KI-Kreditrisiko-Due-Diligence für Software-Kreditgeber

KI-Kreditrisiko-Due-Diligence ist der systematische Prozess, bei dem Direct Lender, Private-Credit-Fonds und Leveraged-Finance-Teams die Anfälligkeit eines Kreditnehmers für Disruption durch künstliche Intelligenz bewerten, bevor sie Fremdkapital bereitstellen. Sie analysiert, wie Risiken der KI-Substitution, steigende Compute- und API-Ausgaben sowie sich verändernde Software-Preisgestaltungsmodelle die Cashflows, die Vertragslaufzeiten und die Schuldendienstdeckung gefährden. Im Gegensatz zur traditionellen Kreditprüfung, die sich primär auf historische Software-Umsatzbindung und hohe Bruttomargen verlässt, prüft die KI-Kreditrisiko-Due-Diligence, ob wiederkehrende Umsätze dauerhaft bestehen bleiben, ob Margen unter rechenintensiven Arbeitslasten erodieren und ob Vermögenswerte bevorstehende Refinanzierungsereignisse überstehen können.

Jahrelang galten Software-as-a-Service-Unternehmen (SaaS) als erstklassige Kreditprofile im Direct Lending. Private-Credit-Fonds bevorzugten Softwareziele aufgrund ihrer prognostizierbaren wiederkehrenden Einnahmeströme, hohen Bruttomargen, geringen Kapitalintensität und dauerhaften mehrjährigen Kundenverträgen. Hohe Unternehmensbewertungen und solide Eigenkapitalpuffer der Sponsoren boten zusätzliche Sicherheit, was es Kreditgebern ermöglichte, hohe Verschuldungsmultiplikatoren bei geringer Cashflow-Volatilität zu strukturieren. Künstliche Intelligenz hat seitdem zu einer strukturellen Neubewertung des Software-Kreditrisikos in allen Private-Credit-Portfolios geführt, wobei die Bewertungen öffentlicher Softwareunternehmen gegenüber den Höchstmultiplikatoren von 2021 gesunken sind und sich die Spreads für Softwarekredite sowohl im breit syndizierten Markt als auch im Direct Lending an das neue Umfeld angepasst haben. Diese Neubewertung zeigte sich an den öffentlichen Märkten: Aktien von Softwareunternehmen fielen zwischen Oktober 2025 und Februar 2026 um fast 30 %, während die Aktienkurse von Business Development Companies (BDCs) im Durchschnitt um etwa 10 % nachgaben und die Abschläge auf den Nettoinventarwert stiegen. Eine Verengung der Spreads hatte den Puffer zuvor bereits geschmälert; so verringerten sich die durchschnittlichen Spreads bei US-LBOs, die durch Direct Lending finanziert wurden, zwischen 2022 und 2024 um 161 Basispunkte.

Diese Neubewertung ist deshalb so wichtig, weil die Kreditanfälligkeit von SaaS-Unternehmen zu den stärksten Konzentrationsthesen im Private-Credit-Sektor gehörte: Die ausstehenden Kredite an SaaS-Firmen stiegen von rund 8 Milliarden US-Dollar im Jahr 2015 auf über 500 Milliarden US-Dollar bis Ende 2025, was etwa 19 % aller direkten Kredite entspricht, wobei ein Drittel aller Private-Credit-Fonds SaaS-Expositionen aufweist. In der Praxis unterteilen Kreditteams Software- und Technologie-Expositionen mittlerweile in zwei unterschiedliche Risikovektoren: das Software-Substitutionsrisiko und das GPU-besicherte Infrastrukturrisiko. Das Software-Substitutionsrisiko betrifft Kreditnehmer auf der Anwendungsebene, deren Kernfunktionen durch KI-native Tools und breite Basismodelle automatisiert, repliziert oder umgangen werden können. Bei der Bewertung dieser Ziele müssen Kreditgeber eine gründliche Due Diligence zur KI-Disruption für Software-Ziele durchführen, um zu prüfen, ob Produkt-Burggräben weiterhin verteidigt werden können.

