Due Diligence von KI-Startup-Bewertungsansätzen in VC-Fonds

Die Bewertungen privater KI-Unternehmen haben sich in den vergangenen Quartalen drastisch von den allgemeinen Software-Benchmarks abgekoppelt. Getrieben von intensivem Wettbewerb unter Wagniskapitalgebern und aggressiven Wachstumserwartungen erzielen frühphasige KI-Startups häufig Bewertungsmultiplikatoren, die eine nahezu reibungslose Marktdurchdringung und anhaltendes Hyperwachstum voraussetzen. Während Enterprise-Software historisch auf Basis vorhersehbarer Unit Economics und nachhaltiger Bruttomargen bewertet wurde, werden Unternehmen im Bereich generativer KI und Foundation-Modelle routinemäßig anhand künftiger Rechenkapazitäten und strategischer Positionierung bewertet.

Branchen-Benchmarkings zeigen, dass KI-Startups in der Series A zu 40 % höheren Bewertungen finanzieren als Vergleichsunternehmen.[1] Diese Divergenz stellt institutionelle Allokatoren vor erhebliche Herausforderungen, da sie beurteilen müssen, ob diese Bewertungen einen dauerhaften Unternehmenswert oder eine vorübergehende spekulative Dynamik widerspiegeln. Für Limited Partners (LPs) und Investmentteams von Dachfonds erfordert die Evaluierung dieser Portfoliopositionen einen Blick hinter die Schlagzeilenbewertungen, um die zugrunde liegenden ökonomischen Annahmen der Net-Asset-Value-Berechnungen (NAV) genau zu hinterfragen.

Treiber der Multiple-Expansion im privaten KI-Markt

Institutionelle Allokatoren agieren in einem Marktumfeld, in dem General Partners (GPs) hohe Einstiegsbewertungen mit einer beispiellosen Adoptionsgeschwindigkeit rechtfertigen. Dieser Bewertungsaufschlag überdeckt jedoch häufig strukturelle Schwachstellen wie erhöhte Infrastrukturkosten, Kundenabwanderung und eine rasche Veralterung von Modellen. Bei der Durchführung einer Due Diligence von Bewertungsansätzen müssen LPs daher sorgfältig zwischen echten technologischen Burggräben und austauschbarer Wrapper-Software unterscheiden.

Beispiellose Wachstumsraten beim Umsatz, die historische SaaS-Benchmarks übertreffen, jedoch mit höheren Rechenaufwendungen einhergehen.

Aggressive Kapitalkonzentration auf Basis- und Entwicklertools-Ebenen, die die mediane Größe von Finanzierungsrunden in die Höhe treibt.

Strategische Konzernbilanzen, die frühe Risikokapitalrunden eher durch Cloud-Computing-Guthaben als durch reine Bareinlagen subventionieren.

Umfangreiche Multiplikatorexpansion in privaten Finanzierungsrunden, die im deutlichen Gegensatz zu konservativen Bewertungsmustern der öffentlichen Märkte steht.

Da Portfoliowertansätze Zwischenkennzahlen eines Fonds wie die Brutto-Gesamtkapitalrendite (Gross IRR) und das Verhältnis des Gesamtwerts zum eingezahlten Kapital (TVPI) direkt bestimmen, können sich Kapitalanleger kein passives Vertrauen auf Selbstauskünfte der Fondsmanager leisten. Die Due Diligence dieser Wertansätze erfordert sowohl ein Verständnis der für private Bewertungen maßgeblichen Rechnungslegungsstandards als auch der strukturellen Mechanismen in den Cap Tables der Start-ups.

