-Fähigkeiten verbinden sich kumulativ, daher lautet die Frage nicht, wo das Zielunternehmen heute steht, sondern wie seine These im dritten und fünften Jahr der Haltedauer aussieht.

Die zwölf Fragen unten sind in fünf Cluster gruppiert: These-Auswirkung und Verteidigungsfähigkeit, finanzielle Exposition, Datenassets und technische Abhängigkeiten, Glaubwürdigkeit des Managements sowie offene Fragen für das Memo. Für einen umfassenderen Pre-Deal-Rahmen siehe die KI-Due-Diligence-Checkliste für Value Creation im Private Equity.

F1: Stärkt oder schwächt KI die Investment-These?

Das ist die verankernde Frage, und sie sollte vor allen anderen beantwortet werden. KI kann eine These stärken, indem sie einen Burggraben verbreitert, Servicekosten senkt oder ein Upsell eröffnet – und sie kann eine These schwächen, indem sie einen Preispremium erodiert, einen Workflow zur Commodity macht oder einen Wettbewerber aufrüstet. Das Investment Committee braucht eine explizite, quantifizierte Richtungsaussage, denn „KI ist ein Rückenwind“, ohne Zahlen behauptet, ist keine Due Diligence. Zu fordernde Belege: eine Karte der KI-Auswirkungen über die Haltedauer, aufgeschlüsselt nach einzelnen Umsatzlinien; Kundeninterviews zur Zahlungsbereitschaft für KI-Funktionen; Benchmarks zur Wettbewerberadoption; sowie die eigenen Churn- und Win-Rate-Trends des Zielunternehmens seit dem KI-Einsatz. Rote Flagge: Das These-Memo erwähnt KI nur im Value-Creation-Abschnitt und nie im Risikoabschnitt – was meist bedeutet, dass die Analyse tatsächlich nicht durchgeführt wurde.

F2: Welche Umsätze des Zielunternehmens sind am stärksten KI-exponiert?

Branchenanalyse macht deutlich, dass es in Sektoren wie Enterprise-Software keine vorherbestimmten Gewinner gibt: Ein Marktführer mit tiefen Kundenintegrationen, hohen Wechselkosten und verteidigungsfähigen Datenburggräben hat nur dann einen strukturellen Vorteil, wenn er KI als Thema auf Vorstandsebene behandelt und Funktionen ausliefert, für die Kunden zahlen.[2] Das Investment Committee sollte prüfen, ob der Kern-Workflow des Zielunternehmens von einem KI-nativen Wettbewerber von Grund auf neu gebaut oder in ein Frontier-Modell zusammengefasst werden könnte. Zu fordernde Belege: Wechselkostendaten nach Kundensegment, Net Revenue Retention über mindestens drei Jahre, eine Analyse, welche Workflow-Schritte ein Allzweckmodell bereits ausreichend erledigt, sowie die Reaktion der Produkt-Roadmap. Rote Flagge: Der Kern-Workflow ist ein dünner Wrapper über ein Standardmodell – ohne proprietäre Daten, Integrationstiefe oder Domänenlogik, die ein Substitute nicht innerhalb der Haltedauer replizieren könnte.

F12: Was würde die Investment-These über die Haltedauer hinweg ungültig machen?

Jedes IC-Memo enthält Risiken, aber KI entwickelt sich so schnell, dass das Komitee einen schriftlichen Invalidierungstest verlangen sollte – keine generische Liste von Gegenmaßnahmen. Benennen Sie die zwei oder drei beobachtbaren Ereignisse, die die These falsifizieren würden: ein namentlich genannter Wettbewerber, der ein KI-natives Äquivalent ausliefert; eine Modellfähigkeit, die eine Schwelle überschreitet und das Kernergebnis des Zielunternehmens automatisiert; oder eine Verschiebung der Kundenkonzentration hin zu Käufern, die KI-Funktionen ohne Aufpreis verlangen. Zu fordernde Belege: Trigger-Punkte mit Verantwortlichen und Review-Terminen, ein Monitoring-Plan, der an öffentliche Signale gekoppelt ist, und vorab vereinbarte Portfolio-Maßnahmen für den Fall, dass ein Trigger auslöst. Rote Flagge: Die Invalidierungs-Diskussion wird auf einen 100-Tage-Plan vertagt statt vor der Freigabe geklärt – das Komitee genehmigt eine These, die es nicht stresstestet hat.

F2: Welche Umsätze des Zielunternehmens sind am stärksten KI-exponiert?

