AI-gestützte Bewertung: Von der Vergleichsanalyse zur Szenariomodellierung

Einleitung

Die Bewertung ist ein Evidenz- und Urteilsprozess. Vergleichbare Transaktionen, Handelsmultiples, Betriebsprognosen, Abzinsungssätze und Szenarioannahmen werden erst dann nützlich, wenn sie an einen definierten Vermögenswert, ein Bewertungsdatum, eine Rechnungseinheit, einen Zweck und eine Marktteilnehmerperspektive geknüpft sind. Künstliche Intelligenz kann die Evidenzerhebung, Normalisierung, vergleichende Prüfung, Modellausführung, Sensitivitätsanalyse und Erstellung von Narrativen beschleunigen. Sie kann nicht den rechtlichen Perimeter des Vermögenswerts festlegen, schwache Evidenz verlässlich machen, Marktunsicherheit beseitigen oder die Befugnis des rechenschaftspflichtigen Bewerters übernehmen.

Dieses Papier richtet sich an AI-gestützte Bewertung: Von der Vergleichsanalyse zur Szenariomodellierung zwei Matchpoint Partners Zielgruppen. Family-Office-CIOs und Leiter alternativer Anlagen Dazu zählen Investmentfachleute bei Single-Family-Offices, Multi-Family-Offices, Private-Wealth-Unternehmen, Privatbanken und externen Vermögensverwaltern im GCC, im Vereinigten Königreich, in der Schweiz, in Singapur und in der Europäischen Union. UAE/GCC Immobilienentwickler und Finanzsponsoren Dazu zählen Gründer, Chief Executives, Chief Financial Officers und Kapitalmarktteams, die Fremdkapital, Mezzanine- oder Joint-Venture-Eigenkapital aufnehmen und Vermögenswerte monetarisieren. Teams benötigen konsistente Portfolio- und Transaktionsentscheidungen auf Basis öffentlicher und privater Evidenz. Teams benötigen belastbare Bewertungen für Kapitalbeschaffung, Entwicklungsentscheidungen, Refinanzierung, Joint Ventures und Vermögensverkäufe.

Die maßgebliche Frage lautet: Wie kann eine Organisation die Bewertungsproduktivität und die Entscheidungsabdeckung vervielfachen und dabei Evidenzqualität, Unsicherheit, professionelles Urteilsvermögen und Rechenschaftspflicht wahren? Die Antwort ist ein gesteuertes Bewertungssystem. Es trennt Quellenevidenz von Transformationen, Vergleichs-Screening von Anpassung, Punktschätzungen von Szenarioverteilungen, Modelloutput von Entscheidungsbefugnis und gemessene Produktivität von zugerechnetem kommerziellem Wert.

IFRS 13 definiert den beizulegenden Zeitwert als Exit-Preis in einer geordneten Transaktion zwischen Marktteilnehmern zum Bewertungsstichtag. Er verlangt Bewertungstechniken, die den Umständen angemessen sind, die Maximierung beobachtbarer Inputs und die Minimierung nicht beobachtbarer Inputs [1]. Die ab dem 31. Januar 2025 geltenden International Valuation Standards enthalten eigene Standards für Daten und Inputs, Bewertungsmodelle, Dokumentation und Berichterstattung [2]. Die IPEV Valuation Guidelines 2025 wenden diese Fair-Value-Disziplin auf privates Kapital an [3]. RICS beschreibt automatisierte Bewertungsmodelle als ein Spektrum, das einen Bewertungsprozess unterstützen oder Teil davon sein kann, wobei die professionelle Einbindung von Zweck, Markt, Daten und Risiko abhängt [4-5].

Diese Anforderungen unterstützen eine Augmentierung, sofern jede wesentliche Transformation nachprüfbar bleibt. Eine Comparable-Engine kann Kandidaten schnell finden. Der Bewerter muss weiterhin feststellen, warum jede Transaktion relevant ist, welche Anpassungen belastbar sind und ob die resultierende Bandbreite das Bewertungsobjekt widerspiegelt. Eine Prognose-Engine kann Hunderte Fälle berechnen. Der Entscheidungsträger muss weiterhin die wirtschaftlichen Zustände, Abhängigkeiten, Managementmaßnahmen und die Wahrscheinlichkeitsbehandlung genehmigen. Ein Sprachmodell kann ein Memorandum entwerfen. Es benötigt weiterhin ein kontrolliertes Evidenzpaket und eine menschliche Freigabe.

Regionale Evidenz nimmt zu. Das Dubai Land Department stellt offene Immobiliendaten zu Transaktionen, Mieten, Projekten und Bewertungen bereit [11]. Es meldete 60.303 Immobilientransaktionen mit einem Wert von AED 252 billion im ersten Quartal 2026 [12]. Diese Daten verbessern die Marktbeobachtbarkeit für ausgewählte Fragestellungen. Sie machen nicht jedes Objekt homogen, beseitigen keine Effekte nahestehender Parteien, identifizieren nicht jede kommerzielle Bedingung und begründen keinen Wert ohne Anpassung.

Die Einführung von AI verändert zudem den Kontrollumfang. Die Model Management Standards der Zentralbank der UAE verlangen Governance, rückverfolgbare Daten, dokumentierte Entwicklung, Genehmigung, unabhängige Validierung und fortlaufende Überwachung für Modelle, die in der Entscheidungsfindung eingesetzt werden [6]. Die DFSA berichtete 2025, dass 52 Prozent von 661 autorisierten Unternehmen, die auf ihre Umfrage geantwortet haben, AI aktiv nutzten; die Governance-Reife war unterschiedlich, wobei bei 21 Prozent ein Mangel an klarer Rechenschaftspflicht gemeldet wurde [9]. Das AI-Risikomanagement-Rahmenwerk des NIST ordnet Kontrollen um Govern, Map, Measure und Manage [7-8]. Die im April 2026 überarbeiteten Model-Risk-Leitlinien der Federal Reserve und die Aufsichtserklärung der PRA vom April 2026 stärken risikobasierte Inventarisierung, Governance, Entwicklung, Validierung, Überwachung und Risikominderungsmaßnahmen innerhalb ihrer Bankenbereiche [14-15].

Der Beitrag ist ein praktisches System, das Folgendes bietet:

• einen definierten Bewertungsumfang für und Entscheidungen;
• ein Evidenzprotokoll und eine Herkunftskette von der Quelle bis zum Ergebnis;
• ein Protokoll zur Auswahl und Anpassung von Vergleichswerten;
• eine hybride Modellarchitektur, die transparente Methoden mit maschinellem Lernen kombiniert;
• eine governance-konforme Szenario-Engine;
• Validierungs-, Unsicherheits- und Enthaltungs-Gates;
• zwei hypothetische, veranschaulichende Beispiele;
• eine evidenzgeprüfte Produktivitäts- und Umsatzbrücke; und
• eine 90-Tage-Roadmap für die Einführung.

Die Analyse prüft primäre akademische Studien, offizielle Standards, Veröffentlichungen von Aufsichtsbehörden und offizielle Marktdatenquellen, die bis zum 1. August 2026 verfügbar sind. Die regulatorische und bilanzielle Anwendbarkeit hängt von Rechtsträger, Jurisdiktion, Zweck, Mandant, Vermögenswert und Berichtsgrundlage ab. Empirische Studien werden innerhalb ihrer untersuchten Stichproben wiedergegeben. Für Umsatz, Senkung der Baraufwendungen, Verlustreduktion oder Alpha wurden keine genehmigten beobachteten Matchpoint- oder Mandantennachweise bereitgestellt. Diese zugeordneten Werte bleiben USD 0.

Der Bewertungsperimeter

Der Zweck steht vor der Methode

Ein Bewertungsprozess sollte mit einem unterzeichneten Bewertungsauftrag beginnen, nicht mit einer Modellwahl. Der Bewertungsauftrag sollte das Bewertungsobjekt, die rechtlichen und wirtschaftlichen Rechte, die Rechnungseinheit, das Bewertungsdatum, die Währung, den Zweck, die Wertbasis, die vorgesehenen Nutzer, Einschränkungen, wesentliche Annahmen und den Berichtsstandard angeben. Eine Beteiligung, eine Immobilie, ein Entwicklungsprojekt, ein Schuldinstrument, ein Fondsanteil und ein operatives Unternehmen können unterschiedliche Nachweise erfordern, selbst wenn ein Dashboard sie in einem Portfolio darstellt.

