AI-gestützte Due Diligence: CDD, FDD und TDD verdichten, ohne an Rigorosität einzubüßen

Einleitung

Due diligence ist eine Übung in kontrollierter Skepsis. Ein Investmentausschuss prüft, ob das Geschäft, die Erträge und die Technologie, die ein Verkäufer beschreibt, einer Prüfung standhalten, bevor Kapital gebunden wird. Die Antwort wird aus unvollkommenen Unterlagen, begrenztem Zugang, sich ändernden Datenraumbeständen, Erläuterungen des Managements und fachlichem Urteil zusammengesetzt. Künstliche Intelligenz fügt diesem Prozess eine neue analytische Ebene hinzu. Sie kann große Dokumentenbestände lesen, klassifizieren und vergleichen; Zuordnungen über inkonsistente Daten hinweg vorschlagen; Problemzusammenfassungen entwerfen; und Prüfer auf Ausnahmen hinweisen. Sie kann auch selbstsichere Aussagen erzeugen, die nicht belegt sind, Zeiträume oder Einheiten vermischen, eine fehlende Grundgesamtheit übersehen und eine Berechnung kohärent erscheinen lassen, obwohl ihre Eingangsdaten falsch sind.

Aktuelle Marktbelege zeigen, dass AI in die Transaktionsarbeit Eingang gefunden hat. Die KPMG-Umfrage aus dem Jahr 2026 umfasste 700 leitende M&A-Entscheidungsträger in 20 Ländern und Jurisdiktionen. Sechsundfünfzig Prozent berichteten, agentische AI in Due diligence und Bewertung einzusetzen. In derselben Umfrage berichteten 59 Prozent von einem Effizienzgewinn von über 10 Prozent bei Competitive Intelligence und Marktanalyse, während 17 Prozent einen Effizienzgewinn von über 25 Prozent bei Bewertungsmodellierung und Szenarioplanung sowie bei Budgetmodellierung und -tracking angaben [1,2]. Dies sind von Befragten berichtete Ergebnisse. Sie belegen weder kausale Produktivität noch Fehlerreduktion oder Anlageperformance.

Die Messung ist wesentlich weniger ausgereift als die Einführung. Das Thomson Reuters Institute befragte im Oktober und November 2025 1.514 Fachkräfte aus den Bereichen Recht; Steuern, Prüfung und Rechnungswesen; Unternehmensrisiko und Betrug; sowie Regierungsfunktionen. Vierzig Prozent berichteten über unternehmensweite Nutzung generativer AI, verglichen mit 22 Prozent in der vorherigen Ausgabe. Achtzehn Prozent berichteten, dass ihre Organisationen AI-Return-on-Investment-Kennzahlen erhoben, und 40 Prozent wussten nicht, ob solche Kennzahlen erhoben wurden [3]. Die Stichprobe reicht über Transaktionen hinaus. Sie liefert Belege für eine breite Messlücke im professionellen Dienstleistungssektor und nicht für ein M&A-spezifisches Ergebnis.

Dieses Papier entwickelt ein Betriebsmodell für AI-gestützte kommerzielle Due diligence, finanzielle Due diligence und technische Due diligence, abgekürzt CDD, FDD und TDD. Das Modell beginnt mit der zu prüfenden Aussage. Jede Schlussfolgerung ist mit einer Quelle, Version, Transformation, Berechnung oder Prüfung, Ausnahme und Prüferperson verknüpft. Das Modell trennt generative Arbeit von deterministischer Berechnung und reproduzierbarer Prüfung. Es benennt namentlich Personen, um wesentliche Ausnahmen zu klären und Schlussfolgerungen freizugeben.

Das Papier verwendet ausgewählte PCAOB-Grundsätze zu Prüfungsnachweisen als analytische Analogie für FDD. PCAOB-Standards regeln Prüfungen, die in ihren Anwendungsbereich fallen; sie regeln nicht jedes Finanz-Due-Diligence-Mandat. Die Analogie ist nützlich, weil sie die Menge der Nachweise von ihrer Relevanz und Verlässlichkeit unterscheidet, widersprüchliches Material als Nachweis behandelt, die Überzeugungskraft von Nachweisen mit dem Risiko verknüpft und Befragung von Neuberechnung und Reperformance unterscheidet [4-6]. Das Transaktionsarbeitsprogramm und die vertragliche Pflicht bleiben mandatsspezifisch.

Forschungsfragen

Die Analyse behandelt fünf Fragen:

1. Welche CDD-, FDD- und TDD-Aufgaben eignen sich für AI-gestützte Datenaufnahme, Extraktion, Vergleich und Entwurfserstellung?
2. Welche Berechnungen, Prüfungen, Beurteilungen und Freigaben sollten deterministisch oder fachlich kontrolliert bleiben?
3. Wie kann ein Due-Diligence-Team jede wesentliche Schlussfolgerung bis auf die Nachweise zurückverfolgen und von einer geänderten Quelle vorwärts zu den betroffenen Schlussfolgerungen verfolgen?
4. Welche Kennzahlen unterscheiden eine Verringerung der verstrichenen Zeit von einer Verringerung der Prüferzeit und einer Ausweitung der Abdeckung?
5. Welche Kontrollen für Governance, Sicherheit und Entscheidungsrechte unterstützen einen begrenzten Produktiveinsatz?

Fazit für das Management

Matchpoint-Analyse. AI verändert die Due-Diligence-Kapazität eher als die Nachweisschwelle. Die unmittelbare Chance liegt in paralleler Arbeit: kontrollierte Datenaufnahme, eine erste Klassifizierung, ein Vergleich über die gesamte Grundgesamtheit, eine Priorisierung von Ausnahmen und quellenbelegte Entwurfserstellung können laufen, während Fachleute die wesentlichsten Fragen untersuchen. Die geeignete operative Einheit ist eine Aussage, nicht ein Dokument. Ein Dokument kann mehrere Aussagen stützen, und eine einzelne Aussage kann viele Dokumente, Berechnungen, Prüfungen und Interviews erfordern.

Matchpoint-Analyse. Eine kontrollierte Implementierung umfasst sechs Teile. Erstens wird das Mandat in atomare Aussagen mit einer Wesentlichkeits- und Nachweisregel übersetzt. Zweitens wird jede Quelle mit Identität, Version, Geltungsbereich und Zugriff registriert. Drittens erzeugen Extraktion und Klassifizierung nachvollziehbare vorgeschlagene Fakten statt endgültiger Schlussfolgerungen. Viertens führen deterministische Engines Berechnungen durch, und reproduzierbare Werkzeuge führen technische Prüfungen durch. Fünftens werden Ausnahmen nach einer definierten Abschlussrichtlinie einem Verantwortlichen zugeleitet. Sechstens zeichnet ein autorisierter Prüfer die Schlussfolgerung ab, und das Entscheidungsprotokoll hält die Grundlage und die Grenzen fest.

Die Formulierung „ohne an Rigorosität zu verlieren“ beschreibt ein Kontrollziel ohne gesichertes Leistungsergebnis. Ein Pilot sollte den unterstützten Workflow mit einer definierten Baseline vergleichen – anhand von Quellenabdeckung, Gültigkeit der Zitate, Berechnungsgenauigkeit, ungeklärten Ausnahmen, Prüferzeit, Durchlaufzeit, Nacharbeit und Feststellungsausbeute. Qualitätsaussagen erfordern beobachtete Ergebnisse aus diesem Pilot. Transaktionsrenditen bleiben außerhalb der für diese Arbeit verfügbaren Evidenz.