Nicht jeder Umsatz trägt dasselbe KI-Risiko. Wiederkehrender Umsatz, der an einen Workflow gebunden ist, den KI automatisieren kann, ist weit stärker exponiert als Umsatz aus regulierten Prozessen, physischen Assets oder proprietärem Datenzugriff. Das Investment Committee sollte verlangen, dass der Umsatz nach KI-Exposition segmentiert wird, denn die Antwort verändert sowohl den gezahlten Multiplikator als auch die verhandelten Covenants. Zu fordernde Belege: eine Vertragsebene-Ansicht, welche Umsatzlinien von abrechenbaren Stunden, Per-Slot-Lizenzen oder Informationsasymmetrie abhängen – all das komprimiert KI; die Kundenkonzentration innerhalb exponierter Linien; sowie die Preishistorie, die zeigt, ob KI-Funktionen monetisiert oder verschenkt wurden. Rote Flagge: Das Management kann den Umsatz überhaupt nicht nach KI-Exposition segmentieren – ein Signal, dass das Führungsteam diese Analyse nie für das eigene Geschäft durchgeführt hat.

F3: Kann KI die Kostenbasis materiell verändern – und wer erfasst den Wert?

Bains Technology Report zeigt, dass führende Unternehmen, die KI über Kernprozesse skalieren, in den letzten zwei Jahren EBITDA-Steigerungen von 10 % bis 25 % erzielt haben, während die meisten Unternehmen im Experimentierstadium mit bescheidenen Produktivitätsgewinnen stecken bleiben.[3] Genau diese Lücke ist für das IC entscheidend: Das Upside-Szenario setzt voraus, dass das Zielunternehmen zur Führungskraft wird, und Führung erfordert budgetierte operative Aufwendungen, nicht bloße Absichtserklärungen. Das Komitee muss auch fragen, wer den Mehrwert abschöpft, denn in wettbewerbsintensiven Märkten fließen Produktivitätsgewinne als Preissenkungen an die Kunden statt als Marge an die Aktionäre. Zu fordernde Belege: ein Bottom-up-Kostenmodell, das zeigt, welche Funktionen KI verändert; die laufenden Kosten für Tooling und Talente; und die Wettbewerbsdynamik, die darüber entscheidet, ob Einsparungen gehalten werden. Rote Flagge: Eine Prognose unterstellt eine EBITDA-Verbesserung auf Marktführerniveau, während das Modell kaum oder keine der dafür erforderlichen KI-OPEX einplant. Für einen tieferen Rahmen siehe die Analyse zur EBITDA-Uplift-Due-Diligence.

F9: Welcher KI-bezogene Capex und Opex fällt über die Haltedauer an?

KI-Ausgaben sind wiederkehrend, keine einmaligen Projektkosten. McKinseys Umfrage 2026 zeigt, dass rund jeder fünfte Befragte angibt, dass KI-bedingte Betriebskosten, einschließlich Token-Kosten, die KI-Nutzung eingeschränkt haben, obwohl die Token-Preise sanken – weil der Verbrauch schneller wuchs als die Stückkosten fielen.[4] Zu fordernde Belege: eine Kostenkurve über die Haltedauer, die Rechenleistung, Modelllizenzen, Dateninfrastruktur und KI-Talente abdeckt; die Aufteilung zwischen Capex und Opex; und Sensitivitätsszenarien für den Fall, dass das Nutzungsvolumen mit der Skalierung wächst. Rote Flagge: Das Finanzmodell behandelt KI als einzelne Transformationsbudgetposition im ersten Jahr ohne wiederkehrende laufende Kosten – historisch die größte Kostenunterschätzung.

F5: Über welche differenzierten Daten verfügt das Zielunternehmen?

Proprietäre Daten sind das am besten verteidigungsfähige Asset in einem KI-Markt, und das IC sollte sie mit derselben Sorgfalt behandeln wie Kundenverträge. Die Frage ist nicht, ob das Zielunternehmen Daten hat, sondern ob es exklusive, rechtlich saubere, in Workflows eingebettete Daten besitzt, die die Modellleistung so verbessern, dass Wettbewerber sie nicht kaufen können. Zu fordernde Belege: ein Datenherkunfts-Audit, das Quellen, Einwilligungen und Nutzungsrechte abdeckt; Kennzahlen zu Volumen und Aktualität; Belege, dass sich Datenqualität in Produktleistung übersetzt; und die Bestätigung vertraglicher Rechte zur Nutzung von Kundendaten für das Modelltraining. Rote Flagge: Die Trainingsdaten wurden ohne klare Rechte gescraped oder lizenziert, oder der „proprietäre Datensatz“ ist weitgehend aus öffentlichen Quellen ableitbar. Für den Bewertungsrahmen siehe den Leitfaden zur KI-Burggraben-Due-Diligence.

F8: Welche Abhängigkeiten von Modellen Dritter bestehen?

