KI in der Due Diligence.

Eine Due Diligence ist für die meisten Mittelständler eine Ausnahmesituation. Sechs bis zwölf Wochen Hochlast, ein Datenraum mit oft 3.000 bis 15.000 Dokumenten, parallele Prüfteams aus Wirtschaftsprüfung, Recht, Steuer, Technik und Markt, und am Ende eine Investitionsentscheidung im acht- oder neunstelligen Bereich. Wer schon einmal als Käufer oder Verkäufer in einem solchen Prozess saß, kennt den Rhythmus: Mit fortschreitender Phase wird die Zeit knapper, die Dokumentenflut größer und die Frage drängender, ob die wesentlichen Risiken wirklich identifiziert sind oder im Datenraum versteckt schlummern. KI verändert hier nicht den juristischen oder strategischen Kern der Prüfung — sie verschiebt aber die Geschwindigkeit, mit der ein Datenraum erschlossen werden kann, und sie ermöglicht Tiefenprüfungen, die mit menschlichen Teams in der verfügbaren Zeit gar nicht zu leisten wären. Dieser Überblick zeigt, wo KI in der Due Diligence heute belastbar einsetzbar ist, wo Vorsicht geboten ist und was sich daraus für mittelständische Unternehmen auf beiden Seiten der Transaktion ergibt.

Warum klassische Due Diligence an Grenzen stößt.

Ein Datenraum eines mittelständischen Transaktionsobjekts enthält heute typischerweise zwischen 3.000 und 15.000 Dokumente — Verträge, Bilanzunterlagen, Personalakten, Patente, technische Dokumentationen, Behördenkorrespondenz, IT-Architekturen, Versicherungspolicen. Ein professionelles Prüfteam aus zwei bis vier Anwälten und drei bis fünf Wirtschaftsprüfern kann in sechs Wochen vielleicht 30 bis 40 Prozent dieser Dokumente in der erforderlichen Tiefe durchsehen. Der Rest wird quergelesen oder strichprobenartig geprüft.

Diese Asymmetrie hat Konsequenzen. Risiken, die in nicht geprüften Dokumenten lagern — etwa eine ungewöhnliche Klausel in einem Kundenvertrag, eine alte arbeitsrechtliche Vereinbarung, ein Patentlauf mit problematischem Zeitfenster — werden im klassischen Verfahren nur dann entdeckt, wenn das Stichprobenglück es will. Wer schon einmal eine Post-Closing-Anpassung wegen eines im Nachhinein gefundenen Risikos erlebt hat, weiß, wie teuer solche Lücken werden können.

KI verschiebt diese Rechnung. Ein gut eingesetztes System liest in 48 Stunden, wofür ein menschliches Team sechs Wochen braucht — und liefert eine strukturierte Übersicht aller relevanten Klauseln, ungewöhnlichen Bestimmungen, Risikoindikatoren und fehlenden Dokumente. Das ersetzt nicht die juristische und kaufmännische Bewertung, aber es ermöglicht, dass die menschliche Arbeitszeit dort eingesetzt wird, wo sie wirklich wertvoll ist: bei der Interpretation und Bewertung, nicht beim Vorlesen.

Was KI im Datenraum konkret leistet.

Die typischen Aufgaben einer Due Diligence lassen sich entlang von fünf Disziplinen sortieren, in denen KI heute mit unterschiedlicher Reife unterstützt.

Die Klassifikation eines Datenraums — also die Zuordnung von Dokumenten zu Kategorien wie „Liefervertrag“, „Anstellungsvertrag“, „Patent“ oder „Behördenkorrespondenz“ — ist mit modernen Sprachmodellen weitgehend gelöst. Wo manuell früher Tage vergingen, dauert das heute Stunden, mit Trefferquoten von 92 bis 97 Prozent.

Die Vertragsklauselextraktion ist die wirtschaftlich relevanteste Disziplin. Aus 500 Kundenverträgen alle Kündigungsklauseln, Haftungsbegrenzungen, Change-of-Control-Klauseln und Preisklauseln zu extrahieren, war früher Wochenarbeit. Eine moderne KI macht das in einem Nachmittag — mit der Disziplin, dass jede extrahierte Klausel mit Quellenverweis und Originalstelle dokumentiert wird.