Der Fair-Value-Rahmen von IFRS 13 gilt speziell für Bewertungen, die nach anderen IFRS-Standards erforderlich oder zulässig sind [1]. Er begründet keine allgemeine Pflicht, für jede Entscheidung einen Fair Value zu ermitteln. Die SEC-Regel 2a-5 behandelt Fair-Value-Ermittlungen nach Treu und Glauben durch registrierte Investmentgesellschaften und Business Development Companies in den Vereinigten Staaten [13]. Ihr Rahmen bietet nützliche Vergleichsbelege für Risikobewertung, Methodenauswahl, Tests, Preisbewertungsdienste, Aufsicht und Aufzeichnungen. Ihre rechtliche Anwendbarkeit ist auf den angegebenen Anwendungsbereich beschränkt.

Preis, Wert und Entscheidung sind getrennte Ergebnisse

Ein beobachteter Preis dokumentiert eine Transaktion zu ihren tatsächlichen Bedingungen. Eine Bewertung schätzt eine definierte Grundlage zu einem Stichtag. Eine Investitionsentscheidung vergleicht die geschätzte Ergebnisverteilung mit Mandat, Liquidität, Risiko, Alternativen und geforderter Rendite. Ein Preis kann ein gültiger Datenpunkt und ein ungeeigneter Vergleichswert sein. Eine Fair-Value-Schätzung kann vertretbar und für ein bestimmtes Family Office unattraktiv sein. Der Grundstückswert eines Projektentwicklers kann unter der Annahme eines geordneten Marktteilnehmers und einem strategischen Plan, der spezifisch für den Finanzsponsor ist, abweichen.

Das System sollte daher drei Ergebnisse beibehalten:

1. Nachweis-Output: verifizierte Transaktionen, Quotierungen, Mieten, Kosten, Sätze und betriebliche Beobachtungen.
2. Bewertungsergebnis: methodenspezifische Indikationen, Bandbreiten, Gewichtungen, Overlays und Schlussfolgerung.
3. Entscheidungsergebnis: genehmigte Maßnahme, Limits, Bedingungen, Zeitpunkt und verantwortlicher Eigentümer.

Die Trennung verhindert, dass das Modell eine Prognose stillschweigend in eine Anlageempfehlung oder eine Finanzierungszusage umwandelt.

und Entscheidungsrechte

Der Berater kann Nachweise, Modelle und Optionen strukturieren. Die Entscheidung liegt beim autorisierten Gremium des Kunden. Die Auftragsbedingungen sollten den Bewertungszweck, den Datenzugang, die Verlässlichkeit, Einschränkungen, Interessenkonflikte und den Genehmigungsworkflow festhalten.

Was aktuelle Standards verlangen

Marktnachweise und kalibrierte Methode

IFRS 13 erkennt Markt-, Ertrags- und Kostenansätze an und lässt eine oder mehrere Methoden zu [1]. Die Methode sollte den Umständen angemessen und durch ausreichende Daten gestützt sein. Bei den Eingaben sollten relevante beobachtbare Nachweise so weit wie möglich herangezogen werden. Ein Modell, das zur Bewertung eines nicht beobachtbaren Inputs beim erstmaligen Ansatz verwendet wird, sollte so kalibriert werden, dass es mit dem Transaktionspreis konsistent ist, wenn dieser Preis den beizulegenden Zeitwert darstellt. Die Methoden sollten stetig angewendet werden; eine Änderung kann jedoch angemessen sein, wenn sie eine Bewertung ergibt, die den beizulegenden Zeitwert gleichermaßen oder besser repräsentiert.

Dies schafft einen Prüfmaßstab für die Verwendung von AI. Mehr Variablen, eine schnellere Berechnung oder ein geringerer In-Sample-Fehler begründen keine repräsentativere Bewertung. Das Team benötigt Nachweise, dass die Methode zum Bewertungsobjekt, zum Markt, zum Datum und zum beabsichtigten Zweck passt.

Daten, Modell, Dokumentation und Berichterstattung

Die ab dem 31. Januar 2025 geltenden IVS haben eine überarbeitete Struktur der allgemeinen Standards eingeführt, einschließlich IVS 104 Daten und Inputs, IVS 105 Bewertungsmodelle und IVS 106 Dokumentation und Berichterstattung [2]. Die Struktur unterstützt eine Lebenszyklusperspektive:

• den Umfang und die Grundlage festlegen;
• Daten beschaffen und bewerten;
• Modelle auswählen und anwenden;
• fachliches Ermessen ausüben;
• wesentliche Dokumentation aufbewahren; und
• eine Schlussfolgerung mit Annahmen und Einschränkungen darlegen.

Die IPEV-2025-Leitlinien bieten aktuelle bewährte Praxis für Private Capital [3]. Private Märkte erfordern häufig nicht beobachtbare Inputs, Kalibrierung, Berücksichtigung der Unternehmensleistung, Marktbelege und Ermessen. AI kann Konsistenz und Abdeckung verbessern. Die Intransparenz eines Modells oder ein Anbieterlabel können die Anforderung nicht aufheben, die wesentlichen Treiber der Schlussfolgerung zu verstehen.

Automatisierte Bewertungsmodelle

RICS betrachtet AVMs als Spektrum und nicht als einzelnes Produkt [4]. An einem Ende kann ein Modell eine automatisierte Schätzung ohne fallspezifische fachliche Intervention liefern. Am anderen Ende unterstützt Analytik eine professionelle Bewertung. Die RICS-Leitlinie zur Bankkreditvergabe stellt fest, dass ein AVM geeignet sein kann, wenn Immobilien ausreichend homogen, Märkte aktiv und Daten angemessen sind, vorbehaltlich Validierung und der vereinbarten Beauftragung [5]. Einzigartige, Entwicklungs-, spezialisierte oder dünn gehandelte Immobilien erfordern eine stärkere fallspezifische Prüfung.

Die Kontrollimplikation ist eine dreistufige Taxonomie:

Marketing sollte das tatsächliche Niveau beschreiben. Ein durch AI unterstütztes Memorandum sollte nicht als unabhängige professionelle Bewertung dargestellt werden, es sei denn, Mandat, Standard, Kompetenz und Genehmigung stützen diese Beschreibung.

Das Register für Bewertungsnachweise

Nachweisobjekte

Ein geregelter Prozess speichert Nachweise als strukturierte, datierte Objekte. Eine Zahl in einer Tabellenkalkulation sollte ihre Quelle, ihr Beobachtungsdatum, ihr Gültigkeitsdatum, ihre Währung, Einheit, Geografie, Vermögenswertattribute, ihren Transaktionsstatus, Beziehungsstatus, ihre Konfidenz, Transformationen und ihren Prüfer bewahren.

Der Open-Data-Dienst des Dubai Land Department ist eine offizielle Quelle für ausgewählte Transaktions-, Miet-, Projekt- und Bewertungsfelder [11]. Der Datensatz sollte vor der Verwendung profiliert werden: fehlende Felder, Duplikate, Änderungen der Kodierung, Transaktionsart, Einheitenkonventionen, Geografie und Zeitverzögerungen können die Ergebnisse beeinflussen. Die Existenz eines Feldes belegt nicht, dass es vollständig oder wirtschaftlich vergleichbar ist.

Datenherkunft von der Quelle bis zur Ausgabe

Jede wesentliche Ausgabe sollte über fünf Verknüpfungen reproduzierbar sein:

1. Quelldatei, Datensatz oder Endpunkt;
2. unveränderlicher Ingestion-Snapshot;
3. Transformationscode und -version;
4. Modell- und Parameterversion; und
5. Berichtszelle, Diagramm oder Absatz.

