Was ist die Due Diligence der KI-Infrastrukturkosten?
Die Due Diligence der KI-Infrastrukturkosten ist die strukturierte finanzielle und technische Untersuchung der Compute-Bereitstellung, der API-Abhängigkeiten und der Retrieval-Architekturen eines Zielunternehmens, um die wahre Unit Economics seiner Machine-Learning-Fähigkeiten zu isolieren. Im Gegensatz zu traditionellen Software-Audits, die das Hosting als planbare, pauschale Gemeinkosten behandeln, isoliert dieses spezialisierte Audit hochvariable Compute-Ausgaben von der standardmäßigen festen Infrastruktur. Es bietet Private-Equity- und Corporate-Development-Teams eine quantitative Grundlage zur Bewertung des KI-Bruttomargenrisikos und der operativen Skalierbarkeit vor der Vertragsunterzeichnung.
Während eine Standard-Due-Diligence der Umsatzqualität Umsatzqualität Due Diligence die Beständigkeit der wiederkehrenden Umsatzerlöse und die Vertragsstrukturen untersucht, nimmt die Due Diligence der Infrastrukturkosten die zugrunde liegenden technischen Komponenten unter die Lupe, die sich direkt auf die Rentabilität auswirken. Bei Anwendungen der generativen KI löst jede Benutzerinteraktion eine Kaskade von Rechenschritten aus. Für Transaktionskäufer ist die Bewertung dieser Workflows unerlässlich, da nicht optimierte Setups dazu führen können, dass die Inference-Kosten 20 % bis 23 % des gesamten Softwareumsatzes verschlingen, was historische Margenprofile drastisch verschlechtert.[1]
Die Kernkomponenten der Due Diligence auf Compute-Ebene
- Compute- und LLM-Infrastrukturkosten: Bewertung, ob das Zielunternehmen auf proprietäre Modell-APIs, gehostete Open-Source-Modelle oder selbst trainierte Modelle auf dedizierten Grafikprozessoren (GPUs) setzt.
- API-Kostenrisiko: Bewertung der Vertragsbedingungen, gestaffelten Preise und Abhängigkeitsrisiken im Zusammenhang mit Drittanbietern von Modellen.
- Retrieval-Ökonomie: Genaue Prüfung der Speicher-, Indexierungs- und Vektordatenbank-Abfragekosten, die Retrieval-Augmented Generation (RAG)-Systeme antreiben.
- Inference-Kostensensitivität: Prognose, wie sich die Stückkosten pro Abfrage unter stresstestsimulierten Nutzungsspitzen oder bei Volumina im Enterprise-Maßstab verhalten.
Fortschrittliche Private-Equity-Unternehmen gehen von Ad-hoc-Technikprüfungen zu systematischen Infrastrukturbewertungen über, um diese Risiken frühzeitig im Transaktionsprozess zu adressieren. Ein Versäumnis bei der Durchführung dieser spezialisierten technischen Bewertung kann nach der Übernahme zu Wertberichtigungen führen, wenn das Wachstum der Rechenkosten das Umsatzwachstum übersteigt.
