Due Diligence KI Reputation: 64 Beteiligungsunternehmen geprüft, nur eines nennt seinen Eigentümer im Quelltext

1. Einführung: Due Diligence trifft KI-Reputation

Ein Deal-Team prüft Zahlen, Verträge, IT und Personal. Alles davon liegt im Datenraum. Das Bild, das ein Zielunternehmen außerhalb dieses Raums abgibt, prüft bisher kaum jemand systematisch. Genau dort entsteht seit Kurzem eine neue Größe: die Antwort, die ein KI-System gibt, wenn jemand nach dem Unternehmen fragt.

Die KI-Reputation ist das Bild, das KI-Systeme in ihren Antworten von einem Unternehmen zeichnen: welche Fakten sie nennen, welche Quellen sie zitieren und welche Lücken sie füllen. In der Due Diligence wird sie geprüft, weil dieses Bild über Kunden, Bewerber und den späteren Verkaufsprozess mitentscheidet und außerhalb des Datenraums entsteht.

Was das für Sie heißt: Ein Teil der Wahrnehmung eines Ziels liegt außerhalb der Unterlagen, die Sie anfordern können. Wer sich über ein Unternehmen informiert, fragt heute oft zuerst einen Chatbot. Kommt dort nichts oder etwas Falsches, merken Sie es meist erst nach dem Kauf, wenn Vertrieb und Personalgewinnung darunter leiden. Der Test selbst kostet wenige Stunden.

Dieser Beitrag ordnet ein, warum die KI-Reputation in die Prüfliste gehört, was unsere Stichprobe unter 64 Beteiligungsunternehmen gefunden hat und wie Sie in fünf Schritten vorgehen. Für Häuser mit eigenem Beteiligungsportfolio ist das ein Baustein der KI Sichtbarkeit für Private Equity.

2. Warum Investoren die KI-Reputation prüfen sollten

KI ist im Transaktionsgeschäft angekommen, und zwar zuerst auf der Käuferseite. Der Private Equity Trend Report von PwC befragte 250 Partner und Geschäftsführer europäischer Beteiligungsgesellschaften ab 250 Millionen Euro Vermögen. 83 Prozent davon planen, KI in der Due Diligence einzusetzen. 94 Prozent wollen in Digitalisierung investieren.

Der Einsatz ist längst kein Pilotprojekt mehr. Nach der Generative AI in M&A Pulse Study von Deloitte nutzen 90 Prozent der befragten Organisationen generative KI im M&A-Prozess, 37 Prozent über mehrere Phasen hinweg und 52 Prozent in der Post-Merger-Integration. Auch der Aufbau dahinter wächst: 80 Prozent der US-amerikanischen Häuser haben laut einer bei Mergermarket zitierten EY-Umfrage eine eigene Leitungsrolle für KI besetzt.

Der Umkehrschluss wird selten gezogen. Wenn Deal Teams KI-Systeme befragen, tun es Kunden, Bewerber und Wettbewerber ebenfalls. Ein Ziel wird also nicht nur mit KI geprüft. Es wird auch von KI beschrieben. Beides gehört zusammen.

„Ein dauerhafter Wettbewerbsvorteil entsteht nicht dadurch, dass man jedes neue Werkzeug übernimmt, sondern dadurch, dass man KI kontrolliert und messbar einsetzt, mit greifbarem geschäftlichem Nutzen und angemessenem Risikomanagement und menschlicher Aufsicht.“

(„Sustainable competitive advantage comes not from adopting every new tool, but from deploying AI in a controlled and measurable way that delivers tangible business value while maintaining appropriate risk management and human oversight.“ Karen Sands, Federated Hermes)

Die Größenordnung spricht ebenfalls dafür. Europäische Portfoliounternehmen beschäftigen laut dem Bericht Private Equity at Work von Invest Europe 11,4 Millionen Menschen, etwa 5 Prozent aller Erwerbstätigen in Europa. In Deutschland flossen zuletzt 15,69 Milliarden Euro Beteiligungskapital an Start-ups und den Mittelstand, meldet der Bundesverband Beteiligungskapital. Wie diese Unternehmen in KI-Antworten erscheinen, ist damit kein Randthema. Nach welchen Signalen KI-Systeme Autorität bewerten, beschreibt der Beitrag dazu, wie KI Autorität misst.

