Unit-Economics-Due-Diligence bei KI: Inferenzkosten, Bruttomargen

Die Unit-Economics-Due-Diligence bei KI ist die ökonomische Ebene der Technologie-Due-Diligence: der strukturierte Test, ob der Umsatz eines Zielunternehmens mit wachsender Nutzung schneller skaliert als die Kosten der KI-Bereitstellung. Sie sitzt unterhalb der Produkt- und Technologiebewertung und stellt eine engere Frage als „ist die KI gut?“. Sie fragt, was eine inkrementelle Einheit erbrachter Arbeit – ein verarbeitetes Dokument, eine beantwortete Anfrage, ein abgeschlossener Workflow – tatsächlich an Bereitstellungskosten verursacht, und ob diese Kosten mit wachsender Kundenbasis sinken oder steigen. Die drei Kernvariablen sind Cost-to-Serve, Bruttomargen-Sensitivität und Preissetzungsmacht: was der KI-Workflow im Betrieb kostet, wie stark die Marge auf Änderungen dieser Kosten reagiert und ob das Unternehmen Preise halten oder anheben kann, während sich die Kosten bewegen.

Diese Ebene verdient einen eigenen Arbeitsstrang, weil sich die Kosten der geleisteten Arbeit bei KI anders verhalten als bei traditioneller Software. Im klassischen SaaS ist die Bedienung eines zusätzlichen Kunden nahezu kostenlos, sodass Bruttomargen auf hohem Niveau liegen und die Due-Diligence sie als stabil behandeln kann. Bei KI-Produkten ist ein großer Teil der Bereitstellungskosten variabel und verbrauchsabhängig: Jeder Workflow verbraucht Tokens, und jeder Token wird von einem Modellanbieter abgerechnet oder als Cloud- und GPU-Kapazität bezahlt. Ob die Margen eines Zielunternehmens wie traditionelle Software aussehen oder deutlich dünner sind, ist eine empirische Frage nach seiner eigenen Architektur, seinen Verträgen und seiner Kundenstruktur – kein Naturgesetz der Kategorie.

Die Disziplin für Deal-Teams besteht darin, pauschale Aussagen in beide Richtungen zu vermeiden. Kommentare, die behaupten, KI-Software sei strukturell margenschwächer, sind genauso ungeprüft wie die Annahme, KI-Produkte hätten SaaS-Margen. Veröffentlichte Venture-Benchmarks für 2025 zeigen eine breite Streuung innerhalb derselben Kategorie: Einige der am schnellsten skalierenden KI-Unternehmen arbeiten mit Bruttomargen weit unter dem Software-Durchschnitt, auf Einheitsebene teils negativ, während langsamer wachsende Wettbewerber deutlich näher an konventionellen Software-Niveaus liegen. Beide Profile existieren gleichzeitig in derselben Kategorie. Die Aufgabe in der Due Diligence ist es, das Zielunternehmen anhand seiner eigenen Zahlen auf diesem Spektrum zu verorten und dann zu prüfen, wie belastbar seine Position ist. Dies ist die ökonomische Ergänzung zur technologischen Sicht, die wir in unserem AI-native-Software-Moat-Diligence-Framework dargelegt haben.

Definition: Prüfen, ob der Umsatz schneller skaliert als Inferenz-, Drittanbieter-API- und Hosting-Kosten, wenn die Kundennutzung wächst.

Kernvariablen: Cost-to-serve pro Workflow und pro Kunde, Bruttomargen-Sensitivität gegenüber Kosten- und Nutzungsschwankungen sowie Preissetzungsmacht, um Kostenänderungen zu halten oder weiterzugeben.

Warum jetzt: Margenergebnisse sind unternehmens- und produktspezifisch, daher sind Branchendurchschnitte und Kategorien-Narrative ein schlechter Ersatz für den eigenen Kostenstapel des Zielunternehmens.

Due-Diligence-Disziplin: keine pauschalen Margenaussagen; das folgende Framework behandelt die Haltbarkeit der Bruttomarge als zu belegende Hypothese, nicht als Annahme.

