Wie sich die derzeit die Sicht der Kreditgeber verändert

Eine Beobachtung als Debt Advisor

In den vergangenen Monaten ist in nahezu jedem Gespräch, das ich mit Banken, Private-Debt-Fonds und Private-Equity-Investoren geführt habe, eine Frage aufgekommen: Wie verändert Artificial Intelligence (AI) die Finanzierbarkeit von IT-Services-Unternehmen?

Diese Frage kommt längst nicht mehr nur von Kreditgebern. Auch Sponsoren wollen zunehmend verstehen, wie Finanzierer den Sektor beurteilen - häufig noch bevor sie sich für eine Plattform entscheiden. Im Mittelpunkt steht dabei die Frage, wie belastbar die Finanzierung eines bestimmten Geschäftsmodells tatsächlich ist und ob die Margen- und Cashflow-Annahmen der vergangenen Jahre weiterhin tragen.

Die folgenden Überlegungen spiegeln meine persönliche Einschätzung des Marktes bei Lincoln International wider; sie sind keine datengestützte Studie. Bemerkenswert ist vor allem dabei, was ich nicht höre: Niemand sagt, IT-Services seien grundsätzlich nicht mehr finanzierbar. Die Einschätzung der Finanziers ist vielmehr deutlich differenzierter geworden. Genau diese stärkere Differenzierung prägt den aktuellen Markt.

Warum IT-Services für Sponsoren und Kreditgeber so attraktiv wurden

Zunächst lohnt sich ein Blick darauf, warum IT-Services - und insbesondere Managed Services sowie angrenzende Software- und Tech-enabled-Geschäftsmodelle - zu einem der attraktivsten Bereiche im Mid-Market Private Equity geworden sind.

IT-Services ist ein breiter Sektor. Er umfasst Unternehmen, die Technologieinfrastruktur, Software und Support bereitstellen, auf die andere Unternehmen für ihren täglichen Betrieb angewiesen sind. Dazu zählen Managed Service Provider (MSPs), die den IT-Betrieb ihrer Kunden auf vertraglicher Basis dauerhaft übernehmen, Software- und Systemintegratoren, die Plattformen wie ERP- oder CRM-Systeme implementieren und anpassen, sowie spezialisierte Anbieter in Bereichen wie Cybersecurity, Cloud Hosting oder Data Management.

Diese Geschäftsmodelle boten häufig wiederkehrende oder gut planbare Umsätze, geringe Kapitalintensität, hohe Cash Conversion und begrenzten Working-Capital-Bedarf. Gleichzeitig war der Markt stark fragmentiert und von vielen eigentümergeführten Unternehmen sowie Nachfolgesituationen geprägt - nahezu ideale Voraussetzungen für Buy-and-Build-Strategien.

Dies galt insbesondere für den deutschen Mittelstand. Viele kleinere IT-Services- und Software-Services-Unternehmen waren für größere strategische Käufer schlicht zu klein. Finanzinvestoren konnten Plattformen aufbauen, über Add-on-Akquisitionen skalieren und von der Bewertungsdifferenz zwischen kleineren Einzelunternehmen und größeren, institutionell aufgestellten Plattformen profitieren.

Im Zuge des Digitalisierungsschubs nach der COVID-19-Pandemie stiegen die Bewertungen deutlich. Ab 2022 normalisierten sie sich wieder, als höhere Zinsen und restriktivere Akquisitionsfinanzierungen den Markt abkühlten. Über den gesamten Zyklus hinweg wurden skalierte Plattformen mit einem deutlichen Premium gehandelt, während kleinere Einzelunternehmen Abschläge hinnehmen mussten. Diese Bewertungsdifferenz stützte das Buy-and-Build-Modell und zog erhebliches Sponsor-Kapital an.

Auch aus Sicht der Kreditgeber waren dies attraktive Credits: planbare Umsätze, diversifizierte Kundenstrukturen, eine hohe Cash Conversion und verlässliche Exit-Pfade über Secondary- oder strategische Käufer. Entsprechend entwickelten zahlreiche Sponsoren und Debt Funds eigene Investmentthesen für den Sektor.

Die bisherige Finanzierungslogik

Der klassische Credit Case ließ sich im Kern auf einige zentrale Kennzahlen zurückführen. Zusammengenommen rechtfertigten sie ein höheres Verschuldungs- Niveau, als es bei einem rein projektbasierten Dienstleistungsunternehmen normalerweise darstellbar wäre.

