Software-Kreditprüfung: ARR-Qualität, Churn und Covenants

KI · Dieser Artikel wurde mit Hilfe von KI erstellt.

By Saachi Baghel

Software-Kreditprüfung für wiederkehrende Umsätze: ARR-Qualität, Retention, KI-Sitzplatzrisiko, EBITDA-Anpassungen und Covenant-Spielraum.

Warum sich das Software-Kreditrating im KI-Reset ändert

ARR-Qualität: Was als dauerhafter wiederkehrender Umsatz zählt

Retention und Churn: GRR, NRR und die ARR-Bridge abgleichen

Churn-Risiko: Kundenabwanderung, Umsatzabwanderung und Kohortenverhalten

KI-bedingte Sitzplatzkompression und Preismodellrisiko

EBITDA-Qualität und Cash-Konversion

Cash-Konversion: Warum bereinigtes EBITDA allein nicht ausreicht

Schuldendienst, Covenant-Spielraum und Stress im Negativszenario

Stresstest des Negativszenarios: Vom ARR-Schock zum Covenant-Spielraum

Nachweis-Checkliste für Kreditgeber und die Rolle von Plausity

Häufig gestellte Fragen

Quellen

Software ist zur Kernbesicherung des Private-Credit-Marktes geworden – und genau deshalb ist der KI-Reset für Kreditgeber relevant. Der BIS Bulletin 128 schätzt, dass Business Development Companies rund 115 Mrd.[1] USD an Softwareunternehmen verliehen haben, etwa ein Fünftel ihres gesamten Kreditvolumens und mehr als 80 % ihrer schnell wachsenden Technologieportfolios.[1] Derselbe Bulletin stellt fest, dass die Umsatzunsicherheit durch generative KI diese Kredite noch nicht beeinträchtigt hat, dass jedoch die Credit Spreads sich verengt haben und damit die Puffer schrumpfen, um Verluste abzufedern, falls dies doch eintritt.[2] Auch S&P Global Ratings vermerkt, dass Sorgen über eine KI-bedingte Disruption von Softwareunternehmen zu erhöhter Volatilität im gesamten Leveraged-Finance-Markt, stärkeren NAV-Abschlägen bei börsennotierten BDCs und verstärkten Rückgaben aus nicht börsennotierten Fahrzeugen beigetragen haben. Die Übertragungskanäle verlaufen über Bewertungsanpassungen, Ertragsdruck und Refinanzierungsrisiko – nicht über unmittelbare Ausfälle.

Auch die Kreditprüfung selbst verändert sich. Von den acht Softwarefinanzierungen, die Lincoln International in den ersten vier Monaten des Jahres 2026 platzierte, war keine ein ARR-Kredit; alle wurden als Vielfaches des EBITDA bepreist, womit die Verschuldung am tatsächlich generierten Cashflow des Kreditnehmers bemessen wird.[3] Auf dem Höhepunkt des Marktes wurden ARR-Kredite mit 525 bis 550 Basispunkten über dem Referenzzins und Loan-to-Value-Quoten von 30 % bis 35 % bepreist.[3] Die Kreditnehmer hinter den jüngeren EBITDA-basierten Krediten erwirtschafteten jeweils mindestens 100 Millionen US-Dollar operativen Cashgewinn, mit einer medianen Verschuldung von 5,7x und einem medianen Loan-to-Value von 30 %.[3]

Wiederkehrender Umsatz wird nicht länger als Proxy für die Schuldendienstfähigkeit akzeptiert; Kreditgeber bemessen die Verschuldung an der Cashgenerierung.

Retention, Kundenkonzentration und Haltbarkeit des Preismodells sind von kommerziellen Due-Diligence-Themen zu Kreditthemen geworden.

Pro-forma- und Run-Rate-EBITDA-Anpassungen stehen im Softwaresektor unter schärferer Prüfung als in anderen Branchen.

Der Prüfungsumfang erstreckt sich nun auf KI-Substitutionsrisiken, Inferenzkosten und den Übergang des Preismodells – nicht nur auf historische Finanzdaten.