Der erste analytische Schritt besteht darin abzubilden, wo sich die KI-Herstellungskosten tatsächlich befinden. Der sichtbare Posten sind die Token-basierten Inferenzausgaben bei Modellanbietern, abgerechnet pro Million Tokens zu Listenpreisen, die je nach Modellstufe variieren. Darum herum liegen Gebühren für Drittanbieter-Modelle und APIs für Embeddings, Transkription oder andere spezialisierte Dienste, Cloud- und GPU-Hosting für selbst gehostete Modelle, Vektorspeicherung und Retrieval-Infrastruktur sowie die Orchestrierungsschicht, die Anfragen dazwischen weiterleitet. Um all das herum liegen die Personalkosten, die KI-Produkte weiterhin tragen: Engineering-Zeit für Prompts und Evaluation, Kundensupport und in vielen Fällen Prüf- oder QA-Arbeit an KI-Ausgaben.

Aus diesem Stapel lässt sich eine variable Kostenquote pro Workflow und pro Kunde ableiten – der Punkt, an dem diese Analyse auf die Financial Due Diligence trifft. Nehmen Sie einen repräsentativen Workflow, messen Sie die pro Durchlauf verbrauchten Tokens, wenden Sie den gemischten Tokenpreis an, addieren Sie den Anteil der Hosting-, Speicher- und Orchestrierungskosten, der mit der Nutzung skaliert, und berücksichtigen Sie die Personalkosten pro Einheit, wo Ausgaben geprüft werden. Die Wiederholung über Kundensegmente ergibt ein Cost-to-serve-Bild, das dem Umsatz pro Kunde gegenübergestellt werden kann, um die Deckungsbeitragsspanne je Segment zu berechnen. Das Ergebnis entspricht selten dem, was das Management präsentiert: Die meisten Management-Unterlagen zeigen eine aggregierte Bruttomarge, kein Kostenbild auf Kundenebene.

Ein durchgängiger Befund ist, dass die wahren Kosten eines KI-Workflows die reine API-Rechnung übersteigen. Die Token-Abrechnung ist die am leichtesten lesbare Zahl und verankert daher die meisten internen Analysen, unterschätzt aber die Lieferkosten auf vorhersehbare Weise. Retrieval- und Speicherkosten skalieren mit dem Dokumentenkorpus, nicht mit dem Umsatz. Orchestrierung ruft oft mehrere Male günstigere Modelle pro sichtbarer Ausgabe auf. Fehlgeschlagene Durchläufe, Wiederholungen und Evaluationsverkehr verbrauchen Tokens, die nie einen Kunden erreichen. Und die menschliche Prüfschicht, wo sie existiert, ist eine echte Herstellungskostenposition, die kein Token-Protokoll erfasst. Ein Cost-to-serve-Modell auf Due-Diligence-Niveau beginnt daher bei der API-Rechnung, muss aber nach oben zu den voll belasteten Lieferkosten hin abgeglichen werden.

Token-basierte Inferenzausgaben bei Modellanbietern, zu Preisen, die je nach Modellstufe und Volumenzusage stark variieren.

Gebühren für Drittanbieter-Modelle und APIs für Embeddings, Transkription, Sicherheitsfilterung und andere spezialisierte Dienste.

Cloud- und GPU-Hosting für selbst gehostete oder feinabgestimmte Modelle, einschließlich reservierter statt bedarfsgesteuert genutzter Kapazität.

Vektorspeicherung, Retrieval-Infrastruktur und Orchestrierung, die mit Korpusgröße und Workflow-Komplexität statt mit dem Umsatz skalieren.

Personal- und Supportkosten: Prompt-Engineering, Evaluation, Ausgabenprüfung und Customer Success – Teil der Lieferkosten, auch wenn kein Token-Protokoll sie ausweist.

