Autonomous Deal Making – Der Einsatz von Künstlicher Intelligenz in M&A-Prozessen

1. Einleitung

In den letzten Monaten hat der Bereich der Künstlichen Intelligenz (KI) und insbesondere der Large Language Models (LLMs) signifikante Fortschritte verzeichnet. Neue Modelle, die auf noch umfangreicheren und spezifischeren Datensätzen trainiert wurden, haben die Leistungsfähigkeit und Anwendungsbereiche dieser Technologien erheblich erweitert. Die ersten Industrien spüren bereits jetzt die Auswirkungen und es ist zu erwarten, dass auch Transaktionsprozesse nicht von den hierdurch verursachten Veränderungen ausgenommen sein werden. Ausgehend von den sechs Stufen des „Autonomen Fahrens“ stellen wir uns die Frage, wie die sechs Level des „Autonomen Deal Makings“ aussehen können, und zeigen Potenziale und Herausforderungen beim Einsatz von Künstlicher Intelligenz in M&A-Prozessen auf.

Bislang waren Innovationen im M&A-Prozess sehr überschaubar. Nach der Erfindung von Excel (1987, Microsoft) und dem virtuellen Datenraum (2002, Intralinks) haben wenige andere Neuerungen eine breite Anwendung in Transaktionen erfahren. Der Hauptgrund für diese geringe Innovationsbereitschaft ist in den spezifischen Dynamiken und Charakteristika des Anwendungsfeldes M&A zu finden. Neben hohen Fehlerkosten, komplexen, (asymmetrisch) verteilten, qualitativen und quantitativen Informationen, viel implizitem und kontextualem Wissen ist auch die inhärente (Anreiz-)Struktur der Marktteilnehmer (Berater, Banken, Anwälte etc.) dafür verantwortlich. Und bislang sind zahlreiche Technologien an diesen Herausforderungen gescheitert.

Abb. 1 • Determinanten für die Innovationsfähigkeit im Bereich M&A

Quelle: GT Analyse

Die sprunghafte Evolution im Bereich der Künstlichen Intelligenz der letzten Monate hat erstmalig Techno-logien hervorgebracht, die das Potenzial haben, auch im Bereich M&A zu deutlichen Innovationssprüngen zu führen. Insbesondere im Bereich der Large Language Models (LLM, „große Sprachmodelle“) fanden massive Verbesserungen in Fähigkeiten, Verfügbarkeit und Anwendbarkeit statt. Diese Sprachemodelle haben sich zu einer zentralen Technologie entwickelt, um Informationen in natürlicher Sprache zu erstellen, sie zu analysieren und zu verarbeiten. Sie sind in der Lage, eine Vielzahl von Aufgaben im Bereich des sogenannten Natural Language Processing (NLP) zu bewältigen, darunter Textklassifizierung, Zusammenfassung, Übersetzung, Sprachmodellierung, Fragebeantwortung, das Erzeugen von Code sowie das Entwickeln von Argumenten und Schlussfolgerungen. Durch das Training auf riesige Datensätze, die aus Milliarden von Wörtern bestehen, sind sie in der Lage, Muster, Beziehungen, Kontexte, Grammatik und so weiter in Sprache zu erlernen, die bisher mit herkömmlichen statistischen Methoden nicht erfasst werden konnten. Auf Knopfdruck können LLMs hochwertige Texte erzeugen, die von Menschen verfassten Texten entsprechen.

Vorreiter dieser Technologie ist OpenAI, der derzeitige Marktführer im Bereich LLM. Innerhalb von zwei Monaten nach der Veröffentlichung von ChatGPT konnte das Unternehmen mehr als 100 Millionen Nutzer gewinnen und damit eine der erfolgreichsten Produkteinführungen einer digitalen Anwendung überhaupt verzeichnen. Das derzeit leistungsfähigste LLM von OpenAI ist das GPT-4-Modell mit kolportierten 220 Milliarden Parametern, das bereits für die Erstellung von kohärenten und menschenähnlichen Texten zu einer Vielzahl von Themen verwendet wird. Unternehmen wie Google (Bard), Meta (Llama 2) und Bloomberg (BloombergGPT) haben ebenfalls leistungsfähige Modelle vorgestellt. Darüber hinaus erscheinen immer mehr Open-Source-Modelle wie RoBERTa, FinBERT, Falcon40B, MPT-30B, etc.

