KI in der Due Diligence: Warum plausible Antworten nicht ausreichen

Künstliche Intelligenz (KI) kann die Due Diligence beschleunigen und Transaktionsteams entlasten. Doch eine überzeugend formulierte Analyse ist noch keine verlässliche Entscheidungsgrundlage. Wo feste Prüfkriterien gelten, bieten regelbasierte Systeme derzeit mehr Sicherheit als rein generative Ansätze. Entscheidend ist das Zusammenspiel: Sprachmodelle bereiten Informationen auf, regelbasierte Systeme prüfen klar definierte Sachverhalte, und Fachleute beurteilen die wirtschaftlichen Folgen. Der Beitrag zeigt die Grenzen generativer KI auf und erläutert, worauf es bei ihrem Einsatz im M&A-Prozess ankommt.

1. Entscheidende Risiken frühzeitig erkennen

Auch eine strategisch überzeugend begründete Übernahme garantiert keinen wirtschaftlichen Erfolg. In der KPMG-Untersuchung „The M&A dance“ von 2025 vernichteten 57,2 % der untersuchten Käufer Aktionärswert.¹ Die Untersuchung bezieht sich auf börsennotierte Unternehmen; die Zahl lässt sich daher nicht als allgemeine Misserfolgsquote von Übernahmen lesen. Sie verdeutlicht jedoch, wie wichtig es ist, die erwarteten Wertbeiträge und die Voraussetzungen für ihre Umsetzung bereits vor dem Vollzug einer Transaktion kritisch zu prüfen.

Eine wesentliche Herausforderung liegt im unterschiedlichen Informationsstand von Käufer und Verkäufer. Während der Verkäufer sein Unternehmen kennt, muss sich der Käufer auf bereitgestellte Unterlagen und eigene Recherchen stützen. Dabei stehen vier Fragen im Mittelpunkt:

• Kunden: Wie stabil sind die Geschäftsbeziehungen? Beruht die Kundenbindung auf dem Produkt, dem Preis oder auf persönlichen Kontakten, die nach der Übernahme wegfallen könnten?

• Ertrag: Wie profitabel sind die Kundenbeziehungen? Bleiben die Annahmen zur Wertentwicklung auch unter veränderten Rahmenbedingungen tragfähig?

• Betrieb: Reichen die vorhandenen Kapazitäten und Systeme aus, um das geplante Wachstum zu bewältigen?

• Umsetzung: Wer verantwortet nach der Übernahme die einzelnen Maßnahmen zur Wertsteigerung, und anhand welcher Meilensteine wird der Fortschritt überprüft?

KI soll helfen, diese Fragen früher und auf einer breiteren Informationsbasis zu beantworten. Ihr Nutzen hängt jedoch entscheidend davon ab, wie verlässlich die Ergebnisse sind und ob sich ihre Grundlagen überprüfen lassen.

2. Wo generative KI an Grenzen stößt

Generative KI erzeugt Antworten auf Grundlage statistischer Wahrscheinlichkeiten. Sie kann Informationen zusammenfassen, erklären und strukturieren, prüft damit aber noch nicht, ob eine Aussage tatsächlich zutrifft. Für die Transaktionspraxis sind vor allem drei Grenzen relevant: Vollständigkeit, Verlässlichkeit und wirtschaftliche Umsetzbarkeit. Die folgenden Beispiele verdeutlichen diese Grenzen; ergänzend werden Ergebnisse aus technischen Tests und ein dokumentierter Praxisfall eingeordnet.

2.1 Vollständigkeit: Auch gute Zusammenfassungen können Lücken haben

Eine Vertragszusammenfassung kann die wesentlichen Klauseln erfassen und dennoch einen entscheidenden Nachtrag übersehen. Ob ein Eigentümerwechsel die Zustimmung eines Kunden erfordert, lässt sich beispielsweise nur anhand des Hauptvertrags und sämtlicher Ergänzungen beurteilen. Findet die KI keine entsprechende Klausel, ist damit nicht belegt, dass eine solche Verpflichtung nicht besteht.

Einen Hinweis auf diese technische Grenze liefert der OpenAI-Test MRCR v2. Er untersucht, wie zuverlässig ein Modell bestimmte Informationen in sehr langen Texten wiederfindet. Die Größe des sogenannten Kontextfensters gibt lediglich an, wie viel Text das Modell verarbeiten kann, nicht aber, wie zuverlässig es die enthaltenen Informationen nutzt. GPT-5.5 erreicht bei Textlängen von 4.000 bis 8.000 Tokens, also den vom Modell verarbeiteten Texteinheiten, 98,1 %. Bei 512.000 bis einer Million Tokens sind es noch 74,0 %. GPT-5.4 fällt von 97,3 % auf 36,6 %; GPT-5.6 Sol erreicht im längsten getesteten Bereich 73,8 % (Abbildung 1).²