Umgekehrt umfasst die GPU-besicherte Infrastrukturverschuldung die Finanzierung von Hardware, Rechenzentren und Rechenkapazitäten, die an das Training und die Inferenz von KI-Modellen gebunden sind. Private-Credit-Fonds haben diese Exposition zusätzlich zu den bereits steigenden Kreditvergaben an große US-Tech-Konzerne und andere KI-Unternehmen aufgebaut, und BDCs mit überdurchschnittlicher Software-Exposition haben seit Oktober 2025 gegenüber Mitbewerbern mit geringerer Exposition um rund fünf Prozentpunkte schlechter abgeschnitten. Obwohl diese Kredite häufig als vermögenswertbesichert erscheinen, bergen sie spezifische Risiken wie raschen Hardware-Wertverlust, sich ändernde Konditionen von Cloud-Anbietern, hohe Kapitalintensität und Gegenparteirisiken gegenüber KI-Entwicklern im Frühstadium. Kreditgeber, die Rechenkapazitäts-Expositionen bewerten, müssen eine strenge Due Diligence zur KI-Infrastruktur-Exposition durchführen, um vertraglich gesicherte Cashflows von spekulativen Kapazitätszusagen zu trennen.

Um Cashflow-Schwachstellen unter dem Einfluss von KI-Disruption zu prüfen, müssen Direct Lender über aggregierte Umsatzzahlen hinausblicken. Die Analysen von J.P. Morgan Asset Management zur Software-Exposition in Private-Credit-Portfolios zeigen, dass sich KI-Disruptionsrisiken über vier Kanäle auf Kreditbeeinträchtigungen übertragen: Umsatzerosion, Margenkompression, Bewertungskompression und Refinanzierungsengpässe. Traditionelle fundamentale Kennzahlen reichen für die Analyse von Software-Kreditrisiken nicht mehr aus. Historische jährlich wiederkehrende Umsätze (ARR) und Brutto-Retention-Raten garantieren keine zukünftige Schuldendienstfähigkeit mehr, wenn Endnutzer auf kostengünstigere KI-Alternativen umsteigen oder maßgeschneiderte interne Tools mit Open-Source-Modellen entwickeln können.

Kreditgeber müssen das strukturelle Spannungsverhältnis zwischen historischer ARR-Beständigkeit und aufkommendem KI-Substitutionsrisiko bewerten. Im traditionellen SaaS-Bereich boten langfristige Verträge mehrjährige Planungssicherheit. Unter KI-Druck sind sitzplatzbasierte Lizenzmodelle besonders anfällig, da Kunden Headcounts reduzieren oder Aufgaben durch autonome Agenten automatisiert werden. Eine disziplinierte SaaS-Umsatzqualitäts-Due-Diligence ermöglicht es Kreditanalysten, die echte Einbettung in Arbeitsabläufe von anfälligen sitzplatzbasierten Abrechnungen zu entkoppeln.

Auf der Aufwandseite führt die KI-Integration zu Kostenschwankungen, die sich direkt auf die für den Schuldendienst verfügbare Liquidität (CADS) auswirken. Traditionelle Software-Unternehmen arbeiteten mit sehr hohen Bruttomargen, da die inkrementellen Vertriebskosten vernachlässigbar waren. Binden Software-Anwendungen LLM-APIs von Drittanbietern ein oder hosten sie eigene Inferenzmodelle, steigen die Umsatzkosten (COGS) durch kontinuierliche Cloud-Compute- und Token-Nutzung. Aus diesem Grund wird Kreditgebern bei der Analyse von Software-Krediten geraten, den Kontext des Preismodells als kritisch für die Interpretation von Margen zu betrachten, anstatt eine ausgewiesene Bruttomarge unhinterfragt zu übernehmen.

Diese Margenkompression schwächt den Schuldendienstdeckungsgrad (DSCR) direkt. Kann ein Kreditnehmer steigende Rechenkosten nicht über ergebnisbasierte Preismodelle an die Kunden weitergeben, schrumpfen die Betriebsmargen, selbst wenn der Gesamtumsatz stabil erscheint. Underwriter müssen detaillierte Sensitivitätsprüfungen zur Rechen- und API-Ökonomie durchführen, um die Cashflow-Generierung über verschiedene Inferenzvolumina und Preis-Szenarien von Drittanbieter-Modellen hinweg zu modellieren.