Nach US-GAAP müssen Venture-Capital- und Private-Equity-Fondsmanager den Wert ihrer illiquiden Beteiligungen gemäß ASC 820 (Fair Value Measurement) ausweisen. ASC 820 definiert den beizulegenden Zeitwert als Exit-Preis, also den Betrag, der bei einem Verkauf eines Vermögenswerts in einer geordneten Transaktion zwischen Marktteilnehmern am Bewertungsstichtag erzielt würde.[2] Da es für frühphasige KI-Unternehmen keine aktiven Handelsmärkte gibt, fallen ihre Bewertungen unter Stufe 3 der Fair-Value-Hierarchie.[3] Diese umfasst die meisten Eigenkapitalbeteiligungen an Privatunternehmen und stützt sich auf nicht beobachtbare Inputfaktoren, die die eigenen Annahmen des Unternehmens darüber widerspiegeln, wie Marktteilnehmer den Vermögenswert bepreisen würden, was erhebliches Ermessen und eine sorgfältige Dokumentation erfordert.

Dieser Rückgriff auf nicht beobachtbare Inputfaktoren ist angesichts anhaltender Exit-Flaute besonders kritisch geworden. Eine Analyse von Carta mit über 1.800 Venture-Fonds der Jahrgänge 2017 bis 2022 ergab, dass nach fünf Jahren Investitionstätigkeit lediglich 39 % der Fonds des Jahrgangs 2019 Ausschüttungen auf das eingezahlte Kapital (DPI) generiert hatten; mehr als drei von fünf Fonds hatten somit überhaupt kein Kapital zurückgezahlt.[4] Bis zum Ende des ersten Quartals 2025 hatten nur 37 % der Fonds des Jahrgangs 2019 irgendwelche Ausschüttungen an ihre LPs vorgenommen.[5] Angesichts verzögerter Ausschüttungen und verhaltener Börsengänge (IPOs) müssen sich LPs fast vollständig auf die von den GPs vorgenommenen Stufe-3-Bewertungen verlassen, um die Portfoliogesundheit zu beurteilen und nicht realisierte Performancekennzahlen zu berechnen.

Methodenwechsel: Vom einfachen Wasserfallmodell zu Optionspreismodellen

In der Vergangenheit bewerteten Venture-Manager ihre Beteiligungen häufig über ein einfaches Wasserfallmodell oder führten Investitionen zu den Anschaffungskosten der letzten Finanzierungsrunde fort. In volatilen Marktumfeldern, in denen sich Finanzierungszyklen von 12 Monaten auf mehrere Jahre ausdehnen, verlangen Wirtschaftsprüfer und Bewertungsausschüsse zunehmend den Einsatz von Optionspreismodellen (Option Pricing Models, OPM) oder wahrscheinlichkeitsgewichteten Renditemodellen (Probability-Weighted Expected Return Methods, PWERM).

Bei KI-Unternehmen, die Megarunden mit mehrstufigen Anteilsklassen aufgenommen haben, verteilen Standard-Wasserfallmodelle den Unternehmenswert oft fehlerhaft auf Stamm- und Vorzugsaktien. Institutionelle Kapitalanleger müssen prüfen, ob GPs in ihren OPM-Modellen fundierte statistische Inputfaktoren verwenden, anstatt Standardannahmen zu treffen, die künstlich hohe Zwischenbewertungen aufrechterhalten.

In Pressemitteilungen verkündete Schlagzeilen-Bewertungen verschleiern häufig die komplexen Absicherungen gegen Wertverluste, die von Spätphaseninvestoren ausgehandelt wurden. Wenn ein KI-Startup Kapital zu einer Bewertung im Multi-Milliarden-Dollar-Bereich aufnimmt, sichern sich Senior-Vorzugsaktionäre häufig partizipierende Liquidationspräferenzen, Mindestrenditegarantien oder vorrangige Auszahlungsränge. Diese Bedingungen schützen Spätphaseninvestoren auf direkte Kosten von Stammaktionären und Frühphasen-Venture-Fonds.