Abb. 1 Textlänge und Zuverlässigkeit beim Wiederfinden von Informationen

Quelle: Eigene Darstellung nach OpenAI (MRCR v2)

Dieser künstlich angelegte Herstellertest misst allerdings nicht die Qualität einer Vertragsprüfung. Aus den Werten lässt sich auch nicht ableiten, welcher Anteil relevanter Inhalte bei einer Due Diligence übersehen würde. Sogenannte Retrieval-Verfahren suchen gezielt nach passenden Textstellen und stellen diese dem Modell zur Verfügung. Das erleichtert die Verarbeitung großer Dokumentenbestände, garantiert aber ebenfalls keine Vollständigkeit: Wird ein relevantes Dokument nicht gefunden, kann die Analyse lückenhaft bleiben, ohne dass dies in der Antwort erkennbar ist.

2.2 Verlässlichkeit: Eine plausible Aussage braucht einen Beleg

Eine Kennzahl kann korrekt wiedergegeben und dennoch dem falschen Geschäftsbereich oder Berichtszeitraum zugeordnet sein. Eine erneute Nachfrage beim selben Sprachmodell ersetzt keine unabhängige Validierung. Das zeigt zum Beispiel eine Veröffentlichung von Saadat und Nemzer (Telus Digital) vom März 2026: In einem begrenzten Test mit 200 Mathematik- und Schlussfolgerungsaufgaben änderte GPT-5.2 auf die Nachfrage „Are you sure?“ bei 78 Aufgaben den Richtigkeitsstatus; 72 zuvor richtige Antworten wurden falsch, sechs zuvor falsche richtig.³ Diese Ergebnisse sind weder als allgemeine Fehlerquote noch als eindeutige Messung der Zuverlässigkeit zu verstehen. Für die Due Diligence zeigen sie aber, dass KI-Ergebnisse nicht ungeprüft übernommen werden sollten.

Welche Folgen ungeprüfte Quellenangaben haben können, zeigte im September 2026 ein Fall aus Washington, D.C. Externe Anwälte einer Deutsche-Bank-Tochter DB National Trust reichten einen Schriftsatz ein, der auf nicht existierende Gerichtsentscheidungen verwies. Das Gericht strich den Schriftsatz.⁴ Daraus folgt kein grundsätzlicher Einwand gegen den Einsatz von KI, wohl aber eine klare Anforderung: Entscheidungsrelevante Aussagen müssen anhand der Originalquelle überprüft werden. Eine erneute Nachfrage beim selben Modell erfüllt nicht das Vier-Augen-Prinzip.

2.3 Umsetzbarkeit: Potenzielle Synergien sind noch kein Mehrwert

Auch wenn sich zwei Produktportfolios ergänzen, entstehen daraus nicht automatisch zusätzliche Umsätze. Ein gemeinsames Angebot schafft nur dann Wert, wenn Kunden es tatsächlich benötigen und die technischen sowie wirtschaftlichen Voraussetzungen stimmen. Sprachmodelle können mögliche Synergien aufzeigen. Ob diese realisierbar sind, muss jedoch gesondert geprüft werden: Gibt es einen nachweisbaren Bedarf, einen geeigneten Vertriebsansatz und klare Verantwortlichkeiten?

Unvollständige Informationen, falsche Zuordnungen und überschätzte Potenziale sind unterschiedliche Fehlerquellen. Keine davon lässt sich allein durch eine sprachlich bessere Antwort beseitigen. Erforderlich sind nachvollziehbare Belege, ein strukturierter Prüfprozess und eine unabhängige fachliche Bewertung.

3. Regelbasierte Prüfungen: nachvollziehbar, aber nicht fehlerfrei

Regelbasierte Systeme verfolgen einen anderen Ansatz: Sie prüfen festgelegte Daten anhand eindeutig formulierter Kriterien. Solange Daten, Regeln und Systemversion unverändert bleiben, liefern sie dasselbe Ergebnis. Zudem lässt sich nachvollziehen, welche Regel zu welcher Bewertung geführt hat. Darin liegt ihr derzeitiger Vorteil bei der Prüfung fester Schwellenwerte, Ausschlusskriterien und Freigabevoraussetzungen.⁵

So kann eine regelbasierte Prüfung beispielsweise feststellen, ob die Verschuldung einen festgelegten Schwellenwert überschreitet. Zuvor muss allerdings geklärt sein, ob Finanzverbindlichkeiten und Leasingverpflichtungen vollständig und sachgerecht erfasst wurden. Auch eine fehlerfreie Rechenregel kann fehlende oder falsch zugeordnete Daten nicht ausgleichen.