Das Risiko-Flagging — also das Erkennen ungewöhnlicher oder problematischer Bestimmungen — ist die spannendste Disziplin. Hier sind die Modelle gut, aber nicht perfekt. Sie übersehen seltene, branchenspezifische Risiken und erzeugen falsch-positive Flags. Beide Probleme verlangen menschliche Nacharbeit, aber die Basis ist deutlich besser als ein menschliches Team in derselben Zeit erreichen könnte.

Auf der Käuferseite: Tiefe statt Breite.

Für Käufer ist der größte Gewinn durch KI nicht die Beschleunigung, sondern die Tiefenmöglichkeit. Wenn ein Prüfteam alle Kundenverträge in einem Datenraum systematisch durchgehen kann, entstehen Erkenntnisse, die in einer klassischen Stichprobenprüfung nicht entstehen würden.

Ein Beispiel aus einer mittelständischen M&A-Beratung: Bei der Prüfung eines Maschinenbauers mit etwa 80 Millionen Euro Umsatz wurden alle 340 aktiven Kundenverträge mit KI durchgegangen. Das Ergebnis: 47 Verträge enthielten eine Change-of-Control-Klausel, die dem Kunden ein außerordentliches Kündigungsrecht bei Eigentümerwechsel einräumte. Diese 47 Verträge stellten zusammen 38 Prozent des Umsatzes dar. Diese Information war vor der KI-Unterstützung nicht in dieser Vollständigkeit verfügbar — sie veränderte die Kaufpreisverhandlung substanziell, weil der Käufer die Wahrscheinlichkeit eines Umsatzverlusts nach Closing realistischer einschätzen konnte.

Ein zweiter Effekt ist die strukturelle Lückenanalyse. KI kann nicht nur sagen, was im Datenraum ist, sondern auch, was dort fehlt. Wenn typische Dokumente für eine bestimmte Branche oder Größe nicht vorhanden sind — Versicherungspolicen für bestimmte Risiken, Notfallpläne, Datenschutzdokumentation — fällt das einer KI mit ausreichend Trainingsbasis auf. Der Käufer kann dann gezielt nachfragen, statt zu hoffen, dass die fehlenden Dokumente nicht relevant waren.

Auf der Verkäuferseite: Vendor Due Diligence aufwerten.

Verkäufer unterschätzen häufig den Wert einer KI-gestützten Vendor Due Diligence vor dem eigentlichen Prozess. Wer seinen eigenen Datenraum mit denselben Methoden durchgeht wie der spätere Käufer, entdeckt frühzeitig die Schwachstellen — und kann sie entweder bereinigen oder aktiv adressieren, bevor sie zum Verhandlungsdruck werden.

Die häufigsten Funde in einer eigenen KI-gestützten Vorabprüfung sind: nicht unterzeichnete oder unwirksame Verträge, abgelaufene Vereinbarungen ohne Verlängerung, widersprüchliche Klauseln in verschiedenen Vertragsgenerationen, undokumentierte Verpflichtungen aus E-Mail-Korrespondenz, veraltete Vollmachten. Jeder einzelne dieser Funde kann in einer fortgeschrittenen Verhandlungsphase mehrere Prozentpunkte vom Kaufpreis kosten — oft mehr als die Investition in die Vorabanalyse.

Ein realistisches Zeitfenster: Ein Mittelständler kann mit einem klar abgegrenzten Beratungsmandat in vier bis sechs Wochen einen Datenraum von 5.000 Dokumenten KI-gestützt durchgehen und die Funde so aufarbeiten, dass sie entweder bereinigt oder kontrolliert in den Datenraum gestellt werden. Die Kosten liegen typischerweise im fünfstelligen Bereich — bei einem Transaktionsvolumen von 30 Millionen Euro aufwärts ist das eine marginale Investition mit potenziell hohem Hebel.

Vertraulichkeit ist das härteste Hindernis.

Eine Due Diligence ist hochvertraulich. Verträge mit Kunden, Personalakten, Geschäftszahlen — wer solche Dokumente in ein öffentliches KI-Tool kopiert, verletzt im Zweifel mehrere Vertraulichkeitsklauseln gleichzeitig und kann sich im Streitfall nicht auf Unachtsamkeit berufen. Diese Hürde ist nicht trivial und sie ist der häufigste Grund, warum KI in mittelständischen Transaktionen heute noch zurückhaltend eingesetzt wird.