Die Deflationskurve ist der am besten belegte Trend in der KI-Ökonomie, und sie ist wirklich steil. Die Analyse von a16z historischer Preisentwicklung seit GPT-3 ergab, dass für ein LLM mit gleichwertiger Leistung die Inferenzkosten jährlich um rund das Zehnfache fallen, wobei die Kosten für einen festen MMLU-Score in drei Jahren um den Faktor 1.000 sanken.[1] Der Stanford AI Index 2025 verzeichnet für die Abfrage eines Modells auf GPT-3.5-Leistungsniveau bei MMLU einen Rückgang von 20,00 $ pro Million Tokens im November 2022 auf 0,07 $ bis Oktober 2024 – eine Reduktion um mehr als das 280-Fache in rund 18 Monaten – und stellt fest, dass die Inferenzpreise für LLMs je nach Aufgabe jährlich um das 9- bis 900-Fache gefallen sind.[2] Diese Spanne, nicht eine einzelne Schlagzeilen-Multiplikator, ist der richtige Input für ein Margenmodell, das Deflation als Szenariovariable und nicht als Konstante behandeln sollte.

Für die Due Diligence schneidet die Kurve in beide Richtungen, und die Frage lautet nicht, ob die Preise fallen, sondern wer vom Preisverfall profitiert. Wenn sich die Bruttomargen eines Zielunternehmens vor allem deshalb verbessern, weil sein Modellanbieter ständig die Listenpreise senkt, ist diese Verbesserung eine Weitergabe eines Branchentrends und kein Beleg für unternehmensspezifische Ökonomie. In wettbewerbsintensiven Märkten konkurrieren Anbieter diese Einsparungen in der Regel weg: Kunden erwarten sinkende Preise, wenn die Kosten des Anbieters sinken, und Wettbewerber preisen aggressiv, um Marktanteile zu gewinnen. Eine Margenbrücke, die von einem anhaltenden Deflationsdruck bei den Inputkosten abhängt, sollte gegen ein Szenario stressgetestet werden, in dem die Deflation langsamer verläuft oder in dem Wettbewerb das Zielunternehmen zwingt, die Einsparungen an die Kunden weiterzugeben. Ebenso kann ein Zielunternehmen, dessen Kosten sinken, dessen Preise aber vertraglich fixiert sind, einer der echten Gewinner dieses Trends sein; entscheidend ist, mit Belegen zu identifizieren, auf welcher Seite der Weitergabe das Zielunternehmen steht.

Das Management hat zudem Effizienzhebel, die es tatsächlich ziehen kann, und die Due-Diligence-Fragen lauten, welche davon das Zielunternehmen nutzt und was jeder einzelne wert ist. a16z führt den Preisverfall auf mehrere unabhängige Kräfte zurück: besseres GPU-Kosten-Leistungs-Verhältnis, Modellquantisierung, Softwareoptimierung, die Rechen- und Speicherbedarf reduziert, kleinere Modelle, die mit mehr Daten trainiert wurden, besseres Instruction Tuning und Open-Source-Wettbewerb, der die Margen entlang der gesamten Wertschöpfungskette komprimiert.[1] Ein Zielunternehmen kann Routineanfragen an kleinere Modelle weiterleiten und Frontier-Modelle für schwierige Fälle reservieren, selbst gehostete Modelle quantisieren, wiederkehrende Abfragen cachen und durch besseres Retrieval verschwendete Tokens einsparen. Jeder Hebel hat Engineering-Kosten und ein Qualitätsrisiko, daher lautet der Test: Hat das Zielunternehmen einen messbaren Fahrplan für diese Hebel – oder betrachtet es fallende Preise als einzigen Margenplan?

Der Beleg für die Deflation: rund 10x pro Jahr bei konstanter Leistung, ein Rückgang um mehr als das 280-Fache für GPT-3.5-Niveau innerhalb von etwa 18 Monaten und Preisverfälle von je nach Aufgabe 9- bis 900-fach pro Jahr.[1][2]

Wer profitiert von den Einsparungen: Behält das Zielunternehmen sinkende Inputkosten als Marge, oder gibt der Preiswettbewerb sie an die Kunden weiter? Die Margenbrücke sollte dies mit Belegen klarstellen.