Die meisten Zielunternehmen hängen von externen Foundation-Modellen, Hyperscaler-Infrastruktur oder spezialisierten KI-Anbietern ab, und jede Abhängigkeit birgt Preis-, Verfügbarkeits- und strategische Risiken. Das IC sollte eine Abhängigkeitskarte vor der Freigabe verlangen, nicht erst in der Integration nach dem Close entdecken. Zu fordernde Belege: den vollständigen Anbieterstapel mit Vertragsbedingungen, Preismechanismen und Ausstiegsklauseln; eine Einschätzung der Wechselkosten zwischen Modellanbietern; interne Kompetenz für Evaluierung und Fallback; und jede Konzentrationsexposition gegenüber einem einzelnen Anbieter. Rote Flagge: Das gesamte Produkt läuft auf einem einzigen externen Foundation-Modell ohne vertraglichen Schutz vor Neupreisung und ohne getestete Alternative – eine Abhängigkeit, die im Rahmen zur KI-Infrastruktur-Exposition ausführlich untersucht wird.

F6: Welche KI-Annahmen sind bereits in den Managementprognosen verankert?

Bis ein Deal das IC erreicht, setzt der Plan des Managements möglicherweise stillschweigend KI-getriebene Umsatzsteigerungen, Kosteneinsparungen oder beides voraus, ohne diese als KI-Annahmen zu kennzeichnen. Das Komitee kann nicht bewerten, was es nicht sehen kann. Zu fordernde Belege: eine Positionen-für-Positionen-Abstimmung, die die Basisfall-Performance vom KI-zugeschriebenen Uplift trennt; die Zeitannahmen dahinter; und ob Preis-, Bindungs- oder Produktivitätsannahmen geändert wurden, seit das Zielunternehmen KI einsetzt. Rote Flagge: Eine prognostizierte Margenexpansion, die das Management auf „Effizienzinitiativen“ schiebt, aber auf Nachfrage nicht zerlegen kann – das bedeutet meist, dass spekulative KI-Upside in den Zahlen steckt.

F7: Wie glaubwürdig ist die KI-Roadmap des Managements?

Roadmaps sind billig zu schreiben und teuer umzusetzen. Das IC sollte die Erfolgsbilanz des Managements bewerten, nicht seine Präsentationsfolien. Zu fordernde Belege: Dokumentation früherer Technologie-Rollouts und ihrer realisierten gegenüber versprochenen Ergebnissen; namentlich benannte Verantwortliche und Meilensteine für jede KI-Initiative; Einstellungspläne und das tatsächlich vorhandene technische Team; und Belege für Governance, einschließlich der Frage, wie die Führung KI-Investitionsentscheidungen prüft. Rote Flagge: KI-Umsatzprognosen ohne namentlich benannten Executive Owner, ohne datierte Meilensteine und ohne historischen Präzedenzfall, dass das Team eine vergleichbare Transformation ausgeliefert hat – ein Glaubwürdigkeitsmuster, das im KI-Transformations-Playbook für Deal-Teams und Portfoliounternehmen behandelt wird.

F10: Welche Belege stützen den KI-Wertschöpfungsfall?

Bains Führungskräftebefragung ergab, dass zwar rund 80 % der Generative-KI-Anwendungsfälle in einführenden Unternehmen die Erwartungen erfüllten oder übertrafen, aber nur etwa 23 % aller Befragten KI-Initiativen mit neuem Umsatz oder gesenkten Kosten verknüpfen konnten; etwa ein Drittel der enttäuschten Unternehmen sagte, die Pilotprojekte hätten funktioniert, sich aber nicht skalieren lassen.[5] Das Komitee sollte daher messbare Ergebnisse fordern, keine Testimonials. Zu fordernde Belege: kundenspezifischer Nachweis, dass KI-Funktionen vertraglich vereinbart und bezahlt werden; Produktivitätsdaten aus internen Einführungen im Vorher-nachher-Vergleich; sowie Referenzgespräche mit Kunden, die die KI-Funktionen im Produktionsvolumen einsetzen. Rote Flagge: Der Wertschöpfungsfall stützt sich auf ein Pilotprojekt mit einer Handvoll wohlwollender Kunden, ohne Preismodell und ohne Skalierungsplan – eine Lückenstruktur, die in der Analyse von KI-Belegen mit hoher Überzeugungskraft untersucht wird.

F11: Welche wesentlichen Fragen bleiben beim IC unbeantwortet?

Ein diszipliniertes IC-Memo gibt nicht vor, jede Antwort zu haben. Es trennt, was verifiziert, was geschätzt und was unbekannt ist, und zeigt dem Komitee exakt, wo die Beleglage endet. Deloittes M&A-Pulse-Studie 2026, die ergab, dass 90 % der Organisationen inzwischen GenAI in M&A-Prozessen einsetzen, betont ebenfalls, dass, weil KI-Ergebnisse kaum sichtbar sind, Mechanismen zu ihrer Verifizierung unerlässlich sind und menschliche Prüfung die wichtigste Anforderung für risikoreiche GenAI-Einsätze bleibt.[6] Dieses Prinzip gilt auch für das Memo selbst: KI-generierte Analysen sollten Quellenangaben tragen, die das Komitee überprüfen kann. KI-Ergebnisse sollten an drei Stellen auftauchen: in Thesen-Expositionen, die das Renditemodell anpassen, in Risiken mit benannten Gegenmaßnahmen und in offenen Fragen, mit denen sich das Komitee aktiv auseinandersetzen muss, statt sie durchzuwinken.