Adoption, Effizienz und die Messlücke

Was aktuelle Erhebungen belegen

Die KPMG-Studie von 2026 ist direkt relevant, weil ihre Befragten leitende Transaktionsentscheider waren. Die Erhebung berichtet über den Einsatz in Due Diligence, Bewertung, Sourcing, Ausführung, Integration und Compliance. Sie beschreibt außerdem eine Verschiebung des wirtschaftlichen Umfangs: Geringere Grenzkosten der Analyse können eine breitere Vertragsprüfung, Wettbewerbs-Benchmarking und historische Musteranalysen praktikabler machen [1]. Dies sind Erkenntnisse aus der Praxis und aus Erhebungen. Sie stützen eine Hypothese zu erweiterter Abdeckung. Ein Produktionsteam muss weiterhin die tatsächlich verarbeitete Grundgesamtheit, die geprüften Ausnahmen und die erreichte Genauigkeit messen.

Die Adoptionszahl der Erhebung ist im Zusammenhang mit ihrer Methodik zu lesen. Die Zahl der Befragten betrug 700; 519 stammten aus Unternehmen und 181 aus Private-Equity-Firmen. Die Feldarbeit lief vom 19. Dezember 2025 bis 27. Januar 2026. Die Erhebung umfasste 20 Länder und Jurisdiktionen sowie 10 Sektoren. Die Befragten waren für M&A-Entscheidungen verantwortlich oder daran beteiligt [1]. Die berichteten 56 Prozent beschreiben daher diese Stichprobe und die Definition der Erhebung für den Einsatz von Agentic-AI. Es belegt nicht, dass 56 Prozent aller Transaktionsteams einen vergleichbaren Workflow nutzen.

Die berichteten Effizienzergebnisse sind als Marktsignal nützlich. Sie sind kein Zertifikat für Transaktionskontrolle. Die Pressemitteilung gibt an, dass 59 Prozent einen Effizienzgewinn von mehr als 10 Prozent bei Competitive Intelligence und Marktanalyse meldeten. Siebzehn Prozent meldeten einen Effizienzgewinn von mehr als 25 Prozent bei Bewertungsmodellierung und Szenarioplanung sowie bei Budgetmodellierung und -verfolgung [2]. Das offengelegte Material enthält weder eine unabhängig beobachtete Baseline für jeden Befragten noch eine standardisierte Arbeitsdefinition oder ein verifiziertes qualitätsbereinigtes Output-Maß. Die Arbeit verwendet die Zahlen daher, um Messung anzuregen, nicht um Matchpoint-Ziele festzulegen.

Thomson Reuters bietet eine breitere Perspektive auf professionelle Dienstleistungen. Die Erhebung fand online statt, umfasste 1.514 Befragte in 27 Ländern und prüfte die Teilnehmer auf Vertrautheit mit AI. Die Mehrheit der Befragten stammte aus den Vereinigten Staaten, dem Vereinigten Königreich und Kanada. Häufige Anwendungen umfassten Recherche, Textentwurf und Zusammenfassung [3]. Diese Aufgaben ähneln Teilen der Due-Diligence-Produktionskette, insbesondere der ersten Dokumentenprüfung und der Berichtszusammenstellung. Die ROI-Ergebnisse des Berichts deuten darauf hin, dass formale Messung hinter der täglichen Nutzung zurückbleiben kann.

Vier verschiedene Formen der Geschwindigkeit

Matchpoint-Analyse. Due-Diligence-Teams sollten vier Größen unterscheiden. Die maschinelle Verarbeitungszeit misst die Zeit, die zum Einlesen oder Analysieren eines definierten Inputs benötigt wird. Die Prüferzeit erfasst den menschlichen Aufwand, der zum Konfigurieren, Prüfen, Korrigieren und Freigeben des Outputs erforderlich ist. Die verstrichene Zeit misst die Kalenderzeit von einem definierten Startereignis bis zu einem definierten Abschlussereignis. Die Abdeckungserweiterung erfasst zusätzliche Quellen, Datensätze oder Tests, die innerhalb eines vergleichbaren Budgets und Zeitplans abgeschlossen wurden.

Ein Workflow kann die maschinelle Verarbeitungszeit verkürzen und die Prüferzeit erhöhen, wenn Outputs viele geringwertige Ausnahmen erzeugen. Er kann die Prüferzeit verkürzen, während die verstrichene Zeit unverändert bleibt, weil Managementantworten oder externe Bestätigungen den kritischen Pfad bestimmen. Er kann die verstrichene Zeit beibehalten und gleichzeitig die Abdeckung der Grundgesamtheit erweitern. Jedes Ergebnis ist wirtschaftlich unterschiedlich. Eine Pilot-Scorecard sollte sie getrennt erfassen.

Das Messproblem

Die Ergebnisse von Thomson Reuters rücken die Messfrage in den Mittelpunkt der Implementierung. Da nur 18 Prozent der Befragten angeben, ROI zu erfassen, und 40 Prozent nicht wissen, ob dies geschieht, liefern Adoptionsstatistiken nur begrenzte Hinweise auf den Geschäftswert [3]. Ein Transaktionsteam benötigt Kennzahlen, die direkt an das Arbeitsprogramm geknüpft sind. Allgemeine Zahlen zur Mitarbeiternutzung oder verbrauchte Tokens belegen keine Due-Diligence-Qualität.

Matchpoint-Analyse. Die primäre Messeinheit ist das Paar aus Prüfungsaussage und Verfahren. Für jede wesentliche Prüfungsaussage erfasst das Team erwartete Nachweise, erhaltene Quellen, durchgeführte Verfahren, festgestellte Ausnahmen, geklärte Ausnahmen, Prüferminuten, Abschlussdatum und Abschlussstatus. Aggregierte Programm-Kennzahlen werden aus diesen Aufzeichnungen erstellt. Dies ermöglicht es einem Prüfer festzustellen, ob ein schnellerer Bericht auf eine echte Workflow-Verbesserung, einen reduzierten Umfang oder eine niedrigere Nachweisschwelle zurückzuführen ist.

Was Gründlichkeit in der Transaktions-Due-Diligence bedeutet

Ausreichendheit, Relevanz und Verlässlichkeit

PCAOB AS 1105 beschreibt Ausreichendheit als die Menge des Prüfungsnachweises und Angemessenheit als dessen Relevanz und Verlässlichkeit [4]. Der Standard stellt außerdem fest, dass Prüfungsnachweise Informationen umfassen, die Aussagen des Managements stützen und bestätigen, sowie Informationen, die ihnen widersprechen. Dies sind Prüfungsanforderungen im Geltungsbereich des PCAOB. Matchpoint Analyse. Dieselben Unterscheidungen bilden eine nützliche Disziplin für die Ausgestaltung der Diligence.

Ein großer Datenraum kann für eine wesentliche Frage unzureichend sein. Zehn Versionen einer intern erstellten Marktprognose können einen geringeren Beweiswert haben als ein kleinerer Satz unabhängiger, aktueller und perimeter-abgestimmter Quellen. Ein Hauptbuch-Export kann als Datei vollständig und als Grundgesamtheit unvollständig sein, wenn Einheiten, Perioden oder Journale fehlen. Ein Repository-Scan kann jede Datei verarbeiten und dennoch für die Produktionsarchitektur irrelevant bleiben, wenn die gelieferte Revision vom eingesetzten Code abweicht.

Matchpoint Analyse. Jede Aussage sollte daher einen Nachweisschwellenwert anhand von vier Dimensionen definieren:

• Abdeckung: welche Einheiten, Perioden, Kunden, Produkte, Repositories oder Umgebungen im Geltungsbereich liegen.
• Relevanz: wie eng die Quelle und das Verfahren die Aussage adressieren.
• Verlässlichkeit: Unabhängigkeit der Quelle, Kontrollen, Originalität, Provenienz und Anfälligkeit für Veränderungen.
• Aktualität: das Datum, an dem der Nachweis gültig ist, und das Ereignis, das sein Ablaufen bewirkt.