Effizienzhebel: Modell-Routing, Quantisierung, Caching, Optimierung von Prompts und Retrieval sowie kleinere Modelle für Routinearbeiten. Welche sind im Einsatz, welche geplant, und was ist jeder einzelne in Basispunkten der Bruttomarge wert?

Der Stresstest: Das Margenprofil neu bewerten unter der Annahme, dass die Inputpreis-Deflation deutlich langsamer verläuft – und prüfen, wie viel vom Plan übrig bleibt.

Aggregierte Bruttomargen verschleiern die wichtigste Verteilung in einem KI-Unternehmen: das Verhältnis zwischen Nutzungsinensität und Profitabilität. Bei einer nutzungsbasierten Kostenstruktur verbrauchen die intensivsten Nutzer die meisten Tokens, sodass die Kunden, die das Produkt am meisten schätzen, am teuersten zu bedienen sein können. Der Due-Diligence-Test besteht darin, Kunden in Nutzungsdezile einzuteilen und für jedes Dezil den Deckungsbeitrag pro Kunde zu berechnen – Umsatz minus voll belastete variable Lieferkosten. Sind die obersten Dezile am profitabelsten, verstärkt nutzungsbasiertes Wachstum die Marge. Liegen die obersten Dezile bei null oder darunter, zerstört Wachstum an der Marge Wert und das Preismodell passt nicht zur Kostenstruktur.

Illustrativer Deckungsbeitrag nach Nutzungsdezil. Nicht die aggregierte Bruttomarge, sondern die Form dieser Kurve entscheidet, ob Nutzungswachstum Wert schafft oder zerstört. · KI-generiert

Die Ausrichtung des Preismodells ist die zweite Hälfte der Analyse und gehört in die Commercial Due Diligence ebenso wie in den finanziellen Arbeitsbereich. Sitzplatzbasierte Verträge entkoppeln den Umsatz vom Verbrauch: Ein Kunde, der seinen Verbrauch zu einem Pauschalpreis verdoppelt, verwandelt sinkende Stückkosten in eine Margenverbesserung, aber ein Kunde, der seinen Verbrauch vervierfacht, kann die Deckungsbeiträge ins Negative drücken. Verbrauchs- oder hybridbasierte Verträge koppeln den Umsatz wieder an den Verbrauch und geben Kostenschocks weiter, setzen das Zielunternehmen aber dem Preiswettbewerb auf einer abgerechneten Einheit aus. Kein Modell ist an sich überlegen; die Frage ist, ob die Vertragsstruktur zur Kostenstruktur passt und ob die Preise mit Blick auf die oben beschriebene Cost-to-serve-Analyse festgelegt wurden.

Die Marktdaten zeigen, wie breit die unternehmensspezifische Spreizung ist. Bessemers Benchmarks für 2025 beziffern schnell skalierende AI Supernovas auf rund 25 % Bruttomarge, auf Einheitsebene oft negativ, gegenüber etwa 60 % für Shooting Stars, die etwas langsamer wachsen.[3] Auf der Infrastrukturebene berichtet TechCrunch, dass Anthropic in diesem Jahr eine Bruttogewinnmarge von 50 % erwartet und 77 % bis 2028, nach negativen 94 % im Vorjahr.[4] Ein Frontier-Labor und ein Anwendungsunternehmen sind unterschiedliche Geschäftsmodelle, aber für die Due Diligence zählt die Spreizung selbst: Unternehmen derselben Kategorie decken die gesamte Bandbreite ab, und die Position des Zielunternehmens wird durch seinen eigenen Nutzungsmix, seine Vertragsstruktur und seine Kostendisziplin bestimmt.