Neben operativem Cashflow-Druck erhöht die KI-Disruption auch die strukturellen Fremdkapitalrisiken rund um Laufzeiten und Verschuldungsanpassungen. Da Private-Credit-Kredite zu pari gehalten werden und Kreditnehmer ihre Ergebnisse nicht öffentlich offenlegen, gibt es keinen Mechanismus, durch den eine Verschlechterung des Geschäftsmodells eines Kreditnehmers in den ausgewiesenen Bewertungen sichtbar wird, bis ein hartes Ereignis – ein Covenant-Bruch, eine verpasste Zahlung oder eine Fälligkeitswand – die Erkennung erzwingt; bis die Bewertungen angepasst werden, haben sich die Sanierungsoptionen für Kreditgeber bereits verengt. Im Softwarebereich wurde dieses Frühwarnsystem durch ein ARR-basiertes statt EBITDA-basiertes Underwriting weiter geschwächt. Software-Kredite, die in Zeiten von Bewertungs-Höchstständen vergeben wurden, stehen vor gravierenden Refinanzierungswänden, wenn die Unternehmenswerte vor der Kreditfälligkeit sinken. Komprimieren sich die Endbewertungsmultiples, erfordert die Refinanzierung bestehender Kapitalsummen entweder erhebliche Eigenkapitalzuschüsse der Sponsoren oder aggressive Tilgungen.

Kreditgeber, die sich mit diesen Fälligkeiten befassen, müssen Rahmenwerke für SaaS-Ausstiegsrisiko-Due-Diligence nutzen, um im Rahmen von Stresstests zu prüfen, ob Kreditnehmer unter normalisierten Bewertungsmultiplikatoren umfinanzieren können. Ein Kreditnehmer, der bei Fälligkeit nicht umfinanzieren kann, wird in der Regel zu einer Amend-and-Extend-Transaktion gedrängt. Das Verlängern der Laufzeit ohne Behebung der zugrundeliegenden Leistungsprobleme verzögert eine Restrukturierung jedoch meist nur, anstatt sie zu verhindern.

Optionen für Payment-in-kind (PIK)-Zinsen und Liquiditätszugeständnisse dienen als kritische Frühwarnzeichen für zugrundeliegenden Stress. Die Analyse von Reed Smith zu Shadow-Defaults beschreibt Laufzeitverlängerungen, PIK-Toggles und Covenant-Erleichterungen (gelockerte oder ausgesetzte Covenants, zurückgesetzte Leverage-Tests, gegen Verzichtserklärungen gezahlte Gebühren) als Mechanismen, die die Lücke zwischen berichteter Leistung und ökonomischer Realität vergrößern. Sie argumentiert, dass anspruchsvolle Limited Partner fragen sollten, wie viele Kredite heute nicht umfinanziert werden könnten und wie viele Covenants nur eingehalten wurden, weil der Sponsor eingegriffen hat. Dieses Signal hat sich verstärkt: Im vierten Quartal 2025 wiesen 6,4 % der Kredite in der proprietären Datenbank von Lincoln International Zinsen auf, die während der Laufzeit aufgrund von Liquiditätsengpässen aufgeschoben wurden – anstelle einer Option bei der Einräumung –, verglichen mit 2,5 % im vierten Quartal 2021. In Kombination mit Covenant-Erleichterungen oder Neufestsetzungen von Leverage-Tests zeigt die Inanspruchnahme nicht verhandelter unterjähriger PIK-Optionen, dass der operative Cashflow die bar fälligen Zinsverpflichtungen nicht mehr deckt.

Covenant-Qualität und Kreditsicherheiten erfordern bei Software- und KI-Kreditgeschäften ebenfalls eine kritische Neubeurteilung. Traditionelle Software-Kredite sind in erster Linie durch immaterielle Vermögenswerte wie proprietären Code, Kundenlisten und Markenwert besichert. In einem durch KI-Obsoleszenz ausgelösten Ausfallszenario kann der Unternehmenswert, der diese immateriellen Werte stützt, rasch verfallen, sodass vorrangigen Kreditgebern nur eine begrenzte Verwertungsmöglichkeit bleibt. Anders als physische Vermögenswerte lässt sich veralteter Software-Code nicht ohne Weiteres verwerten, um das Kreditkapital zurückzuerhalten.

Bei der Risikoprüfung von Software- und Compute-Engagements konzentrieren sich Kreditgeber auf fundamentale Kreditsignale, die auf ein langfristiges Überleben hindeuten, während Kreditnehmer verifizierbare operative Nachweise im Datenraum vorlegen müssen. Kreditausschüsse suchen nach klaren Belegen dafür, dass der Kreditnehmer über verteidigbare Wettbewerbsvorteile (Moats), eine starke Rückendeckung durch Sponsoren und ein ausreichendes Eigenkapitalpolster verfügt, um Cashflow-Schwankungen abzufedern.