Die Realität der KI-COGS: Markt-Hype von strukturellen Kostenrealitäten unterscheiden
Die Due Diligence der KI-Infrastrukturkosten ist die quantitative Prüfung der Modell-, Server- und Vektordatenbank-Betriebskosten eines Zielunternehmens, um dessen tatsächliche Herstellungskosten (Cost of Goods Sold – COGS) zu isolieren. Auf dem Transaktionsmarkt des Jahres 2026 stellen Private-Equity- und Corporate-Development-Teams fest, dass Funktionen mit künstlicher Intelligenz ein strukturelles KI-Bruttomargenrisiko bergen, das traditionelle Software-Bewertungsmodelle hinfällig macht. Daten aus dem Playbook von Bessemer Venture Partners vom Februar 2026 zeigen, dass KI-Bruttomargen routinemäßig auf eine Spanne von 50 % bis 60 % schrumpfen, was weit unter dem für traditionelle SaaS-Ziele erwarteten Basiswert von 80 % bis 90 % liegt.[2] Diese strukturelle Verschiebung wird durch den „State of AI“-Bericht von ICONIQ bestätigt, der die durchschnittlichen Bruttomargen für KI-Produkte bei 52 % ansetzt.[3]
Während die vorherige Analyse von Plausity zur Due Diligence der Umsatzqualität zeigt, wie diese Komprimierung die Beständigkeit der ARR gefährdet, müssen Deal-Teams nun die zugrunde liegenden technischen Mechanismen der Kostenstruktur prüfen. Die meisten Berater führen diese komprimierten Margen fälschlicherweise ausschließlich auf die Kosten für die LLM-Infrastruktur von Drittanbietern zurück. Die proprietäre Sichtweise von Plausity, gestützt auf Erkenntnisse unserer AI-Analysis Engine, ist jedoch, dass eine unoptimierte Retrieval-Ökonomie – insbesondere das kontinuierliche Chunking, Einbetten und Vektorabfragen von Unternehmensdaten – der primäre, stille Treiber für Rechenkostenrisiken und API-Kostenrisiken ist. Ohne eine präzise Modellierung der Inferenzkosten pro Einheit werden Akquisitionen, die auf linearen Skalierungsannahmen basieren, unerwartete finanzielle Einbußen erleiden.
- Rechenkostenrisiko: Skalierung von Ressourcen für das Fine-Tuning eigener Modelle und proprietäres Hosting.
- API-Kostenrisiko: LLM-Infrastrukturkosten von Drittanbietern durch nutzungsabhängige API-Gebühren pro Token.
- Retrieval-Ökonomie: Ausgaben für dichte Datenindizierung, Vektorsuchanfragen und kontinuierliche Datenaufnahme.
- Skalierung der Inferenzkosten: Der nicht-lineare Kostenanstieg bei der Ausführung von Echtzeit-Modellabfragen bei hoher gleichzeitiger Nutzerzahl.
Prüfung des Kerns: COGS-Abgleich, Inferenz pro Einheit und Prüfung von Herstellersubventionen
Um Transaktionsmodelle vor einer strukturellen Margenerosion zu schützen, müssen Deal-Teams über oberflächliche Finanzberichte hinausblicken. Die standardmäßige Software-Due-Diligence übersieht häufig die stark variablen, nutzungsabhängigen Ausgaben, die unter generativen Funktionen anfallen. Bei Software-Zielunternehmen ist eine präzise Isolierung dieser operativen Kosten die Voraussetzung für eine verlässliche Bewertung der Quality of Earnings. Plausity empfiehlt, die Infrastrukturprüfung mit einer strengen dreistufigen Bewertung der aktuellen Herstellungskosten (COGS) des Zielunternehmens, der Abfrageökonomie auf Einheitsebene und der Abhängigkeiten von Drittanbietern zu beginnen.
- COGS-Abgleich: Finanzteams müssen Rohdaten von Cloud-Rechnungen direkt spezifischen kundenorientierten Aktivitäten zuordnen, anstatt Entwicklungs- und Produktionskonten zu vermischen. Unter Standard-Rechnungslegungsrahmen müssen Produktionsinferenz und GPU-Rechenleistung für das Bereitstellen von Modellen als COGS klassifiziert werden, während Trainingsläufe und F&E-Tests zu den OpEx gehören.[4] Die Trennung dieser Konten verhindert, dass experimentelle Workloads der Entwickler die wiederkehrenden Margen des Kernprodukts verzerren.
- Inferenzkosten-Modellierung pro Einheit: Analysten müssen die genauen Kosten pro Abfrage über verschiedene LLM-APIs und Retrieval-Mechanismen wie Vektordatenbanken hinweg berechnen. Power-User können das 50- bis 100-Fache von Gelegenheitsnutzern kosten.[4] Das Verständnis der Bereitstellungskosten nach Nutzerkohorte zeigt auf, ob Kunden mit hohem Volumen unbemerkt die Unit Economics der Software des Zielunternehmens untergraben.