Die Weitergabemechanik vervollständigt das Bild. Wenn die KI-Eingangskosten steigen – sei es durch Preisänderungen bei einem Modellanbieter, Kapazitätsengpässe oder höheren Verbrauch –, kann das Zielunternehmen die Preise anpassen? Verträge mit Festpreisen und ohne Verbrauchsobergrenzen schlucken den Schock vollständig. Verträge mit verbrauchsbasierter Preisgestaltung geben ihn automatisch weiter. Jahresverpflichtungen mit Neuverhandlungsfenstern liegen dazwischen. Die Due-Diligence-Fragen sind konkret: Welcher Umsatzanteil erneuert sich in den nächsten zwölf Monaten, was steht tatsächlich in den Preisklauseln, und hat das Management die Kundentoleranz gegenüber Preiserhöhungen getestet, die die höheren Lieferkosten widerspiegeln?

Der Rahmen lässt sich auf fünf Kernprüfungen verdichten, die jeweils anhand von Dokumenten und nicht anhand der Erzählung des Managements beantwortet werden sollten. Zusammen zeigen sie, ob der Umsatz schneller wächst als die Cost-to-serve, welche Annahmen dem künftigen Margenprofil des Managements zugrunde liegen und ob das Unternehmen gestiegene KI-Kosten an die Kunden weitergeben kann.

Umsatz versus Cost-to-serve: Wächst der Umsatz pro Kunde schneller als die vollkostenseitigen variablen Kosten pro Kunde, in jedem Nutzungsdezil, über die letzten acht Quartale?

Deckungsbeitrag auf Kundenebene: Sind die Kunden mit dem höchsten Verbrauch tatsächlich die profitabelsten, oder konzentriert sich das Wachstum auf Kunden mit geringem oder negativem Deckungsbeitrag?

Annahmen der Margenbrücke: Was genau treibt die projizierte Margenverbesserung des Managements – sinkende Eingangspreise, Effizienzhebel, Preismaßnahmen oder Mix –, und ist jeder Treiber belegt?

Weitergabefähigkeit: Kann das Unternehmen gestiegene KI-Kosten über Vertragsbedingungen, Verbrauchspreise oder Neupreisierung bei der Verlängerung an Kunden weitergeben, und welcher Umsatzanteil ist geschützt?

Abhängigkeit von Anbieter und Preisgestaltung: Wie stark ist die Kostenbasis von Preis-, Kapazitäts- und Produktentscheidungen eines einzelnen Modellanbieters abhängig, und welche Alternativen gibt es zu welchen Wechselkosten?

Die Liste der anzufordernden Nachweise sollte früh in den Datenraum aufgenommen werden, denn diese Dokumente brauchen Zeit für die Erstellung und sind die am häufigsten fehlenden. Cloud- und API-Rechnungen aller Anbieter, Token-Verbrauchsprotokolle nach Kunde und Workflow, eine Gewinn- und Verlustrechnung auf Kundenebene oder mindestens eine Umsatz- und Kostenzurechnung pro Konto, Modellanbieterverträge einschließlich verbindlicher Ausgaben- und Tarifkonditionen sowie die Preisrichtliniendokumente, die Neupreisierung und Weitergabe regeln. Wo ein Dokument nicht existiert, ist das selbst ein Befund: Ein Zielunternehmen, das seine Kosten nicht pro Kunde zuordnen kann, kann seine Marginengeschichte nicht belegen.

Konzentrationsrisiken in der KI-Wertschöpfungskette lassen sich am besten anhand eines Beispiels aus einer öffentlichen Börsenunterlage verstehen. CoreWeaves S-1, eingereicht vor dem Börsengang 2025, offenbarte, dass Microsoft 2023 und 2024 jeweils der größte Kunde war – mit 35 Prozent und dann 62 Prozent des Umsatzes.[5] Die beiden größten Kunden zusammen machten 77 Prozent des Umsatzes 2024 aus, und verbindliche Take-or-Pay-Verträge, typischerweise mit einer Laufzeit von zwei bis fünf Jahren, machten in jenem Jahr 96 Prozent des Umsatzes aus.[5] Die Unterlage selbst wies darauf hin, dass jede negative Veränderung der Nachfrage seitens Microsoft das Geschäft beeinträchtigen würde. Die Lehre für die Due Diligence auf Zielebene ist strukturell: Auf jeder Ebene der KI-Wertschöpfungskette kontrollieren wenige Vertragspartner kritische Inputs, und die Bedingungen, die sie setzen – Preise, Kapazität, Vertragslaufzeit – fließen direkt in die Kostenstruktur eines abhängigen Unternehmens ein.

