AI-Native Growth-Equity-Due-Diligence: Feature-Geschwindigkeit, Retention und Modellabhängigkeit

1. Die Investitionsentscheidung definieren

Growth-Equity-Due-Diligence sollte mit der Entscheidung beginnen, die der Investmentausschuss treffen muss. Das Mandat sollte das vorgesehene Finanzinstrument, den Mittelzufluss, die Beteiligungsquote, die Governance-Rechte, die erwartete Haltedauer, den Renditerahmen und wesentliche Bedingungen festlegen. Ein breit gefasster Auftrag zur Bewertung eines AI-Unternehmens kann umfangreiche Aktivitäten erzeugen, ohne die Preis-, Struktur- und Risikofragen zu klären, die den Kapitaleinsatz bestimmen.

Der Entscheidungsrahmen sollte die operative These benennen. Das Management kann argumentieren, dass schnelle Produkt-Releases die Akzeptanz erhöhen, dass Akzeptanz wiederkehrende Kundenergebnisse hervorbringt, dass diese Ergebnisse Retention und Expansion stützen und dass Skalierung die Deckungsbeitragsmarge verbessert. Jedes Glied erfordert eine Definition, eine Quelle und einen Beobachtungszeitraum. Ein starkes Ergebnis an einem Glied beweist nicht den Rest der Kette.

Der Investmentausschuss sollte den Nachweisstandard genehmigen, bevor die Due Diligence an Fahrt aufnimmt. Der Standard sollte verifizierte Unterlagen, Erklärungen des Managements, geprüfte Berechnungen, Nachweise Dritter und hypothetische Szenarien unterscheiden. Wesentliche fehlende Informationen sollten sichtbar bleiben. Der Investor sollte zudem entscheiden, welche Erkenntnisse Bewertung, Instrumentbedingungen, Governance, gestaffelte Finanzierung, Bedingungen oder die Abbruchentscheidung ändern können.

2. Die integrierte Due-Diligence-Architektur aufbauen

Kommerzielle, produktbezogene, technische, finanzielle und Governance-Workstreams sollten ein gemeinsames Aussagenregister verwenden. Getrennte Berichte können denselben Sachverhalt unterschiedlich darstellen, inkonsistente Zeiträume anwenden oder eine funktionsübergreifende Abhängigkeit übersehen. Die integrierte Architektur ordnet jede wesentliche Aussage einem Verantwortlichen, einer Quelle, einem Test, einem Prüfer und einer Investment-Konsequenz zu.

Die Architektur sollte Produktzweck, Kundensegmente, Release-Historie, Aufgabenerfolg, Adoption, Retention, Preisgestaltung, Umsatzrealisierung, Kostenallokation, Modell- und Cloud-Abhängigkeiten, Datenrechte, Sicherheit, Regulierung, Organisation, Prognose, Kapitalbedarf und Cap Table abdecken. Sie sollte zudem die Beziehungen zwischen diesen Elementen erhalten. Ein neues Feature kann die Adoption verbessern und zugleich Inferenzkosten, Implementierungsaufwand oder Modellkonzentration erhöhen.

Das AI-Risikomanagement-Rahmenwerk von NIST verbindet organisatorische Praktiken mit Zuordnung, Messung, Management und Governance über den AI-Lebenszyklus hinweg [1]. In seinem Kern fordert es dokumentierte Tests, Evaluierung, Verifizierung und Validierung sowie Produktionsüberwachung unter Bedingungen, die dem Deployment ähneln [2]. Diese Prinzipien stützen ein Investment-Evidenzsystem, wenngleich der Investor sie an die Transaktion und das Unternehmen anpassen muss.

Jede Stufe erfordert eine definierte Grundgesamtheit, Quelle, Periode und Prüfung, bevor sie die nächste Schlussfolgerung stützt.

3. Evidenzregister erstellen

Das Evidenzregister ist das Transaktionsprotokoll für wesentliche Aussagen. Jeder Eintrag sollte die Behauptung, die Metrikdefinition, die Grundgesamtheit, den Zeitraum, das Quellsystem, die Extraktionsmethode, die Berechnung, den Verantwortlichen, den Prüfer, die Version, die Einschränkung und die potenzielle Investitionsreaktion angeben. Das Register sollte auf Quelldateien verweisen und dabei Zugriffs- und Vertraulichkeitskontrollen beibehalten.