Der geneigte Leser mag sich nun die Frage stellen, weshalb insbesondere diese Technologien zu Innovationen im Bereich von M&A führen soll. An dieser Stelle verzichten wir auf eine langwierige Argumentationskette und verweisen auf die „Prüfungsergebnisse“ des GPT-4-Modells in M&A-relevanten Domänen (vgl. Abbildung 1). Bereits heute werden Leistungen erbracht, die viele Junior Associates/Consultants in kurzer Zeit nicht besser liefern können. Sei es das Zusammenfassen von Dokumenten im Datenraum, das Anpassen von juristischen Dokumenten im Transaktionsprozess oder auch die Prüfung von Sachverhalten in der Due Diligence. All dies kann bereits heute mit den gängigen LLMs in hoher Qualität, kürzester Zeit und rund um die Uhr durchgeführt werden.

Wir nehmen dies zum Anlass, die Frage zu stellen, wie weit der Weg zum „Autonomous Deal Making“ noch ist und wann mit der Automatisierung von Aufgaben, Workstreams und ganzen Phasen im Transitionsprozess zu rechnen ist.

2. Von Autonomous Driving zu Autonomous Deal Making

Die Skala von 0 bis 5 des autonomen Fahrens ist eine Klassifizierung, die den Grad der Autonomie eines Fahrzeugs („Autonomous Driving“) festlegt. Die Stufe 0 beschreibt das vollmanuelle Fahren, Stufe 1 bezieht sich auf Fahrzeuge, bei denen der Fahrer die Kontrolle über das Fahrzeug hat, aber bestimmte Assistenzsysteme wie Tempomat oder Spurhalteassistent nutzen kann. Bei Stufe 2 können Fahrzeuge einige Fahraufgaben autonom übernehmen, erfordern jedoch weiterhin eine Aufmerksamkeit des Fahrers. Stufe 3 bezeichnet Fahrzeuge, die in bestimmten Situationen vollständig autonom fahren können, der Fahrer jedoch bereit sein muss, die Kontrolle auf Anfrage zu übernehmen. Stufe 4 bezieht sich auf hochautomatisierte Fahrzeuge, die in den meisten Situationen autonom fahren können, aber in bestimmten Fällen die Unterstützung des Fahrers erfordern. Schließlich steht Stufe 5 für vollständig autonomes Fahren ohne jegliche Eingriffe des Fahrers, selbst unter extremen Bedingungen.

Dieses in der Automobilindustrie etablierte Modell übertragen wir in den Bereich der Unternehmenstransaktionen und erhalten dann die Level 0 bis 5 des Autonomous Deal Making. In analoger Anwendung umfasst die Stufe 0 das vollständig manuelle Durchführen einer Transaktion, die Stufe 5 am gegenüberliegenden Ende der Skala die vollständig automatisierte Abwicklung einer Transaktion, bei der lediglich die finale Go-/No-Go-Entscheidung durch den Menschen gefällt wird. Dazwischen befinden sich die unterschiedlichen Abstufungen der Automation. Im Level 1 werden einzelne Aufgaben durch Systeme unterstützt (z.B. das automatische Redigieren von Informationen im Datenraum), in Level 2 werden zusammenhängende Aufgaben beziehungsweise einzelne Workstreams unterstützt. Beispielhaft sind hier die automatische Beantwortung von Fragen im Q&A-Prozess oder die automatische Bereitstellung des Zahlengerüstes für die Financial Due Diligence/Bewertung aus Informationen im Datenraum zu nennen. Level 3 unterstützt die Transaktionsteilnehmer noch umfassender und wäre beispielsweise in der Lage, Teile der Due Diligence automatisch zu erstellen oder auch die notwendigen juristischen Dokumente weitestgehend autonom zu erstellen. Level 4 steigert dies noch einmal; hier wäre eine Erwartung, dass nach Bereitstellung des Transaktionsrationales automatisch etwaige Red Flags und entsprechende Preisreflektionen erstellt werden.

Abb. 2 • Leistung von OpenAI‘s GPT4 in Tests

Quelle: 1) GT Analyse, 2) Katz et al. 3) Eulerich et al.

Während Daimler kürzlich bereits eine Zulassung für autonomes Fahren in Stufe 3 in den USA erhalten hat, werden die meisten M&A-Teilnehmer sich einig sein, dass wir uns noch immer in der Nähe der Stufe 1 („Task-Unterstützung“) befinden. Es gibt vereinzelte Tools wie automatische Schwärzung im virtuellen Datenraum oder die KI-gestützte Analyse von Verträgen, aber bei Weitem noch keine Automation von Workstreams oder gar Phasen in einer Transaktion.

Wir erwarten, dass sich dies in den kommenden Monaten und Jahren grundlegend ändern wird. Es wurden bereits auf Basis der verfügbaren LLMs Use Cases und Prototypen gezeigt, die in der Lage sind, zeitaufwändige und komplexe Aufgaben im M&A-Prozess effizient zu bewältigen. Schon heute können Algorithmen Verträge, Unternehmensdokumente und andere relevante Informationen in Echtzeit durchsuchen und Schlüsselinformationen extrahieren. Für den M&A-Prozess ist daher zu erwarten, dass der Schritt von Level 1 zu Level 4 disruptiv und innerhalb der nächsten Jahre erfolgen wird.

