Pricing-Due-Diligence bei KI-Software: Seat, Usage, Outcome

Pricing-Modell-Due-Diligence ist die Disziplin zu prüfen, ob das Monetarisierungsmodell eines Zielunternehmens – ob seat-basiert, nutzungs- oder verbrauchsbasiert, outcome- oder wertbasiert oder eine Kombination daraus – tatsächlich zur zugrunde liegenden Produktenökonomie und zum Kaufkontext passt, in den es verkauft. Es geht nicht um eine Überprüfung der Pricing-Seite. Gefragt wird: Welche Einheit berechnet das Unternehmen, wer löst diese Einheit aus, kann das Unternehmen sie vorhersagen, und wird das Modell den Kontakt mit Enterprise-Einkauf, KI-getriebener Automatisierung und der eigenen Kostenstruktur des Zielunternehmens überstehen? Wer hier falsch liegt, bewertet Wachstumsqualität, Retention und Marge im Unternehmenswert falsch.

Der Grund, warum dies zu einer aktuellen Diligence-Frage geworden ist: KI bricht die Annahme, auf der das klassische SaaS-Pricing aufbaute. Klassisches SaaS ging von Grenzkosten null aus: War die Software einmal entwickelt, kostete der nächste Kunde etwa dasselbe wie der vorherige – flatrate-fähige Pro-Kopf-Abos funktionierten also. KI-Produkte tragen variable und erhebliche Inferenzkosten, wobei jede Abfrage, jede Agent-Aktion oder jedes generierte Artefakt Rechenkosten auslöst, die der Anbieter trägt. Verfolgt das Pricing-Modell diese variablen Kosten nicht, schrumpft die Marge mit der Adoption, statt zu wachsen.[1]

Diligence-Teams sollten sich an der Marktwirklichkeit und nicht am Hype orientieren. AlixPartners hat 65 große SaaS-Unternehmen und KI-native Wettbewerber analysiert und festgestellt, dass nur 4 ein vollständig ergebnisbasiertes Preising-Modell übernommen haben, während 72 % einen hybriden Ansatz verfolgen, der Verbrauch über KI-Credits oder Nutzungsmessung einbezieht, und mehr als die Hälfte der übrigen Unternehmen weiterhin primär auf Per-Seat-Modelle setzt.[2] Die Migration ist real, aber langsamer und ungleichmäßiger, als die Kommentarlage nahelegt – weshalb das richtige Modell eine Frage der Produktökonomie und nicht der Ideologie ist.

Per Seat: eine feste Gebühr pro Nutzer mit Zugang zur KI, für Käufer vertraut, aber fragil, wenn die variable Inferenzkosten mit der Nutzung steigen.

Per Token: gemessener Modelleingang und -ausgang, das kanonische Infrastrukturmodell, für Ingenieure transparent, aber für kaufmännische Käufer schwer zu budgetieren.

Per Activity: eine Gebühr pro diskreter Aktion wie einer Konversation, einem API-Aufruf oder einem Workflow-Durchlauf.

Per Output: eine Gebühr pro generiertem Artefakt wie einem Bild, Dokument oder Entwurfsbericht.

Per Outcome: eine Gebühr nur dann, wenn die KI ein definiertes Geschäftsergebnis liefert, etwa ein gelöstes Ticket.

Hybrid: eine Abonnement-Basis kombiniert mit Verbrauchsüberschreitung, vorausbezahlten Credits oder ergebnisbasierten Komponenten – das Muster, das die meisten produktiven KI-Unternehmen fahren.

Jedes dieser Modelle birgt ein eigenes Diligence-Profil. Für eine vertiefte Betrachtung, wie Seat-Kompression, Inferenz-COGS und hybride Strukturen in die Transaktionsanalyse einfließen, siehe unseren Begleitartikel zur KI-Preis-Due-Diligence. Die folgenden Abschnitte geben Käufern ein passendes Rahmenwerk, modellbezogene Tests, eine Evidenz-Checkliste und die Warnsignale, die Preisbefunde mit der Bewertung verknüpfen.