Das Nachweisjournal sollte manuelle Änderungen getrennt von den Quellwerten erfassen. Wenn ein Analyst eine Transaktion ausschließt, eine Cap Rate ändert oder eine Qualitätsanpassung vornimmt, sollte das System den vorherigen Wert, den neuen Wert, den Verantwortlichen und den Grund beibehalten. Dieses Design unterstützt die Prüfung und ermöglicht es einem späteren Prüfer, den zum Bewertungsstichtag verfügbaren Informationsstand nachzubilden.

AI Extraktionsgrenze

Sprach- und Dokumentmodelle können Mietdaten, Mietanpassungen, Covenants, Cap Tables, Transaktionsbedingungen und operative Kennzahlen extrahieren. Extraktionen sollten als vorgeschlagene strukturierte Datensätze behandelt werden, bis sie anhand der Quellstelle verifiziert wurden. Der Datensatz sollte die Dokumentkennung, Seite oder Zelle, den extrahierten Text, den normalisierten Wert, die Modellversion, die Konfidenz und die Prüferentscheidung enthalten.

Das System sollte in den folgenden Fällen keine automatisierte Entscheidung treffen oder eine manuelle Prüfung verlangen:

• die Quelle gescannt, unvollständig oder in sich widersprüchlich ist;
• bei einem Betrag Währung oder Einheit fehlen;
• eine Klausel von Definitionen an anderer Stelle abhängt;
• eine Tabelle Ist-, Budget- und Prognosezeiträume zusammenführt;
• ein Transaktionswert von Schulden, Earn-outs oder bedingter Gegenleistung abhängt;
• ein Immobilienattribut im Widerspruch zu offiziellen Nachweisen steht; oder
• die Konfidenz des Modells oder die regelbasierte Validierung unter dem genehmigten Schwellenwert liegt.

Die Entscheidung, keine Aussage zu treffen, ist ein Kontrollergebnis. Sie lenkt knappe Expertenzeit auf die Fälle, in denen die Automatisierung am wenigsten zuverlässig ist.

Vergleichsanalyse als gesteuerte Pipeline

Die Frage nach Vergleichswerten

Ein Vergleichsobjekt ist eine Beobachtung, die dabei hilft, einzuschätzen, wie Marktteilnehmer das Bewertungsobjekt nach Berücksichtigung relevanter Unterschiede bepreisen würden. Ähnliche Namen, Branchen oder Postleitzahlen reichen nicht aus. Der Prozess sollte die wirtschaftliche Beziehung zwischen Bewertungsobjekt und Kandidat definieren.

Für ein Unternehmen können Dimensionen Geschäftsmodell, Geografie, Umsatzqualität, Wachstum, Marge, Kapitalintensität, Verschuldungsgrad, Größe und Transaktionsdatum umfassen. Für Immobilien können Dimensionen Teilmarkt, zulässige Nutzung, Eigentumsform, Größe, Alter, Ausstattung, Vermietungsstand, Ertragsqualität, Mietvertragslaufzeit, Entwicklungsstand und Verkaufsbedingungen umfassen. Für eine Fondsbeteiligung können Dimensionen Strategie, Vintage, Restlaufzeit, nicht abgerufene Kapitalzusage, Konzentration, NAV-Stichtag und Übertragungsbeschränkungen umfassen.

Kandidatengenerierung und Eignung

Die erste Stufe maximiert die Abdeckung innerhalb schriftlich festgelegter Grenzen. Die Suche kann Datenbanken, Register, semantische Dokumentensuche und strukturierte Filter nutzen. Die zweite Stufe wendet harte Eignungsregeln an. Die dritte Stufe nimmt eine Relevanzrangfolge vor. Die vierte Stufe erfordert eine Prüfung durch Analysten.

Die ursprüngliche Grundgesamtheit sollte sichtbar bleiben. Ein Abschlussbericht, der nur ausgewählte Transaktionen zeigt, kann eine Selektionsverzerrung verdecken. Prüfer benötigen ausgeschlossene Kandidaten und kodierte Gründe wie falsches Instrument, anderer Markt, Distress, nahestehende Partei, unvollständige Bedingungen, veraltetes Datum oder unvereinbare Rechte.

Vom direkten Matching zur Merkmalsanpassung

Die hedonische Analyse modelliert den Preis als Funktion von Merkmalen. Rosens Rahmenwerk von 1974 legte die ökonomische Grundlage für implizite Preise bei differenzierten Produkten [17]. Moderne Comparable-Systeme können die Idee durch regularisierte Regression, Tree-Ensembles und andere nichtlineare Methoden erweitern. Random Forests kombinieren dekorrelierte Bäume und bieten flexible Prognose- und Variablenwichtigkeitswerkzeuge [18]. Gradient Boosting konstruiert eine additive Funktion durch sequenzielle Optimierung einer Verlustfunktion [19].

Diese Methoden können nichtlineare Beziehungen und Interaktionen identifizieren. Ihre Verwendung erfordert weiterhin Kontrollen:

• die Zielvariable muss zur Bewertungsfrage passen;
• Trainingsbeobachtungen müssen vor dem Bewertungsstichtag liegen oder zu diesem gültig sein;
• Leakage aus zukünftigen oder abgeleiteten Ergebnisvariablen muss entfernt werden;
• Feature-Engineering muss wirtschaftlich verfügbare Informationen widerspiegeln;
• Die Kreuzvalidierung sollte Zeit, Entität und Geografie berücksichtigen;
• Fehler sollten nach relevantem Segment und nicht nur aggregiert ausgewiesen werden;
• Out-of-Distribution-Subjekte sollten gekennzeichnet werden; und
• Das Modell sollte die Prüfung wesentlicher Treiber unterstützen.

Lundberg und Lees SHAP-Framework ordnet Merkmalsbeiträge einzelnen Vorhersagen innerhalb einer additiven Erklärungsklasse zu [20]. Eine Erklärung zeigt, wie ein Modell eine Ausgabe erzeugt hat. Sie belegt keine Kausalwirkung, Datenqualität, Fairness oder Angemessenheit der Bewertung. Ein großer positiver Merkmalsbeitrag kann die Abhängigkeit von einer Variablen offenlegen, die hätte ausgeschlossen werden sollen.

Anpassungen und Bandbreiten

Eine Anpassung sollte Richtung, Grundlage, Ausmaß und Unsicherheit angeben. Eine Immobilientransaktion sechs Monate zuvor kann eine Zeitanpassung erfordern, die durch einen Index oder paarweise Evidenz gestützt wird. Ein kleineres Unternehmen kann eine Größen- oder Liquiditätserwägung erfordern. Eine Transaktion mit Entwicklungsgrundstück kann Anpassungen für Planung, Infrastruktur und Zahlungsbedingungen erfordern. Eine Private-Company-Transaktion kann eine Analyse der Sicherungsrechte und der Kapitalstruktur erfordern.

Das Ergebnis sollte eine Verteilung oder Bandbreite sein, nicht künstliche Präzision. Die Bandbreite kann Modellunsicherheit, Unsicherheit der Eingangsdaten und Szenariounsicherheit kombinieren. Breitere Bandbreiten sollten eine stärkere Prüfung, eine geringere Verlässlichkeit oder eine ausdrückliche Entscheidung zur Enthaltung auslösen.

Die hybride Bewertungsarchitektur

Transparenter Kern, maschinelle Unterstützung und freigegebene Overlays

Die Architektur sollte die wirtschaftliche Methodik sichtbar halten. Maschinelles Lernen kann die Nachweisermittlung, die Rangfolge vergleichbarer Objekte, nichtlineare Anpassungen und die Fehlererkennung unterstützen. Ein transparenter Kern behält die für die Prüfung erforderliche Markt-, Ertrags- und Kostenlogik bei.