Management-Dashboards sind nützliche Ausgangspunkte. Sie können Definitionen ändern, fehlgeschlagene Aktivitäten ausschließen, Produktions- und Testverkehr vermischen oder einen aktuellen Snapshot neben einer historischen Prognose ausweisen. Das Due-Diligence-Team sollte ausgewählte Kennzahlen mit Quellsystemen, Verträgen und Buchhaltungsunterlagen abstimmen. Die Nachrechnung sollte sich auf Aussagen konzentrieren, die die Bewertung, den Downside-Schutz oder den Kapitalbedarf treiben.

Das Register sollte nachteilige Evidenz aufbewahren. Fehlgeschlagene Evaluierungen, abgewanderte Kohorten, Kostenüberschreitungen, Kundenbeschwerden und ungeklärte Rechte können die Bandbreite der Ergebnisse wirksamer erklären als ein aufpolierter Datenraum. Eine Ausnahme sollte einen Verantwortlichen, finanzielle Relevanz, eine vorgeschlagene Maßnahme und ein Entscheidungsdatum haben. Sie nach einem Workaround zu löschen, entfernt den Prüfpfad.

Tabelle 1. Zentrale Felder des Evidenzregisters

Ein ausgefülltes Feld erfordert Quellennachweise und eine Prüfung, die seiner Bedeutung für die Investition angemessen ist.

4. AI-nativen Produktumfang definieren

Das Due-Diligence-Team sollte feststellen, was das Unternehmen in operativer Hinsicht AI-native macht. Das Produkt kann eigene Modelle trainieren, Modelle Dritter fine-tunen, mehrere Modelle orchestrieren, Retrieval- und Workflow-Logik anwenden, Infrastruktur bereitstellen oder externe AI-Dienste in eine breitere Anwendung einbetten. Diese Architekturen bringen unterschiedliche Risiken in den Bereichen geistiges Eigentum, Kosten, Zuverlässigkeit und Anbieterwechsel mit sich.

Die Produktlandkarte sollte jeden kundengerichteten Workflow, den Modell- und Datenpfad, menschliche Eingriffe, die Produktionsumgebung und das kommerzielle Leistungsversprechen erfassen. Ein einzelnes Unternehmen kann mehrere Architekturen enthalten. Ein Workflow kann einen eigenen Klassifikator nutzen, ein anderer an einen Foundation-Model-Anbieter weiterleiten, und ein dritter eine Expertenprüfung erfordern. Aggregierte Margen und Zuverlässigkeitskennzahlen können diese Unterschiede verdecken.

Der Umfang beeinflusst auch die Vergleichbarkeit. Ein Unternehmen, dessen Wirtschaftlichkeit von Inferenz durch Dritte abhängt, sollte nicht allein als traditionelle Software bewertet werden. Eine stark dienstleistungsgeprägte Bereitstellung sollte ohne Nachweis nicht als wiederkehrender Self-Service-Umsatz dargestellt werden. Der Investor sollte das tatsächliche Betriebsmodell, die vertraglichen Rechte und die Kostentreiber zugrunde legen statt eines Labels.

5. Ein kontrolliertes Release definieren

Feature-Velocity erfordert eine stabile Analyseeinheit. Ein Release sollte eine Produktionsänderung darstellen, die eine berechtigte Kundenpopulation erreicht und mit definiertem Verhalten oder definierten Ergebnissen in Verbindung gebracht werden kann. Code-Commits, Experimente, interne Demonstrationen und Marketingankündigungen sind separate Ereignisse. Wer sie zusammenzählt, belohnt Aktivität, ohne den Kundennutzen zu prüfen.

Der Release-Datensatz sollte vorgesehenen Nutzer, Problem, Verantwortlichen, Genehmigung, Bereitstellungsdatum, berechtigte Population, Exponierungslogik, Rollback-Plan, Bewertungsergebnis, Vorfallhistorie und kommerzielle Hypothese enthalten. Wesentliche Modell-, Prompt-, Retrieval-, Daten- und Richtlinienänderungen sollten einbezogen werden, da sie das Produktverhalten ohne sichtbare Schnittstellenänderung verändern können.

