Due Diligence im Zeitalter der KI
Die Diskussion über KI in der Finanzanalyse konzentriert sich fast ausschließlich auf Modelle – welche sind leistungsfähiger, welche günstiger, welche erklärbarer. Dieses Working Paper zeigt, warum das der falsche Fokus ist. Es beschreibt kein Tool, sondern ein Framework für KI-gestützte Investitionsentscheidungen: theoretisch fundiert, methodisch transparent und praktisch erprobt.
Der Kern ist vielschichtig – er verbindet ökonomische Bewertungstheorie, moderne Analysemethoden und eine konkrete technische Implementierung zu einem kohärenten Gesamtbild.
1. Klassische Due Diligence: Struktur und Grenzen
Die traditionelle Due Diligence dient der systematischen Analyse von Unternehmen vor Transaktionen wie Übernahmen, Beteiligungen oder Finanzierungen. Ihr Ziel ist die Reduktion von Informationsasymmetrien, die Identifikation von Risiken und die Schaffung einer belastbaren Entscheidungsgrundlage. Der Prozess folgt drei Phasen – Vorbereitung, Analyse, Berichterstellung – und umfasst klassische Teilbereiche wie Legal, Financial, Tax, Commercial und HR.
Gerade bei Start-ups und technologiegetriebenen Unternehmen zeigt dieser Ansatz seine strukturellen Grenzen: Historische Daten fehlen, Geschäftsmodelle sind nicht-linear, und der eigentliche Unternehmenswert liegt in immateriellen Faktoren, die in keiner Bilanz auftauchen. Die klassische Logik der retrospektiven Analyse greift hier zu kurz.
2. Digitale Werttreiber und die neue Bewertungslogik
Mit der Digitalisierung verschieben sich die zentralen Werttreiber fundamental. Netzwerkeffekte, Datenbestände, Nutzerbindung und Plattformdynamiken ersetzen materielle Vermögenswerte als Hauptquellen des Unternehmenswertes. Kennzahlen wie Customer Lifetime Value, Churn-Raten, Net Dollar Retention oder aktive Nutzerzahlen gewinnen an Bedeutung – sind aber in klassischen Bewertungsmodellen kaum adäquat abgebildet.
Besonders kritisch: Viele Start-ups werden nicht über Cashflows, sondern über Multiplikatoren auf Umsatz oder Nutzerzahlen bewertet. Diese spiegeln häufig Marktstimmungen wieder statt realer Unternehmensqualität. Eine strukturierte, datengetriebene Analyse kann diese Lücke schließen, indem sie quantitative und qualitative Informationen systematisch zusammenführt und Bewertungen auf ihre tatsächlichen Werttreiber zurückführt.
Der ganze Beitrag hier: DD und KI Projektbericht