Kreditgeber betrachteten insbesondere den Anteil und die Qualität wiederkehrender Umsätze, die Net Revenue Retention, die Gross Margin und die Cash Conversion. Komfort bestand insbesondere dort, wo Umsätze gut planbar waren, Kundenbeziehungen stabil blieben, Margen belastbar waren und sich EBITDA zuverlässig in Cashflow übersetzte.

Eine Managed-Services-Plattform mit einem hohen Anteil wiederkehrender Umsätze, einer Net Revenue Retention von über 100 Prozent, niedrigem Churn und diszipliniertem Working Capital konnte im Unitranche-Markt attraktives Leverage tragen - häufig mit flexiblen Covenants und substanziellen Headrooms. Bei besonders starken Credits waren teilweise sehr großzügige Covenant-Pakete erreichbar.

Zwei Annahmen waren dabei besonders wichtig. Erstens machten vertraglich abgesicherte, wiederkehrende Umsätze das historische EBITDA zu einem plausiblen Ausgangspunkt für zukünftige Cashflows. Vereinfacht gesagt: Das EBITDA des Vorjahres war eine belastbare Basis für den Schuldendienst des Folgejahres.

Zweitens unterstellten Investoren, dass der Personaleinsatz mit zunehmender Skalierung nicht proportional zum Umsatz wachsen musste. Ein Unternehmen, das für jeden zusätzlichen Euro Umsatz entsprechend mehr Mitarbeiter benötigt, ähnelt einem klassischen Dienstleistungsmodell. Ein Unternehmen, das schneller als sein Headcount wächst und mit zunehmender Größe seine Margen verbessert, weist hingegen Plattformcharakter auf. Genau an dieser Stelle setzt der durch AI ausgelöste Veränderungsdruck an.

Woher die aktuelle Unsicherheit kommt

Die Sorge besteht nicht darin, dass AI IT Services grundsätzlich obsolet macht. Entscheidend ist vielmehr, wer die Produktivitätsgewinne aus dem Einsatz der AI vereinnahmt - und wie belastbar das historische EBITDA damit als Grundlage für die Finanzierung bleibt.

Ein Unternehmen mit einem Billable-Hours-Modell kann durch AI bei Codegenerierung, Testing oder First-Level-Support erhebliche Effizienzgewinne erzielen. Diese kommen jedoch nicht automatisch dem Anbieter zugute. Erwartet der Kunde künftig weniger abrechenbare Stunden oder niedrigere Budgets, werden die Effizienzgewinne über Preisdruck an ihn weitergegeben. Das stellt unmittelbar die EBITDA-Basis infrage, auf der eine Finanzierung ursprünglich strukturiert wurde.

Damit rückt eine Frage in den Mittelpunkt der Diskussion: Wenn AI die Leistungserbringung beschleunigt, verbleibt der Margenvorteil beim IT-Services-Anbieter - oder wird er über niedrigere Preise an den Kunden weitergereicht?

Aus meiner Sicht lassen sich derzeit drei Geschäftsmodelltypen unterscheiden. Diese Einteilung ist als Marktbeobachtung zu verstehen, nicht als abschließend validiertes Framework. Sie wird sich in den kommenden Transaktionen weiter bewähren müssen.

1. Kapazitätsbasierte Modelle: zunehmender Margen- und Preisdruck

Am stärksten exponiert sind Geschäftsmodelle, die auf abrechenbaren Stunden und hoher Headcount-Intensität beruhen. Dazu zählen klassisches Body Leasing und Staff Augmentation, Offshore- und Nearshore-Entwicklerpools, Commodity Coding ohne ausgeprägte Branchen- oder Architekturkompetenz, manuelles Testing und Quality Assurance sowie First- und Second-Level-Support.

Auch große globale IT-Services-Konzerne haben relevante Geschäftsanteile in diesen Bereichen, wenngleich ihre Gesamtportfolios wesentlich breiter aufgestellt sind. Es geht nicht darum, diese Unternehmen als schwach einzustufen. Sie veranschaulichen lediglich ein Businessmodel, das Kreditgeber heute deutlich genauer prüfen.