- Prüfung von Subventionen und Cloud-Guthaben: Startups verschleiern häufig ihre tatsächlichen Rechenkosten, indem sie temporäre Cloud-Guthaben, Herstellersubventionen oder kostenlose API-Kontingente von Modellentwicklern aufbrauchen. Diligence-Teams müssen die verbleibende Laufzeit dieser Guthaben prüfen und die Pro-forma-COGS berechnen, um das unsubventionierte Margenprofil offenzulegen.
Die Integration einer detaillierten Analyse dieser drei Kernsäulen in Transaktionsprüfungen ermöglicht es Private-Equity-Käufern, strukturelle Margenschwachstellen frühzeitig zu erkennen. Durch den Einsatz der AI-Analysis Engine zur Analyse von Cloud-Infrastruktur-Kontobüchern und automatisierten Abrechnungsexporten im Rahmen der technischen Due Diligence können Buy-Side-Deal-Teams systematisch verborgene Anomalien bei den Rechenkosten aufdecken. Die Behebung dieser Kostenabweichungen stellt sicher, dass Pro-forma-Finanzmodelle und die Transaktionspreisgestaltung die langfristigen Bereitstellungskosten des Zielunternehmens korrekt widerspiegeln.
Modellierung der Skalierung: Sensitivitätsanalysen, Redundanzen und zukünftige Kostenkurven
Um Finanzmodelle vor einer strukturellen Margenerosion zu schützen, müssen Transaktionsteams prognostizieren, wie sich die Kostenarchitektur des Zielunternehmens unter operativem Druck verhält. Während sich die kommerzielle Analyse oft auf die Qualität des Spitzenumsatzes konzentriert, erfordert eine vollständige Due Diligence der KI-Infrastrukturkosten ein tiefgehendes Stresstesting der Rechenkostenrisiken und der Retrieval-Ökonomie über einen mehrjährigen Horizont.
- Schritt 4: Sensitivitätsanalyse bezüglich Nutzungswachstum vs. Kostenskalierung. Transaktionsteams müssen modellieren, wie die operativen Margen auf ein exponentielles Abfragevolumen reagieren. Da die Kosten für die LLM-Infrastruktur eher mit dem Token-Durchsatz als mit der Anzahl der Benutzerlizenzen skalieren, kann ein starker Anstieg der Benutzerinteraktion dazu führen, dass die API-Kosten drastisch in die Höhe schießen. Die Sensitivitätsanalyse muss den Schwellenwert isolieren, ab dem die Inferenzkosten die Bruttomargen schmälern, um sicherzustellen, dass die Unit Economics des Zielunternehmens bei einer Skalierung tragfähig bleiben.
- Schritt 5: Bewertung der Multi-Vendor-Redundanz. Die Abhängigkeit eines Zielunternehmens von einem einzigen proprietären Modellanbieter stellt ein erhebliches operatives Risiko und eine Preisanfälligkeit dar. Im Rahmen der Due Diligence muss geprüft werden, ob die Software eine Multi-Vendor-API-Redundanz oder Open-Source-Fallback-Modelle integriert. Ein diversifiziertes Model-Routing-Framework ermöglicht es dem Unternehmen, bessere Konditionen mit Anbietern auszuhandeln, Latenzen zu optimieren und die Servicekontinuität zu sichern.
- Schritt 6: Test der zukünftigen Kostenkurve. Schließlich erfordert die Modellierung künftiger Cashflows die Projektion der Inferenzkosten im Vergleich zu den Preisentwicklungen in der Branche. Während die reinen Rechen- und Modellpreise rapide sinken, zeigt die akademische Forschung, dass die Kosten für KI-Inferenz Erfahrungskurven mit Lernraten zwischen 60 % und 75 % folgen [[cite:adb1d43c-2cc0-40aa-950e-9509f0f1b94c]]. Die Projektion dieser zukünftigen Kurve ermöglicht es Analysten zu bestimmen, wann das Zielunternehmen echte Skaleneffekte erzielen wird.