Wenn sich die Bedingungen am Privatmakt abkühlen oder Finanzierungsrunden nachlassen, müssen Venture-Manager ihre Portfoliobewertungen überprüfen. Bewertungsexperten weisen darauf hin, dass eine letzte Finanzierungsrunde zwar ein starker Wertindikator sein kann, dieser jedoch an Zuverlässigkeit verliert, je länger ein Unternehmen ohne neue Runde bleibt.[6] Bereits Anfang 2023 wiesen Wirtschaftsprüfer Bewertungen zurück, die unternehmensspezifische Ereignisse, die Realitäten der Finanzmärkte oder verkürzte Cash-Runways bei Portfoliounternehmen unberücksichtigt ließen.[7] Kapitalallokatoren sehen diesen Effekt in den Bewertungen der Manager: Eine Umfrage unter mehr als 30 Venture-Firmen ergab, dass Manager ihre bedeutendsten Portfoliounternehmen mit einem durchschnittlichen Abschlag von 23 % auf den Preis der letzten Runde führten, wobei die konservativsten Manager im Durchschnitt 41 % ansetzten. Diese Dynamik verdeutlicht, warum LPs die Fondsperformance nicht allein anhand reiner Schlagzeilenbewertungen vergangener Finanzierungen beurteilen können.

Strukturierte Due Diligence bei komplexen Cap Tables

Bei der Bewertung des Buchwerts eines GPs an einem KI-Startup, das strukturierte Wachstumsrunden aufgenommen hat, müssen Dachfonds- und LP-Analysten die Liquidationspräferenzstruktur aufschlüsseln. Erfolgt ein Exit unterhalb der gesamten Präferenzhürde, können frühere Vorzugs-Tranchen und Stammaktien einer starken Verwässerung oder einem Totalverlust ausgesetzt sein, selbst wenn die Headline-Bewertung robust erscheint.

Vorrangige Liquidationshürden prüfen: Ermitteln Sie Senior-Preference-Multiplikatoren, kumulative Dividendensätze und Liquidationsprioritätsstufen über alle Finanzierungsserien hinweg.

Pay-to-Play-Bestimmungen untersuchen: Prüfen Sie, ob der GP gezwungen war, an Down-Rounds oder Rekapitalisierungen teilzunehmen, um Pro-Rata-Rechte und den Liquidationsrang zu wahren.

Downside-Ausschüttungswaterfalls modellieren: Führen Sie Break-even-Szenarien für Vermögensverkäufe durch, um den genauen Unternehmenswert zu bestimmen, der erforderlich ist, bevor das spezifische Wertpapier des Fonds Kapital erhält.

Anpassungen aus Sekundärmarkttransaktionen verifizieren: Gleichen Sie die Bewertungen des GPs mit Transaktionen auf dem Sekundärmarkt ab und wenden Sie bei vorhandenem Volumen beobachtbare Preisabschläge an.

Eine fundierte Due Diligence von LPs erfordert die Überprüfung, dass Fondsmanager diese Präferenzhierarchien in ihren unterjährigen Bewertungen nach ASC 820 berücksichtigen, anstatt anzunehmen, dass alle Aktienklassen gleichermaßen am Unternehmenswert partizipieren.

Der ultimative Maßstab für die Performance von Private Equity und Venture Capital ist die Erzielung von Barerlösen. Ungeprüfte unterjährige Bewertungen und vierteljährliche Fonds-NAVs stellen stichtagsbezogene buchhalterische Schätzungen dar und keine liquiden Guthaben. In schnelllebigen Sektoren wie der KI kann die Spanne zwischen unterjährigen Quartalsbewertungen und den letztlich an LPs ausgeschütteten Erlösen beträchtlich sein.

