KI in der Legal Due Diligence: Potenzial, Grenzen und Erfolgsfaktoren in M&A- und VC-Transaktionen

1. Einleitung

Künstliche Intelligenz (KI) zählt zu den potenziell folgenreichsten Technologien des 21. Jahrhunderts und ist aus kaum einem Wirtschafts- und Lebensbereich mehr wegzudenken. Auch das juristische Tätigkeitsfeld bleibt von dieser Entwicklung nicht unberührt. Gerade in Transaktionen im Bereich Mergers & Acquisitions (M&A) und Venture Capital (VC) etabliert sich KI dabei als fester Bestandteil, unter anderem in Legal Due Diligence (DD)-Prüfungen, und verspricht dort als potenzielles Zeitersparnis-Tool eine echte Effizienzsteigerung, die angesichts des hohen Kosten- und Zeitdrucks im Transaktionsgeschäft auch mandantenseitig immer stärker eingefordert wird.

Die rechtsberatende Praxis steht somit vor der Herausforderung, technologische Innovationskraft mit den erforderlichen Vertraulichkeits- und Sorgfaltspflichten sowie dem hohen Qualitätsstandard des anwaltlichen Berufs in Einklang zu bringen, während gleichzeitig ein dynamischer, schnell wachsender und zunehmend unübersichtlicher Markt von Legal-Tech-Anbietern um Marktanteile konkurriert. Hinzu kommt, dass auch mandantenseitig die laufende KI-Transformation bewusst wahrgenommen wird und von den beratenden Kanzleien zunehmend eine entsprechende Weiterentwicklung ihres Dienstleistungsangebots sowie eine Anpassung der tradierten Preismodelle in aktiver Zusammenarbeit mit den Mandanten erwartet wird. Innerhalb des Transaktionsgeschäfts rückt dabei insbesondere die DD-Prüfung in den Fokus der Automatisierungsbestrebungen, da sie aufgrund großer Dokumentenmengen und wiederkehrender Prüfungsmuster als besonders geeignetes Anwendungsfeld für den Einsatz von KI gilt.

Vor diesem Hintergrund drängen sich mehrere Fragen auf: Welches Potenzial bietet der Einsatz von KI in DD-Prozessen? Wo verlaufen die Grenzen der Automatisierbarkeit, und welche Voraussetzungen müssen erfüllt sein, damit KI tatsächlich zu einem Effizienzgewinn führen kann?

2. Automatisierungspotenzial und -grenzen in der Legal Due Diligence

Innerhalb des Transaktionsgeschäfts entfaltet KI insbesondere in DD-Prüfungen ein erhebliches Potenzial zur Automatisierung wiederkehrender und strukturierter Prüfungsschritte. Während eine manuelle Prüfung zeitintensiv ist, können KI-Systeme große Datenmengen in kurzer Zeit identifizieren, strukturieren und auswerten und somit M&A- und VC-Transaktionen transformieren. Diese Leistungsfähigkeit kommt gerade dort zum Tragen, wo die zu prüfenden Dokumente eine hinreichende Vergleichbarkeit aufweisen.

Besonders geeignet für den Einsatz von KI sind Prüfungsschritte und -felder, die sich durch eine hohe Vergleichbarkeit der Prozesse und der zu prüfenden Dokumente auszeichnen, in denen die relevanten Informationen also regelmäßig in einer wiederkehrenden Struktur mit gleichförmigen Regelungen auftreten. Entscheidend ist dabei der Umstand, dass sich eine solche Vergleichbarkeit in klar umrissene Prüfungsschritte und -maßstäbe übersetzen lässt: Statt dem System eine offene Frage nach der Rechtslage zu stellen, lässt sich die Prüfung über enge, zuvor ausgearbeitete Prompts anleiten, die genau vorgeben, worauf das Modell im jeweiligen Dokument zu achten und nach welchem Maßstab es die gefundene Regelung einzuordnen hat. Dadurch agiert das LLM nicht universell-probabilistisch, sondern innerhalb eines möglichst deterministisch zugeschnittenen Rahmens, in dem es nur noch eine konkret umrissene Teilaufgabe an einer konkret umrissenen Textstelle beantworten muss.