Bevor Käufer beurteilen, ob das Preismodell eines Zielunternehmens gut oder schlecht ist, sollten sie eine Diagnostik anwenden, die Passung von Mode trennt. Ein Modell, das in einem Kontext aggressiv wirkt, kann in einem anderen genau richtig sein. Sechs Fragen strukturieren diese Beurteilung:

Was wird monetarisiert: der Zugang zur Software, eine zählbare Aktivität, ein generierter Output oder ein geliefertes Geschäftsergebnis?

Wer löst den Verbrauch aus: ein menschlicher Nutzer, ein automatisierter Workflow oder der KI-Agent selbst? Ein pro Nutzer abgerechnetes Modell verhält sich sehr anders, wenn Agenten die Arbeit erledigen.

Wie vorhersehbar ist die Nutzung: Ist der Verbrauch stabil und prognostizierbar, oder schwankt er mit Saisonalität, Kundenverhalten und Abfragekomplexität?

Lässt sich Wert oder Ergebnis messen und zuordnen: Ist der Erfolg diskret und überprüfbar, oder diffus über viele beitragende Faktoren verteilt?

Passt das Pricing zur Enterprise-Beschaffung: Kann ein CIO es budgetieren, durch die Einkaufsabteilung bringen und intern verteidigen?

Wie viel Preismacht hat das Unternehmen wirklich: Ist das Preismodell verteidigungsfähig, weil das Produkt in Workflows eingebettet und schwer ersetzbar ist, oder ist es einem wettbewerbsbedingten Repricing ausgesetzt?

Zwei veröffentlichte Rahmenwerke helfen bei der Beantwortung dieser Fragen. Zuaras COMPASS-Framework ordnet die sechs gängigen KI-Preismodelle – per seat, per token, per activity, per output, per outcome und hybrid – nach der Werteinheit, die die KI liefert, und danach, wie klar sich dieser Wert messen lässt, und stellt fest, dass die meisten produktiven KI-Unternehmen am Ende hybride Modelle fahren, die eine Abonnement-Basis mit Verbrauchsüberschreitung oder vorausbezahlten Credits kombinieren.[1] Das Framework sagt einem Unternehmen nicht, was es berechnen soll, aber es zeigt, wann ein Ergebnisversprechen glaubwürdig ist und wann es ein Marketing-Overlay ist: Wo Erfolg nicht in einer vom Kunden akzeptierten Weise messbar ist, ist ein Ergebnis-Zähler eine Verhandlungsposition und kein Preismodell.

AlixPartners ergänzt drei strukturelle Expositionsbedingungen, die Käufern zeigen, wie viel Druck ein Preismodell ausgesetzt ist: eine hohe Konzentration von Seats in automatisierbaren Workflows wie Kundenservice oder IT-Ticketing, der Verkauf in Funktionen, bei denen sich der KI-ROI leicht messen lässt, und die Abhängigkeit von Seats mit begrenzten sekundären Preisebenen. Unternehmen am Schnittpunkt aller drei Bedingungen haben den dringendsten Handlungsbedarf.[2] Die Preismacht selbst sollte separat getestet werden: Wo ein Produkt tief eingebettet ist und ein Wechsel kostspielig ist, hat ein Anbieter mehr Spielraum, den Seat-Wert zu verteidigen – eine Dynamik, die wir in unserer Analyse der Workflow-Wechselkosten untersuchen.

Jedes Preismodell scheitert auf seine eigene Weise, daher verlangt jedes seine eigenen Diligence-Fragen. Die folgende Tabelle fasst die Kernprüfungen zusammen; die anschließenden Absätze vertiefen die zwei Bereiche, in denen Deals am häufigsten schiefgehen.

Seat-Modelle: Kompression ist der stille Churn

Bei Seat-basierten Targets ist der zentrale Test das Risiko der Seat-Kompression: Wo KI-Agenten die Arbeitslast von Nutzern übernehmen können, die andernfalls Lizenzen halten würden, verliert das Argument des Werts pro Seat mit jedem Deployment-Zyklus an Kraft. Die Due Diligence sollte quantifizieren, wie viel Umsatz in repetitiven und regelbasierten Workflows steckt, und separat Shelfware untersuchen – die Lücke zwischen lizenzierten und aktiven Seats –, weil sie die berichtete Adoption beschönigt und das Verlängerungsrisiko unterschätzt. Rabattierungstiefe und Preisdurchsetzung vervollständigen das Bild: Ein Unternehmen, das Seats durch Preissenkungen wächst, beweist keine Pricing-Power.