Risikogewichtete Nachweise

PCAOB AS 2301 verknüpft ein höher eingeschätztes Risiko mit überzeugenderen Nachweisen und verlangt Verfahren, die relevante Aussagen adressieren [5]. Außerdem beschreibt der Standard professionelle Skepsis als eine hinterfragende Haltung und kritische Würdigung von Nachweisen. Matchpoint Analyse. Ein Diligence-Workflow kann dieses Prinzip über einen Aussagen-Risikoscore adaptieren, der Mindestnachweise und die Seniorität der Prüfer regelt.

Aussagen mit hoher Wesentlichkeit können eine unabhängige Quelle, deterministische Neuberechnung, fachliche Prüfung oder einen direkten Test erfordern. Aussagen mit geringerer Wesentlichkeit können mit einer dokumentierten internen Quelle und Plausibilitätsprüfung abgeschlossen werden. Der Score automatisiert keine Beurteilung. Er macht das beabsichtigte Arbeitsniveau sichtbar und ermöglicht die Genehmigung von Abweichungen.

Befragung, Extraktion, Neuberechnung und Nachvollziehung

Eine Aussage aus einem Interview ist eine Befragung. Eine AI-Zusammenfassung dieses Interviews bleibt eine aus der Befragung abgeleitete Erklärung. Sie wird nicht durch sprachlich gelungene Abfassung zu einer Bestätigung. AS 1105 besagt, dass eine Befragung allein nicht ausreicht, um eine Prüfungsschlussfolgerung im Anwendungsbereich der Norm zu stützen [4]. Ein Transaktionsmandat kann eine andere Schwelle anwenden. Die zugrunde liegende Unterscheidung bleibt wertvoll.

Die Neuberechnung prüft die mathematische Genauigkeit. Bei der Nachvollziehung werden Verfahren oder Kontrollen unabhängig durchgeführt [4]. Matchpoint-Analyse. FDD sollte deterministische Neuberechnungen für wesentliche Überleitungen und Kennzahlen verwenden. TDD sollte reproduzierbare Tests einsetzen, wo Zugang und Mandat dies zulassen. CDD kann unabhängige Markttriangulation, Kundendatenanalyse, Vertragsnachweise und Interviews über verschiedene Anspruchsgruppen hinweg nutzen.

Der Nachweisgraph

Matchpoint Analyse. Ein Due-Diligence-Bericht sollte als Sicht auf einen Nachweisgraphen fungieren. Der Graph enthält Knoten für Aussagen, Quellen, Quellversionen, extrahierte Fakten, Transformationen, Berechnungen, Tests, Ausnahmen, Schlussfolgerungen und Prüfer. Kanten erfassen Beziehungen wie stützt, widerspricht, abgeleitet aus, getestet durch, ersetzt, geprüft durch und abgeschlossen durch.

Diese Struktur unterstützt zwei Formen der Nachvollziehbarkeit. Die Rückwärts-Nachvollziehbarkeit führt von einem Berichtssatz zur Schlussfolgerung, Prozedur, zum Fakt und zur Quelle. Die Vorwärts-Nachvollziehbarkeit beginnt mit einer geänderten oder zurückgezogenen Quelle und identifiziert jeden betroffenen Fakt, jede Berechnung, jede Ausnahme und jeden Berichtssatz. Herkömmliche Ordner und Fußnoten bieten teilweise Rückwärts-Nachvollziehbarkeit. Ein Graph ergänzt die Sichtbarkeit von Abhängigkeiten.

Ein Operating Model über drei verschiedene Disziplinen hinweg

CDD, FDD und TDD untersuchen unterschiedliche Assertion-Familien. Sie können ein gemeinsames System für Datenaufnahme, Nachweise, Ausnahmen und Freigaben nutzen. Gemeinsame Infrastruktur reduziert Doppelarbeit und wahrt zugleich professionelle Grenzen.

Gemeinsamer Ablauf

Matchpoint-Analyse. Der gemeinsame Ablauf umfasst acht Phasen:

1. Mandat: Entscheidungsfragen, Umfang, Wesentlichkeit, Jurisdiktionen, Reliance und Ausschlüsse definieren.
2. Assertion-Map: Fragen in prüfbare Aussagen mit Nachweisschwellen umwandeln.
3. Quellenregistrierung: jedes Quellobjekt hashen, identifizieren, datieren, klassifizieren und mit Berechtigungen versehen.
4. Kontrollierte Extraktion: vorgeschlagene Fakten mit Fundstellen und Konfidenz-Metadaten erzeugen.
5. Analyse: deterministische Berechnungen, reproduzierbare Tests und Quellentriangulation durchführen.
6. Ausnahmen-Triage: Widersprüche, fehlende Nachweise, Abweichungen und fehlgeschlagene Tests priorisieren.
7. Fachprüfung: Methoden, Nachweise und Beurteilung unter benannter Zuständigkeit validieren.
8. Entscheidungsprotokoll: Schlussfolgerung, Einschränkungen, ungeklärte Punkte und Freigabe veröffentlichen.

Gemeinsame Kontrollen

Zu den gemeinsamen Kontrollen gehören Zugriff nach Rolle und Transaktion; Trennung vertraulicher Arbeitsbereiche; Quell-Hashes und -Versionen; Kontrollen gegen Datenverlust; ein genehmigtes Inventar von Modellen und Tools; Versionierung von Prompts und Konfigurationen; Protokolle; Evaluierungssets; Verantwortlichkeit für Ausnahmen; Aufbewahrung; Vorfallverfahren; und menschliche Autorisierung. Das AI-RMF von NIST bietet für diese Arbeit eine freiwillige Struktur aus Govern, Map, Measure und Manage [7]. Das Generative-AI-Profil von NIST benennt Konfabulation, Datenschutz, Informationsintegrität, Sicherheit und Risiken der menschlichen AI-Konfiguration, die für nachweisintensive Arbeit unmittelbar relevant sind [8].

Unterschiedliche berufliche Zuständigkeitsgrenzen

Das gemeinsame Betriebsmodell führt berufliche Verantwortlichkeiten nicht zusammen. Commercial-Spezialisten entscheiden, ob Markt- und Kundenbelege die Investmentthese stützen. Spezialisten für Rechnungswesen und Transaktionsservices entscheiden über die Behandlung von Ergebnis, Verschuldung, Working Capital, Steuer- und Rechnungslegungsfragen. Technologie- und Cyber-Spezialisten bewerten Architektur, Sicherheit, Delivery und technische Schulden. Rechtsberater bestimmen das anwendbare Recht und rechtliche Schlussfolgerungen. Der Investmentausschuss verantwortet die Investitionsentscheidung.

Commercial Due Diligence

Aussagefamilien

Matchpoint-Analyse. Commercial-Aussagen betreffen üblicherweise Marktgröße und -wachstum; Segmentdefinition; Kundenbedürfnisse und Wechselverhalten; Konzentration und Kundenbindung; Produktdifferenzierung; Preissetzungsmacht; Vertriebsweg; Wettbewerbsreaktion; regulatorische Exposition; und die Glaubwürdigkeit der Commercial-Prognose. Jede Aussage erfordert eine Abgrenzung. Eine Wachstumsrate ohne Geografie, Zeitraum, Segment, Währung und nominale oder reale Basis ist unvollständiger Nachweis.

AI eignet sich gut für Quellenermittlung, strukturierte Extraktion, Taxonomie-Abgleich, Interview-Codierung, Vergleich von Vertragsbedingungen und Synthese eines ersten Entwurfs. Es kann Aussagen über Marktberichte hinweg abgleichen und erkennen, wo Definitionen abweichen. Es kann Themen aus Kundeninterviews clustern und jedes Thema dem zugrunde liegenden Transkript zuordnen. Es kann Produktaussagen mit dokumentierten Funktionen und vertraglichen Verpflichtungen vergleichen.