Kreditgeber bewerten während der Kreditanalyse drei zentrale strukturelle Signale:

• Sponsor-Unterstützung und Kapitalzusage: Feststellung, ob der Private-Equity-Sponsor über die finanzielle Kapazität und Bereitschaft verfügt, frisches Eigenkapital einzuschießen, falls der Cashflow während einer KI-Produktumstellung einbricht.
• Eigenkapitalpolster und realisierter Leverage: Überprüfung der ursprünglichen Loan-to-Value (LTV)-Quoten anhand realistischer, aktueller Unternehmensbewertungen anstelle historischer Kaufpreismultiplikatoren.
• Downside-Szenario und Verwertungsannahmen: Modellierung von Verwertungsszenarien im negativen Fall unter konservativen Annahmen, die einen Besicherungswert von null für veralteten Software-Code ansetzen.

Von Kreditnehmern wird dementsprechend erwartet, dass sie klare, verifizierbare Nachweise über Kundenbindung, Vertragsdauerhaftigkeit und Produktverteidigungsfähigkeit vorlegen. Denn Kreditgeber versuchen, tatsächlich gefährdete Softwareunternehmen von solchen zu unterscheiden, die lediglich von einer pauschalen Neubewertung betroffen sind – eine Unterscheidung, die ein solides analytisches Rahmenwerk erfordert und bei der die Qualität des Sponsors zunehmend an Bedeutung gewinnt. Das bloße Vorweisen einer hohen Bruttobindungsrate reicht nicht aus; Kreditnehmer müssen Analysen auf Kohortenebene vorlegen, die zeigen, wie sich die Net Revenue Retention (NRR) bei Kunden entwickelt, die KI-Alternativen eingeführt haben. Zudem müssen sich Kreditnehmer einer umfassenden Kunden-Due-Diligence-Churn-Analyse unterziehen, um zu beweisen, dass die Nutzung des Kernprodukts weiterhin geschäftskritisch ist.

Um Kreditausschüssen zu helfen, aufkeimende Schwachstellen frühzeitig zu erkennen, nutzen Direct Lender strukturierte Warnsignal-Matrizen bei der Erstprüfung sowie im laufenden Portfoliomonitoring. Die folgende Matrix skizziert die wesentlichen Signale, ihre zugrundeliegende Bedeutung für das Kreditrisiko und empfohlene Maßnahmen für Kreditgeber.

Private-Credit-Underwriter und Deal-Teams benötigen spezifische dokumentierte Nachweise, bevor sie Kreditverträge für Kreditnehmer mit Software- oder Compute-Exponierung finalisieren. Der virtuelle Datenraum (VDR) muss detaillierte operative, finanzielle und technische Dokumentationen enthalten, um die Kreditgenehmigung zu stützen.

• Detaillierte Aufschlüsselung der API- und Cloud-Compute-Kosten: Mehrjährige historische und prognostizierte COGS mit detaillierten Angaben zu Modell-Inferenz-, Hosting- und Drittanbieter-Token-Ausgaben.
• Kunden-Kündigungsrate und -Bindung nach Kohorte: Detaillierte Kundenbindungsdaten, segmentiert vor und nach der Einführung von generativen AI-Produktupdates.
• Verträge mit AI-Infrastrukturanbietern: Servicevereinbarungen mit Cloud-Anbietern und Modellherstellern, einschließlich Preisbedingungen, Volumenverpflichtungen und SLA-Garantien.
• Sensitivitätsmodelle zur Deckungsbeitragsrechnung (Unit Economics): Finanzmodelle, die DSCR und Verschuldungsgrad unter variierenden Compute-Kostensteigerungen und Seat-Kündigungsszenarien demonstrieren.
• Audit der technischen Architektur und des Daten-Burggrabens: Technische Bewertungen durch Dritte, die das Eigentum an proprietären Datensätzen und tiefe Workflow-Integrationen bestätigen.
• Detaillierte Einhaltung von Covenants und PIK-Prognosen: Historische Compliance-Zertifikate und Mehrperioden-Prognosen, die den Covenant-Spielraum unter Downside-Szenarien modellieren.
• Eigenkapitalunterstützung des Sponsors und Cure-Historie: Kapitalabrufstruktur, verbleibende Fondsreserven und historische Aufzeichnungen über Eigenkapitalbeiträge des Sponsors über Portfoliounternehmen hinweg.
• Downside-Verwertung und Sicherheitenbewertung: Unabhängige Liquidationsbewertung zur Ermittlung der Verwertungswerte für geistiges Eigentum, Unternehmensverträge und Hardware-Vermögenswerte.