Relevant ist dabei die Funktionsweise der eingesetzten Systeme: Moderne Large Language Models (LLMs) verarbeiten Sprache probabilistisch auf Basis erlernter Muster. Wiederkehrende Klauseln und Formulierungen sind dabei nicht nur in den Trainingsdaten stärker repräsentiert, sondern auch im Retrieval zuverlässiger auffindbar und lassen sich über eng gefasste Prompts präziser abfragen. Auf diese Logik aufbauend stehen im Markt inzwischen speziell auf den Rechtsberatungsbereich ausgerichtete KI-Anwendungen zur Verfügung, die sich für typische Prüfaufgaben wie die Identifikation bestimmter Klauseltypen oder Haftungsregelungen sehr gut eignen und die relevanten Informationen per Retrieval-Augmented Generation (RAG) gezielt aus einem zuvor aufgebauten Dokumentenindex abrufen.

In der Praxis materialisiert sich dieser Ansatz in Extraktions- und Tabular-Review-Tools, die Verträge parallel gegen ein vordefiniertes Frageraster prüfen und die Ergebnisse in eine strukturierte Übersicht überführen, aus der sich Auffälligkeiten und Abweichungen unmittelbar ablesen lassen. Diese tabellarische Zerlegung reduziert zugleich die Fehleranfälligkeit gegenüber einer offenen Frage an das LLM: Jede Zelle stellt eine eng umrissene Teilaufgabe dar (etwa „Enthält der Vertrag eine Change-of-Control-Klausel?“, „Fasse existierende Exklusivitätsregelungen zusammen“), sodass der Antwortraum eng umrissen bleibt und das Modell nicht frei formulieren, sondern eine konkrete Frage an einer konkreten Textstelle beantworten muss. Grundlage dieses Zugriffs ist das vorgelagerte Chunking, also die Zerlegung umfangreicher Dokumente in thematisch abgegrenzte Textabschnitte, die einzeln indexiert und gezielt abgerufen werden können; je Zelle werden dem Modell dadurch nur die einschlägigen Passagen übergeben, sodass sich der Output unmittelbar an die zugrunde liegende Fundstelle im Vertrag zurückbinden lässt, was das Risiko inhaltlich nicht durch die Quelle gedeckter Antworten („Halluzinationen“) spürbar verringert.

Von einer solchen Automatisierung profitieren in einer M&A- und VC-DD sämtliche Prüffelder, in denen sich die zu prüfenden Dokumente über konkrete Projekte und Branchen des Zielunternehmens hinweg ähneln. Hierzu zählen etwa kommerzielle Verträge („Material Agreements“) wie Kunden-, Lieferanten-, Distributions- und Partnership-Agreements, die typischerweise Change-of-Control-Klauseln, Kündigungsrechte oder Exklusivitätsregelungen enthalten, (Wandel-)Darlehensverträge mit wiederkehrenden Regelungen zu Zinsen, Sicherheiten und Kontrollwechsel, Cap, Discount und MFN-Klauseln, IP- und Lizenzverträge mit Regelungen zu Rechteeinräumung, Nutzungsbeschränkungen und Sublizenzierung, Vereinbarungen zu Mitarbeiterbeteiligungsprogrammen, Geschäftsführer- und/oder Vorstandsanstellungsverträge mit typisierten Wettbewerbs-, Vergütungs- und Kündigungsklauseln, miet- und pachtrechtliche Vereinbarungen mit Laufzeit-, Verlängerungs- und Change-of-Control-Klauseln sowie sonstige gleichförmige Verträge.

Gerade in M&A-Transaktionen kommt es allerdings neben einer reinen klauselbezogenen Auswertung zudem maßgeblich auf das Verständnis des konkreten Geschäftsmodells des Zielunternehmens an. Wertschöpfung, zentrale Kunden- und Lieferantenbeziehungen, Abhängigkeiten von Vertragspartnern, regulatorische Rahmenbedingungen sowie branchenspezifische Risiken des Targets gilt es zu verstehen, um zu beurteilen, welche Klauseln und Befunde tatsächlich transaktionsrelevant sind und welche Auffälligkeiten eine vertiefte Prüfung oder eine Adressierung in der Transaktionsdokumentation erfordern. Diese wirtschaftlich-strategische Einordnung bleibt bislang den beratenden Berufsträgern vorbehalten.