Markt-Triangulierung

Matchpoint-Analyse. Ein Marktmodell sollte die Definition und das Datum jeder Quelle beibehalten. Die AI-Schicht kann Quellentaxonomien auf die Transaktionstaxonomie abbilden und nicht zugeordnete Kategorien kennzeichnen. Die deterministische Schicht führt Konvertierungen und Aggregationen durch. Der Spezialist entscheidet, ob eine Zuordnung wirtschaftlich valide ist.

Beispielsweise kann ein Zielunternehmen seinen adressierbaren Markt als regionale Unternehmenssoftware beschreiben. Externe Quellen können Umsätze nach Branche, Kundengröße, Bereitstellungsmodell oder Geografie klassifizieren. Eine generierte Zusammenfassung kann diese Unterschiede verbergen. Der Evidenzgraph sollte sie bewahren. Die Schlussfolgerung kann eine Bandbreite, ein Szenario oder eine Umfangsbeschränkung darstellen, wenn Definitionen nicht in Einklang gebracht werden können.

Kunden- und Umsatzevidenz

Kundendaten können Analysen zu Konzentration, Kundenbindung, Kohorten, Cross-Selling und Preisgestaltung unterstützen. Die AI-Schicht kann die Normalisierung von Kundennamen, die Extraktion von Vertragsfeldern und die Themen-Codierung vorschlagen. Deterministische Berechnungen sollten Umsatzkonzentration, Brutto- und Nettokundenbindung, Kohortenüberleitungen und Preis-Mengen-Mix-Analysen nach dokumentierten Regeln erzeugen.

Matchpoint-Analyse. Jeder Normalisierungsvorschlag sollte Originalwerte und die Zuordnungsregel beibehalten. Wesentliche Kundenzusammenschlüsse, Vertriebspartner, Wiederverkäufer und Durchlaufumsätze erfordern eine Prüfung durch Spezialisten. Ein Modell, das ähnliche Namen gruppiert, kann eine plausible, aber falsche Kundengruppe erzeugen. Der Workflow sollte unsichere oder hochwertige Zuordnungen an eine Ausnahmewarteschlange weiterleiten.

Wettbewerb und Regulierung

Wettbewerbsanalyse ist jurisdiktionsspezifisch. Die US-amerikanischen Fusionsrichtlinien von DOJ und FTC aus 2023 bieten einen offiziellen US-Rahmen sowie analytische, wirtschaftliche und beweisbezogene Instrumente [11]. Sie definieren nicht die rechtliche Analyse für jede Transaktion. Der Rechtsberater sollte relevante Jurisdiktionen, Anmelderegime und rechtliche Schlussfolgerungen bestimmen.

Matchpoint-Analyse. AI kann unterstützen, indem es einen datierten Wettbewerber-Evidenzsatz aufbaut, Produkt- und Preisaussagen vergleicht und Marktanteilsinputs nachverfolgt. Es sollte die Quellenherkunft kennzeichnen und abweichende Evidenz bewahren. Rechtliche Einordnung und Privilegierungsentscheidungen bleiben beim Rechtsberater.

CDD-Ergebnis

Ein kontrolliertes CDD-Ergebnis umfasst die Behauptung, den Prüfungsumfang, erhaltene Nachweise, die Methode, die Feststellung, gegenteilige Nachweise, Sensitivität, Einschränkung und Prüfer. Der Bericht kann dann eine verifizierte historische Beobachtung, eine Management-Schätzung, eine externe Prognose und ein Matchpoint-Szenario unterscheiden. Diese Trennung ist besonders wichtig, wenn der Investitionsfall von künftigem Wachstum abhängt.

Financial Due Diligence

Datenherkunft und Abstimmung

FDD beginnt mit der Kontrolle der Grundgesamtheit. Das Team sollte Entitäten, Hauptbücher, Perioden, Währungen, Kontenstrukturen, Konsolidierungsanpassungen und die Beziehung zwischen Managementberichten, gesetzlichen Jahresabschlüssen und Transaktionsübersichten identifizieren. AI kann Feldzuordnungen vorschlagen und wahrscheinliche Duplikate oder fehlende Perioden identifizieren. Ein deterministischer Prozess sollte Datensätze zählen, Kontrollfelder summieren, Eingaben hashen und Ergebnisse abstimmen.

PCAOB AS 2301 legt fest, dass periodenendliche materielle Prüfungshandlungen im Prüfungsumfang die Abstimmung des Jahresabschlusses auf die zugrunde liegenden Buchhaltungsunterlagen und die Prüfung wesentlicher Anpassungen umfassen [5]. Matchpoint-Analyse. Ein Due-Diligence-Arbeitsprogramm kann dies als Gestaltungsanalogie nutzen: Abgeleitete Kennzahlen sollten an die bereitgestellte Buchhaltungsgrundgesamtheit anknüpfen, und alle wesentlichen Transformationen sollten sichtbar sein.

Ertragsqualität

AI kann vom Management vorgeschlagene EBITDA-Anpassungen extrahieren, Belege klassifizieren und narrative Beschreibungen versionsübergreifend vergleichen. Es kann vorschlagen, ob ein Posten einmaligen Kosten, einer Run-Rate-Einsparung, Eigentümerkosten, einer Umsatzanpassung oder einem Unterschied in der Rechnungslegungsmethode ähnelt. Der Spezialist legt die Anpassungskategorie, die Evidenzgrundlage, die Periode, den Steuereffekt und die Behandlung fest.

Matchpoint-Analyse. Die deterministische Überleitung sollte mit einer definierten berichteten Ergebnisgröße beginnen, separat identifizierte Anpassungen anwenden, Umkehrungen beibehalten und die angepasste Kennzahl berechnen. Jede Anpassung ist mit Quellenevidenz und Prüferstatus verknüpft. Generierter Text erläutert eine berechnete Überleitung; er berechnet die Überleitung nicht.

Working Capital und Nettoverschuldung

Working-Capital- und Netto-Verschuldungs-Übersichten enthalten häufig Klassifizierungsurteile, saisonale Muster, Abgrenzungsfragen und Fragen zur Transaktionsdefinition. AI kann vertragliche Definitionen extrahieren und Kontenzuordnungen vorschlagen. Deterministischer Code oder kontrollierte Tabellenkalkulationslogik sollte Monatsbestände, Normalisierungsspannen, Saisonalität, zahlungsmittelähnliche und verbindlichkeitsähnliche Posten sowie Sensitivitätsfälle berechnen.

Der Kaufvertrag und die anwendbare Bilanzierungsberatung bestimmen die Transaktionsdefinition. Ein Modell kann Vertragsentwürfe und Anlagen vergleichen. Rechtsberater und Finanzspezialisten bestätigen ihre Auslegung. IFRS 3 legt Grundsätze für Ansatz und Bewertung erworbener Vermögenswerte und übernommener Schulden, des Geschäfts- oder Firmenwerts oder eines günstigen Erwerbs sowie damit verbundener Angaben fest, sofern der Standard Anwendung findet [14]. Die Transaktionsbilanzierung bleibt vom Due-Diligence-Modell getrennt.

Prognose und Cash Conversion

Prognose-Due-Diligence verbindet historische Treiber mit Managementannahmen. AI kann narrative Annahmen Modellinputs zuordnen und inkonsistente Beschreibungen markieren. Deterministische Analyse sollte historische Cash Conversion, Treiberüberleitungen, Sensitivitäten und Szenarioergebnisse berechnen. Das Commercial-Team prüft Nachfrage- und Preisannahmen; das Finanzteam prüft Margen-, Working-Capital-, Investitionsausgaben- und Cash-Auswirkungen.