Die Mindestarchitektur umfasst:

• Quellenschicht: amtliche, Anbieter-, Kunden- und Marktbelege mit Zugriffskontrollen;
• Nachweisschicht: versionierte Beobachtungen, Normalisierung und Qualitätskennzeichen;
• Modellschicht: Modelle für Direktvergleich, Regression, Baummodelle, DCF, Residualbodenwerte und Kosten;
• Szenarioschicht: Zustände, Abhängigkeiten, Managementmaßnahmen und Wahrscheinlichkeitsbehandlung;
• Kontrollschicht: Bestandsverzeichnis, Genehmigung, Validierung, Schwellenwerte, Überschreibungen und Überwachung;
• Entscheidungsschicht: Bericht, Ausschussvorlage, Bedingungen und verantwortliche Freigabe; und
• Lernschicht: realisierte Ergebnisse, Fehler, Ausnahmen und Behebung.

Modellinventar und beabsichtigte Verwendung

Die CBUAE Model Management Standards definieren Erwartungen an Governance, Daten, Entwicklung, Validierung, Implementierung und Nutzung [6]. Die SR 26-2 der Federal Reserve hat im April 2026 SR 11-7 ersetzt und betont einen risikobasierten Ansatz, der auf das Modellprofil, die Größe und die Komplexität der Organisation zugeschnitten ist [14]. Die aktuelle SS1/23 der PRA legt fünf Grundsätze fest, die Identifizierung und Klassifizierung, Governance, Entwicklung und Nutzung, unabhängige Validierung und Minderungsmaßnahmen innerhalb ihres festgelegten Bankenbereichs abdecken [15].

Das Bewertungsinventar sollte statistische, finanzielle, regelbasierte und generative Komponenten umfassen. Ein Comparable-Ranking-Algorithmus kann den Wert wesentlich beeinflussen, selbst wenn er nicht die endgültige Zahl berechnet. Eine Tabellenkalkulation mit ermessensbasierten Makros kann ein Modell sein. Ein Anbieter API bleibt innerhalb des Governance-Perimeters des Nutzers.

Generative AI als Schnittstellenschicht

Generative AI kann das Nachweisregister abfragen, vergleichbare Zusammenfassungen erstellen, Unterschiede zwischen Szenarien erläutern und Abschnitte für Ausschussvorlagen erstellen. Sie sollte aus kontrollierten Quellen abrufen und den zugrunde liegenden Datensatz zitieren. Deterministische Berechnungen sollten in kontrolliertem Code oder in Finanzmodellen ausgeführt werden. Das Sprachmodell sollte nicht der alleinige Rechner für wesentliche Werte, Wahrscheinlichkeiten oder Covenants sein.

Das NIST-Profil für Generative AI benennt Risiken wie Konfabulation, Datenschutz, Informationsintegrität und die Konfiguration der Mensch-AI-Interaktion [8]. Ein sicheres Design beschränkt die Werkzeuge, Datenbereiche, Ausgabeschemata und Berechtigungen des Modells. Es protokolliert Prompts, abgerufene Nachweise und Ausgaben, soweit rechtlich und operativ angemessen. Wesentliche Aussagen erfordern Quellenprüfungen.

Szenariomodellierung

Szenarien sind kohärente Zustände

Eine Sensitivitätsanalyse ändert eine Eingangsgröße, während die übrigen konstant gehalten werden. Ein Szenario beschreibt einen kohärenten Zustand, in dem mehrere Treiber gemeinsam wirken und Managementmaßnahmen auslösen können. Eine Wahrscheinlichkeitsverteilung beschreibt eine breitere Ergebnisbandbreite unter einer definierten stochastischen Struktur. Diese Instrumente beantworten unterschiedliche Fragen.

Für einen Entwickler kann eine langsamere Absorption mit höheren Anreizen, geringeren Bareinnahmen, längerer Baufinanzierung und einem späteren Exit einhergehen. Für ein Family Office können niedrigere Exit-Multiples mit schwächeren Erträgen, verzögerter Liquidität und einem veränderten FX- oder Zinsumfeld einhergehen. Unabhängige Sensitivitäten mit einer Variablen können diese Abhängigkeiten unterschätzen.

Treiberkarte

Die Szenario-Engine sollte mit kausalen und vertraglichen Verknüpfungen beginnen, die das Management überprüfen kann.

Das Modell sollte intern inkonsistente Kombinationen verhindern, es sei denn, der Zweck besteht darin, eine extreme Verwerfung zu testen. Ein Fall schneller Verkäufe mit drastischen Preissenkungen kann gültig sein. Er erfordert eine explizite Elastizitätsannahme. Ein Niedrigzinsfall mit einem höheren Diskontsatz kann gültig sein, wenn sich die Risikoprämien ausweiten. Er erfordert die Zerlegung.

Protokoll zur Szenariokonstruktion

1. Definieren Sie Entscheidung, Zeithorizont und Bewertungsstichtag.
2. Wählen Sie wesentliche wirtschaftliche und vertragliche Treiber aus.
3. Legen Sie anhand freigegebener Evidenz einen Basisfall fest.
4. Definieren Sie alternative Zustände mit kohärenten Treiberbewegungen.
5. Ergänzen Sie Managementmaßnahmen mit Befugnis, Kosten und Verzögerung.
6. Berechnen Sie Cashflows, Finanzierung, Covenants und Endwerte.
7. Stimmen Sie die Ergebnisse mit Markt- und Kostennachweisen ab.
8. Weisen Sie Wahrscheinlichkeiten nur zu, wenn Governance und Evidenz sie stützen.
9. Berichten Sie ungewichtete Fälle, wenn Wahrscheinlichkeiten Scheingenauigkeit erzeugen würden.
10. Erfassen Sie die durch jeden Zustand ausgelösten Handlungsschwellen.

AI-gestützte Szenariogenerierung

AI kann offizielle Veröffentlichungen, Marktbelege, Betriebsberichte und Verträge durchsuchen, um Risikotreiber vorzuschlagen. Es kann historische Zustände gruppieren und nach ausgelassenen Abhängigkeiten suchen. Es kann Kandidatennarrative erzeugen und Annahmen hinterfragen. Kandidatenszenarien bleiben Vorschläge, bis ein verantwortlicher Eigentümer sie genehmigt.

Das System sollte unterscheiden:

• beobachteter Zustand: gestützt auf datierte Nachweise;
• Management-Szenario: genehmigter Plan oder genehmigtes Budget;
• Marktteilnehmer-Szenario: Annahmen, die mit der definierten Grundlage übereinstimmen;
• Stressszenario: bewusst streng, aber kohärent;
• Reverse-Stress: Zustand, der eine Wert-, Liquiditäts- oder Covenant-Schwelle verletzt; und
• Explorationsszenario: Möglichkeit mit geringer Nachweislage, die für die strategische Diskussion beibehalten wird.

Wahrscheinlichkeiten sollten nicht aus der Sprachgewandtheit von Sprachmodellen abgeleitet werden. Sie erfordern eine ausgewiesene statistische, Markt- oder Governance-Grundlage.

Validierung, Unsicherheit und Enthaltung

Validierung ist unabhängige Hinterfragung

Die Validierung sollte Konzept, Daten, Implementierung, Performance, Nutzung und Berichterstattung abdecken. Die Unabhängigkeit sollte der Wesentlichkeit angemessen sein. Der Prüfer benötigt ausreichende Befugnisse, Kompetenz und Zugang, um das Modell zu hinterfragen und die Nutzung einzuschränken.

Fehlermaße

Der mittlere absolute Fehler ist in Währungseinheiten interpretierbar. Der mediane absolute prozentuale Fehler verringert den Einfluss extremer prozentualer Fehler. Die Wurzel des mittleren quadratischen Fehlers bestraft große Abweichungen. Die Rangkorrelation kann die Screening-Leistung testen. Die Kalibrierung prüft, ob angegebene Intervalle realisierte Ergebnisse mit der erwarteten Häufigkeit enthalten. Kein einzelnes Maß ist ausreichend.

Kok, Koponen und Martinez-Barbosa berichteten über einen absoluten Fehler von 9 Prozent für ihr automatisiertes Modell anhand einer definierten Stichprobe von US-Mehrfamilienimmobilien [22]. Das Ergebnis ist ein relevanter Beleg dafür, dass ein AVM ausgewählte Bewertungs-Benchmarks in einem bestimmten Umfeld übertreffen kann. Ohne erneute Validierung sollte es nicht auf GCC-Entwicklungsprojekte, Privatunternehmen oder jedes Immobiliensegment übertragen werden.