Velocity sollte neben Qualität und Umkehrbarkeit bewertet werden. Häufige Releases können Lernfähigkeit belegen, wenn Telemetrie, Tests und Rollback robust sind. Sie können aber auch Fragmentierung, Supportlast und Zuverlässigkeitsrisiken erzeugen. Der Investor sollte den Anteil der Releases messen, die stabile Produktion erreichen, ihre Akzeptanzschwelle erfüllen und nach dem Beobachtungsfenster weiter unterstützt bleiben.

6. Feature-Velocity messen

Nützliche Velocity-Kennzahlen umfassen die Durchlaufzeit vom genehmigten Problem bis zur Produktion, Deployment-Frequenz, Release-Akzeptanz, Rollback-Rate, Defect-Escape-Quote, Evaluationsabdeckung und Behebungszeit. Der Nenner sollte explizit sein. Der Median der Durchlaufzeit für akzeptierte Releases kann mehr aussagen als ein Durchschnitt, der durch einige wenige aufgegebene Initiativen verzerrt wird.

Das Team sollte Velocity nach Produktbereich, Kundentyp und Änderungsklasse segmentieren. Eine Anpassung der Benutzeroberfläche, eine Modellmigration und ein regulierter Workflow erfordern unterschiedliche Tests und Risikotoleranzen. Periodenvergleiche sollten Änderungen bei Teamgröße, Architektur, Kundenmix und Release-Richtlinie erklären.

Velocity kann mit dem Investitionsplan verglichen werden. Wenn das Wachstum eine definierte Abfolge von Enterprise-Kontrollen, Integrationen oder Workflow-Funktionen erfordert, sollte die Due Diligence prüfen, ob der historische Durchsatz diese Abfolge stützt. Die Prognose sollte Discovery, Sicherheitsprüfung, Kundenakzeptanz und Deployment-Aufwand umfassen. Technische Schätzungen allein belegen keine kommerzielle Verfügbarkeit.

7. Releases mit Adoptionskohorten verknüpfen

Jedes wesentliche Release sollte eine berechtigte Kohorte und eine exponierte Kohorte haben. Die Berechtigung beantwortet, wer das Feature nutzen könnte; die Exponierung beantwortet, wer es tatsächlich erhalten oder entdeckt hat. Die Adoption sollte dann Erstnutzung, sinnvolle Nutzung, wiederholte Nutzung und erfolgreiche Nutzung unterscheiden. Eine große berechtigte Population mit begrenzter Exponierung kann auf Distributionsreibung statt auf Produktablehnung hindeuten.

Kohorten sollten Startdatum, Kontomerkmale, Vertrag, Segment, Geografie und relevante Baseline bewahren. Das Team sollte exponierte Nutzer nach Möglichkeit mit einer geeigneten Baseline vor dem Release oder einer Kontrollgruppe vergleichen. Produktanalysen können Assoziationen zeigen; kausale Aussagen erfordern ein stärkeres Design und offengelegte Einschränkungen.

Adoptionskurven sollten lange genug verfolgt werden, um Neuheit von wiederkehrendem Workflow zu unterscheiden. Ein Feature, das einmal während des Onboardings genutzt wird, kann die Implementierungszeit verkürzen, ohne zu einem täglichen Workflow zu werden. Dieses Ergebnis kann weiterhin Wert schaffen, sollte aber über den richtigen Mechanismus in die Umsatz- und Bindungs-These einfließen.

8. Aufgabenerfolg und Kundenakzeptanz definieren

AI-Produkte erfordern workflowspezifische Erfolgsdefinitionen. Eine Antwort kann innerhalb des Latenzziels geliefert werden und dennoch ungenau, unsicher oder unbrauchbar sein. Die Definition kann Abschluss, Qualität, Zuverlässigkeit, Latenz, Eskalation, Prüfaufwand und Kundenakzeptanz kombinieren. Der Investor sollte verstehen, wer die Schwelle festlegt und wie sie mit dem vertraglichen Versprechen zusammenhängt.

Evaluationsnachweise sollten Bedingungen abdecken, die der Produktion ähneln, im Einklang mit NISTs Betonung dokumentierter Tests und Produktionsüberwachung [2]. Stichproben sollten wesentliche Kundenpopulationen und Fehlermodi repräsentieren. Ergebnisse aus kuratierten Demonstrationen sollten von der Live-Leistung getrennt werden. Die menschliche Bewertung sollte Anweisungen, Prüfer, Uneinigkeit und Eskalation dokumentieren.