Durch die Durchführung dieser analytischen Schritte können Private-Equity- und M&A-Profis statische, historische Kostenannahmen durch dynamische Projektionen ersetzen. Die Durchführung dieser Multi-Vendor-Sensitivitätsmodelle über ein Framework wie Risk Radar während der technischen Due Diligence stellt sicher, dass Investitionsausschüsse das Bruttomargenrisiko von KI präzise einpreisen und eine realistische EBITDA-Ausweitung modellieren können.
Der KI-Infrastruktur-Red-Flag-Index: Diagnostische Checkliste für Deal-Teams
Um Investitionsmodelle vor einer strukturellen Margenkompression zu schützen, müssen Deal-Teams über oberflächliche Software-Metriken hinausblicken. Bei der Durchführung der technischen Due Diligence für KI-native Zielunternehmen bestimmt oft die zugrunde liegende Rechenarchitektur die nachhaltige Bruttomarge. Ineffiziente Datenaufnahme, redundante Verarbeitung und suboptimale Modellauswahl führen zu versteckten finanziellen Verbindlichkeiten. Deal-Teams sollten die Codebasen und API-Protokolle des Zielunternehmens auf spezifische operative Anomalien hin überprüfen, die direkt zu einer Erhöhung der Rechenkosten führen und die Unit Economics verschlechtern.
Diese Anomalien sind nicht nur technische Ineffizienzen; sie stellen erhebliche Risiken für die Bruttomarge dar. Beispielsweise verarbeiten traditionelle LLM-Setups ohne Caching in dokumentenintensiven Enterprise-Workflows bei jeder gleichzeitigen Benutzerabfrage vollständige Verträge oder Finanzberichte neu. Diese redundante Berechnung kann bis zu 93 % des GPU- und Inferenzbudgets des Zielunternehmens verschlingen [[cite:0f746794-5255-41de-91c8-38b7438b4003]]. Ebenso zwingen unoptimierte Retrieval-Architekturen Systeme dazu, bei jedem Prompt für Tausende von redundanten Kontext-Token zu bezahlen. Durch den Einsatz automatisierter Due-Diligence-Tools wie dem Risk Radar von Plausity zur frühzeitigen Aufdeckung dieser operativen Anomalien können Private-Equity- und Corporate-Development-Teams ihre Bewertungsmodelle präzise anpassen oder vor dem Abschluss der Transaktion spezifische architektonische Nachbesserungen verlangen.
Die KI-Diligence-Anforderungsliste: Was in den virtuellen Datenraum hochgeladen werden muss
Herkömmliche Software-Checklisten erfassen die operativen Kostenstrukturen generativer künstlicher Intelligenz nicht ausreichend. Um Finanzmodelle vor einer Margenerosion zu schützen, müssen Investment-Profis eine tiefgehende Kostentelemetrie vom Zielunternehmen verlangen. Die standardmäßige finanzielle Due Diligence muss durch eine hochspezifische, KI-native technische Due-Diligence-Anforderungsliste ergänzt werden, die gezielt die Wirtschaftlichkeit von Rechenleistung, Retrieval und API-Abhängigkeiten analysiert [[cite:5979c68f-503d-4576-b6f9-da1b87e1501c]]. Ohne diese granularen Datenströme bleibt die Modellierung der tatsächlichen Margen eines Zielunternehmens reine Spekulation.
- Cloud-Abrechnungsprotokolle und Ressourcen-Tags: Mehrmonatige Exporte von AWS, GCP oder Azure, die GPU-Cluster, spezialisierte VM-Instanzen und für Inferenz und Training vorgesehene Auto-Scaling-Gruppen gezielt isolieren.
- Rechnungen von Modellanbietern: Detaillierte monatliche Rechnungen von API-Anbietern mit genauer Aufschlüsselung der Prompt- und Completion-Token-Zahlen, der Kosten für Fine-Tuning-Läufe und aller Rabattstrukturen für zugesicherte Nutzung.
- Daten- und Retrieval-Architektur: Infrastruktur-Diagramme mit detaillierten Angaben zu Vektordatenbank-Clustern, Indizierungshäufigkeit, Caching-Mechanismen wie Redis und der Orchestrierung von Datenpipelines.