Um die Buchwerte privater Beteiligungen an den Fair-Value-Standards auszurichten, wenden unabhängige Bewertungsexperten und Bewertungsausschüsse bei der Verwendung von Vergleichsunternehmensmethoden routinemäßig einen Abschlag für mangelnde Marktgängigkeit (Discount for Lack of Marketability, DLOM) an. Empirische Studien zu vinkulierten Aktien stützen Abschläge von durchschnittlich 20 % bis 35 % für ansonsten identische Wertpapiere mit Übertragungsbeschränkungen, was den illiquiden Charakter privater Wertpapiere und die Unsicherheit hinsichtlich des Exit-Zeitpunkts widerspiegelt.[8]

Abschläge für mangelnde Marktgängigkeit und Exit-Validierung

Wenn Venture-Manager Multiplikatoren börsennotierter Vergleichsunternehmen zur Bewertung von KI-Portfoliounternehmen heranziehen, führt das Unterlassen eines angemessenen Marktgängigkeitsabschlags zu überhöhten NAV-Kennzahlen. Börsennotierte Aktien bieten sofortige Liquidität, während Beteiligungen an privaten KI-Startups mehrjährige Sperrfristen, Übertragungsbeschränkungen und erhebliche Umsetzungsrisiken aufweisen.

Kapitalallokatoren müssen die historische Erfolgsbilanz eines GPs bei der Umwandlung nicht realisierter Bewertungen in realisierte Barausschüttungen systematisch analysieren und prüfen, ob frühere Portfolionazuschreibungen durchgängig zu entsprechenden Exit-Multiples führten.

Wenn KI-Startups in der Früh- und Wachstumsphase aufeinanderfolgende Bewertungszuschreibungen erhalten, kann der kumulierende Effekt über ein Portfolio mit mehreren Vintage-Jahren hinweg die Bilanz eines LPs verzerren. Hohe nicht realisierte Bewertungen blähen den ausgewiesenen Fonds-NAV auf und erzeugen die Illusion einer herausragenden Performance, während der reale Cashflow eingefroren bleibt. Dieses Phänomen verstärkt sich noch, wenn Fondsmanager optimistische Eigenkapitalbewertungen über mehrere verbundene Vehikel hinweg verwenden.

Eine parallele Dynamik zeigt sich bei Private Credit und Softwarefinanzierungen. Analysen von Portfolios von Business Development Companies (BDCs), die zweistellige Milliardenbeträge an Software-Fremdkapital halten, ergaben, dass weniger als 6 % der Software-Kredite mit einem Wert von unter 90 Cent pro Dollar bewertet wurden, selbst als die zugrunde liegenden Software-Bewertungen an den öffentlichen Märkten einbrachen.[9] Wenn Fremd- und Eigenkapitalbewertungen trotz branchenweiter Umbrüche starr bleiben, sehen sich institutionelle Kapitalanleger erheblichen, ungesicherten Risiken gegenüber.

Umgang mit der Divergenz zwischen MOIC und DPI

Bei Fonds jüngerer Jahrgänge (2020–2023) hat sich die Kluft zwischen dem Multiple on Invested Capital (MOIC) und dem Distribution to Paid-In Capital (DPI) auf ein historisches Niveau ausgeweitet. Kapitalgeber, die eine Due Diligence zur Fondsperformance durchführen, müssen erkennen, dass ein theoretischer MOIC auf Basis nicht realisierter KI-Gewinne weder Kapitalabrufe von LPs bedienen noch institutionelle Ausschüttungsanforderungen erfüllen kann. Institutionelle Teams, die eine KI-Fonds-Konzentration steuern, müssen Buchgewinne daher streng überwachen.

Übermäßige Abhängigkeit von nicht realisierten TVPI-Kennzahlen, die die tatsächliche Cash-on-Cash-Generierung über den Fondslebenszyklus hinweg nicht widerspiegeln.

NAV-Inflation infolge interner Brückenfinanzierungen und Insider-Runden, bei denen eine unabhängige Preisfindung fehlt.

Preisdiskrepanzen am Zweitmarkt, wo Anteile an privaten Fonds mit deutlichen Abschlägen gegenüber dem gemeldeten GP-NAV den Besitzer wechseln.