Das Team sollte Fehler bis zu Kunden- und wirtschaftlichen Konsequenzen zurückverfolgen. Ein Fehler geringer Schwere kann begrenzte Kosten verursachen; ein seltener Fehler in einem Workflow mit hohem Einsatz kann den Marktzugang einschränken oder eine teure Prüfung erfordern. Aggregierte Genauigkeit kann diese Verteilung verbergen. Das Investitionsmodell sollte den tatsächlichen Anwendungsfall und die verbleibenden Kontrollen widerspiegeln.

9. Die Kundenergebnis-Brücke aufbauen

Die Kundenergebnis-Brücke verbindet Produktaktivitäten mit dem Ergebnis, das der Käufer wertschätzt. Sie beginnt mit dem vertraglich vereinbarten oder beabsichtigten Workflow, begleitet geeignete Nutzer durch Produktexposition und erfolgreiche Nutzung und prüft anschließend Ergebnisse bei Zeit, Kosten, Umsatz, Risiko oder Qualität. Die Brücke sollte verzerrende Änderungen wie neue Preisgestaltung, Implementierungsunterstützung oder personelle Ausstattung beim Kunden identifizieren.

Nachweise können Kundensystemdaten, abgenommene Lieferergebnisse, Service-Level, Verlängerungsentscheidungen und dokumentierte Fallstudien umfassen. Referenzen ohne Ausgangsbasis liefern Kontext, lassen aber die Größenordnung offen. Der Investor sollte unternehmenseigene Berechnungen, vom Kunden bestätigte Ergebnisse und unabhängig reproduzierte Nachweise unterscheiden.

Die Dauerhaftigkeit des Ergebnisses ist wichtig. Eine Einsparung, die durch intensive Unterstützung des Anbieters erzielt wird, hält bei Skalierung möglicherweise nicht stand. Die Brücke sollte Supportstunden, Implementierungsaufwand und Ausnahmen ausweisen. Ein Kunde kann aufgrund eines breiteren Bündels verlängern, selbst wenn die Funktion AI nur geringe direkte Nutzung hat. Die Zurechnung sollte im Verhältnis zur Evidenz bleiben.

Der Kundennutzen sollte durch eine Ausgangsbasis, eine Kohorte, Abnahmenachweise, Lieferaufwand und eine dargelegte Einschränkung gestützt werden.

10. Retention nach Kohorte analysieren

Die Retention sollte anhand einer definierten Population und wirtschaftlichen Basis berechnet werden. Logo-Retention, Bruttoumsatz-Retention, Nettoumsatz-Retention, Produkt-Retention und Workload-Retention beantworten unterschiedliche Fragen. Das Team sollte die ausgewählte Kennzahl mit Verträgen und, je nach Fall, erfassten oder abgerechneten Umsätzen abstimmen.

Die Release-to-Retention-Analyse folgt Kohorten, die wesentlichen Funktionen ausgesetzt waren, und vergleicht Verlängerung, Verringerung, Ausweitung und Abwanderung. Das Beobachtungsfenster muss zu Vertrags- und Nutzungszyklen passen. Jüngere Kohorten können gesund erscheinen, weil sie noch keine Verlängerung erreicht haben. Reife Kohorten können ein älteres Produkt- und Kundenprofil widerspiegeln. Beide sollten gezeigt werden.

Öffentliche Berichte zeigen, dass Unternehmen Retention sorgfältig definieren und erörtern. DigitalOcean berichtete in seinen Ergebnissen für 2025 über Net-Dollar-Retention zusammen mit AI-nativen Produktveröffentlichungen [15]. Atlassian nennt Zufriedenheit, Releases, Support, Preisgestaltung, Paketierung und AI-Angebote unter den Faktoren, die Retention und Expansion beeinflussen können [16]. Diese Offenlegungen veranschaulichen relevante Variablen; sie begründen keinen Benchmark für ein anderes Unternehmen.

Tabelle 2. Release-to-Retention-Kohortenstruktur

Die Werte sind hypothetisch und dienen ausschließlich der Veranschaulichung der Struktur der Due-Diligence-Berechnung.