- Nutzungs- und Kostentelemetrie: Datenbankprotokolle auf Produktebene, die Benutzersitzungen und spezifische Feature-Trigger dem nachgelagerten API- oder Rechenzeitverbrauch zuordnen.
Die manuelle Verarbeitung dieser unstrukturierten Dokumente, komplexen technischen Schemata und massiven Abrechnungsdatensätze stellt bei engen Transaktionszeitplänen einen erheblichen Engpass dar. Plausity optimiert diesen Prozess. Mit der Funktion Data Room Ingestion, die auf der zentralen AI-Analysis Engine basiert, können Deal-Teams diese unterschiedlichen Dateien nahtlos direkt aus virtuellen Datenräumen hochladen. Nach dem Import gleicht das Risk Radar von Plausity Cloud-Protokolle sofort mit Finanzberichten ab, um ungesicherte Risiken beim Token-Verbrauch zu identifizieren und innerhalb weniger Minuten eine automatisierte Risiko-Berichterstattung zu erstellen. So werden rohe Infrastrukturdaten in direkt nutzbare Transaktionserkenntnisse verwandelt.
Wiederherstellung der Marge: Das Playbook für die Post-Acquisition-Optimierung
Die Identifizierung von Infrastrukturrisiken ist nur der erste Schritt. Um die Investment-These vor einer strukturellen Margenkompression zu schützen, müssen Private-Equity-Teams nach dem Closing schnell zu operativen Maßnahmen übergehen. Die Wiederherstellung einer gesunden, SaaS-ähnlichen Rentabilität hängt davon ab, ob in den kritischen ersten 100 Tagen des Asset-Besitzes schnelle Erfolge bei Compute und Retrieval erzielt werden. Mit dem Report Builder von Plausity können Deal- und Portfolio-Operations-Teams automatisierte Due-Diligence-Ergebnisse direkt in einen hochstrukturierten 100-Tage-Wertschöpfungsplan übersetzen. Dieser institutionelle Ansatz zeigt klare Wege auf, um bis zu 70 % an potenziellen LLM-Infrastruktur-Einsparungen zu sichern und technische Optimierung in eine sofortige EBITDA-Steigerung umzuwandeln.[5]
- Modell-Routing und Open-Source-Alternativen: Migrieren Sie routinemäßige Workflows ohne logische Schlussfolgerungen (Non-Reasoning) von teuren proprietären Modellen auf feingetunte Open-Source-LLMs, die auf dedizierter, kosteneffizienter Cloud-Hardware gehostet werden, um die Ausgaben für Token-Lizenzen zu senken.
- Semantisches Prompt-Caching: Implementieren Sie fortschrittliche Caching-Ebenen, um sich häufig wiederholende Benutzeranfragen abzufangen und gecachte Antworten abzurufen, was die Kosten für Input-Token bei häufigen Benutzeranfragen um bis zu 90 % senkt.[6]
- Vektordatenbank- und Chunking-Optimierung: Strukturieren Sie die Datenbankindizierung und das semantische Chunking neu, um zu verhindern, dass übermäßig dichte Kontextblöcke in das LLM eingespeist werden, wodurch unnötige API-Kosten bei Retrieval-Aufrufen reduziert werden.
Die Umsetzung dieser Playbook-Maßnahmen ermöglicht es Portfolio-Managern, technische Risiken in einen direkten Hebel für nachhaltige Umsatzqualität und langfristige Cashflow-Stabilität zu verwandeln. Für PE-Firmen, die in Deutschland, der DACH-Region, dem Vereinigten Königreich (UK) und den globalen M&A-Märkten aktiv sind, ist diese strukturelle Optimierung der Kostenstruktur nicht mehr optional. Die Integration dieser klaren Rahmenbedingungen zur Kosteneindämmung in das standardmäßige Post-Acquisition-Playbook – zusammen mit einer strengen technischen Due Diligence im Vorfeld – stellt sicher, dass übernommene Software-Unternehmen ihren Wettbewerbsvorteil wahren und gleichzeitig ihre SaaS-typischen Bruttomargen schützen.