Fehlausrichtung von Anreizen, wenn künstlich erhöhte NAV-Bewertungen fortlaufende Verwaltungsgebühren sichern und das Marketing für neue Fonds erleichtern.

Um diesem wachsenden Risiko zu begegnen, müssen institutionelle LPs strukturierte Stresstest-Frameworks etablieren, die nicht realisierte KI-Bewertungen abdiskontieren und die Fondsliquidität unter widrigen Marktszenarien prüfen.

Das Benchmarking privater KI-Start-ups gegenüber börsennotierten Softwareunternehmen birgt grundlegende Vergleichbarkeitsprobleme. Viele private KI-Unternehmen werden auf Basis enormer künftiger Umsatzerwartungen bewertet, doch ihre zugrunde liegenden Bruttomargen und die Stückkostenökonomie der Kundenakquise unterscheiden sich grundlegend von traditionellen Cloud-Software-Modellen.

Investoren haben Software-Bruttomargen historisch an der für SaaS-Vergleichsunternehmen typischen Spanne von 70 % bis 90 % gemessen.[10] KI-gestützte und KI-native Produkte liegen jedoch meist eher bei 50 % bis 65 %, da jede Kundeninteraktion direkte Inferenzkosten verursacht, die mit der Nutzung skalieren. Werden herkömmliche Enterprise-Value-to-Revenue-Multiples (EV/Umsatz) angewendet, ohne diese Margenunterschiede zu bereinigen, führt dies zu verzerrten Bewertungsmaßstäben.

Dekonstruktion von Wachstumsmetriken und Einheitsökonomie

LPs und Dachfonds-Analysten müssen genau aufschlüsseln, wie GPs Finanzkennzahlen normalisieren, wenn sie private KI-Beteiligungen mit öffentlichen Vergleichswerten abgleichen. Eine hohe Umsatzwachstumsrate rechtfertigt kein Bewertungsaufgeld, wenn das Unternehmen bei zusätzlichem Umsatz negative Bruttomargen erzielt.

Wenn Diligence-Teams Bewertungsberichte von GPs prüfen, müssen sie verifizieren, ob die Vergleichsgruppen echte operative Peers widerspiegeln oder lediglich handverlesene Marktführer darstellen, die zu Höchstbewertungen gehandelt werden.

Für institutionelle LP-Teams, Dachfonds-Manager und Anlageausschüsse ist die Verfolgung von Bewertungsansätzen über Dutzende von Venture-Capital- und Private-Equity-Beziehungen hinweg eine operative Herausforderung. Die Betreuung von 15 aktiven Fondszusagen erfordert jedes Jahr die Durchsicht von 60 detaillierten Quartalsberichten, Hunderten von Kapitalauszügen und Tausenden von Updates zu Portfoliounternehmen. Eine detaillierte Diligence auf Einzelpositionsebene über jedes zugrunde liegende KI-Asset hinweg mit traditionellen manuellen Workflows ist ohne zusätzlichen Personalaufbau praktisch unmöglich.

Moderne Investmentteams setzen zunehmend automatisierte Diligence-Workflows ein, um quartalsweise Portfolioüberprüfungen zu beschleunigen und GP-Bewertungen Stresstests zu unterziehen. Durch die Kombination von KI-Diligence-Workflows mit spezialisierten Analysen können Kapitalgeber quartalsweise LP-Berichte einlesen, Bewertungsannahmen der Stufe 3 (Level 3) extrahieren und GP-Annahmen innerhalb von Minuten mit Markt-Benchmarks abgleichen.

Automatisierung von Portfolio-Reviews und Anomalieerkennung

Plattformen, die für institutionelle Investoren entwickelt wurden, wie beispielsweise PLAUSITY, bieten maßgeschneiderte Module, die die Art und Weise grundlegend verändern, wie LP-Deal-Teams private Portfolio-Bewertungen analysieren. Durch die Data Room Ingestion verarbeiten Deal-Teams unstrukturierte GP-Berichte, Finanztabellen und Cap-Table-Modelle verzögerungsfrei und überführen uneinheitliche Unterlagen in normalisierte Datensätze.