11. Abwanderung und Umsatzrückgang diagnostizieren

Die Churn-Analyse sollte Gründe auf Kundenkontoebene heranziehen, die durch Nachweise belegt sind. Zu den Kategorien können Produktpassung, Qualität, Zuverlässigkeit, Sicherheit, Beschaffung, Integration, Support, Preisgestaltung, Budget, Wettbewerber, Kundenausfall oder strategische Veränderung gehören. Ein einzelner Hauptgrund kann bequem sein, aber miteinander wechselwirkende Ursachen verdecken.

Das Team sollte den angegebenen Grund, die Nutzungshistorie, die Support-Historie, die Produktexposition, Preisänderungen und Kontoanmerkungen vergleichen. Verlorene Kundenkonten sollten nach Umsatz, Marge, Branche, Produkt und Abhängigkeit segmentiert werden. Eine kleine Anzahl konzentrierter Verluste kann die Prognose stärker beeinflussen als eine breite Gruppe von Experimenten mit geringem Wert.

Die Kontraktion verdient eine separate Analyse. Kunden können den Vertrag behalten und gleichzeitig Sitze, Workloads oder Premiumfunktionen reduzieren. Eine AI-Funktion kann die Nutzung erhöhen, ohne Budgetkürzungen an anderer Stelle zu verhindern. Die Umsatzbrücke sollte Ausgangswert, Abwanderung, Kontraktion, Expansion, Preis- und Wechselkurseffekte unter Verwendung konsistenter Perioden zeigen.

12. Qualität der Expansion prüfen

Die Expansion sollte an einen wiederholbaren Treiber geknüpft sein. Sie kann aus mehr Nutzern, höherem Workload, neuen Produkten, Preis, Implementierung, übernommenen Einheiten oder vorübergehendem Verbrauch resultieren. Der Investor sollte vertragliche Verpflichtungen von variabler Nutzung trennen und feststellen, ob dieselben Releases, die die Akzeptanz fördern, auch die bezahlte Expansion fördern.

Nutzungsbasierte Geschäftsmodelle erfordern zusätzliche Sorgfalt. Produktoptimierung kann den Kundenverbrauch senken und gleichzeitig den Wert erhöhen. Ein Rückgang der Nutzung ist nicht automatisch nachteilig, und Wachstum durch ineffiziente Token- oder Compute-Nutzung ist nicht automatisch vorteilhaft. Die Analyse sollte Nutzungseinheiten mit Kundenergebnissen, Preis und direkten Kosten verknüpfen.

Die Konzentration der Expansion sollte getestet werden. Eine kleine Anzahl großer Kunden kann eine attraktive Netto-Retention schaffen und gleichzeitig die Verhandlungsmacht und Prognosevolatilität erhöhen. Das Modell sollte Expansion nach Kohorte, Segment und Kunde zeigen, zusammen mit Pipeline-Annahmen und vertraglichen Nachweisen. Nicht belegte Cross-Sell-Annahmen bleiben Szenarioannahmen.

13. Umsatzqualität abgleichen

Die Analyse der Umsatzqualität sollte Verträge, Abrechnung, erfasste Umsatzerlöse, Geldeingänge und Produktnachweise abgleichen. IFRS 15 legt Grundsätze für die Erfassung von Umsatzerlösen aus Kundenverträgen fest [5]. Das Due-Diligence-Team sollte transaktionsspezifische Bilanzierungsberatung einholen und Leistungsverpflichtungen, variable Gegenleistung, Vertragsänderungen, Principal-Agent-Fragen und wesentliche Finanzierungskomponenten, soweit relevant, verstehen.

Wiederkehrende Bezeichnungen müssen geprüft werden. Umsatzerlöse können Implementierung, kundenspezifische Entwicklung, Expertenprüfung, Schulung, Support, Marketplace-Durchleitung oder Cloud-Wiederverkauf umfassen. Diese Ströme können kommerziell wertvoll sein und gleichzeitig unterschiedliche Merkmale in Bezug auf Marge, Working Capital und Skalierbarkeit aufweisen. Das Modell sollte die Zusammensetzung beibehalten.

Das Team sollte Auftragseingänge, annualisierte Werte und Pipeline-Angaben anhand unterzeichneter Vertragsbedingungen und Startdaten prüfen. Der vertraglich vereinbarte Auftragsbestand kann Kündigungsrechte, Verbrauchsvariabilität, Abnahmebedingungen oder verzögerte Bereitstellung enthalten. Geldeingänge sollten neben erfassten Umsatzerlösen analysiert werden. Ein Kundenergebnis kann stark sein, während Beschaffungs- oder Abnahmeverzögerungen Liquiditätsdruck erzeugen.

