KI in M&A: So bewerten Sie Risiko und Wertschöpfung

KI · Dieser Artikel wurde mit Hilfe von KI erstellt.

By Saachi Khanduri

KI in M&A: So bewerten Dealteams KI-Risiken und Wertschöpfung beim Zielunternehmen – von der Disruption des Geschäftsmodells bis zur prüfungsfähigen Due

Die neue Realität von KI in der M&A-Due-Diligence

Bewertung von KI-Risiken und Disruption beim Zielunternehmen

Chancen der KI-Wertschöpfung evaluieren

Die KI-Diligence-Checkliste für Dealteams

Rechtliche, IP- und Compliance-Risiken

Stresstest der KI-Annahmen im Base Case

KI-Due-Diligence mit Plausity beschleunigen

Häufig gestellte Fragen

Quellen

Um Künstliche Intelligenz in Mergers and Acquisitions wirksam zu prüfen, müssen Dealteams isolierte technische Audits aufgeben und Zielunternehmen auf zwei synchronisierten Spuren bewerten: einer KI-Risikospur, die die Belastbarkeit des Geschäftsmodells und die Margenexposition stresstestet, und einer KI-Wertschöpfungsspur, die operative Expansion und Umsatzskalierbarkeit quantifiziert. Wer KI lediglich als Position auf einer IT-Checkliste behandelt, riskiert, fundamentale strukturelle Verschiebungen in der Verteidigungsfähigkeit des Zielunternehmens zu übersehen.

KI hat sich von einer experimentellen Fähigkeit zu einem entscheidenden Faktor der Unternehmensstrategie entwickelt. Laut einer Analyse von PwC zu den 100 größten Unternehmensübernahmen im Jahr 2025 nannte rund ein Drittel der Transaktionen KI als Teil ihrer zentralen strategischen Begründung.[1] In technologieintensiven Sektoren tauchte die KI-Begründung in nahezu jeder großen Deal-Ankündigung auf. Die Präsenz von KI in einer Investment-Story wirkt jedoch in beide Richtungen: Während sie beispiellose Chancen für Automatisierung und Produktdifferenzierung eröffnet, beschleunigt sie zugleich die Wertminderung von Legacy-Softwarearchitekturen, arbeitsintensiven Servicemodellen und standardisierten transaktionsbasierten Gebührenstrukturen.

Für Private-Equity-Dealverantwortliche, Leiter der Unternehmensentwicklung und M&A-Berater besteht die Prüfaufgabe darin, zwei miteinander verknüpfte Fragen zu beantworten, bevor eine Akquisition bewertet wird. Erstens: Inwieweit bedrohen generative und agentenbasierte KI die Kundenbindung, die Unit Economics und die Wettbewerbsbarrieren des Zielunternehmens? Zweitens: Wo kann eine KI-Transformation nach dem Deal glaubwürdig Betriebsausgaben senken, Bruttomargen verbessern oder völlig neue kommerzielle Angebote erschließen? Wer diese Doppelspur-Perspektive früh im Deal-Lebenszyklus etabliert, schützt Investionskomitees vor Multiplen-Kompression und identifiziert zugleich konkrete Hebel für ein EBITDA-Uplift.

Die Bewertung des KI-Risikos erfordert, dass Dealteams über oberflächliche Produktdemonstrationen hinausgehen und untersuchen, wie kommodifizierte Intelligenz die Marktposition des Zielunternehmens verändert. Die primäre Bedrohung ist oft nicht der totale Geschäftsausfall, sondern eine starke Preisverdichtung. In Dienstleistungs- und Softwaregeschäften, in denen die Preisgestaltung historisch an Personalkosten oder Sitzplatzlizenzen gekoppelt war, reduzieren generative KI und autonome Workflows die für die Ergebniserbringung erforderlichen Arbeitsstunden drastisch. Wenn die Kunden des Zielunternehmens dieselben Ergebnisse mit automatisierten Tools oder günstigeren Herausforderern erzielen können, droht sofortige Margenerosion.