3. Unsere Perspektive: Was die üblichen Prüflisten übersehen

Die meisten Ratgeber zur KI Due Diligence (AI Due Diligence), meinen eines von zwei Dingen. Entweder geht es um die Due Diligence mit KI: Werkzeuge, die den Datenraum schneller lesen und den Zeitaufwand im M&A Review senken. Oder das KI-Projekt selbst ist das Ziel: Trainingsdaten, Algorithmen, KI-Modelle.

Dazu die Frage, ob die eingesetzten KI-Lösungen dokumentiert sind. Lizenzen, geistiges Eigentum sowie rechtliche und ethische Pflichten aus dem EU AI Act gehören ebenfalls dazu. Beides ist richtig. Und beides bleibt im Datenraum.

Eine dritte Ebene fehlt aus unserer Sicht. Sie beschreibt, was KI-Systeme über das Zielunternehmen sagen, wenn niemand den Datenraum öffnet. Diese Ebene ist günstiger zu prüfen als jede technologische Analyse und leider schwerer zu reparieren als ein fehlender Vertrag.

In unseren Tests sehen wir, wie dünn die Grundlage dafür ist. Im August haben wir die Startseiten von 68 Unternehmen geprüft, die auf den öffentlichen Portfolio-Übersichten zweier deutscher Beteiligungsgesellschaften gelistet sind. 64 davon waren abrufbar. 35 liefern überhaupt strukturierte Daten aus, also maschinenlesbaren Zusatzcode im Seitenquelltext. 25 weisen sich darin als Organisation aus, 10 verweisen auf externe Profile, und nur 5 hinterlegen einen Beschreibungssatz über das eigene Haus. Genau eines dieser 64 Unternehmen nennt im ausgelieferten Quelltext seinen Eigentümer.

Das ist der eigentliche Befund. Die Beziehung zwischen Mutter und Beteiligung existiert für ein KI-System schlicht nicht. Wer eines der Systeme nach dem Eigentümer fragt, bekommt eine Antwort aus fremden Quellen oder gar keine. Es ist wie ein Klingelschild ohne Namen: Das Haus steht da, nur weiß niemand, wer darin wohnt.

Gleichzeitig sperrt keine der 54 abrufbaren robots.txt-Dateien, also der Steuerdateien für Abrufprogramme, einen KI-Crawler aus. Sichtbar sein wollen diese Unternehmen also. Auffindbar gemacht haben sie sich aber nicht.

Für ein Deal-Team kann das eine Chance und gleichzeitig ein Risiko zugleich sein. Ein Ziel mit schwacher Datenlage ist günstig zu heben. Mit falscher Datenlage kostet ein Ziel dagegen nach dem Abschluss Zeit und Geld. Wer die Chancen und Risiken einer M&A-Transaktion vollständig abwägen will, sollte deshalb beide Seiten ansehen: die KI-Systeme im Unternehmen und das Bild, das KI-Systeme von ihm zeichnen.

4. Voraussetzungen: Was Sie vermutlich für die Prüfung benötigen

Die Prüfung benötigt kein eigenes Werkzeug und keine Freigabe des Zielunternehmens. Sie braucht vier Dinge.

• Eine feste Prompt-Liste (die Fragen, die ein Interessent tatsächlich eintippt), abgeleitet aus der Commercial Due Diligence: Leistungen, Marktposition, Standorte, Eigentümer, bekannte Vorfälle.
• Zugänge zu mehreren KI-Systemen. ChatGPT, Claude, Microsoft Copilot, Google Gemini, Perplexity und Grok antworten unterschiedlich. Ein System allein genügt nicht.
• Eine Vergleichsgruppe. Zwei bis drei Wettbewerber des Targets, für dieselben Fragen. Erst der Vergleich macht aus einem Eindruck einen Befund.
• Ein festes Protokoll. Datum, System, Frage, Antwort, zitierte Quelle. Ohne diese Sicherstellung lässt sich später nichts nachvollziehen.