Die Entwicklung des AI-Kreditrisikos erfordert Anpassungen bei allen Transaktionsbeteiligten. Für Kreditgeber müssen sich die Underwriting-Standards von der Verlassensheit auf historische Umsatzstabilität hin zur Überprüfung der technischen Verteidigungsfähigkeit und Margenresilienz verschieben. Für Private-Equity-Sponsoren erfordert die Sicherung von Fremdkapitalfinanzierungen eine höhere operative Transparenz und das Bereitstellen stärkerer Eigenkapitalpuffer. Für Kreditnehmer ist der Nachweis klarer Produkt-Burggräben und Disziplin bei den Unit Economics nun zwingend erforderlich, um Zugang zu Direct-Lending-Märkten zu erhalten.

Wie Sie dies in Ihrem nächsten Due-Diligence-Workflow nutzen

Kreditanalysten und Deal-Leads sollten dieses Analyserahmenwerk in jede Phase ihrer Transaktionsprüfung integrieren. Beginnen Sie beim Screening mit der Kategorisierung des Kreditrisikovektors und trennen Sie die Substitution von Anwendungssoftware von der Compute-Infrastruktur-Exponierung. Auditieren Sie beim vorläufigen Underwriting die Trends der Compute-COGS sowie die Kohorten-Retentionsdaten, um zu überprüfen, ob die Bruttomargen den Modell-Inferenzkosten standhalten können. Führen Sie vor der Genehmigung durch den Kreditausschuss Downside-Sensitivitätsmodelle durch, die niedrigere Bewertungsmultiplikatoren bei Fälligkeit berücksichtigen.

Moderne Transaktionsteams nutzen dedizierte Softwareplattformen, um die Dokumentenprüfung und Risikoextraktion während intensiver Deal-Zeitpläne zu automatisieren. Der Einsatz einer AI-nativen Due-Diligence-Plattform AI-native Due-Diligence-Plattform ermöglicht es Deal-Teams, komplexe Datenräume schnell zu analysieren, Vertragsanomalien aufzudecken und Finanzkennzahlen abzugleichen.

Deal-Intelligence-Werkzeuge, die für institutionelle Investment- und Kredit-Workflows entwickelt wurden, können den mechanischen Teil dieser Arbeit verkürzen. Erfassungs- und Analyse-Ebenen ermöglichen es Kreditteams, Tausende von Datenraum-PDFs, Verträgen und Finanzmodellen in einem Bruchteil der Zeit zu verarbeiten, die eine manuelle Prüfung in Anspruch nimmt. Automatische Risikoerkennung hilft dabei, Wesentlichkeitsschwellen, rechtliche Risiken und finanzielle Diskrepanzen aufzudecken, während Berichtserstellung und gemeinsame Arbeitsbereiche es Teams ermöglichen, Erkenntnisse in Investitionsausschuss-Memos IC-Memo-Automatisierung mit vollständiger Quellennachvollziehbarkeit zu verwandeln.

Plausity ist eine AI-native Due-Diligence- und Deal-Intelligence-Plattform, die Deal-Teams dabei unterstützt, Unternehmensinformationen zu analysieren, Erkenntnisse zu strukturieren, Warnsignale aufzudecken, Dokumente zu vergleichen und Diligence-Arbeit in investitionsreife Ergebnisse zu verwandeln. Plausity hilft Investoren, Gründern und Führungsteams dabei, klarere, evidenzbasierte Diligence-Materialien vorzubereiten; es ersetzt keine professionelle Beurteilung, erbringt keine unabhängige rechtliche, finanzielle, steuerliche, kommerzielle oder technische Beratung und garantiert keine Kreditgenehmigungen, Bewertungen oder Investmentergebnisse.

1. caia.org
2. bis.org
3. am.jpmorgan.com
4. reedsmith.com
5. am.jpmorgan.com