Die ARR-Qualität wird geprüft, bevor irgendein Multiple- oder Verschuldungswert angesetzt wird, denn das Label „wiederkehrend“ deckt Umsatzströme ab, die sich im Negativszenario sehr unterschiedlich verhalten. Vertragliche ARR, die in unterzeichneten Vereinbarungen für feste Laufzeiten zugesagt sind, sind die stärkste Form. Implementierungs-, Service- und Einmalumsätze werden oft in einer ARR-Kopfzahl gebündelt, wiederholen sich aber nicht im selben Umfang. Nutzungsabhängige und hybride Umsätze können mit dem Kundenerfolg skalieren, ziehen sich jedoch auch am schnellsten zusammen, wenn Kunden ihren Verbrauch reduzieren – daher verdienen sie eine eigene Sensitivitätsposition im Modell.

Konzentration, Vertragslaufzeit und das Verlängerungsprofil bestimmen, ob diese ARR die Kreditlaufzeit überstehen. Berater berichten, dass Kreditgeber vor der Finanzierung von Software-Deals nun Churn-Raten und Kundenkonzentration genau prüfen.[4] Eine Verlängerungsspitze, die innerhalb der Kreditlaufzeit konzentriert ist, oder eine Gruppe der zehn größten Kunden mit einem hohen ARR-Anteil verwandelt eine scheinbar stabile Umsatzbasis in ein Refinanzierungsereignis. Ein strukturierter Ansatz zur ARR-Haltbarkeit beginnt mit der ARR-Brücke und nicht mit der Kopfzahl.

ARR-Kopfzahl zerlegen: vertragliche Abos, nutzungsabhängige Umsätze, Services und Implementierung sowie Einmalumsätze.

Kundenkonzentration nach Umsatz und nach Logo prüfen, einschließlich der Verlängerungsdaten der größten Verträge.

Den Verlängerungskalender gegen die Kreditlaufzeit abgleichen, um Spitzen innerhalb der Haltedauer zu identifizieren.

Abrechnungsauszüge, ausgeführte Vertragsbedingungen und ARR-Brücken auf Kohortenebene anfordern statt einer einzigen vom Management berichteten ARR-Zahl.

ARR-Wachstum in der Kopfzahl kann Verschlechterung verdecken, denn Expansionsumsätze überdecken den Churn in der Nettokennzahl. Die Aleph- und Benchmarkit SaaS- und AI Performance Benchmarks 2026, die Volljahresdaten 2025 von 342 Unternehmen abdecken, weisen eine mediane Bruttoumsatzretention (GRR) von 84 % aus – 4 Prozentpunkte unter dem Vorjahr –, während die mediane NRR bei 102 % hielt.[5] Diese Spanne von 18 Prozentpunkten zeigt, wie viel Expansion leisten muss, um Churn zu überdecken. Da der Rückgang alle Quartile traf, liest der Bericht dies als eine Verschiebung auf Marktebene, getrieben durch längere Verkaufszyklen, ROI-Prüfung und Käufer, die KI-native Alternativen bewerten – nicht als vereinzelte Ausführungsfehler.[5]

Der Churn muss anschließend zerlegt werden. Logo-Churn, Umsatz-Churn und Downsell haben unterschiedliche Ursachen und unterschiedliche Kreditimplikationen, und das Kohortenverhalten variiert stark je nach Segment: Dieselben Benchmarks zeigen, dass vertriebsgetriebene Unternehmen deutlich besser retenieren als produktgetriebene, mit Enterprise-Verträgen an der Spitze.[5] Ein Kreditnehmer, dessen NRR auf Expansion in eine kleine Zahl großer Konten beruht, trägt ein anderes Risiko als einer mit breit gestreuter Retention.

GRR und NRR mit der ARR-Brücke auf Kohortenebene abgleichen, damit Kontraktion nicht in der Expansion verborgen bleibt.

Logo-Churn von Umsatz-Churn und Downsell trennen; jeder impliziert einen anderen Marge- und Cashflow-Pfad.

Retention nach ACV-Band und Go-to-Market-Ansatz segmentieren, bevor man mit dem Median von 84 % vergleicht.

Verlängerungskonzentration und jeden Kunden kennzeichnen, der innerhalb der Kreditlaufzeit einen unverhältnismäßigen Anteil der vertraglichen ARR ausmacht.

Die zentrale KI-Frage für einen Software-Kreditgeber ist, ob die Umsatzbasis des Kreditnehmers unabhängig von der Kundenzufriedenheit schrumpfen kann. KI kann die Zahl der Sitzplätze reduzieren, die ein Kunde benötigt, die Arbeitsabläufe dieser Nutzer automatisieren, die Zahlungsbereitschaft hin zu Nutzung oder Ergebnissen verschieben und die Eintrittskosten für KI-native Wettbewerber senken. Jeder Kanal wirkt auf einer anderen Zeitskala, doch alle vier drücken auf dieselbe Covenant-Basis.