Prognoseintervalle

Punktschätzungen verdecken Unsicherheit. Conformal Prediction kann unter ihren Annahmen verteilungsfreie Prognoseintervalle mit marginaler Abdeckung bei endlicher Stichprobe erzeugen, indem ein Kalibrierungssatz für ein ausgewähltes Prognosemodell verwendet wird [21]. Die Abdeckung kann sich bei Verteilungsverschiebung verschlechtern, und marginale Abdeckung garantiert keine gleichermaßen starke Abdeckung für jede Untergruppe oder jeden Vermögenswert.

Ein institutioneller Bericht sollte Folgendes ausweisen:

• zentrale Indikation;
• genehmigte Bewertungsspanne;
• statistisches Vorhersageintervall, sofern anwendbar;
• Szenariospanne;
• wesentliche nicht beobachtbare Inputs;
• Streuung der Vergleichswerte;
• Out-of-Distribution-Status; und
• Entscheidungsschwelle.

Enthaltungsmatrix

Die Engine sollte zurückgeben manuelle Bewertung erforderlich wenn Evidenz oder Modellgüte außerhalb ihrer Freigabe liegen.

Das Vorher-Nachher-Betriebsmodell

Aktueller fragmentierter Workflow

Viele Bewertungsprozesse verteilen die Arbeit auf E-Mails, Ordner, Tabellenkalkulationen, PDF-Berichte und Marktdatenbanken. Analysten geben Informationen erneut ein, bauen Vergleichstabellen neu auf, ändern Datumsangaben manuell und verfolgen Zahlen nach, wenn ein Prüfer eine Frage stellt. Dieselbe Arbeit wird für Monitoring, Ausschussvorlagen und Kreditgeberunterlagen wiederholt. Die Kontrolle hängt von der individuellen Dateidisziplin ab.

Kontrollierter Ziel-Workflow

Der Zielprozess verlagert Expertenzeit von der Recherche und Neuformatierung hin zu Abgrenzungsentscheidungen, zum Hinterfragen von Belegen, zu Anpassungen, zur Szenariogestaltung und zur Schlussfolgerung. Diese Verlagerung sollte anhand freigegebener Ergebnisse gemessen werden, nicht anhand von Rohentwürfen.

Zwei hypothetische Beispiele zur Veranschaulichung

Szenario A: Entwicklungsentscheidung

Veranschaulichendes Beispiel Ein UAE/GCC-Projektentwickler prüft ein gemischt genutztes Projekt. Alle Zahlen, Termine und Ergebnisse in diesem Unterabschnitt sind unverifizierte Annahmen des Managements, die zur Veranschaulichung des Rahmenwerks erstellt wurden. Sie sind keine Bewertung, Prognose oder Transaktionsempfehlung.

Der zentrale Bruttoentwicklungserlös beträgt AED 1.125 billion vor Anreizen, Stornierungen, Steuern, Gebühren und sonstigen Anpassungen. Das Downside-Szenario kombiniert einen niedrigeren Preis, eine langsamere Absorption, Kostensteigerungen und eine längere Finanzierungsdauer. Das Upside-Szenario kombiniert einen höheren Preis, eine schnellere Absorption und eine kürzere Finanzierungsdauer. Die Abhängigkeiten verhindern, dass das Modell jeden Treiber als isolierte Sensitivität behandelt.

Das Comparable-Modul sucht in offiziellen und freigegebenen Anbieterdaten nach Transaktionen mit Grundstücken, Einheiten und fertiggestellten Objekten. Es behält das vollständige Kandidatenuniversum bei und filtert anschließend nach Lage, Nutzung, Status, Datum und Transaktionsart. Der Prüfer genehmigt Anpassungen für Zahlungsplan, Aussicht, Ausstattung, Fertigstellungsstadium, Eigentumstitel und Bulk-Konditionen. Das Szenariomodul übersetzt Preis und Absorption dann in Einzahlungen, Baufinanzierung, Fremdkapitaleinsatz und Eigenkapitalbedarf.

Entscheidungsschwellen können eine maximale Eigenkapitalspitze, eine Mindestzinsdeckung, Covenant-Spielraum und eine Mindestrendite im Downside-Fall umfassen. Das Modell sollte zeigen, welche Annahme zuerst einen Verstoß verursacht. AI kann die Abweichungserläuterung entwerfen. Die Finanz- und Investitionsgremien genehmigen das Szenario, die Finanzierungsbehandlung und die Entscheidung.

Szenario B: Private-Asset-Entscheidung

Veranschaulichendes Beispiel Ein Family Office prüft eine Minderheitsbeteiligung an einem privaten operativen Unternehmen. Alle Zahlen, Daten und Ergebnisse in diesem Unterabschnitt sind ungeprüfte Annahmen des Managements. Sie sind keine Bewertung, Allokationsempfehlung oder erwartete Rendite.

Die Comparable-Engine filtert börsennotierte und private Transaktionen nach Geschäftsmodell, Geografie, Wachstum, Umsatzqualität, Marge, Größe, Sicherungsrechten und Datum. Sie zeigt die Auswirkung jeder Ausgrenzung und Anpassung. Der Ertragswertansatz verwendet eine treiberbasierte Prognose. Die Szenario-Engine kombiniert operative Leistung, Kapitalbedarf, Verwässerung, Exit-Zeitpunkt und Marktmultiple.

Das Entscheidungsergebnis des Family Office ergänzt Mandatseignung, Liquiditätsreserve, Konzentration, Governance-Rechte, Informationsrechte und Folgeinvestitionskapazität. Ein belastbarer Unternehmenswert begründet noch keine Portfolioeignung. Der Investmentausschuss genehmigt die Allokation und die Bedingungen.

Evidenzgrenze der Szenarien

Die Szenario-Inputs weisen keine beobachtete Validierung auf. Ihre Werte sollten nicht in Marketing, Marketingaussagen, Fallstudien oder Performance-Attribution erscheinen. Zugerechneter Matchpoint- oder Kundenumsatz, Senkung der Baraufwendungen, Verlustreduktion und Alpha aus diesen Szenarien bleiben USD 0.

Produktivität und Umsatz

Produktivitätseinheit

Die Produktivitätseinheit sollte ein akzeptiertes, entscheidungsreifes Ergebnis sein. Textentwürfe, abgerufene Dokumente, generierte Vergleichswerte und Modellläufe sind Zwischenarbeit. Ein schnellerer Entwurf, der zusätzlichen Prüf- oder Fehleraufwand erzeugt, ist kein Produktivitätsgewinn.

Externe Produktivitätsnachweise

Brynjolfsson, Li und Raymond untersuchten eine gestaffelte Einführung bei 5.172 Mitarbeitern im Kundensupport und berichteten von einem durchschnittlichen Anstieg der pro Stunde gelösten Probleme um 15 Prozent, bei heterogenen Effekten [23]. Die experimentelle Studie von Noy und Zhang zu professionellen Schreibaufgaben ergab im Rahmen ihres Designs kürzere Bearbeitungszeiten und eine höhere Ausgabequalität [24]. Dell'Acqua und Mitautoren untersuchten 758 Berater und berichteten von Leistungssteigerungen bei Aufgaben innerhalb der getesteten Fähigkeitsgrenze von AI, mit schwächerer Leistung bei einer Aufgabe außerhalb dieser Grenze [25].

Diese Studien liefern glaubwürdige Belege dafür, dass generative AI ausgewählte Wissensarbeitsaufgaben verbessern kann. Sie belegen keine Produktivitätsrate für die Bewertung. Die Bewertung umfasst andere Nachweise, professionelle Standards, Modelle, Konsequenzen und Prüfung. Matchpoint und die Kundenproduktivität sollten in einem kontrollierten Pilotprojekt gemessen werden.