14. Wiederkehrende Bereitstellungskosten zuordnen

AI-native Margenanalyse sollte die Ressourcen umfassen, die zur Erbringung des vertraglich vereinbarten Ergebnisses erforderlich sind. Direkte Kosten können Modellinferenz, Cloud-Compute, Speicherung, Datenbeschaffung, Observability, Orchestrierung, menschliche Prüfung, Implementierung, Support, Service-Credits und Lizenzen Dritter umfassen. Die Klassifizierung sollte mit den Buchhaltungsunterlagen abgestimmt werden und gleichzeitig eine wirtschaftliche Betrachtung unterstützen.

Promotionsgutschriften, Mindestverpflichtungen und reservierte Kapazität sollten sichtbar sein. Die berichteten Kosten während eines Gutschriftszeitraums spiegeln möglicherweise nicht die nachhaltige Wirtschaftlichkeit wider. Eine Verpflichtung kann den Stückpreis senken und gleichzeitig ein Take-or-Pay- oder Unterauslastungsrisiko schaffen. Das Due-Diligence-Modell sollte vertragliche und wirtschaftliche Kosten unter relevanten Auslastungsszenarien zeigen.

Die Einreichung von Microsoft aus dem Jahr 2025 nennt erhebliche Entwicklungs- und Betriebskosten im Zusammenhang mit AI-Modellen, -Diensten, -Plattformen und -Infrastruktur [17]. Die Einreichung von Alphabet aus dem Jahr 2025 beschreibt steigende Investitionen in die technische Infrastruktur und Betriebskosten für AI-Angebote [18]. Diese emittentenspezifischen Offenlegungen stützen die Notwendigkeit, die Kostenarchitektur zu prüfen; sie sind kein direkter Nachweis über das Zielunternehmen.

15. Wiederkehrende Deckungsbeitragsmarge berechnen

Die wiederkehrende Deckungsbeitragsmarge sollte auf einer definierten Umsatzbasis und einem vollständigen Perimeter direkter Kosten basieren. Das Team sollte Kundenkonto-, Workflow- und Kohortenansichten berechnen, wo die Daten dies zulassen. Die auf Unternehmensebene berichtete Bruttomarge kann einen unrentablen AI-Workflow verschleiern, der von einem profitablen etablierten Produkt oder einer Dienstleistungssparte getragen wird.

Die Überleitungsrechnung sollte Preis, Volumen, Mix, Anbieterrate, Modellwahl, Token- bzw. Arbeitslastintensität, Caching, menschliche Eingriffe, Support und Servicegutschriften trennen. Verbesserungen sollten mit umgesetzten Änderungen und anhaltender Beobachtung verknüpft werden. Eine Prognose, die gleichzeitig niedrigere Modellkosten und geringeren Supportaufwand annimmt, sollte die operativen Nachweise für beides erläutern.

Die Margenqualität hängt auch vom Kundennutzen ab. Eine Verringerung von Modellqualität, Kontext oder Prüfung kann die Kosten senken, während sie Ergebnisse und Kundenbindung beeinträchtigt. Der Investor sollte die effiziente Grenze zwischen Ergebnis, Latenz, Zuverlässigkeit und direkten Kosten testen. Eine einzelne Optimierungskennzahl kann nicht alle vier abbilden.

16. Die Abhängigkeitsarchitektur abbilden

Die Abhängigkeitsarchitektur identifiziert die Systeme, Rechte und Gegenparteien, die zur Bereitstellung jedes wesentlichen Workflows erforderlich sind. Sie sollte Foundation Models, proprietäre Modelle, Cloud-Dienste, Acceleratoren, Daten, Retrieval, Vektorspeicher, Observability, Sicherheit, Evaluierungstools, Integrationen, Spezialisten und lizenzierte Inhalte umfassen. Jede Abhängigkeit sollte mit dem Kundennutzenversprechen und den Kosten verknüpft werden.