Wie KI-Druck sich vom Preismodell auf ARR und Covenant-Spielraum überträgt. · KI-generiert

Die bisherigen Marktbefunde deuten eher auf einen Übergang als auf eine Verdrängung hin. Branchenanalyse and Company analysierte mehr als 30 SaaS-Anbieter, die generative KI-Funktionen einführen, und stellte fest, dass rund 65 % ein KI-Nutzungszählerwerk über dem Sitzplatzpreismodell auflagerten, während etwa 35 % die Sitzplatzpreise einfach anhoben; keiner war vollständig zu nutzungs- oder ergebnisbasierter Preisgestaltung übergegangen.[6] Branchenanalyse weist auch auf die Umsetzungslast dieses Übergangs hin: Den meisten Anbietern fehlen die Produkt-Telemetrie sowie die Abrechnungs- und Finanzinfrastruktur, um KI im großen Maßstab zu messen, und die Einkaufsteams der Kunden sind daran gewohnt, nach Kopfzahl statt nach Nutzen zu kaufen.[6] Ein Rahmenwerk zur Bewertung dieser Verschiebungen findet sich in der KI-Software-Preisprüfung.

Das Substitutionsrisiko unterscheidet sich je nach Segment. Der Chief Investment Officer von Arcmont zieht die Trennlinie zwischen etablierten Systemen of Record wie ERP-, Buchhaltungs- und HR-Software, die einen sehr niedrigen Churn aufweisen, weil eine Ablösung kostspielig und disruptiv ist, und darüber liegenden Point Solutions, die historisch einen höheren Churn zeigten und heute am stärksten durch KI-native Herausforderer bedroht sind.[4] Finanzierbare Assets kommen weiterhin zustande: Cegids Private-Credit-Kredit über 1,1 Milliarden Euro unter Führung von Arcmont und Ares wurde im Juni 2026 abgeschlossen, nachdem sich der Syndizierungsmarkt zurückgezogen hatte.[4] Manche Kreditgeber beruhigen sich mit der Sichtweise, dass KI die Margen eher über einen Sechs- bis Siebenjahreszeitraum statt über zwei bis drei Jahre aushöhlen wird – lange genug, um einen Fünfjahreskredit vertretbar zu machen.[4]

Bereinigtes EBITDA ist eine Eingangsgröße der Kreditprüfung, keine Tatsache, und in der Softwarebranche verdient es besondere Prüfung. Private-Credit-Deals enthielten historisch EBITDA-Anpassungen von durchschnittlich 20 % bis 30 % des gesamten EBITDA, und Kreditgeber betrachten Pro-forma- und Run-Rate-Anpassungen in der Software – ob durch Preiserhöhungen, neu unterzeichnete Verträge oder geplante Personalabbauten – inzwischen mit deutlicherer Skepsis.[3] Aktienbasierte Vergütung, aktivierte Entwicklungskosten, Restrukturierungsaufwendungen und Akquisitions-Add-backs sollten jeweils daran getestet werden, was sich in Cash-Termen wiederholt.

KI fügt derselben Analyse eine neue Kostenposition hinzu. ICONIQ-Daten, über die SaaS Mag berichtete, beziffern die durchschnittliche Bruttomarge von KI-Produkten auf 52 %, wobei allein die Inferenz bei Unternehmen in der Skalierungsphase rund 23 % des KI-Produktumsatzes beansprucht. Öffentlich berichtende SaaS-Unternehmen haben begonnen, inferenzbezogene Kosten allgemein zwischen 4 % und 9 % des Umsatzes auszuweisen. Für einen verschuldeten Kreditnehmer kann eine KI-Roadmap daher die Bruttomarge drücken, selbst während der Umsatz wächst – weshalb die Inferenzökonomik jetzt zur Kreditprüfung gehört.

KI- und Inferenzkosten von generischen Cloud-Ausgaben isolieren; sie skalieren mit der Nutzung, nicht mit der Personalstärke.

Bereinigtes EBITDA mit dem operativen Cashflow abgleichen, unter Berücksichtigung von Working-Capital- und Umsatzvorauszahlungs-Dynamiken.