Ähnlich verhält es sich mit Prüfungsfeldern, deren Beantwortung sich nicht aus der isolierten Analyse einzelner Dokumente ergibt, sondern eine dokumentenübergreifende Zusammenschau mehrerer Dokumente (Multi-Document Reasoning) erfordert. Als typischer Anwendungsfall in Legal-DD-Prüfungen lässt sich hierbei die Corporate Chain of Title des Zielunternehmens aufführen. Diese stellt die lückenlose Nachvollziehbarkeit der Anteilsinhaberschaft von der Gesellschaftsgründung bis zum Zeitpunkt der Transaktion über sämtliche zwischenzeitlichen Kapitalerhöhungen, -herabsetzungen, Anteilsübertragungen, Umwandlungen, Verschmelzungen und sonstigen Strukturmaßnahmen hinweg dar. Die Anteilsinhaberschaft ergibt sich hierbei nicht aus einem einzelnen Dokument, sondern muss aus einer chronologischen Kette von Gründungsurkunden, Gesellschafterlisten, Kapitalerhöhungs- oder -herabsetzungsbeschlüssen, Anteilsübertragungs- und -abtretungsverträgen sowie sonstigen (notariellen) Gesellschafterbeschlüssen, inklusive etwaig verwendeter Vollmachten, Schritt für Schritt rekonstruiert werden.

Für KI-Systeme ergeben sich daraus mehrere zusammenhängende Herausforderungen. Zum einen müssen die Systeme zeitlich versetzte Vorgänge über verschiedene Dokumententypen hinweg miteinander verknüpfen und eine konsistente Chronologie herstellen, die abbildet, welche Anteile zu welchem Zeitpunkt von welcher Person gehalten und auf welchem Weg wirksam übertragen wurden. Zum anderen erfordert die Prüfung eine dokumentenübergreifende Konsistenzkontrolle: Angaben zu Anteilsverhältnissen, Namen und Beteiligungsquoten müssen zwischen Gesellschafterliste und den zugrunde liegenden Vertragswerken abgeglichen und etwaige Widersprüche – etwa abweichende Beteiligungsquoten oder unklare Anteilsklassen – als solche identifiziert werden. Hinzu kommt die materiell-rechtliche Dimension: Jede einzelne Anteilsübertragung muss auf ihre Formwirksamkeit hin überprüft werden, etwa auf die Einhaltung einer etwaig erforderlichen notariellen Beurkundung (§ 15 GmbHG), auf das Vorliegen der erforderlichen Gesellschafter- oder sonstiger Gremienzustimmungen sowie auf die Beachtung von Vinkulierungs- und Vorkaufsrechten. Eine allein aus dem Vertragstext einer einzelnen Übertragung extrahierte Information reicht hierfür oftmals nicht aus – belastbar wird die Prüfung erst durch die Zusammenschau mit den korrespondierenden Beschlüssen, Registerauszügen und Zustimmungserklärungen. Zusätzlich stellt die Negativfeststellung eine besondere Hürde dar: Anders als bei der Frage nach dem Vorliegen bestimmter Klauseln, bei der das System lediglich einen vorhandenen Text extrahiert, muss hier festgestellt werden, dass ein bestimmtes Dokument oder eine Information – etwa eine eventuell erforderliche Ehegattenzustimmung nach § 1365 BGB oder die notariell beglaubigte Vollmacht (ggf. mit Apostille und Existenz- und Vertretungsnachweis) für das Zeichnen von Anteilen – fehlt. Um eine solche Aussage qualifiziert treffen zu können, muss das System zunächst wissen, welches Dokument an dieser Stelle der Kette überhaupt hätte vorliegen müssen; es handelt sich also um Wissen, das sich gerade nicht aus den konkret vorliegenden Dokumenten ergibt, sondern rechtlichen Kontext und Erfahrung mit typischen Transaktionsstrukturen voraussetzt. Für diese Art der Prüfung sind die zuvor beschriebenen Extraktions- und Tabular-Review-Tools strukturell nur eingeschränkt geeignet, da sie auf die parallele, dokumentweise Beantwortung eng umrissener Einzelfragen ausgelegt sind und die dokumentenübergreifende Zusammenschau, die eine Chain-of-Title-Prüfung erfordert, gerade nicht abbilden. Abmildern lassen sich diese Grenzen in der Praxis vor allem durch ein zielgerichtetes, mehrstufiges Prompting – nicht in Form parallelisierter Zellenprompts, sondern durch eine iterative, aufeinander aufbauende Abfolge von Teilabfragen, in der jedes Zwischenergebnis den nächsten Prompt bestimmt und das System die Prüfung so Schritt für Schritt entlang der Chain-of-Title entwickelt. Statt einer offenen Gesamtfrage werden dem System also einzelne, klar umrissene Teilaufgaben übergeben, deren Ergebnisse anschließend manuell zu einer Gesamtbewertung zusammengeführt werden. Ein solcher Ansatz ist allerdings mit einem erheblichen Aufwand für die Konzeption, Steuerung und Nachkontrolle der einzelnen Prompting-Schritte verbunden und bewährt sich in der Praxis vor allem bei überschaubaren Anteilshistorien – also insbesondere bei jungen Gesellschaften mit wenigen, klar dokumentierten Übertragungsvorgängen. Bei komplexeren Konstellationen wird es jedoch noch anspruchsvoller: Handelt es sich etwa um eine gewachsene Unternehmensgruppe, in der das Target und mehrere Tochtergesellschaften wiederholten Verschmelzungen, Ausgliederungen und Formwechseln unterlagen und zwischenzeitliche Anteilsübertragungen über verschiedene Beteiligungsebenen hinweg stattfanden, müssen die einzelnen Vorgänge nicht nur chronologisch, sondern auch strukturell entlang der jeweiligen gesellschaftsrechtlichen Rechtsnachfolge miteinander verknüpft werden. Eine solche mehrdimensionale Rekonstruktion lässt sich durch KI-gestützte Prompting-Ketten allenfalls in Teilbereichen vorbereiten, während die eigentliche Zusammenführung und Bewertung weiterhin manuell erfolgen muss. Die Fehleranfälligkeit bleibt gleichwohl höher als bei standardisierten Klauselprüfungen, und die Verantwortung für die abschließende Bewertung verbleibt in vollem Umfang bei den prüfenden Berufsträgern.