Nicht verifizierte illustrative Business-Case-Überleitung

Veranschaulichendes Beispiel Angenommen, ein Team schließt 20 akzeptierte Bewertungs- oder Monitoring-Pakete pro Monat ab. Angenommen, ein kontrollierter Pilot reduziert die mediane menschliche Bearbeitungszeit von 24 Stunden auf 18 Stunden, während Akzeptanz, wesentliche Korrekturen und Fehlermaße innerhalb genehmigter Schwellenwerte bleiben. Die illustrative freigesetzte Kapazität beträgt 120 Stunden pro Monat. Dies ist eine Planungsrechnung, kein beobachtetes Matchpoint oder Kundenergebnis.

Freigesetzte Kapazität kann für mehr Abdeckung, schnellere Entscheidungen, qualitativ hochwertigere Hinterfragung oder Kundenarbeit genutzt werden. Umsatz entsteht nur, wenn die Kapazität ein unterzeichnetes Mandat, ein akzeptiertes Deliverable und eine vereinnahmte Gebühr unterstützt. Eine Umsatzformel kann wie folgt geschrieben werden:

Vereinnahmter Umsatz = akzeptierte bezahlte Outputs x genehmigter Preis x Einzugsquote - Rückerstattungen und Gutschriften

Jeder Term benötigt beobachtete Evidenz. Bis diese Evidenz genehmigt ist, bleibt zugeordneter vereinnahmter Umsatz USD 0.

Umsatzarchitektur nach Zielgruppe

Für Projektentwickler kann eine Dienstleistung eine Evidenz- und Bewertungsdiagnose, ein Kapitalstruktur-Szenariopaket, einen Kreditgeber- oder Investoren-Case, Modellbereinigung und ein überwachtes Szenario-Update umfassen. Für Family Offices kann sie eine Bewertungsprüfung privater Vermögenswerte, eine Hinterfragung der Portfoliobewertungen, ein Liquiditätsszenariopaket, Transaktions-Underwriting und laufendes Monitoring umfassen. Kommerzielle Bedingungen erfordern eine gesonderte Genehmigung und Mandatsdokumentation.

Die Website und die Forschungsarbeit sollten Fähigkeiten und Kontrollen beschreiben. Kundenspezifische Ergebnisaussagen erfordern beobachtete Evidenz, Genehmigung und angemessene Offenlegung.

Fehlermodi und Kontrollreaktionen

Datenfehler

Veraltete, duplizierte, selektiv berichtete oder falsch normalisierte Evidenz kann die Modellqualität dominieren. Ein Modell mit höherer Kapazität kann Datenfehler konsistenter reproduzieren. Kontrollen umfassen Quellenpriorität, Gültigkeitsdaten, Vollständigkeitsprüfungen, Einheitenvalidierung, Beziehungsmarkierungen, Duplikaterkennung, Abstimmung und Prüferstichproben.

Fehler bei der Comparable-Auswahl

Ähnlichkeitsalgorithmen können Proxys erlernen, die statistisch nützlich erscheinen und wirtschaftlich ungeeignet sind. Analysten können außerdem Cherry-Picking bei Comparables betreiben. Kontrollen umfassen ein schriftlich definiertes Universum, harte Eignungskriterien, ein vollständiges Ausschlussprotokoll, eine Merkmalsprüfung, alternative Rankingmethoden und Out-of-Sample-Performance.

Prognose- und Szenariofehler

Szenarien können inkonsistente Abhängigkeiten verbergen, Risiken doppelt zählen, Wahrscheinlichkeiten ohne Evidenz anwenden oder Finanzierungsrestriktionen ignorieren. Kontrollen umfassen einen Treibergraphen, eine Abstimmung von Rechnungswesen und Cash, eine Logik für Managementmaßnahmen, Reverse-Stress und unabhängige Hinterfragung.

Automatisierungsbias

Ausgefeilte Darstellung und präzise Zahlen können das Vertrauen der Nutzer erhöhen. Der Bericht sollte beobachtete Evidenz, Modellschätzungen, Managementannahmen, Overlays und unverifizierte Szenarien sichtbar unterscheiden. Prüfer sollten Modellwidersprüche und fehlende Evidenz vor der Schlussfolgerung sehen.

Modell-Drift

Marktregime, Datenabdeckung, Anreize und Vermögensmix ändern sich. Das Monitoring sollte Eingabeverteilung, Fehler, Intervallabdeckung, Überschreibungsrate, Fehlendheit und Segmentleistung prüfen. Eine Überschreitung eines Schwellenwerts sollte Einschränkung, Neukalibrierung, Neuentwicklung oder Außerbetriebnahme auslösen.

Cyber-, Datenschutz- und Anbieterausfälle

Bewertungssysteme können vertrauliche Finanz-, Eigentums-, Immobilien- und Transaktionsdaten enthalten. Kontrollen umfassen Minimalzugriff, Verschlüsselung, Regionen- und Aufbewahrungsanalyse, Anbieter-Due-Diligence, Incident Response, Prompt- und Tool-Berechtigungen, Ausgabefilterung, Backup- und Exportfähigkeit. Ein Anbieterdienst sollte nicht das einzige Evidenz-Repository werden.

Governance und Freigabe-Gates

Steuern, Abbilden, Messen und Managen

NIST AI RMF organisiert AI Risikoarbeit in vier Funktionen [7]. Angewandt auf die Bewertung:

• Steuern: Verantwortlichkeit, Richtlinien, Inventar, Risikobereitschaft und Eskalation festlegen.
• Abbilden: die Entscheidung, Nutzer, Gegenstand, Kontext, Schäden und Abhängigkeiten definieren.
• Messen: Daten, Modell, Unsicherheit, Sicherheit, Erklärbarkeit und menschliche Nutzung testen.
• Verwalten: genehmigen, einschränken, überwachen, beheben, kommunizieren und außer Betrieb nehmen.

ISO/IEC 42001 legt Anforderungen an ein AI-Managementsystem fest und unterstützt einen umfassenderen organisatorischen Rahmen für die verantwortungsvolle Entwicklung und Nutzung [16]. Die Einführung oder Zertifizierung sollte nicht als Nachweis dafür dargestellt werden, dass eine bestimmte Bewertung korrekt ist.

Freigabe-Gates

Die Genehmigung kann das Modell auf einen Markt, eine Anlageklasse, einen Zeitraum, einen Wertebereich oder einen Verwendungszweck beschränken. Ein erfolgreicher Pilot belegt nur den getesteten Geltungsbereich.

90-Tage-Roadmap zur Einführung

Tage 0–15: Geltungsbereich und Bestandsaufnahme

• einen begrenzten Geltungsbereich oder Anwendungsfall auswählen;
• Zweck, Grundlage, Datum, Nutzer und Entscheidungsrechte dokumentieren;
• bestehende Daten, Modelle, Tabellenkalkulationen und Anbieter erfassen;
• vertrauliche Daten und Zugriffsrechte abbilden;
• Akzeptanz-, Fehler- und Produktivitätsmetriken definieren; und
• die aktuelle Ausgangsbasis festhalten.

Freigabepunkt: freigegebene Anweisung, Verantwortlicher, Ausgangsbasis und Datenzugriffsplan.

Tage 16–30: Nachweisregister

• Quellenhierarchie und Datenwörterbuch erstellen;
• eine datierte Nachweis-Momentaufnahme einlesen;
• Provenienz-, Transformations- und Ausschlussfelder anlegen;
• Vollständigkeit, Einheiten, Duplikate und Leakage prüfen;
• AI-Extraktionsprüfung definieren; und
• ein repräsentatives Fallset vorbereiten.

Freigabepunkt: Nachweise können von der Quelle bis zum normalisierten Feld zurückverfolgt werden.

Tage 31–45: Prototyp für Vergleichbarkeit und Szenarien

• Eignungs- und Ranking-Regeln implementieren;
• transparente Benchmark-Methoden aufbauen;
• merkmalsadjustierte Alternativen ergänzen;
• den Szenario-Treiber-Graphen erstellen;
• Abstentions- und Override-Logik definieren; und
• quellenverlinkte Entwurfsergebnisse erstellen.

Freigabepunkt: jede Schlussfolgerung kann reproduziert und infrage gestellt werden.