Evidenzhierarchie und Skepsis

Matchpoint-Analyse. Eine finanzielle Evidenzhierarchie könnte direkte Bank- oder Drittanbieterbestätigungen, kontrollierte Systemdaten, Originalverträge und Rechnungen, Managementübersichten, Interviews und generierte Zusammenfassungen je nach Prüfungsaussage unterschiedlich einordnen. Die Hierarchie ist auftragsspezifisch. Sie sollte dokumentiert werden, bevor Schlussfolgerungen gezogen werden.

PCAOB-Leitlinien besagen, dass höheres Risiko überzeugendere Evidenz erfordert und dass Befragungen allein keine ausreichende Evidenz für die genannten Prüfungsschlussfolgerungen liefern [4,5]. Im FDD-Kontext besteht die praktische Lehre darin, die Unterscheidung zwischen Erklärung und Bestätigung zu wahren. Managementkommentare können eine Abweichung erklären. Quellenunterlagen, Berechnungen oder unabhängige Evidenz können erforderlich sein, um sie im Rahmen des vereinbarten Arbeitsprogramms abzuschließen.

Technologie und AI-Due-Diligence

Technologie-Evidenzbereiche

Matchpoint-Analyse. TDD umfasst Produktarchitektur, Software-Repositories, Cloud und Infrastruktur, Cybersicherheit, Datenarchitektur, Engineering- und Release-Prozesse, Dienstresilienz, Abhängigkeiten von Dritten, geistiges Eigentum, Lizenzen, technische Organisation und Kosten bei Skalierung. Wenn das Zielunternehmen AI entwickelt oder einsetzt, erweitert sich der Umfang auf Modelle, Trainings- und Evaluierungsdaten, Prompts, Retrieval-Quellen, Evaluierungssets, Sicherheitskontrollen, Monitoring, Anbieterabhängigkeiten und Modelländerungsmanagement.

Dokumentarische Nachweise sind notwendig und unvollständig. Architekturdiagramme beschreiben die beabsichtigte Struktur. Konfigurationsexporte und Repository-Nachweise zeigen die implementierte Struktur. Tests und Betriebsprotokolle zeigen beobachtetes Verhalten innerhalb eines Zeitraums und einer Umgebung. Interviews erläutern Entscheidungen und bekannte Einschränkungen. Der Bericht sollte diese Nachweiskategorien erhalten.

Provenienz für sichere Entwicklung und Lieferkette

NIST SP 800-218A ergänzt Praktiken der sicheren Softwareentwicklung um AI-spezifische Aspekte und richtet sich an Modellhersteller, Hersteller von AI-Systemen und Erwerber [9]. Der unter Federführung des NCSC erstellte Leitfaden für sichere AI ordnet Praktiken über sichere Gestaltung, Entwicklung, Bereitstellung sowie Betrieb und Wartung hinweg. Er behandelt außerdem Lieferkette, Dokumentation, Modelle und Daten, Protokollierung und Incident-Management [10].

Matchpoint-Analyse. Eine Due-Diligence-Aufzeichnung für ein AI-Ziel sollte das Modell oder den Dienst, Anbieter, Version, beabsichtigte Verwendung, Systemkomponenten, Trainings- oder Fine-Tuning-Status, Bewertungsnachweise, Abrufquellen, Datenrechte, Bereitstellungsumgebung, Zugriff, Überwachung, Vorfälle und Änderungsprozess erfassen. Wo der Zugriff es zulässt, sollte das Team dieses Inventar mit Repositories, Manifesten, Modellkarten, Stücklisten, Konfiguration, Tests und Protokollen verknüpfen.

Reproduzierbare Tests

AI kann Testfälle vorschlagen, Ergebnisse erläutern und Befunde priorisieren. Eine Aufzeichnung eines reproduzierbaren Tests sollte die Zielrevision, Umgebung, Befehl oder Verfahren, Tool-Version, Eingaben, Zeitstempel, Rohausgabe, Schweregradregel und Prüfer bewahren. Die Reproduktion kann durch Zugriff, Produktionssicherheit, Datenempfindlichkeit oder Zeit eingeschränkt sein. Der Bericht sollte diese Einschränkungen angeben.

Ein Befund eines Schwachstellenscanners belegt für sich genommen weder Ausnutzbarkeit noch geschäftliche Auswirkung. Ein sauberer Scan belegt nicht die Abwesenheit von Schwachstellen. Die Fachprüfung verbindet das beobachtete Ergebnis mit Architektur, Exposition, kompensierenden Kontrollen und Wesentlichkeit der Transaktion.

Offenlegungen zu Daten, Datenschutz und Cybersicherheit

Das Generative-AI-Profil des NIST benennt Datenschutz- und Informationssicherheitsrisiken, einschließlich Datenabfluss, Inferenz und böswilliger Interaktion mit AI-Systemen [8]. Der NCSC-Leitfaden empfiehlt einen sicheren Umgang mit Modellen, Daten, Infrastruktur und Protokollen [10]. Der aktuelle Compliance-Leitfaden der SEC für kleine Unternehmen fasst die Offenlegungsanforderungen für US-börsennotierte Unternehmen zu Cyber-Vorfällen sowie zu Risikomanagement, Strategie und Governance zusammen [15]. Seine Relevanz hängt vom Status des Emittenten und der Jurisdiktion ab.

Der föderale Rahmen für personenbezogene Daten von UAE kann für eine Transaktion in UAE oder einen Datenraum relevant sein. Die offizielle Gesetzgebungsseite war während dieser Studie für den Recherche-Browser zugriffsbeschränkt, daher leitet dieses Papier aus ihrem Text keine detaillierte rechtliche Aussage ab [13]. Qualifizierte Rechtsberater sollten föderale, Freizonen-, sektorale und grenzüberschreitende Anforderungen klären.

AI-Exposition als Investmentfrage

Technologie-Due-Diligence umfasst nun die Exposition des Ziels gegenüber AI als Wettbewerbsfaktor und operative Abhängigkeit. Die Analyse von PwC zu den 100 größten Unternehmens-M&A-Transaktionen im Jahr 2025 berichtet, dass etwa ein Drittel AI in der strategischen Begründung nannte [17]. Diese ausgewählte Stichprobe repräsentiert nicht den gesamten Markt. Sie deutet darauf hin, dass AI sowohl ein Umsetzungsinstrument als auch ein Gegenstand der Due Diligence sein kann.

Matchpoint-Analyse. Die Investitionsfrage hat mindestens vier Teile: ob AI die Zahlungsbereitschaft der Kunden verändert; ob es Eintrittsbarrieren oder Differenzierung verringert; ob das Ziel von konzentrierten Modell- oder Cloud-Anbietern abhängt; und ob das Ziel Rechte, Kontrollen und Nachweise für sein eigenes AI-System besitzt. Diese Fragen erfordern kaufmännische, technische und rechtliche Zusammenarbeit.

Kontrollierte Architektur

Transaktionsdatenebene

Matchpoint-Analyse. Die Transaktionsdatenebene speichert ursprüngliche Quellobjekte und registrierte abgeleitete Objekte innerhalb einer transaktionsspezifischen Sicherheitsgrenze. Jedes Objekt erhält eine Kennung, einen kryptografischen Hash, eine Quelle, ein Eingangsdatum, ein Dokumentdatum, eine Entität, einen Zeitraum, eine Vertraulichkeitsklasse und eine Zugriffsregel. Neue Versionen überschreiben keine alten Versionen. Das System zeichnet Ablösung und die betroffenen Schlussfolgerungen auf.