Ein zweispuriges Due-Diligence-Framework, das KI-Risiken gegen das Wertschöpfungspotenzial nach der Übernahme abwägt. · KI-generiert

Eine umfassende Branchenstudie von Branchenanalyse prognostiziert, dass KI bis 2035 insgesamt 4,7 Billionen US-Dollar an Unternehmensgewinnen gefährdet, wobei 71 % der Branchen vor einer strukturellen Transformation stehen.[2] Bains Executive-Forschung zeigt zudem, dass sich der Anteil der Unternehmen, die ein sehr hohes Disruptionsrisiko in ihrer Branche melden, zwischen Ende 2024 und Ende 2025 mehr als verdoppelt hat – im Technologiesektor führen die Befragten die Sorgenliste an, mit 44 %, die ein hohes oder sehr hohes Risiko melden.[3] Bei der Bewertung von Zielunternehmen sollten Dealteams die Exposition in unterschiedliche Risikovektoren einordnen:

Substitution des Umsatzmodells: Prüfen, ob agentenbasierte Tools es Enterprise-Käufern ermöglichen, Zwischen-Workflow-Software oder ausgelagerte Dienstleistungen vollständig zu umgehen.

Erosion der Preissetzungsmacht: Ermitteln, ob Cost-per-Seat-Modelle anfällig für Personalabbau in der Endkundenbasis des Zielunternehmens sind.

Asymmetrie der Lieferkosten: Aufdecken, ob Wettbewerber offene Modellgewichte und automatisierte Orchestrierung nutzen, um gleichwertige Lösungen zu einem Bruchteil der Kostenstruktur des Zielunternehmens anzubieten.

Abhängigkeit von Foundation-Modellen: Zielunternehmen identifizieren, die lediglich als dünne Anwendungshüllen über Dritt-APIs fungieren, ohne proprietäre Datenfestungen oder domänenspezifische Integrationslogik.

Datenverwundbarkeit: Untersuchen, ob die Trainingsdatensätze des Zielunternehmens an Exklusivität, Berechtigungen oder vertraglichen Schutzmaßnahmen gegen Kunden-Opt-outs mangeln.

Die Verteidigungsfähigkeit eines Zielunternehmens hängt von proprietären Daten, eingebetteten Enterprise-Integrationen und geschlossenen domänenspezifischen Feedbackschleifen ab. Bei der Prüfung von Zielunternehmen mit beworbenen KI-Fähigkeiten müssen Käufer verifizieren, ob die Technologie eine dauerhafte Wettbewerbsdifferenzierung darstellt oder nur eine zerbrechliche, leicht replizierbare Oberflächenhülle – KI-Moat-Due-Diligence.

Das Gegenstück zur Risikobewertung ist die Identifizierung umsetzbarer Wertschöpfungshebel, die in die Investmentthese eingepreist werden können. KI-Wertschöpfung hat selten mit kleinen Produktivitätsjustierungen in Back-Office-Funktionen zu tun. Stattdessen entsteht sie durch systematische Neugestaltung der Kernbetriebsmodelle, verkürzte Time-to-Delivery, gesenkte Herstellkosten (COGS) und die Erschließung neuer adressierbarer Märkte durch automatisierte Serviceangebote.

Führende Unternehmen sind bereits von einfachen Experimenten zu substanziellen operativen Renditen übergegangen. Bains Technologie-Forschung zeigt, dass Enterprise-Führer, die KI über zentrale operative Workflows skalieren, über einen Zweijahreszeitraum EBITDA-Steigerungen von 10 % bis 25 % erzielt haben.[4] Im M&A-Kontext müssen Dealmaker identifizieren, wo diese Effizienzen innerhalb einer Haltedauer von drei bis fünf Jahren realistisch realisiert werden können, ohne den laufenden Betrieb zu destabilisieren.

Bewertung der Transformationsbereitschaft des Managements

Die Nutzung KI-getriebener Chancen setzt die Bewertung der Fähigkeiten der Führungsebene voraus. Managementteams präsentieren in Managementpräsentationen oft ehrgeizige Technologie-Roadmaps, doch Dealteams müssen einschätzen, ob die Führung über die technische Kompetenz, die organisatorische Disziplin und die Strenge im Change-Management verfügt, um diese umzusetzen. Zentrale Due-Diligence-Kriterien sind die Prüfung der historischen Geschwindigkeit der Technologieadoption, die Bewertung der Tiefe der internen technischen Führung sowie die genaue Untersuchung, ob Anreizstrukturen mit der operativen Automatisierung im Einklang stehen. Das Verständnis dieser organisatorischen Dynamiken stellt sicher, dass Synergieprognosen nach dem Closing eine umsetzbare Strategie statt spekulativer Begeisterung widerspiegeln – ein Kernprinzip der strukturierten KI-Wirkungs-Due-Diligence.