Outcome-Modelle: Die Definition ist das Produkt

Bei erfolgsbasierten Targets ist die Preisdefinition faktisch Teil des Produkts. Es gibt keinen anerkannten Industriestandard für die Bewertung von Ergebnissen, sodass veröffentlichte Preise pro Lösung nicht zwischen Anbietern vergleichbar sind.[3] Käufer sollten klären, wie Erfolg verifiziert wird, wie Kundenschweigen behandelt wird, was passiert, wenn die KI mitten in der Aufgabe an einen Menschen übergibt, und wer die Kosten trägt, wenn die Lösungsquoten enttäuschen. AlixPartners stellte fest, dass die vier Unternehmen seiner Kohorte mit bestätigter erfolgsbasierter Preisgestaltung alle in Customer-Service-Workflows tätig sind, in denen Ergebnisse diskret und überprüfbar sind – ein nützlicher Maßstab dafür, wie eng der derzeit tragfähige Raum ist.[2]

Pricing-Erkenntnisse sind nur so stark wie die Dokumente dahinter. Der Datenraum sollte nach Folgendem durchsucht werden, und Lücken in dieser Liste sind selbst schon ein Befund:

Verknüpfung von Pricing-Belegen aus Verträgen und Nutzungsdaten mit Due-Diligence-Befunden. · KI-generiert

Kundenverträge und Bestellformulare mit Preisplänen, einschließlich Verlängerungsbedingungen und etwaiger Nutzungs- oder Ergebnisverpflichtungen.

Preislisten und Freigabeunterlagen für Rabatte, um den realisierten Preis gegenüber dem Listenpreis zu prüfen.

Nutzungs- und Verbrauchsdaten je Kunde, einschließlich Credit-Verbrauchsmechaniken und True-up-Regelungen bei Prepaid- oder Kontingentmodellen.

Revenue-Recognition-Notizen dazu, wie Nutzung, Credits und Ergebnisgebühren nach ASC 606 behandelt werden.

Belege zu Churn, Downgrades und Expansion rund um frühere Preis- oder Paketänderungen, nach Möglichkeit auf Kohortenebene.

Die Vertragsbedingungen bestimmen die bilanzielle Behandlung, die wiederum die Qualität des ausgewiesenen Umsatzes prägt. Die DART-Leitlinie von Deloitte hebt die zentrale Beurteilungsfrage bei Agentic-AI-Vereinbarungen hervor: Ob die Zusage des Anbieters eine Bereitstellungsverpflichtung (stand-ready obligation) zum kontinuierlichen Zugang zum Agenten ist, die typischerweise über die Zeit erfasst wird, oder eine Verpflichtung zur Lieferung einer bestimmten Menge erfolgreicher Ergebnisse, die typischerweise zum Eintreten dieser Ergebnisse erfasst wird. Erfolgskriterien und Übertragsrechte spielen hier eine Rolle, und vorausbezahlte Ergebnis-Credits können auf Use-it-or-lose-it-Basis nicht erstattungsfähig oder erstattungsfähig sein, was das Verhalten von aktivierten Umsätzen und variablen Gegenleistungen verändert.[4]

Nutzungsnachweise müssen zudem an die tatsächlich geltende Messgröße geknüpft sein, denn die Messgrößen selbst verändern sich. GitHub Copilot misst beispielsweise Interaktionen über Input-, Output- und gecachte Tokens zu Sätzen, die je Modell variieren, rechnet sie in AI Credits um, wobei ein Credit einem US-Cent entspricht, schließt ein Kontingent je Plan ein und stellt die darüber hinausgehende Nutzung pro Token in Rechnung, während Code-Vervollständigungen außerhalb der Credit-Messung bleiben.[5] Ein auf einer alten Messgröße basierender Nutzungsdatensatz kann für die Prognose der aktuellen wertlos sein. Tools zur Analyse von Finanzdokumenten helfen Deal-Teams, diese Bedingungen aus dichten Verträgen zu extrahieren und mit den Nutzungsdateien abzugleichen.