Auf ein Zielunternehmen übertragen sind die Upstream-Fragen sehr konkret. Ist das Zielunternehmen bei einem Großteil seiner Inferenz-Ausgaben von einem einzigen Modellanbieter oder einer einzigen Cloud abhängig, und welcher Anteil dieser Ausgaben entfällt auf verbindliche Konditionen gegenüber On-Demand-Listenpreisen? Verbindliche Abnahmeverträge kaufen Preisstabilität und Kapazitätspriorität, erzeugen aber Fixkosten, die bestehen bleiben, wenn die Nutzung enttäuscht; On-Demand-Preise flexibilisieren sich mit der Nutzung, setzen das Zielunternehmen jedoch Listenpreisbewegungen aus, die es nicht kontrollieren kann. Die Konzentrationsanalyse sollte auch downstream erfolgen: Ein Zielunternehmen, dessen eigener Umsatz stark von ein oder zwei Kunden abhängt, erbt dieselbe Verwundbarkeit, die CoreWeave offenlegte – mit dem zusätzlichen Risiko, dass seine größten Kunden möglicherweise gleichwertige Konditionen mit seinen Wettbewerbern verhandeln.

Szenarien zur Margenkompression sollten anschließend explizit durchgerechnet werden. Der aufschlussreichste aktuelle Fall ist Anthropic, das laut Berichterstattung von TechCrunch in diesem Jahr eine Bruttomarge von 50 % erwartet, gegenüber einem Vorjahreswert von minus 94 % – mit einem Ziel von 77 % bis 2028.[4] Selbst ein Frontier-Labor mit Skalenvorteilen und eigenen Effizienzprogrammen behandelt die Marge als zu steuernde Entwicklungslinie, nicht als stabile Kennzahl. Bei einem Zielunternehmen sind folgende Szenarien zu stresstesten: Inputpreise, die nicht mehr fallen oder steigen, Nutzungsmuster, die sich zu höherem Verbrauch verschieben, ein Großkunde, der bei der Verlängerung neu verhandelt, und ein Modellanbieter, der seine Preisstruktur ändert oder ein Modell abkündigt, von dem das Produkt des Zielunternehmens abhängt.

Für Private Equity und M&A übersetzen sich diese Erkenntnisse in die Deal-Struktur. Wo sich die Haltbarkeit der Marge nicht vollständig belegen lässt, sollte die Bewertung das widerspiegeln – entweder als Abschlag oder als Preis, der vom Stresstest- statt vom Management-Szenario ausgeht. Earnout-Strukturen können die Vergütung an die realisierte Bruttomarge koppeln und so Verkäufer mit der von ihnen dargestellten Margenstruktur alignieren. Die Garantieabdeckung sollte Kostenannahmen explizit adressieren: die Genauigkeit der Kostenzurechnung, die Konditionen der Modellanbieterverträge und alle verbindlichen Abnahmeverpflichtungen, die beim Closing zur Verbindlichkeit des Käufers werden. Nichts davon ist adversariell; es ist die Standardreaktion auf eine Kostenstruktur, die stärker vertragsabhängig ist als bei traditioneller Software.

Das Framework lässt sich in einen sequenzierten Workflow umsetzen, der vom Datenraumzugang bis zum Investment Committee reicht. Jeder Schritt entspricht den oben dargelegten Tests und Benchmarks, und jeder liefert ein konkretes Artefakt, mit dem das Deal-Team seine Argumentation belegen kann.

Datenraum einlesen: Verbindung zum VDR herstellen und die Rechnungen, Verträge, Finanzmodelle und Managementunterlagen verarbeiten, die die Kostennachweise enthalten – einschließlich Cloud- und API-Rechnungen, Modellanbietervereinbarungen und den Preisdokumenten aus der obigen Checkliste.