Die entscheidende Frage lautet auch hier: Wenn AI den Zeitaufwand für eine bestimmte Aufgabe reduziert, wer behält den wirtschaftlichen Vorteil davon? Erbringt der Anbieter dieselbe Leistung mit weniger Personal und verlangt dafür dieselbe Vergütung, steigen seine Margen. Erwartet der Kunde im Umkehrschluss dagegen niedrigere Budgets oder weniger abrechenbare Stunden, fließt der Produktivitätsgewinn an ihn. In diesem Fall verliert das historische EBITDA an Aussagekraft für die zukünftige Entwicklung, was die Beurteilung solcher Modelle aus Finanzierersicht erschwert.

Aus Finanzierungssicht dürfte sich daher die Due Diligence stärker auf Pricing Power, Auslastung, Kundenkonzentration, Retention und Cash Conversion konzentrieren. Zu erwarten sind konservativere Verschuldungsgrade, größere Zurückhaltung bei EBITDA-Anpassungen, strengere Kreditbedingungen und eine intensivere Prüfung des Geschäftsmodells.

2. Spezialisierte Anbieter: deutlich resilienter, aber erklärungsbedürftig

Ein großer Teil des Marktes liegt in der Mitte: Implementierungs- und Transformationspartner rund um große Enterprise-Software-Plattformen wie SAP oder Sage, Anbieter von Cloud Migration und Cloud Operations sowie Spezialisten für Data Engineering und Business Intelligence.

Diese Unternehmen sind nicht automatisch gefährdet. Ihr Wert basiert häufig auf Prozesswissen, Kundennähe, Systemintegration sowie Branchen- und Regulationsexpertise. Ein Anbieter, der die ERP-Landschaft, Finanzprozesse, Supply Chain, Datenumgebung und regulatorischen Anforderungen eines Kunden im Detail versteht, lässt sich nicht ohne Weiteres durch ein generisches AI-Tool ersetzen.

Allerdings muss die Equity Story solcher Unternehmen heute deutlich präziser sein. Ein wachsender IT-Services-Anbieter in einem attraktiven Markt reicht als Argument allein nicht mehr aus. Für Kreditgeber stehen insbesondere folgende Fragen im Mittelpunkt:

• Kann AI nicht nur die Projektgeschwindigkeit, sondern auch tatsächlich die Projektmargen verbessern?

• Behält das Unternehmen zumindest einen Teil der Produktivitätsgewinne, oder werden diese an den Kunden weitergegeben?

• Ist die Kundenbindung robust genug, um Preisdruck über Switching Costs, tief integrierte Lösungen oder eine hohe Net Retention abzufedern?

• Erschließt AI zusätzliche Umsatzfelder, etwa in Data Governance, Security, Automation oder AI Readiness?

Sind die Antworten überzeugend, bleiben diese Unternehmen zu attraktiven Konditionen finanzierbar. Sind sie es nicht, kann das Geschäftsmodell weiterhin bankable sein - allerdings bei niedrigerem Leverage und mit stärkerer Strukturierung, beispielsweise durch Cash Sweeps, engere Covenants, höhere Equity Contributions und intensivere Due Diligence.

3. Strukturell im Vorteil: AI-enabled Anbieter mit IP- oder Managed-Services-Geschäftsmodellen

Die aus Finanzierungssicht attraktivsten Geschäftsmodelle nutzen AI nicht nur als internes Effizienztool, sondern als Basis für neue, wiederholbare und skalierbare Angebote.

Beispiele sind AI-enabled Managed Services, automatisierte Softwaremodernisierung, Data Platforms sowie spezialisierte Angebote in Cybersecurity und Process Automation. Gemeinsam ist diesen Modellen, dass sie auf proprietären Softwaretools oder wiederverwendbarer IP aufbauen. Dadurch lässt sich ein einmaliges Projekt in einen wiederholbaren und skalierbaren Umsatzstrom überführen.

Ein weiteres relevantes Feld ist Machine Learning Operations (MLOps). Darunter fallen Tools und Services, die erforderlich sind, um AI-Modelle dauerhaft zuverlässig und regelkonform zu betreiben - von der Implementierung über das laufende Monitoring bis zum Retraining bei veränderten Daten. Aus Finanzierungssicht ist dies besonders interessant, weil daraus wiederkehrende Managed-Services-Umsätze statt einmaliger Projekteinnahmen entstehen können.