Die folgenden Muster sollten eine vertiefte Prüfung auslösen, bevor sie das Investment-Komitee erreichen.

Das Muster hinter mehreren dieser Flags ist die Risikoverteilung. Von den 65 von AlixPartners analysierten Unternehmen legten 53 das Leistungsrisiko beim Kunden ab, 8 teilen es, und nur 4 tragen es als Anbieter – das heißt, bei 82 % der Unternehmen trägt der Kunde die Konsequenzen, wenn die Software nicht liefert.[2] Und speziell beim Ergebnis-Preismodell gilt: Die Partei, die den Stellvertreter für Erfolg bestimmt, ist die Partei, die die Rechnung schickt – weshalb Ergebnisdefinitionen dieselbe Prüfung verdienen wie der Preis selbst.[3]

Für PE- und VC-Investmentprofis sollten Preiserkenntnisse direkt in die Bewertung der Umsatzqualität einfließen. Bei variablen Gegenleistungen weist Deloitte darauf hin, dass bei einer Vereinbarung, die als Serie eigenständiger Leistungen qualifiziert ist, ergebnisbasierte Gebühren zum Eintreten erfolgreicher Ergebnisse erfasst werden können statt über die Zeit – was das Umsatztiming verändert und das ausgewiesene Wachstum empfindlicher gegenüber Lösungsvolumen macht.[4] Die Prognose eines Geschäfts, dessen Umsatz von Ergebnissen abhängt, die der Kunde erst erreichen muss, ist eine andere Aufgabe als die Prognose von Sitzen, und die Analyse der ARR-Qualität sollte das widerspiegeln.

Die Bruttomarge ist die zweite Exposition. Wenn die Preisgestaltung den variablen Kosten nicht folgt, lässt die Verbreitung die Inferenzausgaben schneller wachsen als den Umsatz – die Margenfalle, die Zuora beschreibt.[1] Die Due Diligence sollte die Kosten pro Abrechnungseinheit modellieren, nicht nur die gemischte Bruttomarge, und sie gegen Nutzungswachstum stresstesten. Das verbindet sich unmittelbar mit dem Arbeitsbereich zur Due Diligence des Finanzmodells, in dem Annahmen zur Unit Economics häufig Risiken des Preismodells verbergen.

Drittens konzentrieren sich NRR-Mechanik und Multiple-Risiko genau dort, wo sich ein Modell mitten in der Migration befindet. AlixPartners warnt davor, dass ein zu früher Wechsel zu ergebnisbasierten Preisen die Umsätze pro Sitzplatz kannibalisieren kann, während ein zu später Wechsel die Marktposition gefährdet.[2] Ein Zielunternehmen, das zwischen zwei Modellen eingeklemmt ist, kann eine komprimierte NRR auf der alten Basis und eine unbewiesene Retention auf der neuen aufweisen – das ist eine Multiple-Frage, keine Fußnote.

Repricing: Korrektur des realisierten Preises Richtung Listenpreis, wo Rabatte die Realisierung ausgehöhlt haben.

Repackaging: Neustrukturierung von Kontingenten, Mehrverbrauchsgebühren und Modul-Berechtigungen, damit sie zur tatsächlichen Nutzung durch die Kunden passen.

Migrations-Sequenzierung: Umstellung von Kundenkohorten auf neue Modelle in einer Reihenfolge, die Sitzplatzumsätze schützt, solange die Retention des neuen Modells noch nicht bewiesen ist.

An diesen Hebeln entsteht oder zerstört sich der Wert nach dem Closing, und Teams, die Mandate für M&A-Beratung begleiten, sollten die Sequenzierungsfrage als Bestandteil des Wertsteigerungsplans behandeln und nicht als kaufmännische Nachtragsbemerkung.