Sensible personenbezogene, Kunden-, Mitarbeiter-, Preis- und technische Daten sollten nur im Rahmen des Mandats und des geltenden Rechts in genehmigte Systeme gelangen. Öffentliche Verbrauchertools können außerhalb der genehmigten Grenze liegen. Die Implementierung sollte Aufbewahrung, Trainingsnutzung, Region, Unterauftragsverarbeiter und Zugriff des Modellanbieters dokumentieren. Rechtsberater und Verantwortliche für Informationssicherheit bestimmen die akzeptable Konfiguration.

Datenaufnahme und Abruf

Dateien werden anhand einer Positivliste gescannt, geparst und indexiert. Die Datenaufnahmepipeline sollte Seiten-, Zellen-, Datensatz- oder Codestellenreferenzen beibehalten. Die Tabellenextraktion erfordert eine spezifische Validierung, da die visuelle Struktur verloren gehen kann. Prompt-Injection und bösartige eingebettete Inhalte werden als Eingabebedrohungen behandelt. Der Abruf liefert nur Quellen, die für den Nutzer und die Transaktion autorisiert sind.

Matchpoint-Analyse. Die generierte Antwort sollte Nachweispunkte auf Aussagenebene enthalten. Ein Verweis auf ein gesamtes 200-seitiges Dokument kann für eine wesentliche Schlussfolgerung zu grob sein. Die Benutzeroberfläche sollte es einem Prüfer ermöglichen, die genaue Passage, Tabellenzeile, Berechnungseingabe oder Testaufzeichnung zu öffnen.

Deterministische Analytik

Die deterministische Schicht führt Arithmetik, Aggregation, Abstimmung und definierte statistische Analysen durch. Sie sollte versionskontrolliert und getestet sein. Eingaben und Ausgaben behalten Hashes und Zeitstempel bei. Wesentliche Berechnungen haben erwartete Summen, Plausibilitätsprüfungen und einen Abstimmungsstatus.

Das Sprachmodell kann Code- oder Formellogik vorschlagen. Genehmigter Code führt die Berechnung aus. Ein Spezialist prüft die Methode und das wesentliche Ergebnis. Diese Grenze adressiert ein zentrales Risiko: Flüssige Erklärungen können eine falsche Zahl glaubwürdig erscheinen lassen.

Generierung und Genehmigung

Die Generierungsschicht erstellt Entwürfe aus autorisierten Nachweisen und deterministischen Ausgaben. Prompts legen die Frage, den Nachweisbereich, erforderliche Zitate, unzulässige Inferenz und das Ausgabeschema fest. Modell und Konfiguration werden aufgezeichnet. Nicht gestützte Aussagen, Quellenkonflikte und unzureichende Nachweise sollten Ausnahmen auslösen.

NIST beschreibt Konfabulation als plausibles Ergebnis, das sachlich falsch oder intern inkonsistent sein kann, und merkt an, dass generierte Zitate falsch sein können [8]. Es identifiziert außerdem Automatisierungsbias, bei dem Menschen sich übermäßig auf automatisierte Ausgaben verlassen. Eine Prüferoberfläche sollte daher Nachweise vor stilistischer Überarbeitung anzeigen und einen expliziten Schlussfolgerungsstatus verlangen.

Ausnahmenwarteschlange

Matchpoint-Analyse. Ausnahmen umfassen fehlende Quellpopulationen, fehlgeschlagene Abstimmungen (Tie-outs), widersprüchliche Nachweise, Extraktion mit geringer Konfidenz, nicht zugeordnete Entitäten, wesentliche Ausreißer, fehlgeschlagene Tests, abgelaufene Quellen, Berechtigungsverstöße und ungelöste rechtliche oder buchhalterische Fragen. Jede Ausnahme hat Schweregrad, Verantwortlichen, Fälligkeitsdatum, Status, Lösungstyp und Nachweis.

Zulässige Lösungstypen sind bestätigt, korrigiert, aus dem Umfang genommen, akzeptiert, eskaliert oder offen. Ein Bericht sollte wesentliche offene oder akzeptierte Ausnahmen offenlegen. Das Löschen einer Ausnahme aus der Benutzeroberfläche ist keine Lösung.

Risiko- und Kontrollmatrix

Konfabulation und Zitierfehler

Generierter Text kann nicht belegte Fakten, Logik oder Zitierungen enthalten [8]. Kontrollen umfassen den Abruf aus einem genehmigten Korpus, Zitierungen auf Aussagenebene, das Öffnen der Quellen, deterministische Fakten, Abstentionsregeln, Evaluationssätze und die Freigabe durch Prüfer. Wesentliche Schlussfolgerungen sollten bei fehlenden erforderlichen Nachweisen fail closed ausfallen.

Umfangs- und Grundgesamtheitsfehler

Ein scheinbar vollständiges Ergebnis kann auf einer unvollständigen Quellenmenge beruhen. Kontrollen umfassen Manifeste nach Entität und Periode, Quellenzahlen, Abgleich mit der erwarteten Grundgesamtheit, Datei-Hash-Inventar, Duplikaterkennung und Änderungsalarme. Abdeckungskennzahlen verwenden die erwartete Grundgesamtheit als Nenner.

Numerischer Fehler

Sprachmodelle können Arithmetik, Einheiten oder Perioden falsch anwenden. Kontrollen umfassen deterministische Berechnung, Typ- und Einheitenprüfungen, Kontrollsummen, unabhängige Neuberechnung und versionierte Logik. Der Berichtstext zitiert den Berechnungsdatensatz.

Datenschutz, Vertraulichkeit und Privilegierung

Transaktionsräume enthalten sensible Informationen. Kontrollen umfassen Transaktionsisolierung, Least-Privilege-Prinzip, genehmigte Endpunkte, Aufbewahrungseinstellungen, Bewertung regionaler Anforderungen und Datenübermittlungen, Protokolle zur Privilegierung, Schwärzung, sofern autorisiert, Protokollierung und Reaktion auf Vorfälle. Rechtsberater legen den rechtlichen Rahmen fest.

Prompt-Injection und schädliche Inhalte

Dokumente und Webquellen können Anweisungen enthalten, die darauf ausgelegt sind, ein AI-System umzuleiten. Kontrollen umfassen Inhaltsbereinigung, Trennung von Daten und Anweisungen, Tool-Allowlists, eingeschränkte Berechtigungen, Ausgabvalidierung und menschliche Prüfung. Eine Abrufquelle erhält keine Ausführungsbefugnis.

Modell- und Anbieterwechsel

Modellverhalten, Anbieterbedingungen und Komponenten können sich ändern. Kontrollen umfassen Inventarisierung, Erfassung von Versionen oder Releases, Bewertung bei Änderungen, genehmigte Alternativen, Konzentrationsbewertung und Rollback-Verfahren. Materialien von NIST und NCSC unterstützen Lifecycle- und Supply-Chain-Governance [7-10].

Übermäßiges Vertrauen von Menschen

NIST identifiziert Automatisierungsbias als ein Mensch-AI-Konfigurationsrisiko [8]. Kontrollen umfassen Schulungen für Prüfer, evidenzorientierte Schnittstellen, unabhängige Prüfungen bei risikoreichen Aussagen, explizite Unsicherheit und Auditierung des Genehmigungsverhaltens. Leitende Prüfer sollten für definierte Schlussfolgerungsfamilien rechenschaftspflichtig sein.

Menschliche Prüfung und Entscheidungsrechte

Benannte Stelle

Matchpoint-Analyse. Jede wesentliche Aussage sollte einen Ersteller, einen Prüfer und einen Verantwortlichen für die Schlussfolgerung haben. Der Ersteller darf den AI-Workflow bedienen. Der Prüfer untersucht Nachweise und Methodik. Der Verantwortliche für die Schlussfolgerung akzeptiert die Aussage für den Bericht. Rollen können bei risikoarmen Arbeiten im Rahmen des Mandats kombiniert werden. Schlussfolgerungen mit hohem Risiko können einen unabhängigen oder leitenden Prüfer erfordern.