Tage 46–60: unabhängige Validierung

• Konzept, Daten, Code und Ausgabe testen;
• zeitbewusste Performance-Tests und Segment-Performance-Tests durchführen;
• Vorhersageintervalle und Out-of-Distribution-Flags testen;
• Erläuterungen und Negativfälle prüfen;
• Sicherheit, Zugriff und Anbieter-Fallback testen; und
• Feststellungen beheben.

Freigabepunkt: Keine kritischen offenen Feststellungen; genehmigte Einschränkungen dokumentiert.

Tage 61–75: Schattenbetrieb

• die neuen und bestehenden Prozesse parallel betreiben;
• Zeit-, Akzeptanz-, Korrektur- und Ausnahmedaten erfassen;
• Entscheidungen von Modell und Prüfern vergleichen;
• Begründung und Ergebnis von Übersteuerungen dokumentieren;
• die Berichterstattung an den Ausschuss testen; und
• Schwellenwerte verfeinern.

Freigabepunkt: Die Evidenz stützt eine kontrollierte Nutzung innerhalb des definierten Rahmens.

Tage 76–90: kontrollierte Freigabe

• Modell-, Daten- und Benutzerberechtigungen genehmigen;
• Benutzer und Prüfer schulen;
• Überwachung und Vorfall-Workflow aktivieren;
• Änderungs- und Stilllegungsprozesse definieren;
• nur den genehmigten Anwendungsfall freigeben; und
• Planen Sie die Überprüfung nach der Implementierung.

Freigabepunkt: Die verantwortliche Stelle unterzeichnet die Freigabe und die Einschränkungen.

Aussagenregister und Einschränkungen

Zulässige Aussagen

Die Evidenz stützt die folgenden begrenzten Aussagen:

• AI und maschinelles Lernen können die Evidenzextraktion, Vergleichsanalyse, Modellierung und Szenarienerstellung unterstützen.
• Offizielle Bewertungsstandards erfordern einen definierten Umfang, geeignete Daten, Methodik, Ermessen, Dokumentation und Berichterstattung [1-5].
• Rahmenwerke für Modellrisiken betonen Inventarisierung, Governance, Validierung, Monitoring und Kontrolle [6-8,14-16].
• Primärstudien zeigen Produktivitätsverbesserungen bei ausgewählten Kundensupport-, Schreib- und Beratungsaufgaben [23-25].
• Eine AVM-Studie für Gewerbeimmobilien berichtete über ein vorteilhaftes Fehlerverhalten innerhalb ihrer spezifischen US-amerikanischen Mehrfamilienhaus-Stichprobe [22].
• Offizielle Dubai-Daten verbessern den Zugang zu ausgewählten Marktbeobachtungen [11-12].

Nicht belegte Aussagen

Die Evidenz belegt nicht, dass:

• eine Ausgabe von AI eine Bewertung oder eine Investitionsentscheidung ist;
• ein Modell bei allen GCC-Vermögenswerten und -Regimen treffsicher ist;
• mehr Daten machen Urteilsvermögen entbehrlich;
• Erklärung beweist Kausalität oder Fairness;
• Eine Punktschätzung ist entscheidungsnützlicher als eine Bandbreite;
• Externe Produktivitätsprozentsätze gelten für die Bewertung;
• schnellere Produktion erzeugt vereinnahmte Erlöse; oder
• hat Matchpoint oder Kundenerlöse, Bareinsparungen, Verlustreduzierungen oder Alpha generiert.

Empirische Einschränkungen

Es wurden weder Matchpoint noch ein Kunden-Pilotdatensatz, realisierte Bewertungsergebnisse, eine Zeitstudie, eine Fehlerserie, ein Abnahmeprotokoll oder Umsatznachweise bereitgestellt. Die illustrativen Beispiele und Szenarien sind keine beobachteten Fälle. Das Papier schlägt daher ein System und ein Testprotokoll vor. Es berichtet nicht über die Leistung eines produktiv eingesetzten Modells.

Regulatorische und berufsständische Einschränkungen

Anforderungen an Rechnungslegung, Bewertung, Wertpapiere, Kreditvergabe, Daten, AI und Berufsausübung variieren je nach Rechtsträger, Vermögenswert, Jurisdiktion, Auftrag und Datum. Die zitierten Materialien der SEC, der Federal Reserve und der PRA haben definierte institutionelle Geltungsbereiche. Sie werden außerhalb dieser Geltungsbereiche als vergleichende Kontrollnachweise verwendet, nicht als Aussagen über eine universelle rechtliche Verpflichtung.

Technische Einschränkungen

Die Leistung des Modells hängt von Quellenabdeckung, Kodierung, Feature-Design, Regime, Untersuchungsgegenstand und beabsichtigter Verwendung ab. Vorhersageintervalle hängen von ihrer Methode und ihren Annahmen ab. Generative Modelle können nicht belegte Inhalte erzeugen. Anbietermodelle können sich ändern. Das Produktionssystem benötigt Versionskontrolle, Validierung, Monitoring, Zugriffskontrollen und Fallback.

Kommerzielle Einschränkungen

Es wurde keine Prognose zu Nachfrage, Preisgestaltung, Konversion oder Erlöseinziehung genehmigt. Die Paketierung von Dienstleistungen und Honorare erfordern die Genehmigung durch CK sowie Bedingungen für die Kundenbeauftragung. Zugeschriebene Erlöse, Reduzierung der Barausgaben, Verlustreduzierung und Alpha bleiben USD 0.

Fazit

AI-gestützte Bewertung sollte als System von der Evidenz zur Entscheidung konzipiert sein. Das System beginnt mit Zweck, Rechten, Grundlage, Datum und Zuständigkeit. Es speichert Markt- und Betriebsevidenz mit Herkunftsnachweis. Es hält das Vergleichsuniversum, die Eignung, die Rangfolge, Anpassungen und Ausschlüsse sichtbar. Es kombiniert transparente Bewertungsmethoden mit begrenzter maschineller Unterstützung. Es modelliert kohärente Szenarien und Managementmaßnahmen. Es berichtet Unsicherheit und enthält sich außerhalb des genehmigten Bereichs. Es weist die letzte Entscheidungsbefugnis rechenschaftspflichtigen Menschen zu.

Für CIOs von Family Offices und Leiter alternativer Anlagen kann das System die Konsistenz und Abdeckung von Entscheidungen zu privaten Vermögenswerten erhöhen, während die Prüfung von Mandat, Liquidität und Konzentration gewahrt bleibt. Für Immobilienentwickler und Finanzsponsoren von UAE/GCC kann es Marktevidenz, Entwicklungsannahmen, Kapitalstruktur und Entscheidungsschwellen in einem gesteuerten Prozess verbinden. In beiden Fällen sollte die Produktivität anhand akzeptierter Ergebnisse gemessen und der Wert anhand genehmigter beobachteter kommerzieller Evidenz zugeschrieben werden.

Die zentrale Umsetzungsdisziplin ist die Rückverfolgbarkeit. Ein Prüfer sollte von der Schlussfolgerung zur Methode, zur Annahme, zur Transformation und zur datierten Quelle gelangen können. Ein Ausschuss sollte Unsicherheit, Szenarioabhängigkeit und Modellabweichungen erkennen können, bevor er eine Maßnahme genehmigt. Ein zukünftiges Ergebnis sollte das Modell und die Kontrollaufzeichnung aktualisieren. So kann AI die analytische Abdeckung vervielfachen, ohne das Bewertungsurteil zu verschleiern.