Abb. 3 • Automous Driving und Autonomous Deal Making

Quelle: Nach Society of Automotive Engineers (2022), GT Analyse

Abb. 4 • Autonomous Deal Making – Erwarteter Zeithorizont

Quelle: GT Einschätzung

3. Unmittelbare Potenziale

Zweifelsohne eröffnet die rasante Entwicklung von LLMs ein breites Spektrum an Potenzialen für den M&A-Prozess in den kommenden Jahren. Um die Glaskugel nicht zu sehr zu strapazieren, konzentrieren wir uns hier auf die Anwendungsfälle, die aus unserer Sicht in naher Zukunft (6-12 Monate) verfügbar sein werden.

3.1 Target Search

Die Identifizierung potenzieller Targets ist einer der ersten wegweisenden Schritte im M&A-Prozess, der häufig charakterisiert ist durch zeitaufwändige, manuelle Suchaktivitäten. Bereits heute gibt es Anbieter, die mithilfe von Web Scraping große Mengen an Unternehmensdaten sammeln und analysieren, um relevante Targets zu identifizieren. Durch die Integration von Datenbanken, Marktanalysen und anderen Quellen können automatisierte Analysen erfolgen und aussichtsreiche Targets vorgeschlagen werden. Dies ermöglicht bereits die Target-Suche zielgerichteter durchzuführen, um Zeit und Ressourcen einzusparen. Die zusätzliche Integration von LLMs würde bedeuten, aussichtsreiche Targets einer detaillierten Fundamentalanalyse zu unterziehen, in welcher der Schwerpunkt auf der automatisierten Analyse von Geschäftsberichten, Quartalsberichten und Ad-hoc-Mitteilungen liegt.

3.2 Due Diligence

Die Due Diligence wird häufig charakterisiert als eine mit gebotener Sorgfalt durchgeführte systematische und detaillierte Datenanalyse des Targets. Regelmäßig besteht die Herausforderung jedoch darin, dass im Datenraum eine Vielzahl von unterschiedlichen Dokumenten bereitgestellt wird, die innerhalb weniger Wochen durch Transaktionsberater gesichtet und ausgewertet werden müssen. Dabei sind häufig verschiedene Datenquellen im Datenraum vorhanden, die sowohl strukturierte quantitative Daten (wie GuV, Bilanz und Cashflow) als auch unstrukturierte qualitative Daten (wie Präsentationen, Verträge und Gutachten) umfassen. Selbst bei mittelgroßen Transaktionen können Datenräume schnell mehrere zehntausend Dokumente enthalten. Bisher werden diese Dokumente häufig manuell gesichtet und bewertet. Es gibt zwar bereits einige Tools und Anwendungen, die Dokumente automatisiert analysieren können, aber diese beschränken sich meist auf wenige Dokumententypen mit begrenztem Funktionsumfang.

Effizientere Analyse- und Bewertungsmethoden würden es Transaktionsberatern ermöglichen, mehr Daten in kürzerer Zeit zu sichten, eine höhere Qualität zu erzielen, Kunden intensiver zu betreuen und proaktiver im Transaktionsprozess zu agieren. Der Einsatz von LLMs ist daher insbesondere in den Phasen einer Due Diligence sinnvoll, in denen viele unstrukturierte Dokumente in kürzester Zeit gesichtet, analysiert, zusammengefasst und bewertet werden müssen.

3.3 Juristische Dokumentation

Die Erstellung und Anpassung der erforderlichen rechtlichen Dokumente (z.B. SPA, APA) ist ein elementarer Aspekt des Transaktionsprozesses. LLMs sind in der Lage, den Juristen bei der Erstellung dieser Dokumente zu unterstützen, indem sie Vorlagen generieren, die den rechtlichen Anforderungen der Transaktion entsprechen. Darüber hinaus können LLMs auch für die Vertragsanalyse eingesetzt werden. Traditionell werden diese Aufgaben als zeitaufwändig und manuell charakterisiert. Die Integration von LLMs in diesen Prozess eröffnet jedoch völlig neue Möglichkeiten für eine schnellere und präzisere Vertragsanalyse.