Professionelle Skepsis in der Benutzeroberfläche

Der Workflow sollte Widersprüche sichtbar machen. PCAOB-Standards beschreiben Nachweise, die Aussagen des Managements stützen und ihnen widersprechen, und verbinden professionelle Skepsis mit kritischer Bewertung [4,5]. Matchpoint-Analyse. Eine Benutzeroberfläche sollte stützende Nachweise, Gegenbelege, ungeklärte Lücken und die Zuverlässigkeit der Quellen gemeinsam anzeigen. Eine einzige generierte Darstellung kann andernfalls Widerspruch unterdrücken.

Entscheidungsrechte nach Ausgabetyp

Freigabebescheinigung

Matchpoint-Analyse. Der Freigabedatensatz für den Bericht sollte die Mandatsversion, den Quellenstichtag, wesentliche offene Ausnahmen, Modell- und Toolversionen, Berechnungs- und Testversionen, Prüfer, Freigabezeitpunkt und Verteilung ausweisen. Wenn sich der Datenraum nach dem Stichtag ändert, lassen sich anhand der Vorwärtsverfolgbarkeit Schlussfolgerungen identifizieren, die aktualisiert werden müssen.

Pilotdesign und Messung

Ausgangsbasis vor der Automatisierung

Ein Pilot erfordert eine Ausgangsbasis, die dieselbe Arbeitsdefinition verwendet. Das Team sollte ein abgegrenztes Modul auswählen, seine erwartete Quellenpopulation, Verfahren, Ergebnisse und Wesentlichkeit definieren und die aktuellen Durchlaufzeiten und Prüferzeiten messen. Historische Zeitaufzeichnungen können unvollständig oder inkonsistent sein. Wenn die Ausgangsbasis auf Schätzungen des Managements beruht, sollte sie bis zur Beobachtung mit `Hypothetische Modellierungsannahmen.` gekennzeichnet werden.

Pilot im Schattenmodus

Matchpoint-Analyse. Der Schattenmodus führt den AI-unterstützten Workflow parallel zum autorisierten konventionellen Prozess aus. Der unterstützte Output hat keinen steuernden Einfluss auf den Live-Bericht. Prüfer vergleichen Quellenabdeckung, Fakten, Berechnungen, Ausnahmen und Schlussfolgerungen. Für Genauigkeits- und Falsch-negativ-Schätzungen ist ein gekennzeichnetes Benchmark-Set erforderlich.

Geeignete erste Module sind unter anderem die Extraktion von Vertragsfeldern, die Normalisierung von Kundennamen, die Datenraum-Inventarisierung, die Indexierung wiederkehrender Anpassungsnachweise oder ein Abhängigkeitsinventar. Das Modul sollte wesentlich genug sein, um Kontrollen zu testen, und ausreichend abgegrenzt, um vollständig geprüft werden zu können.

Messlexikon

Phasenfreigaben

Matchpoint-Analyse. Ein Pilotprojekt wird nur weitergeführt, wenn die freigegebenen Phasenfreigaben erfüllt sind. Phasenfreigabe 1 bestätigt Daten und rechtliche Befugnis. Phasenfreigabe 2 bestätigt Quellen- und Berechnungskontrollen. Phasenfreigabe 3 bestätigt Genauigkeit und Ausnahmenverhalten im Benchmark. Phasenfreigabe 4 bestätigt Reviewer-Workflow und Incident-Bereitschaft. Phasenfreigabe 5 autorisiert den kontrollierten Produktivbetrieb für ein benanntes Modul. Phasenfreigabe 6 prüft die Nachweise aus dem Produktivbetrieb vor der Ausweitung des Geltungsbereichs.

Der Pilot sollte Stoppbedingungen definieren, etwa unbefugte Offenlegung, wesentliche Berechnungsabweichungen, nicht zugängliche Nachweise, instabiles Modellverhalten oder inakzeptables Falsch-Negativ-Verhalten im Benchmark. Stoppbedingungen sind operative Kontrollen und erfordern lokale Genehmigung.

Kaufen, selbst entwickeln oder auslagern

Entscheidungsdimensionen

Die operative Entscheidung hängt von Vertraulichkeit, Quellenkomplexität, Integration, individuellen Methoden, interner Engineering-Kapazität, Assurance-Anforderungen, Anbieterkonzentration, Geschwindigkeit und Gesamtkosten ab. Eine kommerzielle Datenraum- oder Due-Diligence-Plattform kann ausgereifte Datenaufnahme und Zusammenarbeit bieten. Eine interne Entwicklung kann proprietäre Methoden und Integration unterstützen. Ein Dienstleister kann Technologie mit fachlicher Prüfung kombinieren.

Anbietermaterial kann Fähigkeiten beschreiben. Es belegt jedoch nicht unabhängig Genauigkeit oder wirtschaftlichen Wert. Die Service-Seite von PwC zur Technologie-Due-Diligence ist eine Praxisbeschreibung aktueller Anwendungsbereiche [18]. Ein Käufer sollte das tatsächliche Produkt, die Bereitstellung, die Kontrollen, den Vertrag und die Nachweise vor dem Hintergrund seines Mandats bewerten.

Fragen zur Anbieter-Due-Diligence

Die Anbieter-Due-Diligence sollte Datenaufbewahrung und Nutzung für Trainingszwecke; Mandantentrennung und Isolation; Verschlüsselung und Schlüssel; Zugriffsverwaltung; Unterauftragsverarbeiter; Regionen und Datenübermittlungen; Modell- und Komponenteninventar; Protokollierung von Prompts und Ausgaben; Versionsänderungen; Evaluierung; Vorfallhistorie; Resilienz; Löschung; Export; Auditrechte; geistiges Eigentum; Haftung; und Unterstützung bei der Vertragsbeendigung abdecken. AI Anbieter, die Modelle entwickeln, sollten zudem an relevanten Praktiken für sichere Entwicklung und Lieferkette gemessen werden [9,10].

Wirtschaftlichkeitsbetrachtung

Matchpoint-Analyse. Die Wirtschaftlichkeitsbetrachtung sollte Implementierungs- und Betriebskosten mit Prüfungsaufwand, Durchlaufzeit (sofern wirtschaftlich relevant), Ausweitung der Abdeckung, vermiedener Nacharbeit und entscheidungsrelevantem Ertrag an Feststellungen vergleichen. Lizenzkosten allein unterschätzen den Betriebsbedarf. Kontrolldesign, Datenvorbereitung, Fachprüfung, Evaluierung und Change Management sind wiederkehrende Kosten.

Matchpoint-Implementierungs-Roadmap

Phase 0: Mandat und Befugnis

Definieren Sie das Transaktionsmodul, die Jurisdiktionen, Datenklassen, Verlassmöglichkeit, Wesentlichkeit, Nutzer der Ergebnisse und Entscheidungsrechte. Holen Sie Genehmigungen für Informationssicherheit, Datenschutz, Recht und Mandat ein. Erfassen Sie verbotene Systeme und verbotene Handlungen.

Phase 1: Aussagen- und Nachweisgrundlage

Erstellen Sie die Aussagenmatrix, das Quellenverzeichnis, die Nachweistaxonomie, Ausnahmekategorien und Freigaberollen. Legen Sie deterministische Berechnungen oder reproduzierbare Tests für das ausgewählte Modul fest. Messen Sie die konventionelle Ausgangsbasis.