Quellen

[1] IFRS-Stiftung. IFRS 13 Bemessung des beizulegenden Zeitwerts. Veröffentlichte Standards, Ausgabe 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] International Valuation Standards Council. Neue Ausgabe der International Valuation Standards veröffentlicht. 31. Januar 2024; wirksam ab 31. Januar 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] International Private Equity and Venture Capital Valuation Board. Internationale Bewertungsleitlinien für Private Equity und Risikokapital. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Royal Institution of Chartered Surveyors. Automatisierte Bewertungsmodelle. Analysepapier, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Bewertungen für Bankkredite und Beleihungswert, 2. Auflage. Dezember 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Zentralbank der UAE. Standards für das Modellmanagement. Mitteilung 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] National Institute of Standards and Technology. Risikomanagement-Rahmenwerk für Künstliche Intelligenz (AI RMF 1.0). NIST AI 100-1, Januar 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] National Institute of Standards and Technology. Risikomanagement-Rahmenwerk für Künstliche Intelligenz: Profil für generative Künstliche Intelligenz. NIST AI 600-1, Juli 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Dubai Financial Services Authority. Neue DFSA-Umfrage zu AI: Die Verbreitung generativer AI innerhalb des DIFC hat sich nahezu verdreifacht; die Governance entwickelt sich weiter. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Internationale Organisation der Wertpapieraufsichtsbehörden. Künstliche Intelligenz an den Kapitalmärkten: Anwendungsfälle, Risiken und Herausforderungen. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Grundstücksbehörde von Dubai. Immobiliendaten: Open Data. Zugriff am 1. August 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Grundstücksbehörde von Dubai. Dubais Immobilientransaktionen legen im 1. Quartal 2026 um 31 % auf AED 252 billion zu. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Wertpapier- und Börsenaufsichtsbehörde der Vereinigten Staaten. Feststellungen des beizulegenden Zeitwerts nach Treu und Glauben: Compliance-Leitfaden für kleine Unternehmen. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Rat der Gouverneure des Federal Reserve Systems. SR 26-2: Überarbeitete Leitlinien zum Management von Modellrisiken. 17. April 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

Bank of England, Prudential Regulation Authority. SS1/23: Grundsätze für das Management von Modellrisiken bei Banken. Aktuelle Fassung, April 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Internationale Organisation für Normung. ISO/IEC 42001:2023, Informationstechnik – Künstliche Intelligenz – Managementsystem. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Hedonische Preise und implizite Märkte: Produktdifferenzierung im reinen Wettbewerb. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Breiman, L. Random Forests. Machine Learning, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. Greedy-Funktionsapproximation: Eine Gradient-Boosting-Maschine. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., und Lee, S.-I. Ein einheitlicher Ansatz zur Interpretation von Modellvorhersagen. Advances in Neural Information Processing Systems 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., und Bates, S. Eine sanfte Einführung in konforme Vorhersage und verteilungsfreie Unsicherheitsquantifizierung. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., und Martinez-Barbosa, C. A. Big Data in der Immobilienbranche? Von der manuellen Bewertung zur automatisierten Bewertung. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., und Raymond, L. Generative AI am Arbeitsplatz. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., und Zhang, W. Experimentelle Belege zu den Produktivitätseffekten generativer künstlicher Intelligenz. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F. und Lakhani, K. R. Die zerklüftete technologische Grenze navigieren: Feldexperimentelle Evidenz zu den Auswirkungen von AI auf Produktivität und Qualität von Wissensarbeitern. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Anhang A. Mindestdatensatz für Bewertungsnachweise

Anhang B. Checkliste zur Prüfung von Vergleichswerten

• Sind das Bewertungsobjekt und die Rechnungseinheit definiert?
• Wird das Bewertungsdatum in der Nachweisabfrage durchgesetzt?
• Wird das vollständige Kandidatenuniversum beibehalten?
• Sind harte Eignungsregeln vor der Rangfolgebildung schriftlich festgelegt?
• Hat jeder ausgeschlossene Vergleichswert einen kodierten Ausschlussgrund?
• Sind Transaktionsbedingungen und Sicherungsrechte normalisiert?
• Sind Anpassungen für Zeit, Größe, Qualität, Rechte und Finanzierung nachgewiesen?
• Vermeidet das Modell zukünftige Informationen und Target-Leakage?
• Werden Fehler nach wesentlichem Segment und Zeitraum ausgewiesen?
• Liegt das Bewertungsobjekt innerhalb der validierten Datenverteilung?
• Werden Methodenindikationen abgeglichen statt mechanisch gemittelt?
• Werden Prüfer-Overlays, Begründungen und frühere Werte beibehalten?
• Zeigt der Bericht Streuung, Unsicherheit und Grenzen auf?

Anhang C. Szenario- und Freigabe-Checkliste

• Sind Entscheidung und Zeithorizont definiert?
• Sind zentrale, Downside-, Upside- und Reverse-Stress-Zustände konsistent?
• Sind Treiberabhängigkeiten dokumentiert?
• Sind den Managementmaßnahmen Befugnisse, Kosten und Verzögerungen zugewiesen?
• Stimmen Cash-, Finanzierungs-, Steuer- und Rechnungslegungsströme überein?
• Sind Wahrscheinlichkeiten belegt oder ausgelassen?
• Sind Entscheidungsschwellen und Treiber des ersten Verstoßes sichtbar?
• Hat die unabhängige Validierung Daten, Methodik, Code und Verwendung abgedeckt?
• Sind Zugriff, Vertraulichkeit, Protokollierung und Anbieter-Fallback genehmigt?
• Sind Enthaltungs- und Beschränkungsregeln aktiv?
• Sind Nutzer zu Modellgrenzen und Automation Bias geschult?
• Ist ein aktives Monitoring für Drift, Fehler, Übersteuerungen und Vorfälle vorhanden?
• Wird die endgültige Entscheidung von einer autorisierten Person verantwortet?

Anhang D. Glossar

Enthaltung: ein kontrolliertes Ergebnis, bei dem eine automatisierte Schlussfolgerung zurückgehalten und der Fall zur manuellen Prüfung weitergeleitet wird.

Automatisiertes Bewertungsmodell: ein mathematisches oder statistisches System, das den Wert aus Immobilien- oder Marktdaten mit einem definierten Automatisierungsgrad schätzt.

Wertbasis: die grundlegenden Messannahmen, unter denen ein Wert geschätzt wird.

Kalibrierung: Anpassung eines Modells, sodass seine Ausgabe mit relevanten beobachteten Belegen konsistent ist, einschließlich Transaktionspreis, sofern angemessen.

Vergleichsobjekt: eine beobachtete Transaktion, ein Instrument oder ein Vermögenswert, der nach Analyse von Relevanz und Unterschieden zur Wertfindung herangezogen wird.

Konforme Vorhersage: eine Familie von Methoden, die unter Verwendung von Kalibrierungsdaten und definierten Abdeckungseigenschaften Vorhersagemengen oder -intervalle konstruiert.

Evidenzregister: ein versioniertes Register, das jeden wesentlichen Input mit seiner Quelle, seinem Datum, seiner Transformation, seinem Prüfer und seiner Verwendung in den Ergebnissen verknüpft.

Erklärbarkeit: Informationen, die beschreiben, wie Eingaben ein Modellergebnis beeinflusst haben; für sich genommen belegen sie weder Korrektheit noch Kausalität.

Modellrisiko: eine potenzielle nachteilige Konsequenz aus Entscheidungen, die auf fehlerhaften, missbräuchlich verwendeten oder unzureichend kontrollierten Modellen beruhen.

Außerhalb der Verteilung (Out-of-Distribution): ein Sachverhalt oder eine Eingabe, der bzw. die wesentlich außerhalb der in Modellentwicklung und -validierung abgebildeten Grundgesamtheit liegt.

Prognoseintervall: ein Bereich, der so ausgelegt ist, dass er ein zukünftiges oder unbeobachtetes Ergebnis bei einem angegebenen Überdeckungsniveau unter den Annahmen der Methode enthält.

Szenario: eine kohärente Menge miteinander verknüpfter wirtschaftlicher, betrieblicher und finanzierungsbezogener Annahmen, die zur Bewertung eines Ergebnisses oder einer Entscheidung verwendet wird.

Sensitivität: die Wirkung der Veränderung einer oder mehrerer Annahmen, häufig ohne einen vollständigen Weltzustand zu unterstellen.

Bewertungs-Overlay: eine dokumentierte manuelle Anpassung, die an einem Modell- oder Methodenwert vorgenommen wird, um nicht ausreichend erfasste Belege oder Risiken zu berücksichtigen.