Zeitaufwand: etwa ein Personentag je Zielunternehmen, verteilt auf zwei Durchläufe im Abstand einiger Tage. Diese Wiederholung ist kein Luxus. KI-Systeme antworten nicht deterministisch, dieselbe Frage kann zwei verschiedene Antworten erzeugen. Eine KI-gestützte Auswertung nimmt später die Zählarbeit ab; ihre Skalierbarkeit zeigt sich, sobald mehrere Targets im selben Raster laufen.

5. Schritt für Schritt: Die KI-Reputation eines Zielunternehmens prüfen

Die fünf Schritte sind nach Wirkung sortiert, nicht nach Aufwand. Schritt 1 bis 3 erledigt das Deal-Team selbst. Ab Schritt 4 wird externe Unterstützung meist sinnvoll.

Schritt 1: Die Fragenliste aus der Investmentthese ableiten

Nehmen Sie 12 bis 15 Fragen, die ein Kunde, ein Bewerber oder ein späterer Käufer stellen würde. Dazu gehören der Firmenname allein, die Kernleistung, der Wettbewerbsvergleich und die Eigentümerfrage. Jede Annahme aus Ihrer Investmentthese wird zu einer Frage. Die Liste bleibt danach unverändert, sonst vergleichen Sie später Äpfel mit Birnen.

Schritt 2: Die Antworten in mehreren Systemen erheben

Stellen Sie jede Frage in mindestens vier Systemen und wiederholen Sie den Durchlauf. Festgehalten wird je Antwort: Wird das Unternehmen genannt? Stimmt die Angabe? Welche Quelle wird zitiert? Der Rest ist Zählarbeit und kann automatisiert werden, sobald das Raster steht; danach läuft der Durchlauf weitgehend automatisch. Wichtig ist die Identifikation der Stellen, an denen kein Treffer entsteht.

Schritt 3: Jede Aussage gegen den Datenraum abgleichen

Jetzt wird es interessant. Nehmen Sie die Antworten und legen Sie sie neben die Unterlagen des Zielunternehmens. Veraltete Umsatzzahlen, ein längst ausgeschiedener Geschäftsführer oder ein verkaufter Standort sind belegbare Abweichungen, die protokolliert gehören, weil sie ggf. später gegenüber dem Verkäufer belastbar vorgetragen werden müssen oder einfach nur irritierend sind (was Irritation bedeutet, entscheiden Sie natürlich selbst). Die Genauigkeit schwankt stark. Deshalb zählt jede einzelne Abweichung, der Gesamteindruck trägt nicht.

Schritt 4: Die Quellenlage des Ziels bewerten

Prüfen Sie, worauf sich die Antworten stützen. Zitiert das System Fachmedien, Verbände und die eigene Website des Ziels, ist die Lage solide und in der Regel auch dann noch stabil, wenn ein einzelner Beitrag aus dem Netz verschwindet. Zitiert es Portale und Bewertungsseiten, hängt das Bild an fremden Zuschreibungen. Das ist fragil. Aus derselben Prüfung ergibt sich, ob die Website strukturierte Daten liefert und ob die Abrufprogramme der Anbieter, sogenannte Crawler, überhaupt hereingelassen werden. Wie sich der Zustand dieser Signale systematisch erheben lässt, zeigt der Beitrag zur strukturierten Bestandsaufnahme.

Schritt 5: Die Befunde in den Red-Flag-Report übernehmen

Ein Befund ohne Konsequenz verpufft. Übernehmen Sie die Ergebnisse als eigenen Punkt in den abschließenden Bericht, mit Aufwandsschätzung und Zuständigkeit für die ersten 100 Tage. Zwei Fragen entscheiden dabei: Lässt sich die Lücke mit vorhandenen Mitteln schließen? Und wenn ja, bis wann? Ein GEO-Audit liefert dafür den messbaren Ausgangswert.