Phase 2: Pilot im Schattenbetrieb

Führen Sie den assistierten Workflow ohne Freigabe für den Produktivbetrieb aus. Erstellen Sie ein gekennzeichnetes Evaluationsset aus repräsentativen Quellen und bekannten Grenzfällen. Prüfen Sie jedes wesentliche Ergebnis. Erfassen Sie Quellenverweise, Fehler, übersehene Ausnahmen, Prüfzeit und Nacharbeit.

Phase 3: kontrollierter Produktivbetrieb

Geben Sie ein benanntes Modul, eine Benutzergruppe, eine Datengrenze und eine Modellversion frei. Die Schlussfolgerungen des Berichts müssen unter menschlicher Freigabe bleiben. Überwachen Sie Qualitäts- und Sicherheitsmaßnahmen. Behalten Sie den konventionellen Fallback bei.

Phase 4: Workstream-übergreifende Integration

Verknüpfen Sie Aussagen aus CDD, FDD und TDD, wenn die Investmentthese von gemeinsamen Fakten abhängt. Beispiele sind Kundenbindung und Umsatzqualität; Produkt-Roadmap und prognostiziertes Wachstum; Cloud-Architektur und Bruttomarge; Cyber-Remediation und Nettoverschuldung oder Preisanpassung. Die fachliche Verantwortung für Schlussfolgerungen bei den Spezialisten belassen.

Phase 5: Portfolio-Lernen

De-identifizierte oder autorisierte Präzedenzstrukturen, Themen-Taxonomien und Evaluationsfälle unter Beachtung von Vertraulichkeit und vertraglichen Vorgaben speichern. Prozessleistung über Mandate hinweg anhand konsistenter Definitionen vergleichen. Portfolio-Lernen darf vertrauliche Evidenz einer Transaktion nicht einer anderen offenlegen.

Matchpoint Szenarioanalyse

Szenariostatus

Das folgende Szenario ist `[Matchpoint Szenarioanalyse]`. Es ist illustrativ, nicht verifiziert und beschreibt kein beobachtetes Matchpoint-Mandat. Werte müssen vor jeder kommerziellen Aussage durch eine genehmigte Baseline und Pilot-Ergebnisse ersetzt werden.

Illustratives Modul

Nehmen Sie an, dass ein Mid-Market-Akquisitions-Workstream 1.200 Quellobjekte über CDD, FDD und TDD hinweg erhält. Der Pilot wählt drei abgegrenzte Module aus: Extraktion von Kundenvertragsfeldern; Indexierung von Nachweisen zu EBITDA-Anpassungen; und Inventar der Software-Abhängigkeiten. Das herkömmliche Arbeitsprogramm und die Wesentlichkeit bleiben unverändert. Die Schlussfolgerungen verbleiben bei den Spezialisten.

Der assistierte Workflow registriert alle eingegangenen Objekte, führt eine kontrollierte Extraktion durch, verknüpft vorgeschlagene Fakten mit Quellenstellen und leitet Ausnahmen weiter. Deterministischer Code berechnet Kundenkonzentration und Anpassungsbrücken. Genehmigte Tools erstellen das Abhängigkeitsinventar. Prüfer kontrollieren alle Ergebnisse mit hoher Wesentlichkeit und eine definierte Stichprobe von Ergebnissen mit geringerer Wesentlichkeit.

Beispielhafte Scorecard

Entscheidungsregel

Matchpoint-Analyse. Die Produktionsfreigabe erfordert zufriedenstellende Evidenzqualität, Informationssicherheitsfreigabe, akzeptable Prüferauslastung und getestete Vorfallreaktion. Eine Zeitersparnis hebt ein fehlgeschlagenes Qualitäts- oder Sicherheitsgate nicht auf. Eine Ausweitung der Abdeckung kann die Einführung rechtfertigen, selbst wenn die verstrichene Zeit unverändert bleibt, vorbehaltlich eines genehmigten Wirtschaftlichkeitsnachweises.

Einschränkungen und Forschungsagenda

Dieses Papier hat sechs wesentliche Einschränkungen. Erstens sind die unmittelbar relevantesten Belege für Einführung und Effizienz selbstberichtete Umfrageevidenz. Sie beobachtet Transaktionszykluszeit, Fehler, Qualität oder Renditen nicht unabhängig. Zweitens umfasst die Thomson-Reuters-Stichprobe mehrere Berufsgruppen und isoliert die zentralen Kennzahlen nicht auf die Transaktions-Due-Diligence. Drittens verwendet das Papier PCAOB-Prüfungsgrundsätze analog; ein FDD-Mandat ist keine gesetzliche Prüfung und kann andere Ziele, Evidenzschwellen und Verlässlichkeitsanforderungen haben.

Viertens ändern sich AI-Systeme, Anbieterbedingungen und unternehmensweite Kontrollen. Ein auf Juli 2026 datiertes Papier kann die aktuelle Anbieter- und Konfigurations-Due-Diligence nicht ersetzen. Fünftens hängen rechtliche, datenschutzrechtliche, bilanzielle, steuerliche, wettbewerbsrechtliche und offenlegungsbezogene Anforderungen von den Parteien, der Transaktionsstruktur und der Jurisdiktion ab. Dieses Papier ist keine professionelle Beratung. Sechstens sind das Matchpoint-Betriebsmodell und das Szenario analytische Vorschläge. Ihre Produktivitäts- und Qualitätseffekte erfordern kontrollierte Pilotbelege.

Weitere Forschung sollte qualitätsbereinigte Zeit je Due-Diligence-Modul berichten; die Extraktion über die gesamte Grundgesamtheit mit Spezialisten-Stichproben vergleichen; gelabelte Ausnahme-Benchmarks erstellen; die Überabhängigkeit von Prüfern und das Schnittstellendesign untersuchen; die Wartungskosten des Evidenzgraphen messen; grenzüberschreitende Datenraumarchitekturen analysieren; und untersuchen, ob eine frühere Sichtbarkeit von Problemen Preis, Struktur, Bedingungen oder Post-Closing-Pläne verändert. Eine Analyse der Transaktionsrenditen würde sorgfältige Kontrollen für Auswahl-, Markt- und Ausführungsfaktoren erfordern.

Fazit

AI-gestützte Due Diligence ist in der berichteten Marktpraxis bereits sichtbar. Die KPMG-Umfrage zeigt Einsatz in Due Diligence und Bewertung sowie von Befragten berichtete Effizienz bei analytischen Aufgaben [1,2]. Thomson Reuters dokumentiert eine breite Nutzung in professionellen Dienstleistungen und eine deutlich kleinere berichtete Basis formeller ROI-Messung [3]. Die Kombination stützt eine disziplinierte Umsetzungsfrage: Wie sollte der Workflow gestaltet und gemessen werden?

Matchpoint-Analyse. Die Antwort beginnt mit Aussagen und Belegen. Erfassen Sie die Quellpopulation. Bewahren Sie Provenienz und Widerspruch. Nutzen Sie AI für kontrollierte Aufnahme, Extraktion, Vergleich, Triage und Entwurfserstellung. Verwenden Sie deterministische Systeme für Finanzberechnungen und reproduzierbare Werkzeuge für technische Tests. Leiten Sie Unsicherheit und Fehler in eine verantwortete Ausnahmewarteschlange. Ordnen Sie Schlussfolgerungen Fachleuten und autorisierten Entscheidungsträgern zu.

Das resultierende System kann getestet werden. Quellenabdeckung, Gültigkeit von Zitaten, Berechnungsgenauigkeit, Performance bei Ausnahmen, Prüferzeit, verstrichene Zeit, Nacharbeit und Ausbeute an Feststellungen bilden einen messbaren Nachweis. Aussagen über Zeitverkürzung oder Qualität können dann in dem genannten Pilotprojekt begründet werden. Bis diese Belege vorliegen, bleiben sie Hypothesen.