F&E-Investitionen und zugesagte KI-Infrastrukturausgaben abziehen, um den freien Cashflow zu ermitteln, der tatsächlich für den Schuldendienst zur Verfügung steht.

Die Analyse des Schuldendienstes beginnt mit der Struktur, nicht mit der Geschichte. Jüngere Softwarekredite wurden mit einem Median von 5,7x Verschuldung und 30% Beleihungsauslauf abgeschlossen, wobei Kreditgeber Zinsdeckung und Mindestliquidität an der eigenen Cashgenerierung des Kreditnehmers messen und nicht an der projizierten ARR.[3] Das Covenant-Design bestimmt dann, wie viel Vorwarnzeit ein Kreditgeber erhält: Verschuldungs- und Deckungstests, die darin verankerte EBITDA-Definition und die Wahl zwischen Incurrence- und Maintenance-Tests prägen alle, ob sich eine Verschlechterung früh oder spät zeigt. In Covenant-Lite-Strukturen kommen Frühwarnsignale aus Informationscovenants, Berichtsfrequenz und der eigenen Liquiditätslaufbahn des Kreditnehmers statt aus einem Verstoß.

Die zielführende Disziplin besteht darin, das Downside-Szenario als Kaskade durchzuspielen, quantifiziert als Sensitivität statt als einzelner Baselfall. Jede Stufe speist die nächste, und das entscheidende Ergebnis ist der Covenant-Spielraum am Ende der Kette – eine Logik, die in der Covenant-Risikoanalyse für Softwarekreditnehmer dargelegt ist.

ARR-Schock: Ein Bruttoumsatzretentionsszenario (GRR) unter dem Marktmedian von 84% modellieren, aufgeteilt in Logoverlust und Kontraktion.

Churn-Durchleitung: Den ARR-Schock nach Kohorte in Verlängerungsergebnisse übersetzen, konzentrierte Verträge nach ihren Verlängerungsterminen gewichten.

Margenkompression: Sitzplatzkompression und Inferenzkostenannahmen auf die Bruttomarge anwenden, vor dem operativen Leverage.

Cash-Konversion: Das geschockte EBITDA durch Working Capital, Umsatzvorauszahlungen und F&E-Investitionen führen, um zum freien Cashflow zu gelangen.

Covenant-Spielraum: Die resultierende Cashgenerierung gegen Verschuldungs-, Deckungs- und Mindestliquiditäts-Covenants über die gesamte Kreditlaufzeit testen.

Das folgende Framework bündelt die vorangegangenen Abschnitte in einer einzigen kreditgeberspezifischen Sichtweise. Es ist eine Due-Diligence-Landkarte, keine Kreditmeinung: Es identifiziert, was zu prüfen ist und welche Evidenz jede Prüfung stützt, und überlässt das Urteil dem Investment Committee.

In jeder Dimension gilt der Maßstab der Evidenz auf Dokumentenebene: unterzeichnete Verträge, Abrechnungsauszüge, Kohortenberichte und Board-Unterlagen, nicht Managementzusammenfassungen. Berater beschreiben Kreditgeber, die Software-Situationen mit feinem Kamm durchkämmen, und genau diese Prüfung zeigt den Unterschied zwischen einer belegten und einer unbelegten Aussage.[4] Dieselbe dokumentenorientierte Disziplin gilt für die Frameworks in der Software-Moat-Due-Diligence und der KI-Wirkungs-Due-Diligence.

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 und den AI Q&A Assistant. Für Team-Workflows siehe VC- und PE-Fonds und M&A-Advisory-Firmen, sowie AI-Impact-Due-Diligence, Value Creation, Tech DD und Commercial DD.

1. [1] bis.org — https://www.bis.org/publ/bisbull128.htm
2. [2] spglobal.com — https://www.spglobal.com/ratings/en/regulatory/article/bdcs-exposure-to-software-stays-high-steady-s101675136
3. [3] Deal-Datenbanken.com — https://Deal-Datenbanken.com/news/articles/software-companies-need-more-than-strong-revenue-to-secure-private-credit-loans
4. [4] finance.yahoo.com — https://finance.yahoo.com/technology/ai/articles/european-direct-lenders-mull-software-104817027.html
5. [5] getaleph.com — https://www.getaleph.com/answers/gross-revenue-retention-saas-2026
6. [6] Branchenanalyse.com — https://www.Branchenanalyse.com/insights/per-seat-software-pricing-isnt-dead-but-new-models-are-gaining-steam/