Die AI-Analysis Engine gleicht Wachstumsmetriken von Portfoliounternehmen, Finanzierungsrunden-Daten und Anteilsklassenstrukturen mit breiteren Markttransaktionen ab. Währenddessen identifiziert Risk Radar Bewertungsanomalien, wie etwa Portfoliounternehmen, die trotz verfehlter Umsatzziele zu unveränderten Höchstbewertungen geführt werden, oder nachrangige Anteilsklassen, die gleichwertig mit vorrangigem Vorzugskapital bewertet sind. Deal-Teams nutzen Findings & Risk Intelligence, um belastbare Bewertungseinschätzungen zu erstellen und die Disziplin von Fondsmanagern über verschiedene Fondsvintages hinweg nachzuverfolgen.

Automatisierte Dokumentenerfassung, die Bewertungsmultiplikatoren, Umsatzzahlen und Anteilsklassen aus quartalsweisen LP-Berichten extrahiert.

Fondsübergreifendes Benchmarking, das Bewertungsdiskrepanzen aufzeigt, wenn mehrere Manager dasselbe zugrundeliegende Startup zu unterschiedlichen Werten führen.

Downside-Waterfall-Modellierung, die Liquidationspräferenzen und Abschläge wegen mangelnder Marktgängigkeit gegenüber realistischen Exit-Szenarien einem Stresstest unterzieht.

Automatisierte Erstellung prüfungssicherer LP-Memos und Zusammenfassungen für das Investitionskomitee mithilfe des Report Builder.

Durch den Einsatz spezialisierter Due-Diligence-Technologie ersetzen institutionelle Allokatoren subjektive Stichproben durch eine systematische, prüfungssichere Bewertungsaufsicht und stellen sicher, dass private KI-Bewertungen die wirtschaftliche Realität präzise widerspiegeln.

Plausity ist eine KI-native Due-Diligence-Plattform, die M&A-Beratungen, VC- und PE-Fonds sowie Corporate-Development-Teams dabei unterstützt, Nachweise, Findings und Fragen entlang eines Datenraums zu strukturieren. Plausity ersetzt keine menschlichen Berater, garantiert keine Deal-Ergebnisse und liefert keine Rechts-, Steuer-, Prüfungs- oder Regulierungsberatung — insbesondere regulatorische Findings müssen durch qualifizierte Fachberater bestätigt werden.

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] eqvista.com — https://eqvista.com/ai-vs-saas-valuation-multiples/
2. [2] soferadvisors.com — https://soferadvisors.com/insights/blog/asc-820-fair-value-measurement-hierarchy-levels-explained/
3. [3] etonvs.com — https://etonvs.com/portfolio-valuation/asc-820-comprehensive-guide/
4. [4] carta.com — https://carta.com/data/vc-dpi-2024/
5. [5] carta.com — https://carta.com/data/vc-fund-performance-q1-2025/
6. [6] stout.com — https://www.stout.com/en/insights/article/evolving-landscape-fair-valuing-venture-capital-investments
7. [7] commonfund.org — https://www.commonfund.org/cf-private-equity/venture-capital-valuation-marks-whats-in-your-wallet
8. [8] soferadvisors.com — https://soferadvisors.com/insights/valuation/what-is-discount-for-lack-of-marketability-in-business-valuation/
9. [9] withum.com — https://www.withum.com/resources/how-ai-is-resetting-the-saas-valuation-multiples-in-private-equity-and-private-credit/
10. [10] softwareseni.com — https://www.softwareseni.com/why-ai-gross-margins-are-so-much-lower-than-saas-and-what-that-means-for-your-business/