Drei Wege haben sich in der Praxis etabliert. Erstens: Enterprise-Tenants bei großen Cloud-KI-Anbietern mit vertraglich zugesicherter Datenresidenz in der EU, No-Training-Garantie auf den eingespielten Daten und revisionssicherer Protokollierung. Das ist die häufigste Lösung und für die meisten mittelständischen Transaktionen ausreichend.

Zweitens: Spezialisierte Due-Diligence-Plattformen, die ihre KI-Funktionen in eigene Hosting-Modelle einbetten. Anbieter wie Datasite, Intralinks oder kleinere Spezialisten haben in den letzten zwei Jahren erhebliche KI-Funktionalität in ihre Datenraum-Lösungen integriert. Der Vorteil: Die Dokumente bleiben in einer ohnehin schon vertraulich gehosteten Umgebung.

Drittens: On-Premises-Modelle für hochsensible Transaktionen, etwa im Rüstungsbereich, in der Pharmazie oder bei staatsnahen Unternehmen. Die Kosten sind höher, die Auswahl an Modellen kleiner, aber die Datensouveränität ist vollständig. In Beratungsmandaten zeigt sich, dass diese Lösung bei einem von zehn Mandaten zum Tragen kommt — selten, aber dann fundamental.

Ein typischer KI-gestützter DD-Workflow.

Ein praxistauglicher Workflow strukturiert die Datenraum-Analyse in fünf Stufen. Das Vorgehen lässt sich ohne große IT-Investition aufsetzen, sofern die richtigen Tools verfügbar sind.

1. Ingest und Klassifikation: Alle Dokumente werden in die KI-Umgebung geladen, automatisch klassifiziert und in Themenbereiche sortiert. Output: Eine Inhaltskarte des Datenraums.
2. Extraktion strukturierter Daten: Aus Verträgen werden zentrale Klauseln extrahiert — Laufzeiten, Kündigungsrechte, Haftungsbegrenzungen, Change-of-Control, Mindestabnahmen. Output: Eine strukturierte Tabelle.
3. Risiko-Screening: Anhand vorab definierter Risikomerkmale (Beispiel: „nicht-marktübliche Haftungsregelungen“) werden Dokumente markiert. Output: Eine priorisierte Risikoliste mit Quellenverweisen.
4. Manuelle Tiefenprüfung: Anwälte und Wirtschaftsprüfer arbeiten gezielt die markierten Stellen ab. Output: Belastbare DD-Befunde mit klarer Priorisierung.
5. Iterative Vertiefung: Auffälligkeiten führen zu neuen Suchanfragen, die wiederum KI-gestützt im Datenraum gesucht werden. Output: Ein vollständiges Bild relevanter Risiken.

In einer mittelständischen Transaktion lässt sich dieser Workflow in zehn bis vierzehn Werktagen durchlaufen — gegenüber sechs bis acht Wochen bei rein menschlicher Bearbeitung. Wichtig: Die Verantwortung bleibt bei den menschlichen Prüfern. Die KI bereitet vor und priorisiert, sie entscheidet nicht.

Wo KI in der Due Diligence versagt.

Drei Bereiche bleiben menschlicher Urteilskraft vorbehalten — und werden in Demos der KI-Anbieter selten erwähnt. Wer das nicht ehrlich kommuniziert, verliert seine Beratungsglaubwürdigkeit.

Erstens: Branchen- und unternehmensspezifische Auffälligkeiten. Ein Modell, das tausende Verträge gelesen hat, erkennt Standardklauseln und Standardabweichungen. Es erkennt nicht, dass in dieser bestimmten Branche eine Klausel, die anderswo normal ist, ein Warnsignal darstellt. Branchenexpertise bleibt menschlich.

Zweitens: Implizite Risiken aus dem Geschäftsmodell. Wenn ein Unternehmen 60 Prozent seines Umsatzes mit drei Kunden macht, ist das eine Konzentrationsrisiko-Frage. Eine KI sieht die Zahlen, aber sie bewertet nicht, ob das in dieser Branche typisch oder problematisch ist. Strategische Beurteilung verlangt Geschäftserfahrung.