Für jede Abhängigkeit sollte die Due Diligence Anbieter, Vertrag, Laufzeit, Verlängerung, Preismechanik, Mengenverpflichtung, Servicelevel, Datennutzung, Zuweisung von geistigem Eigentum, Haftung, Kündigung, Portabilität, Alternative, Wechselaufwand und verbleibende Einschränkung erfassen. Technische Substituierbarkeit und vertragliche Portabilität sind getrennte Fragen.

Das Generative-AI-Profil von NIST hebt Risiken über den gesamten Lebenszyklus generativer AI hervor und empfiehlt Maßnahmen im Einklang mit organisatorischen Zielen und Risikotoleranzen [3]. Die Abhängigkeitskarte übersetzt diese Bedenken in Investitionsnachweise. Sie sollte auf Workflow-Ebene gepflegt werden, da ein Unternehmen in einem Produkt eine hohe Portabilität und in einem anderen eine wesentliche Konzentration aufweisen kann.

Jede Ebene sollte auf Rechte, Konzentration, Substituierbarkeit, Wechseldauer und wirtschaftliche Risikoposition geprüft werden.

17. Abhängigkeit von Foundation Models bewerten

Die Abhängigkeit von Foundation Models sollte nach Workflow bewertet werden, nicht allein nach der Anzahl der Anbieter. Ein Produkt kann mehrere Modelle aufrufen und sich dennoch für Qualität, Latenz, Unternehmenskonditionen oder eine kritische Fähigkeit auf einen Anbieter stützen. Das Team sollte Standard-Routing, Fallback-Verhalten, Fine-Tuning, Prompt- und Evaluierungsassets, anbieterspezifische Funktionen und Fehlermodi identifizieren.

Die Vertragsprüfung sollte Zugang, Preisgestaltung, Ratenlimits, Servicezusagen, Datenverarbeitung, Trainingsrechte, Ausgabebedingungen, Freistellungen, territoriale Beschränkungen, Änderungsrechte und Kündigung abdecken. Technische Tests sollten Ergebnis und Kosten unter realisierbaren Alternativen messen. Ein nomineller Fallback, der Akzeptanzschwellen nicht erfüllt, bietet keine gleichwertige Resilienz.

Atlassians Einreichung gibt an, dass das Unternehmen auf bestimmte AI-Modelle, -Produkte und Integrationsanbieter von Drittanbietern angewiesen ist, und nennt Verfügbarkeit, Jurisdiktion und Preis als mögliche Risikopositionen [16]. Diese öffentliche Offenlegung veranschaulicht Fragen, die für die Abhängigkeits-Due-Diligence relevant sind. Das Risiko des Zielunternehmens muss anhand seiner eigenen Architektur, Verträge und Tests ermittelt werden.

18. Substituierbarkeit von Modellen testen

Substituierbarkeitstests sollten repräsentative Produktions-Workflows und genehmigte Abnahmekriterien verwenden. Das Team sollte Ergebnisqualität, Latenz, Zuverlässigkeit, Sicherheit, Kontextverarbeitung, Tool-Nutzung, Kosten, Integrationsaufwand und betriebliche Kontrollen vergleichen. Ein Benchmark-Score kann die Analyse unterstützen, lässt jedoch die Workflow-Leistung ungeklärt.

Die Wechselzeit sollte Beschaffung, Sicherheitsprüfung, Datenverarbeitungsbedingungen, Implementierung, Evaluierung, Kundenfreigabe, Bereitstellung und Monitoring umfassen. Sie sollte auch die Zeit umfassen, die benötigt wird, um anbieterspezifische Prompts, Fine-Tuning, Retrieval oder Guardrails neu aufzubauen. Das Unternehmen sollte ermitteln, welche Assets nach einem Wechsel weiterhin nutzbar bleiben.

Das Investitionsmodell kann diskrete Abhängigkeitsszenarien verwenden. Ein Basisszenario kann aktuelle kommerzielle Bedingungen annehmen; ein Negativszenario kann eine Preiserhöhung, Kapazitätsbegrenzung oder Qualitätsverschlechterung anwenden; ein Migrationsszenario kann doppelte laufende Kosten und verzögerte Releases umfassen. Die Annahmen sollten nachvollziehbar sein und vermeiden, den Eindruck zu erwecken, dass alle Abhängigkeiten gleichzeitig ohne nachvollziehbare Ursache ausfallen.

Tabelle 3. Scorecard für Abhängigkeit und Portabilität

Scores sollten dokumentierten Nachweisen und workflowspezifischen Schwellenwerten folgen.