3. Erfolgsfaktoren und -hindernisse einer KI-gestützten Due Diligence

Damit KI-Systeme ihr Potenzial in der DD voll entfalten können, kommt es zudem auf mehrere praktische Voraussetzungen an, die sich weniger aus der Technologie selbst als aus dem heutigen Zuschnitt des DD-Prozesses ergeben. Die aktuelle DD-Praxis ist noch nicht durchgängig auf einen automatisierten Auswertungsprozess ausgerichtet, sodass eine schrittweise Anpassung von Arbeitsabläufen erforderlich ist, um die vorhandenen Werkzeuge optimal nutzen zu können. Eine zentrale Voraussetzung betrifft die Struktur, Aufbereitung und Qualität des Datenraums, die das Fundament jeder KI-gestützten Prüfung bildet. Der Datenraum wird typischerweise vom Veräußerer oder – in VC-Transaktionen – vom Target beziehungsweise den Gründern auf Grundlage einer Information Request List (IRL) der Käufer-/Investorenseite zusammengestellt – Benennung, Ordnerlogik und Konsistenz der Ablage folgen daher nicht zwingend einem Raster, das eine automatisierte Auswertung optimal unterstützt. Im VC-Kontext verschärft sich diese Herausforderung: Gründerteams verfügen häufig nur über begrenzte Erfahrung mit dem Aufsetzen eines transaktionstauglichen Datenraums und den konkreten Anforderungen einer rechtlichen DD, sodass Datenräume regelmäßig unvollständig oder uneinheitlich befüllt sind und teilweise wesentliche Unterlagen erst im Q&A-Prozess nachgereicht werden. Für den Einsatz von KI wäre es förderlich, wenn bereits die IRL selbst käufer-/investorenseitig auf die Anforderungen einer automatisierten Auswertung zugeschnitten wird, sodass sie den späteren KI-gestützten Zugriff auf den Datenraum bestmöglich unterstützt. Zwar bieten die meisten DD-Tools inzwischen Funktionalitäten zur Einbindung von Q&A-Nachfragen in die automatisierte Auswertung an; der größte Effizienzgewinn entsteht jedoch dort, wo der Datenraum von vornherein so vollständig und strukturiert bereitgestellt wird, dass Nachfragen im Q&A-Prozess gar nicht erst erforderlich werden.