Drittens: Bewertung von Beziehungen und weichen Faktoren. Eine Kundenbeziehung kann vertraglich brillant aufgestellt sein und trotzdem fragil, weil der entscheidende Ansprechpartner auf Kundenseite das Unternehmen demnächst verlässt. KI sieht das nicht. Dafür braucht es Gespräche, Recherchen, Hintergrundwissen — und manchmal ein gutes Gefühl für ungesagte Dinge. In Beratungsprojekten zeigt sich regelmäßig, dass die wichtigsten Erkenntnisse einer Due Diligence aus Telefonaten und persönlichen Gesprächen entstehen, nicht aus dem Datenraum. Das wird sich auf absehbare Zeit nicht ändern.

Kosten, ROI und Auftragsmodell.

Die Kostenstruktur einer KI-gestützten Due Diligence unterscheidet sich von der klassischen. Bei einer mittelständischen Transaktion mit Datenraum von rund 5.000 Dokumenten liegen die Kosten typischerweise zwischen 30.000 und 80.000 Euro für die KI-gestützte Vorarbeit — abhängig davon, ob spezialisierte Plattformen mit eigenen KI-Funktionen oder Beratungshäuser mit eigenen Tools eingesetzt werden.

Dem stehen Einsparungen in der menschlichen Prüfung gegenüber. Anstatt vier Anwälten und drei Wirtschaftsprüfern über sechs Wochen kann ein schlankeres Team in drei bis vier Wochen die wesentliche Arbeit leisten — bei höherer Vollständigkeit. Die Gesamtkosten einer Due Diligence reduzieren sich erfahrungsgemäß um 20 bis 35 Prozent, bei gleichzeitig höherer Tiefe der Erkenntnisse.

Die wichtigere Größe ist aber nicht die Kostenersparnis, sondern die Risikoreduktion. Ein einziger entdeckter Risikofaktor, der in der klassischen Prüfung übersehen worden wäre und nach Closing zu einer Anpassung von 5 Prozent des Kaufpreises führt, übersteigt die Kosten einer KI-gestützten DD um ein Vielfaches. Diese Rechnung wird in Bilanzgesprächen mit der Hausbank inzwischen häufiger anerkannt — und sie verändert die Wahrnehmung von KI in der Due Diligence von „nice to have“ zu „strategisch sinnvoll“.

Was Geschäftsführer vor der nächsten Transaktion bedenken sollten.

Wer in den nächsten zwölf bis vierundzwanzig Monaten in eine Transaktion gehen wird — als Käufer oder Verkäufer — sollte drei Vorbereitungen früh treffen. Sie kosten wenig, sparen aber im Ernstfall erheblich.

Erstens: Den eigenen Datenbestand systematisieren. Wenn die wichtigsten Verträge, Bilanzunterlagen, Personaldokumente und technischen Dokumentationen in einer aufgeräumten Struktur liegen — nicht verteilt über fünf Laufwerke und drei alte Plattformen — geht jede spätere Due Diligence schneller und sauberer. Dieser Schritt ist Hausaufgabe, nicht KI.

Zweitens: Die Anbieterauswahl vorbereiten. Welche Datenraum-Plattform, welcher Beratungspartner, welche Anwaltskanzlei mit welcher KI-Methodik? Diese Auswahl unter Zeitdruck zu treffen, führt regelmäßig zu suboptimalen Entscheidungen. Wer im ruhigen Wasser eine Shortlist erstellt — drei Datenraum-Anbieter, zwei DD-Beratungen, eine M&A-Anwaltskanzlei mit KI-Erfahrung — hat im Ernstfall einen Wochenvorsprung.

Drittens: Eine eigene Vorab-Inventur durchführen. Eine KI-gestützte Eigenprüfung der wichtigsten 500 bis 1.000 Dokumente kostet in einem ruhigen Quartal zwischen 15.000 und 30.000 Euro und liefert eine ehrliche Standortbestimmung. Sie deckt Schwachstellen auf, die in einer scharfen Transaktion zu Kaufpreisabschlägen führen würden. Wer das einmal in einer kontrollierten Phase macht, geht in jede künftige Verhandlung mit deutlich mehr Souveränität — und reduziert das Risiko unangenehmer Überraschungen erheblich.

Sie bereiten eine Transaktion vor und wollen prüfen, wie KI Ihre Due Diligence — als Käufer oder Verkäufer — substanziell verbessern kann? Unverbindlich anfragen — wir gehen Ihren Datenbestand, das passende Vorgehen und mögliche Anbieter pragmatisch durch.