In diesen Fällen wirkt AI auf beide Seiten der GuV: Sie senkt die Kosten der Leistungserbringung und schafft zugleich neue Umsatzpotenziale.

In aktuellen Gesprächen mit Kreditgebern stoßen solche Unternehmen auf deutlich größeres Interesse. Typischerweise weisen sie höhere Gross Margins, einen größeren Anteil wiederkehrender Umsätze, eine stärkere Net Revenue Retention und eine klarere Differenzierung auf. Entscheidend ist jedoch, dass die AI Story durch belastbare KPIs und nicht nur durch Positionierung untermauert wird. Kreditgeber erwarten nachweisbare Verbesserungen der Gross Margin, Transparenz über den Recurring-Revenue-Mix, niedrigen Churn und einen klaren ROI für den Kunden.

Was bedeutet das nun für die Finanzierung von IT-Services?

AI erschwert die Finanzierung von IT-Services nicht pauschal. Sie vergrößert vielmehr en Unterschied zwischen starken und schwachen Geschäftsmodellen.

Finanziers werden künftig weniger auf das allgemeine Sektorlabel IT Services und stärker auf die konkrete AI-Exponierung des jeweiligen Unternehmens abstellen. Ist die Leistung substituierbar? Macht AI Projekte lediglich günstiger? Oder entsteht dadurch ein skalierbareres, differenzierteres und resilienteres Geschäftsmodell?

Die Kennzahlen, die schon immer relevant waren, bleiben zentral: Qualität der wiederkehrenden Umsätze, Net Revenue Retention, Gross Margin und Cash Conversion. Sie werden nun jedoch einem zusätzlichen Stresstest hinsichtlich eines beschleunigten Substitutionsrisikos unterzogen.

Für Kreditgeber und Sponsoren muss die Due Diligence daher eine Ebene tiefer gehen. Es reicht nicht mehr aus, zu fragen, ob ein Unternehmen wächst, profitabel ist und in einem attraktiven Markt operiert. Entscheidend ist vielmehr, welche Teile der Leistungserbringung durch AI automatisiert werden können, wer die Effizienzgewinne vereinnahmt, ob das Pricing an Stunden oder an Ergebnisse gekoppelt ist, ob die Kundenbindung über Personal und Kapazität hinausgeht und ob Margen aus echter Skalierbarkeit oder lediglich aus temporären Effizienzgewinnen steigen.

Diese Fragen werden künftig einen wesentlich größeren Stellenwert in Credit-Committee- und Investment-Committee-Diskussionen einnehmen.

Was erreiche ich als Unternehmen die bestmögliche Finanzierung?

Für Eigentümer und Sponsoren, die einen Verkauf oder eine Refinanzierung vorbereiten, ist die Schlussfolgerung eindeutig: Die AI-Frage wird gestellt werden. Es ist besser, sie proaktiv zu beantworten, als erst im Rahmen der Due Diligence darauf zu reagieren.

In einem kompetitiven Prozess erzielen diejenigen Unternehmen die besten Konditionen, die anhand von Daten, und nicht nur anhand einer Narrative, zeigen können, wo sie im beschriebenen Spektrum stehen: Welche Teile des Geschäftsmodels sind von Automatisierung betroffen? Ist das Pricing an Stunden oder an Ergebnisse und wiederkehrende Services gekoppelt? Wer vereinnahmt die Produktivitätsgewinne? Und wie wird AI bereits heute eingesetzt, um Margen zu schützen oder zu verbessern?

Ein Verkäufer, der diese Punkte gegenüber Finanziers überzeugend belegen kann, wird weniger Überraschungen erleben, mehr Wettbewerb zwischen Kreditgebern erzeugen und bessere Konditionen erzielen. Gelingt dies nicht, ist mit einer schwächeren Finanzierungsstruktur zu rechnen: niedrigeres Leverage, engere Covenants und eine intensivere Due Diligence.

Genau an dieser Stelle müssen Debt Advisory und Sektorexpertise frühzeitig zusammenkommen. Bei Lincoln International arbeitet unser Capital Advisory eng mit unserer globalen Technology Group zusammen, um Unternehmen bereits vor dem Start eines Prozesses auf die Anforderungen der Finanziers vorzubereiten - damit AI zum Argument für das Asset wird und nicht zum Risiko gegen das Asset.