Besondere Aufmerksamkeit verdient deshalb der Übergang von der Dokumentenauswertung zur regelbasierten Prüfung. Werden dort unvollständige Daten übernommen oder ungeeignete Regeln angewendet, entstehen auch mit diesem Ansatz falsche Ergebnisse. Regelbasierte Systeme sind generativer KI daher nicht grundsätzlich überlegen. Ein reproduzierbares Ergebnis ist nicht zwangsläufig ein richtiges Ergebnis.

In der Due-Diligence-Praxis bedeutet das: Jede aus einem Dokument übernommene Angabe muss auf die zugehörige Fundstelle zurückgeführt werden können. Ebenso muss festgehalten werden, welche Fassung einer Prüfregel angewendet wurde. Ein überschrittener Schwellenwert sollte für die verantwortlichen Teams Anlass für eine vertiefte Prüfung sein, aber nicht automatisch zum Ausschluss einer Transaktion führen. Fehlende Angaben sind als offen zu kennzeichnen und dürfen nicht stillschweigend als null oder als unkritisch behandelt werden. Kurzum: Alle Quellen, Modellversionen und Freigaben sind klar zu dokumentieren.

4. Klare Aufgabenverteilung im M&A-Prozess

Sinnvoll ist deshalb eine klare Aufgabenverteilung: Generative KI bereitet Dokumente und Informationen auf, regelbasierte Systeme prüfen festgelegte Sachverhalte, und Fachleute bewerten deren wirtschaftliche Bedeutung.⁵ Abbildung 2 zeigt, wie sich diese Aufgaben auf die fünf Phasen des M&A-Prozesses verteilen. In jeder Phase müssen die Quellen zugänglich, die Prüfschritte dokumentiert und die Ergebnisse fachlich freigegeben sein.

Abb. 2 Arbeitsteilung im KI-gestützten Prüfprozess

Quelle: Eigene Darstellung

Dabei ergänzen sich die breite Suche (Target-Screening) und die vertiefte Analyse. Zunächst gilt es, aus einer Vielzahl von Unternehmen diejenigen zu identifizieren, die zur Akquisitionsstrategie passen. Erst danach lohnt sich die eingehende Prüfung einzelner Kandidaten. Eine noch so gründliche Analyse ersetzt keine fundierte Vorauswahl. Die Festlegung der Suchkriterien, die fachliche Bewertung und die Entscheidung bleiben Aufgabe der verantwortlichen Experten.

5. Praxisbeispiel: Ein Übernahmeziel anhand externer Informationen prüfen

Die Autoren sind bei Vitelis tätig. Die folgende Beschreibung beruht auf Unternehmensangaben. Das Fallbeispiel veranschaulicht den Ansatz, belegt aber keinen tatsächlich erzielten Transaktionserfolg.

Nach Unternehmensangaben verknüpft das Business World Model von Vitelis Kennzahlen und modellierte wirtschaftliche Zusammenhänge mit der Auswertung externer Informationen. Daraus sollen nachvollziehbare Handlungsvorschläge für die Unternehmensanalyse entstehen.⁶ Der Ansatz betrachtet Kennzahlen nicht isoliert, sondern berücksichtigt ihre Wechselwirkungen. Eine Preiserhöhung kann beispielsweise den Erlös je Stück steigern. Bestellen Kunden deshalb weniger, fordern sie Rabatte oder wechseln sie zum Wettbewerb, wirkt sich dies zugleich auf Absatz, Auslastung, Marge und möglicherweise den Personalbedarf aus. Eine isolierte Betrachtung des Preiseffekts greift daher zu kurz.

Bei dieser Analyse von außen, auch als Outside-in-Prüfung bezeichnet, werden öffentlich zugängliche Informationen und Wettbewerbsvergleiche ausgewertet. Sie liefern Hinweise auf Risiken, Ansatzpunkte zur Wertsteigerung und mögliche Maßnahmen. Vitelis verknüpft die Ergebnisse nach eigenen Angaben mit einem Quellenverzeichnis und automatisiert Teile der analytischen Vorarbeit.⁶ Dies ersetzt weder die Prüfung interner Unterlagen noch Gespräche mit dem Management oder die fachliche Beratung.

Ein hypothetisches Beispiel verdeutlicht die Aufgabenverteilung: Deuten externe Informationen auf eine starke Abhängigkeit von wenigen Kunden hin, ist eine vertiefte Prüfung erforderlich. Zu klären sind die jeweiligen Umsatzanteile, Vertragslaufzeiten, Kündigungsrechte und Gründe für die Kundenbindung. Das Deal-Team prüft die Belege, hinterfragt die Annahmen im Managementgespräch und beurteilt die Folgen für Kaufpreis, Vertragsbedingungen und Integrationsplanung. Auch Verkäufer können diese Perspektive nutzen, um öffentlich erkennbare Risiken frühzeitig einzuordnen und fundierte Antworten vorzubereiten.