Zum einen können Verträge und relevante Dokumente automatisch in einem digitalen Datenraum identifiziert und wesentliche Schlüsselinformationen extrahiert werden. Ein zentraler Aspekt der Vertragsanalyse besteht darin, bestimmte Klauseln und Bedingungen zu identifizieren, die für den Erfolg der Transaktion von besonderer Bedeutung sind. LLMs können diese Aufgabe durchführen, indem sie auf spezifische Klauseltypen trainiert werden, wie zum Beispiel Haftungsbeschränkungen, Gewährleistungen oder Wettbewerbsklauseln. Zum anderen können kritische Vertragsabschnitte präzise identifiziert werden, wodurch den Deal-Verantwortlichen ermöglicht wird, potenzielle Risiken oder strategische Vorteile frühzeitig zu erkennen.

4. Herausforderungen

Die Automatisierung zeitaufwändiger Tätigkeiten im Rahmen einer Due Diligence ist zweifellos eine geeignete Anwendung für LLMs. Sie bringt jedoch auch einige Herausforderungen mit sich, die berücksichtigt werden müssen, um einen erfolgreichen Einsatz von LLMs zu gewährleisten.

Ein grundlegender Faktor, der die Effektivität und Genauigkeit von LLMs maßgeblich beeinflusst, liegt in der Qualität und Vielfalt der zugrunde liegenden Daten. Die Integration von Informationen aus verschiedenen Quellen und Formaten kann eine komplexe Aufgabe darstellen und erfordert eine sorgfältige Datenbereinigung und -abgleichung, um konsistente und verlässliche Ergebnisse zu erzielen. Viele Sprachmodelle sind aktuell nur in der Lage, auf reduzierten, tokenisierten Informationen zu arbeiten, sodass derzeit jede Kompression an Informationen mit Verlusten einhergeht.

Eine weitere Herausforderung ergibt sich aus der Tatsache, dass Sprachmodelle in der Regel auf Grundlage von Daten trainiert werden, die bis zu einem bestimmten Zeitpunkt verfügbar waren (sog. „Cut-Off-Date“). Dies kann in dem Fall zu Problemen führen, in dem sich nach dem Trainingszeitraum wichtige Ereignisse oder Veränderungen ergeben. Deshalb ist es unerlässlich sicherzustellen, dass die Modelle stets aktuell gehalten und die neuesten Informationen berücksichtigt werden.

Halluzinationen in den von LLMs generierten Texten stellen ebenfalls eine bedeutende Herausforderung dar. Dabei können irreführende oder nicht verifizierbare Informationen entstehen, insbesondere bei unvollständigen oder unspezifischen Anfragen. Es ist daher wichtig, LLMs entsprechend mit Kontextinformationen zu kalibrieren und auf die spezifischen Anforderungen einer Due Diligence abzustimmen, um deren Zuverlässigkeit zu gewährleisten.

Abschließend sollten auch die rechtlichen Aspekte nicht außer Acht gelassen werden, insbesondere die Frage der Haftung. Derzeit gibt es lediglich einen Vorschlag für eine Richtlinie zur KI-Haftung, der von der Europäischen Kommission vorgelegt wurde. Um den Einsatz von LLMs in Einklang mit Datenschutz und Privatsphäre zu bringen, müssen EU-Gesetze zum Datenschutz und KI-Einsatz streng beachtet werden.

Abb. 5 • Zentrale Herausforderungen von LLMs im M&A-Kontext

Quelle: GT Analyse

5. Ausblick

Large Language Models haben sich in rasantem Tempo entwickelt, und es deutet vieles darauf hin, dass sie auch in Zukunft eine hohe Relevanz haben werden. Die Fortschritte in den Bereichen des maschinellen Lernens und Natural Language Processings werden zu immer leistungsfähigeren KI-Modellen führen, wodurch die Fähigkeit, komplexe Muster in den Datensätzen zu identifizieren und menschenähnliche Texte zu erzeugen, zunehmend verbessert werden wird.

Diese rapiden Entwicklungen eröffnen neue Potenziale für den gesamten Transaktionsprozess, angefangen von der Target-Suche über die Due Diligence bis hin zur Erstellung der juristischen Dokumentation. Mit der Zeit werden zudem weitere Anwendungsfälle hinzukommen, an die zuweilen heute noch niemand denkt.

Es ist davon auszugehen, dass sich das Zusammenspiel der einzelnen M&A-Beteiligten deutlich verändern wird: Standardaufgaben werden zunehmend von Maschinen übernommen, während sich Menschen auf komplexere und wertschöpfendere Tätigkeiten fokussieren können. Dies wird mit hoher Wahrscheinlichkeit auch zu einer Veränderung der Dynamik des Transaktionsprozesses führen: Werden aktuell teilweise Wochen für die Sichtung und Red-Flag-Due-Diligence des Datenraums benötigt, könnte der Verkäufer zukünftig erwarten, dass dies innerhalb weniger Stunden oder Tage maschinell erledigt wird. Wohl dem, der sich hier gut aufgestellt hat und diese Dynamik für sich zu nutzen weiß.