Das obige Framework zählt nur, wenn es die Workstreams des Deal-Teams in strukturierter, evidenzbasierter Form erreicht. Die Plattform unterstützt diesen Workflow von Anfang bis Ende:

Nutzen Sie die Data Room Ingestion, um Kundenverträge, Bestellformulare und Preisbücher innerhalb weniger Minuten nach Eröffnung des Datenraums zu scannen, damit Pricing-Konditionen vom ersten Tag an in die Analyse einfließen.

Nutzen Sie die AI-Analysis Engine, um Pricing-Konditionen, Messgrößen-Definitionen und Erfolgskriterien aus dichten Verträgen zu extrahieren und Nutzungsdaten mit den ausgewiesenen Umsätzen abzugleichen.

Nutzen Sie den Risk Radar, um Pricing-Risiken aufzudecken, sie nach Wesentlichkeit und Deal-Relevanz zu bewerten und sie neben die übrigen Risiken im Risikoregister zu sortieren.

Nutzen Sie den Collaboration Hub, um die kaufmännischen, finanziellen und technischen DD-Workstreams auf einem gemeinsamen Satz von Pricing-Fragen und Belegen auszurichten.

Nutzen Sie den Report Builder, um evidenzbasierte Feststellungen mit vollständiger Quellenrückverfolgung zu entwerfen, sodass jede Pricing-Aussage im Bericht auf ein Dokument im Datenraum verweist.

Eine Grenze sollte klar benannt werden: Plausity hilft Deal-Teams dabei, Belege zu strukturieren und Diligence-Fragen zu organisieren, bestimmt aber nicht automatisch das richtige Pricing-Modell. Diese Einschätzung bleibt beim Team, und sie fällt am besten so aus, wie es die Experten von TechTarget Käufern raten: indem man reale Fälle vor der Unterschrift durch das Pricing führt, statt über Listenpreise zu streiten.[3] Deal-Teams, die sehen möchten, wie sich das in ein breiteres, evidenzbasiertes Deal-Team-Setup einfügt, oder wie KI die Automatisierung des Diligence-Workflows über Datenraum-Triage und Risikoregistrierung hinweg unterstützt, werden feststellen, dass die obigen Pricing-Fragen sich direkt in diese Workflows einfügen.

In der Praxis läuft der Pricing-Workstream in vier Schritten. Erstens: Klassifizieren Sie die Abrechnungseinheit und Paketierung des Zielunternehmens anhand der Bestellformulare statt der Pricing-Seite, und notieren Sie, wo sich Sitzplätze, Messgrößen und Erfolgsgebühren überschneiden. Zweitens: Wenden Sie die sechs diagnostischen Fragen von oben an, um die Passung zu Produktökonomie und Beschaffungsrealität zu prüfen. Drittens: Verknüpfen Sie jede Aussage mit einem Dokument – Verträge, Preisbücher, Nutzungsdatenextrakte und Umsatzrealisierungs-Memos – und kennzeichnen Sie Lücken als eigenständige Feststellungen. Viertens: Übersetzen Sie die Feststellungen in den Bewertungsfall und zeigen Sie, was sie für Wachstumsqualität, Bruttomarge, Umsatzvorhersagbarkeit und den Plan für Repricing, Repackaging und Migrations-Sequenzierung nach dem Closing bedeuten. Teams für Commercial Diligence können diese Struktur direkt ins Investment-Committee-Deck übernehmen.

1. [1] zuora.com — https://www.zuora.com/guides/ai-pricing-models
2. [2] alixpartners.com — https://www.alixpartners.com/insights/102nf2s/outcome-based-software-pricing-hype-or-reality/
3. [3] techtarget.com — https://www.techtarget.com/enterprise-software/feature/Outcome-based-AI-pricing-hits-a-measurement-problem
4. [4] dart.deloitte.com — https://dart.deloitte.com/USDART/home/publications/deloitte/industry/technology/accounting-outcome-based-pricing-agentic-ai
5. [5] docs.github.com — https://docs.github.com/copilot/reference/copilot-billing/models-and-pricing