Kostennachweise extrahieren: Token-Nutzungsprotokolle und Rechnungspositionen über alle Anbieter hinweg auswerten und die rohe API-Rechnung zu voll belasteten variablen Kosten pro Workflow hochrechnen, einschließlich Hosting, Speicher, Orchestrierung und menschlicher Prüfung.

Cost-to-Serve-Sicht aufbauen: Deckungsbeitrag pro Kunde und pro Nutzungsdezil berechnen und dem Umsatz pro Kunde gegenüberstellen, um festzustellen, ob die stärksten Nutzer auch die profitabelsten sind.

Margenbrücke stresstesten: Die von der Projektierung der Marge durch das Management in Inputpreisdeflation, Effizienzhebel und Preismaßnahmen zerlegen und unter einem Szenario verlangsamter Deflation neu bewerten – benchmarked gegen die BVP State of AI 2025 Margendaten.[3]

Ergebnisse aufbereiten: Die Marge- und Konzentrationsbefunde, die Warnsignale und die Durchreichungsanalyse zu einem beleggestützten Memo für das Investment Committee zusammenstellen.

Plausity unterstützt jeden Schritt dieses Workflows. Data Room Ingestion verbindet sich mit dem VDR und verarbeitet Rechnungen, Verträge und Finanzmodelle innerhalb von Minuten, sodass die Kostennachweise sofort in die Analyse einfließen, statt auf manuelle Indizierung zu warten. Die AI-Analysis Engine liest die Dokumente und gleicht sie ab, verknüpft Rechnungspositionen und Nutzungsprotokolle mit dem Management-Modell und zeigt auf, wo die Zahlen nicht aufgehen. Risk Radar bewertet die Befunde nach Materialität, finanzieller Auswirkung und Deal-Relevanz, sodass Margenkompressions- und Lieferantenkonzentrationsrisiken neben dem übrigen Risikoregister eingeordnet werden. Report Builder entwirft das beleggestützte Memo mit vollständiger Quellenrückverfolgung bis zu den zugrunde liegenden Dokumenten, und Collaboration Hub hält die Arbeitsströme synchron, während sich Cost-to-Serve-Sicht, Margenbrücke und IC-Unterlagen zusammenfügen. Das Ergebnis ist eine Margenanalyse, bei der jede Zahl auf ein Dokument im Datenraum zurückverfolgt werden kann – genau der Standard, den die fünf Tests oben verlangen.

Plausity ist eine KI-native Due-Diligence- und Deal-Intelligence-Plattform, die M&A-Beratungen, VC- und PE-Fonds, Corporate-Development-Teams und Investment-Banking-Teams dabei unterstützt, Nachweise, Findings und Fragen entlang eines Datenraums zu strukturieren. Plausity unterstützt Evidenzextraktion, Quellenverankerung, Findings-Management und IC-Vorbereitung — die Plattform ersetzt keine menschlichen Analysten, Berater oder Investmentprofessionals, liefert keine Rechts-, Steuer-, Prüfungs-, Regulierungs- oder Anlageberatung und trifft keine autonomen Investitionsentscheidungen. Alle Findings erfordern menschliche Prüfung.

Weitere Details zu den Kernbausteinen finden Sie beim Plausity AI Analysis Engine und in der Findings & Risk Intelligence-Übersicht. Für team-spezifische Workflows sehen Sie, wie VC- und PE-Fonds und M&A-Beratungen Plausity in laufenden Deals einsetzen.

1. [1] a16z.com — https://a16z.com/llmflation-llm-inference-cost/
2. [2] hai.stanford.edu — https://hai.stanford.edu/ai-index/2025-ai-index-report/research-and-development
3. [3] bvp.com — https://www.bvp.com/atlas/the-state-of-ai-2025
4. [4] techcrunch.com — https://techcrunch.com/2025/11/04/anthropic-expects-b2b-demand-to-boost-revenue-to-70b-in-2028-report/
5. [5] crn.com — https://www.crn.com/news/ai/2025/7-things-to-know-about-coreweave-s-s-1-top-customers-revenue-and-more