Um eine strenge Abstimmung über alle Workstreams hinweg sicherzustellen, müssen Dealteams strukturierte KI-Anfragen sowohl in die kommerzielle Due Diligence (CDD) als auch in die technische Due Diligence (TDD) integrieren. Das folgende Framework bietet eine institutionelle Checkliste zur Bewertung von Risiken, zur Aufdeckung von Chancen, zur Spezifizierung zentraler Beweisanfragen und zur Identifizierung kritischer Deal-Breaker-Warnsignale.

Dealteams, die eine gründliche Automatisierung des Due-Diligence-Workflows betreiben, sollten diese Checklistenpunkte systematisch gegen den virtuellen Datenraum (VDR) abbilden, um Dokumentationslücken zu identifizieren und Aussagen anhand zugrunde liegender Nachweise zu verifizieren.

KI-Fähigkeiten bringen eigene rechtliche, immaterialgüterrechtliche und regulatorische Risiken mit sich, die die klassische Corporate-M&A-Due-Diligence oft übersieht. Bei traditionellen Softwareübernahmen konzentrieren sich Technikaudits auf die Einhaltung von Open-Source-Lizenzen und sauberen Code. Bei KI-gestützten Zielunternehmen verlagert sich die primäre rechtliche Haftung hin zur Herkunft der Trainingsdaten, zum Eigentum an geistigem Eigentum und zur Einhaltung sich entwickelnder globaler Vorschriften wie dem AI Act der Europäischen Union.

Trainiert ein Zielunternehmen seine Kernmodelle auf Datensätzen, die unter Verstoß gegen Nutzungsbedingungen gescrappt wurden, durch Urheberrechte Dritter geschützt sind oder restriktiven Kundenverträgen unterliegen, drohen dem Geschäft erhebliche Haftungen nach dem Closing. In schweren Fällen können regulatorische Durchsetzungsmaßnahmen oder IP-Rechtsstreitigkeiten zu einer verpflichtenden Herausgabe des Modells führen, die das Unternehmen zwingt, trainierte Modellgewichte, Algorithmen und abgeleitete Datensätze zu löschen. Dealteams müssen verifizieren, dass alle Trainingsdaten auf nachvollziehbaren, ausdrücklichen kommerziellen Lizenzen und eindeutiger Kundeneinwilligung beruhen.

Um den Transaktionswert gegen unsichere Haftungen zu schützen, setzen Käufer zunehmend ausgeklügelte Mechanismen der Deal-Strukturierung ein. Laut Skaddens Analyse von M&A im KI-Zeitalter nutzen Käufer Earn-outs, die an KI-bezogene Kennzahlen gekoppelt sind, wobei eine zusätzliche Vergütung nur gezahlt wird, wenn das Zielunternehmen definierte Leistungsbenchmarks, Einführungsetappen, Umsatzschwellen oder Ziele zur Compute-Effizienz erreicht, um Bewertungsunterschiede mit Verkäufern zu überbrücken.[5] Derselben Analyse zufolge können Käufer einen Teil des Kaufpreises über Treuhandkonten (Escrow) zurückhalten, um das Risiko technischer Minderleistung oder von Datenrechtsproblemen abzumildern, die nach dem Closing auftreten, und können erweiterte Zusicherungen und Freistellungen mit längeren Überlebensfristen und höheren Haftungsobergrenzen aushandeln, um Risiken im Zusammenhang mit Datenrechten, Modellleistung und regulatorischer Compliance abzudecken.[5]

Ein kritischer Fehlermodus im modernen M&A tritt auf, wenn Finanz- und Handelsmodelle aggressive KI-getriebene Margenausweitungen einpreisen, ohne die tatsächlichen Kosten der Umsetzung zu berücksichtigen. Managementteams präsentieren routinemäßig steile Margenverbesserungen, die der KI-Automatisierung zugeschrieben werden. Die Unterlegung dieser Annahmen erfordert jedoch strenge Stresstests gegen die notwendigen Investitionsausgaben (Capex), laufenden operativen Aufwand (Opex) und die Kosten des organisatorischen Change-Managements.

Inferenzökonomie stellt in der Finanzmodellierung häufig einen blinden Fleck dar. Während Trainingskosten typischerweise kapitalisiert oder vorab getragen werden, bilden kontinuierliche API-Abfragen, dedizierte GPU-Instanzen und Cloud-Infrastrukturgebühren wiederkehrende Herstellkosten (COGS). Steigert ein Zielunternehmen die Nutzerbindung oder führt Echtzeit-Multimodal-Funktionen ein, können die Inferenzkosten proportional zum Nutzungsumfang skalieren und die Bruttomargen direkt komprimieren – es sei denn, Kundenverträge geben die Rechenkosten weiter.

