Ausgangslage: Due-Diligence-Engpass im PE-Mittelstand
Mittelständische Beteiligungsgesellschaften stehen unter einem strukturellen Widerspruch: Sie prüfen jährlich Dutzende Targets, müssen aber für jeden Deal in Tagen die Tiefe liefern, die in der Großbank-DD wochenlange Teams bindet. Klassische Financial Due Diligence ist dabei besonders ressourcenintensiv. Ein Deal-Team durchforstet pro Target Hunderte von Dokumenten - Jahresabschlüsse über fünf Jahre, monatliche BWAs, Verträge mit Top-Kunden und Lieferanten, Inventarlisten, Lohn- und Gehaltslisten, Verpflichtungserklärungen.
Bei unserem Kunden, einer mittelständischen Beteiligungsgesellschaft mit Fokus auf deutsche Industriebetriebe, hat dieser manuelle Aufwand zu zwei Problemen geführt. Erstens: Die Time-to-Indicative-Offer in kompetitiven Auktionsprozessen war oft nicht erreichbar. Zweitens: Bei knappen Deadlines wurde an der Tiefe der Risikoanalyse gespart - mit der unangenehmen Folge, dass im SPA nachverhandelt werden musste oder Earn-outs an Risiken angepasst wurden, die früher hätten erkannt werden müssen.
Vorgehen: Vom Excel-Driven zum AI-First-Operating-Model
Wir haben das Projekt nicht als reines IT-Automatisierungsvorhaben aufgesetzt, sondern als gemeinsames Reframing des DD-Prozesses. In der ersten Woche haben wir mit dem Deal-Team die häufigsten Pain Points dokumentiert: welche Dokumenttypen am meisten Zeit kosten, an welchen Stellen Inkonsistenzen typischerweise auftreten, welche Red Flags rückwirkend in den letzten 24 Monaten am häufigsten übersehen wurden.
Aus dieser Diagnose ist ein priorisiertes Backlog entstanden: Jahresabschluss-Extraktion und BWA-Quervalidierung als ersten Sprint, danach Vertragsanalyse für die kritischsten Vertragsarten (Kunden, Lieferanten, Mietverträge, Arbeitsverträge der Schlüsselrollen). Nach acht Wochen hatte das Team einen produktiven MVP, der die manuelle Vorarbeit für drei Dokumentenklassen vollständig übernommen hat.
Lösungsdetails: Pipeline, Modelle, Mensch im Loop
Technisch besteht das System aus drei Schichten. An der Basis liegt eine Dokumentenpipeline auf Basis von Azure Document Intelligence, die heterogene PDFs (gescannt, durchsuchbar, mehrspaltig) in strukturierte Felder überführt. Über GPT-4 mit branchenspezifischen Prompts werden semantische Aspekte angereichert: Welche Kennzahl ist normalisierter EBITDA, welche enthält Sondereffekte, welche Bilanzposten sind im Branchenvergleich auffällig?
Die zweite Schicht ist die Validierungslogik. Sie prüft jedes extrahierte Faktum gegen drei Quellen: das Originaldokument, parallele Dokumente desselben Targets (Inkonsistenz-Check) und Branchenbenchmarks aus einer kuratierten Vergleichsdatenbank. Auffälligkeiten werden mit Schweregrad und Verweis auf die Quellseite versehen - das Deal-Team kann jede Behauptung in einem Klick zurückverfolgen.
Die dritte Schicht ist das Reporting-Frontend, eingebettet in das bestehende Power-BI-Setup und SharePoint des Kunden. Reports sind nicht statisch: Das Team kann Risiken priorisieren, Notizen anhängen, mit dem Modell rückfragen und an einzelne Investoren oder LPs ein gefiltertes Subset ausspielen. Audit-Trail und Datenschutz sind on-premises angebunden, Dokumente verlassen die Tenant-Boundary nicht.
Ergebnisse-Vertiefung: Was die KPIs nicht zeigen
Die Headline-Kennzahlen - 50 % schnellere DD, 30 % mehr Red Flags, acht zusätzlich geprüfte Targets pro Jahr - sind robust, aber sie unterschätzen den eigentlichen Effekt. Zwei Sekundärwirkungen sind in der Bilanz noch nicht erfasst.
Erstens: Die Deal-Pipeline qualifiziert besser. Targets, die früher erst nach Wochen als ungeeignet erkannt wurden, fallen jetzt in den ersten 48 Stunden raus - die freigewordene Bandbreite fließt in die ernsthaften Kandidaten. Zweitens: Die Qualität der finalen Investment Memos hat sich gemessen am Senior-Partner-Feedback deutlich verbessert, weil das Team mehr Zeit für die qualitativen Themen (Management-Assessment, Markteinschätzung, Synergiepotenzial) hat.
Lessons Learned: Was wir beim nächsten Mal anders machen würden
Drei Erkenntnisse haben wir mitgenommen. Erstens: Trainingsdaten aus dem eigenen Bestand sind Gold wert. Wir haben in der Pilotphase 40 historische DDs annotiert - das hat die Modellgenauigkeit für branchenspezifische Begriffe (Lagerumschlag, Working-Capital-Adjustments, Earn-out-Klauseln) um geschätzt 25 % gehoben.
Zweitens: Der Mensch bleibt im Loop. Wir haben das System bewusst nicht als „Auto-DD" verkauft. Investment Directors validieren weiterhin jede Red Flag manuell - die KI liefert Geschwindigkeit und Vollständigkeit, das Urteil bleibt beim Team.
Drittens: Datenschutz war kein Add-on, sondern Architekturentscheidung von Tag eins. Das hat in der Compliance-Freigabe der Gesellschaft drei Wochen gespart.
Übertragbarkeit: Vom DD-Tool zum Portfolio-Operating-Model
Was als DD-Beschleuniger begann, hat sich zu einem strategischen Hebel weiterentwickelt. Die Pipeline-Bausteine - Dokumenten-OCR, semantische Validierung, Reporting - sind portfolio-fähig. Drei Beteiligungsunternehmen nutzen heute Module derselben Plattform für ihre eigenen kaufmännischen Prozesse: ein Maschinenbauer für Lieferantenrechnungs-Validierung, ein Großhändler für Vertragskonditionen-Analyse, ein IT-Dienstleister für die Auswertung von Kundenverträgen.
Für mittelständische PE-Häuser eröffnet das eine neue Value-Creation-Dimension: KI ist nicht nur Effizienzhebel im Investmentprozess, sondern ein wiederverwendbares Asset im Portfolio. Wer einmal in eine eigene DD-Plattform investiert, kann den Tech-Stack als Differenzierungsmerkmal in Pitches gegenüber LPs einsetzen - und als Operating-Model-Komponente in den Beteiligungen.