Wie KI-Due-Diligence-Ergebnisse auf die drei Stellen abgebildet werden sollten, an denen ein IC-Memo das Komitee einbindet. · KI-generiert

F11 gehört an den Anfang der Agenda des Komitees, nicht ans Ende. Jede unbeantwortete wesentliche Frage sollte einen Verantwortlichen, ein Datum und eine vorab vereinbarte Bedingung tragen – etwa einen Vollzugsmechanismus, ein Treuhandkonto (Escrow) oder einen Arbeitsplan für die Zeit nach dem Closing –, sodass die Zustimmung zum Deal ein informiertes Urteil über bekannte Lücken ist und nicht die Annahme, die Due Diligence sei vollständig gewesen.

Zwölf Fragen über Tausende von Datenraum-Dokumenten hinweg zu beantworten, ist ein Abdeckungsproblem, bevor es ein Urteilsproblem ist – und genau hier unterstützt Plausity die IC-Vorbereitung. Data Room Ingestion verbindet sich mit virtuellen Datenräumen und verarbeitet PDFs, Tabellen, Verträge und Finanzmodelle innerhalb von Minuten, sodass die Analyse auf vollständigen Korpora statt auf Stichproben aus Ordnern beginnt. Die AI-Analysis Engine liest diese Dokumente, gleicht sie ab und leitet daraus quellengestützte Due-Diligence-Analysen ab, während Risk Radar die Ergebnisse nach Wesentlichkeit, finanzieller Auswirkung, rechtlicher Exposition und Transaktionsrelevanz bewertet, um die Anomalien an die Oberfläche zu bringen, die ein Komitee tatsächlich sehen muss. Für die IC-taugliche Synthese entwirft Report Builder strukturierte, investorenreife Deliverables mit vollständiger Quellenrückverfolgbarkeit – genau das macht aus KI-Output etwas, das ein IC-Memo zitieren kann. Der AI-for-M&A AI for M&A -Workspace des Unternehmens verbindet diese Fähigkeiten für Deal-Teams.

IC-taugliche Synthese: konsolidierte Ergebnisse mit Zitaten, die das Komitee überprüfen kann, strukturiert für Memo-Abschnitte statt für freie Chat-Formate.

AI Impact DD: Analyse entlang der Fragen in diesem Artikel, einschließlich These-Exposition, Umsatzexposition und Auswirkung auf die Kostenbasis.

Evidence Gap Detection: Identifikation der Stellen, an denen der Datenraum eine wesentliche Frage nicht beantwortet, sodass offene Fragen vor dem Meeting statt währenddessen offengelegt werden.

Eine Grenze verdient Betonung: Plausity trifft die Investitionsentscheidung nicht. Die Rolle der Plattform ist Abdeckung und Rückverfolgbarkeit – sie stellt sicher, dass jede Aussage im Memo auf eine Datenraum-Quelle zurückgeht, die das Komitee öffnen kann, während das Urteil darüber, ob Kapital eingesetzt wird, bei der Investmentkommission selbst bleibt. Deal-Verantwortliche, die ihre nächste IC-Diskussion vorbereiten, können mit dem Team einen Walkthrough des Plausity-Workspaces vereinbaren.

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] Branchenanalyse.com — https://www.Branchenanalyse.com/insights/ai-puts-4-7-trillion-at-stake/
2. [2] Branchenanalyse.com — https://www.Branchenanalyse.com/about/media-center/press-releases/2026/ai-puts-$4.7-trillion-of-profits-at-stake-creating-a-competitive-battleground-across-industries
3. [3] Branchenanalyse.com — https://www.Branchenanalyse.com/about/media-center/press-releases/20252/$2-trillion-in-new-revenue-needed-to-fund-ais-scaling-trend---Branchenanalyse--companys-6th-annual-global-technology-report/
4. [4] Branchenforschung.com — https://www.Branchenforschung.com/capabilities/quantumblack/our-insights/the-state-of-ai
5. [5] Branchenanalyse.com — https://www.Branchenanalyse.com/insights/executive-survey-ai-moves-from-pilots-to-production/
6. [6] deloitte.com — https://www.deloitte.com/us/en/what-we-do/capabilities/mergers-acquisitions-restructuring/articles/m-and-a-generative-ai-study.html