Infrastruktur- und Rechenkostenpositionen prüfen: Cloud-Hosting-Rechnungen genau unter die Lupe nehmen, um die exakten Inferenzkosten pro Transaktion, aktivem Nutzer oder Deliverable zu berechnen.

Technologische Obsoleszenzzyklen modellieren: Den wiederkehrenden Kapitalbedarf einplanen, der für Re-Training, Fine-Tuning oder Re-Plattforming interner Modelle erforderlich ist, wenn sich die zugrunde liegenden Foundation-Architekturen weiterentwickeln.

Change-Management- und Enablement-Budgets quantifizieren: Realistische Investitionen für Weiterqualifizierung der Mitarbeitenden, Workflow-Redesign, Workflow-Integration und laufendes Data Engineering einplanen.

Downside-Sensitivitätsszenarien durchrechnen: Die finanziellen Auswirkungen modellieren, falls automatisierte Effizienzgewinne länger dauern oder nur einen Bruchteil der von der Geschäftsleitung angestrebten Einsparungen bringen.

Stresstests dieser operativen Annahmen stellen sicher, dass Dealteams realistische Investitionskalküle unterlegen, die auf verifizierten Unit Economics statt auf überhöhten Bewertungsmultiplikatoren basieren – siehe Bewertungsprämie und Due-Diligence.

Die Analyse Tiefe, die erforderlich ist, um KI-Risiken und -Chancen in engen Deal-Zeitplänen zu bewerten, stellt Investmentprofis vor beispiellose Anforderungen. Laut McKinseys Survey-Forschung zum Einsatz generativer KI im M&A gaben 40 Prozent der Befragten, die generative KI in ihren Deal-Aktivitäten nutzen, an, dass sich die Deal-Zyklen im Durchschnitt um 30 bis 50 Prozent verkürzt haben.[6] Eine breitere Umfrage von Deloitte bestätigt diese Beschleunigung: 86 Prozent der Führungskräfte aus Konzernen und Private Equity haben generative KI in ihre Deal-Workflows integriert.[7]

Plausity bietet eine institutionelle KI-Plattform, die speziell für Private-Equity-Gesellschaften, Corporate-Development-Teams und M&A-Berater entwickelt wurde, die komplexe Due-Diligence-Prozesse bewältigen. Mit Data Room Ingestion können Dealteams sich direkt mit virtuellen Datenräumen verbinden und Tausende von Verträgen, Finanztabellen, Board-Decks und technische Dokumentation innerhalb von Minuten verarbeiten. Die zentrale KI-Analyse-Engine gleicht fragmentierte Offenlegungen über mehrere Arbeitsströme hinweg ab, um die Datenintegrität zu prüfen und kritische Anomalien aufzudecken.

Um die Risikobewertung zu straffen und Deliverables effizient zu erstellen, integriert Plausity spezialisierte Intelligence-Tools über den gesamten Deal-Lebenszyklus:

Risk Radar: Durchsucht kontinuierlich die Due-Diligence-Ablagen, um Befunde nach Wesentlichkeit, finanzieller Auswirkung, rechtlichem Risiko und Deal-Relevanz zu identifizieren, zu bewerten und zu kategorisieren.

Collaboration Hub: Koordiniert beratende Teams über mehrere Arbeitsströme in Echtzeit und bringt kommerzielle, technische und rechtliche Befunde in einem einzigen, einheitlichen Arbeitsbereich zusammen.

Report Builder: Synthetisiert komplexe Analyseergebnisse zu strukturierten, prüfungsfähigen Due-Diligence-Deliverables mit vollständiger Quellenrückverfolgbarkeit auf Klausel-Ebene.

Dealteams, die KI-Risiken und Wertschöpfung für ihre nächste Transaktion bewerten wollen, können eine Demo anfordern, um diese Funktionen an einem Live-Datenraum zu sehen.

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/1/issues/c-suite-insights/the-leadership-agenda/ma-outlook.html
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/insights/executive-survey-ai-moves-from-pilots-to-production/
4. [4] 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/
5. [5] skadden.com — https://www.skadden.com/insights/publications/2026/2026-insights/sector-spotlights/ma-in-the-ai-era
6. [6] Branchenforschung.com — https://www.Branchenforschung.com/featured-insights/charts/ai-meets-m-and-a
7. [7] deloitte.com — https://www.deloitte.com/us/en/about/press-room/deloitte-survey-genai-in-mna.html