6. Red Flags: Was die Befunde für die Transaktion bedeuten

Nicht jeder Befund ist logischerweise gleich schwer. Die folgende Einordnung hat sich als Raster bewährt, um potenzielle Risiken schnell zu sortieren und den Nachbesserungsaufwand zu minimieren.

Drei Fehler können entstehen: Erstens die Prüfung mit einem einzigen System, was den Befund unbrauchbar macht. Zweitens die Verwechslung von Sichtbarkeit mit Zustimmung. Viele Nennungen bei schlechter Quellenlage sind kein gutes Zeichen. Ein voller Wartebereich sagt eben noch nichts über die Qualität der Praxis. Drittens die Annahme, das lasse sich nach dem Abschluss schnell nachholen. Belegtes Material entsteht über Monate, nicht über Wochen, wirkt dafür aber nachhaltig. Wie ein Sprachmodell falsche Angaben über ein Unternehmen produziert, zeigt der Beitrag zu KI Halluzinationen über Unternehmen.

„Die Zeiten, in denen allein günstige Finanzierung und steigende Bewertungen starke Renditen lieferten, sind vorbei.“

(„The days when cheap financing and rising valuations alone delivered strong returns are over.“ Dr. Ralf U. Braunagel, PwC)

7. Fazit

Die KI-Due-Diligence hat bisher zwei Lesarten: schnellere Prüfung mit KI und die Prüfung der KI-Systeme im Zielunternehmen. Beide bleiben im Datenraum. Die dritte Lesart betrifft das Bild, das außerhalb entsteht, und sie kostet am wenigsten.

Unsere Stichprobe zeigt, wie wenig belegtes Material dort bisher liegt: 64 geprüfte Beteiligungsunternehmen, eines nennt seinen Eigentümer im Quelltext, fünf beschreiben sich selbst maschinenlesbar. Wer das vor dem Signing misst, kennt die Ausgangslage und kann sie einpreisen. Das Ziel: ein Punkt im Bericht, der beziffert ist statt vermutet.

8. Anhang: Checkliste für das Deal-Team

• 12 bis 15 Fragen aus der Investmentthese abgeleitet und schriftlich fixiert
• Mindestens vier KI-Systeme abgefragt, jeder Durchlauf wiederholt
• Zwei bis drei Wettbewerber mit derselben Liste geprüft
• Jede Aussage gegen die Unterlagen des Zielunternehmens abgeglichen
• Zitierte Quellen erfasst und nach Herkunft sortiert
• Strukturierte Daten und robots.txt der Zielwebsite geprüft
• Befunde mit Aufwand und Zuständigkeit im Red-Flag-Report

Ein sauber geführtes Protokoll dient nach dem Abschluss als Ausgangswert. Es zeigt, was sich unter neuer Eigentümerschaft verändert hat. Damit wird aus einer weichen Größe eine Kennzahl, die sich über die Haltedauer verfolgen lässt. Belastbare Erwähnungen entstehen dabei vor allem über internationale Pressemitteilungen und Fachmedien.

Dieser Beitrag gibt den Stand zum Zeitpunkt der Veröffentlichung wieder und ersetzt keine rechtliche oder transaktionsbezogene Beratung. Die genannten Zahlen stammen aus den verlinkten Quellen und aus einer eigenen, nicht repräsentativen Stichprobe. Grundlage waren 68 angefragte Unternehmen aus den öffentlichen Portfolio-Übersichten zweier deutscher Beteiligungsgesellschaften, davon 64 abrufbar. Gemessen wurde im August ausschließlich das ausgelieferte Roh-HTML der Startseite, ohne Ausführung von JavaScript. KI-Systeme antworten nicht deterministisch; Ergebnisse einzelner Abfragen können abweichen.