Ein von Vitelis zitierter Geschäftsführer eines Beratungsunternehmens berichtet, eine zuvor vierwöchige Unternehmensanalyse habe sich auf einen Workshop verkürzen lassen. Ein unabhängig belegter Einfluss auf den Transaktionserfolg lässt sich aus dieser anonymisierten Kundenreferenz allein nicht ableiten.⁶

6. Nach der Übernahme: Aus Synergiepotenzialen konkrete Maßnahmen ableiten

Die gleichen Anforderungen gelten für die Planung von Synergien nach der Übernahme. Ein fiktives Industriebeispiel zeigt dies: Ein Pumpenhersteller erwirbt einen Anbieter von Sensorik zur Zustandsüberwachung. Das gemeinsame Angebot eröffnet mögliche Cross-Selling-Ansätze. Ob daraus zusätzliche Aufträge entstehen, hängt jedoch vom einzelnen Kunden ab. Möglicherweise nutzt er bereits eine andere Lösung, die Sensoren sind technisch ungeeignet oder es besteht aktuell kein Investitionsbedarf. Die Zusammenführung zweier Kundenlisten allein schafft noch keinen zusätzlichen Umsatz.

Eine belastbare Vertriebsplanung muss deshalb klären, für welche Kunden das Angebot geeignet ist und welchen konkreten Bedarf es erfüllt. Anschließend sind Verantwortliche und nächste Schritte festzulegen. Die Analyse zeigt damit Vertriebschancen auf, garantiert aber keinen Umsatz. Bei der Vorbereitung solcher Maßnahmen sind zudem die rechtlichen Grenzen des Austauschs von Kunden- und Wettbewerbsdaten vor dem Vollzug zu beachten. Rechtsberatung sollte daher frühzeitig einbezogen werden.

7. Fünf Leitfragen für KI-gestützte Befunde in der Praxis

Für die fünf Phasen des M&A-Prozesses lassen sich daraus zentrale Prüffragen ableiten. Sie gelten unabhängig davon, ob eine Analyse von Menschen, generativer KI oder einem regelbasierten System erstellt wurde:

1. Strategie: Wie tragfähig sind die Annahmen? Welche Annahmen zu Wachstum und Wertentwicklung liegen der Analyse zugrunde, und wie wurden sie überprüft?

2. Suche und Auswahl: Welches Unternehmen passt zur Strategie? Nach welchen Kriterien wurden die Übernahmeziele ausgewählt, und wer hat ihre strategische Eignung beurteilt?

3. Prüfung und Bewertung: Sind die Aussagen ausreichend belegt? Lässt sich jede entscheidungsrelevante Aussage auf eine konkrete Fundstelle zurückführen, und wurden Widersprüche gesondert geprüft?

4. Entscheidung und Vollzug: Was ist vor der Freigabe zu klären? Sind die verwendeten Quellen, Modellversionen und erforderlichen Freigaben vollständig dokumentiert?

5. Integration und Wachstum: Welche Synergien lassen sich umsetzen? Gibt es einen nachgewiesenen Kundenbedarf, ein geeignetes Angebot und klare Verantwortliche für die Umsetzung?

8. Fazit

Für M&A-Entscheidungen mit klar festgelegten Prüfkriterien bieten regelbasierte Systeme derzeit eine belastbarere Grundlage als rein generative Ansätze. Ihr Nutzen entsteht jedoch erst durch eine sinnvolle Aufgabenverteilung: Sprachmodelle bereiten Informationen auf, regelbasierte Systeme sorgen für die einheitliche Anwendung der Kriterien, und Fachleute beurteilen die wirtschaftliche Tragweite. Die Ergebnisse müssen samt Quellen und zugrunde liegenden Annahmen in die Unternehmensbewertung, die Risikoverteilung und die Planung der Wertsteigerung einfließen. Die Verantwortung für ihre Gewichtung und für die Investitionsentscheidung bleibt beim Transaktionsteam. Maßgeblich ist nicht, wie überzeugend eine Antwort der KI klingt, sondern wie gut sie sich überprüfen lässt.

Quellen

1. KPMG: The M&A dance, 2025.

2. OpenAI: GPT-5.5, 23. April 2026; OpenAI: GPT-5.6 Sol, 9. Juli 2026, jeweils MRCR v2.

3. Saadat/Nemzer: Certainty robustness, arXiv:2603.03330v1, März 2026.

4. Reuters: DC court faults lawyers for Deutsche Bank subsidiary over AI hallucination, 3. September 2026, https://www.reuters.com/legal/legalindustry/dc-court-faults-lawyers-deutsche-bank-subsidiary-over-ai-hallucination-2026-09-03/

5. IBM: Why risk should determine your AI architecture.

6. Vitelis: Produkt- und Kundenangaben, vitelis.com, abgerufen am 23. Oktober 2026.