Zur Qualität des Datenraums zählt dabei auch der bewusste Umgang mit KI-generierten Inhalten im Datenraum selbst. Zunehmend ist in der Praxis zu beobachten, dass im Datenraum Dokumente oder Zusammenfassungen abgelegt werden, die selbst KI-generiert sind, ohne dass ihre Herkunft und inhaltliche Richtigkeit belastbar verifiziert wurden („KI-Slop“). Treten solche ungeprüften KI-Zusammenfassungen an die Stelle der eigentlichen Primärdokumente, kann dies den erwarteten Effizienzgewinn spürbar aufzehren. Hilfreich ist daher ein frühzeitig zwischen den Seiten hergestelltes Verständnis, dass in den Datenraum grundsätzlich verifizierbare Primärdokumente eingespeist werden und KI-generierte Zusammenfassungen diese nicht ersetzen. Werden diese Aspekte frühzeitig mitgedacht, lässt sich der Beitrag der KI zur DD erheblich steigern, während die anwaltliche Prüfung sich auf die Bewertung, Einordnung und Kommunikation der Ergebnisse konzentrieren kann. Der wichtigste Erfolgsfaktor bleibt dabei jedoch die fachliche Expertise der beratenden Anwälte selbst: Ohne transaktionsspezifisches Know-how, die richtige Auswahl und Konfiguration der KI-Tools sowie die kritische Einordnung ihrer Ergebnisse bleiben auch leistungsfähige KI-Anwendungen weit hinter ihrem Potenzial zurück.

4. Ausblick: Wie verändern sich KI und die Rolle der Prüfer im Due-Diligence-Prozess?

Der Einsatz von KI ermöglicht bereits heute erhebliche Effizienz- und Qualitätsgewinne in der DD – KI-Systeme sichten und strukturieren Dokumentenmengen in einer Geschwindigkeit, die eine manuelle Prüfung nicht erreichen kann, und schaffen so den Raum, sich innerhalb einer Transaktion stärker auf die inhaltlich anspruchsvollen Fragen zu konzentrieren. Zugleich zeigt sich in der Praxis, dass es die eine, bereichsunabhängige „Lösung für alles“ bislang nicht gibt: Ob und in welchem Umfang der Effizienzgewinn tatsächlich eintritt, hängt vom Prüfungsfeld, vom Anwendungskontext und von der Erfahrung der Anwender ab.

DD wird in den kommenden Jahren vermutlich jedoch noch deutlich effizienter stattfinden als heute. Viele der praktischen Voraussetzungen, die einer vollen Entfaltung der KI-Nutzung derzeit im Wege stehen – etwa Struktur und Vollständigkeit des Datenraums, Zuschnitt der Information Request List, Umgang mit KI-generierten Inhalten sowie Bewusstsein für Kontextfenster-Grenzen und die damit verbundenen Verarbeitungskosten – sind weniger strukturelle Grenzen der Technologie, sondern Ergebnis eines noch nicht durchgängig auf Automatisierung ausgerichteten DD-Prozesses. Im Zuge einer fortschreitenden Verbesserung der LLMs und KI-Systeme sowie Anpassung der Prozesse ist zu erwarten, dass sich diese Herausforderungen mittelfristig deutlich entschärfen und die KI-gestützte DD insbesondere in standardisierten Prüfungsfeldern zunehmend zum Regelfall wird – flankiert durch spezialisierte Tools für dokumentenübergreifende Analysen, verlässlichere Kostenkalkulationen und eine engere Verzahnung von Datenraum, Q&A und Auswertung. In geeigneten Konstellationen könnten daraus auch mandantenspezifische Produkte entstehen, die gemeinsam mit einzelnen Mandanten entwickelt und auf deren individuelle Anforderungen an Prüfungsumfang und -schwerpunkte sowie Output-Format zugeschnitten werden.

Bei aller technologischen Entwicklung sollte jedoch nicht aus dem Blick geraten, worin der eigentliche Wert einer solchen Automatisierung liegt: Das entscheidende Asset ist nicht das Tool selbst, sondern das aus einer Vielzahl vergleichbarer Transaktionen gewachsene Erfahrungswissen der beratenden Kanzlei. Erst dieses Erfahrungswissen entscheidet darüber, welche Fragen ins Frageraster gehören, welche Auffälligkeiten wirklich transaktionsrelevant sind und wie ein KI-Ergebnis in die rechtliche Bewertung einer konkreten Transaktion einzuordnen ist. Je stärker die DD künftig techbasiert erfolgt, desto größer wird gerade die Bedeutung dieses Erfahrungswissens: Der Schwerpunkt der anwaltlichen Leistung verlagert sich von der eigenhändigen Dokumentensichtung hin zur Konzeption, Kalibrierung und kritischen Validierung der KI-gestützten Prüfung – und darin liegt aus heutiger Sicht der eigentliche Treiber für den Erfolg einer KI-gestützten DD.