19. Behauptungen zu proprietären Modellen prüfen

Behauptungen eines Vorteils proprietärer Modelle sollten zerlegt werden. Das Unternehmen kann Trainingscode, Gewichte, Fine-Tunes, synthetische Daten, Evaluationssets, Routing, Retrieval, Domänenontologien oder Workflow-Feedback besitzen. Jedes Asset hat unterschiedliche Rechte, Reproduzierbarkeit und kommerzielle Relevanz. Eine pauschale Eigentumsbehauptung reicht nicht aus.

Das Team sollte Entwicklungsunterlagen, Lizenzen, Arbeitnehmer- und Auftragnehmerabtretungen, Datenherkunft, Trainingsberechtigungen sowie Sicherheits- und Modelldokumentation prüfen. Die Leistung sollte unter Produktionsbedingungen gegen eine relevante Baseline getestet werden. Die Analyse sollte die Kosten und den Zeitaufwand für die Reproduktion des behaupteten Vorteils umfassen.

Die Dauerhaftigkeit hängt vom Kundennutzen und der Wettbewerbsreaktion ab. Ein messbarer Leistungsvorsprung kann schwinden, wenn Anbieter besser werden oder Kunden eine günstigere Alternative akzeptieren. Proprietäre Assets können zudem die Abhängigkeit verringern, während sie die Anforderungen an Training, Personal und Rechenkapazität erhöhen. Das Bewertungsmodell sollte sowohl Nutzen als auch Verpflichtung berücksichtigen.

20. Datenrechte und Datenherkunft prüfen

Die Due Diligence zu Daten sollte Quelle, Eigentum, Lizenz, Einwilligung, zulässigen Zweck, Geografie, Aufbewahrung, Transformation, Weitergabe und Löschung abbilden. Die Abbildung sollte Training, Fine-Tuning, Retrieval, Evaluation, Monitoring und kundengeneriertes Feedback abdecken. Rechte, die einen Zweck stützen, unterstützen möglicherweise keinen anderen.

Das Team sollte prüfen, ob das Unternehmen kritische Datensätze reproduzieren kann und ob die Lineage Transformationen übersteht. Synthetische Daten sollten die Generierungsmethode und Qualitätskontrollen beibehalten. Kundendaten sollten gemäß Vertrag und Richtlinien getrennt werden. Öffentliche Verfügbarkeit begründet für sich genommen kein uneingeschränktes kommerzielles Recht.

Der Regulierungsrahmen der Europäischen Kommission zu AI beschreibt Pflichten, die je nach Systemrisiko und Rolle von AI variieren [6]. Die OECD-AI-Prinzipien bieten eine internationale Referenz für verantwortungsvolle Stewardship [7]. Anwendbares Recht und Vertrag erfordern qualifizierte Beratung; die Investmentakte sollte festhalten, welche Punkte geprüft wurden, von wem und mit welchen Einschränkungen.

21. Governance der Testevaluierung

Die Evaluierungs-Governance sollte festlegen, wer Metriken, Datensätze, Schwellenwerte, Releases und Ausnahmen genehmigt. Entwicklungsteams können Nachweise vorbereiten, während wesentliche Produktaussagen von einer risikoadäquaten unabhängigen Prüfung profitieren. Die Aufzeichnung sollte fehlgeschlagene Tests aufbewahren und jede Schwellenwertänderung erläutern.

Das Team sollte Offline-Evaluierung, Red-Team-Tests, menschliche Prüfung, Produktionsüberwachung und Kundenabnahme prüfen. Testsets sollten wesentliche Populationen und bekannte Fehlermodi repräsentieren. Leckage zwischen Training und Evaluierung sollte bewertet werden. Die Versionierung sollte Modell, Prompt, Daten, Code und Ergebnis verknüpfen.

Der AI-RMF-Core von NIST stellt fest, dass Testsets, Metriken und bei der Evaluierung verwendete Tools dokumentiert werden sollten und dass Produktionsfunktionalität und -verhalten überwacht werden sollten [2]. Der Investor sollte prüfen, ob die Nachweise des Unternehmens seine tatsächlichen kommerziellen Zusagen stützen und nicht lediglich eine generische Compliance-Checkliste.

22. Sicherheit und Resilienz prüfen

Die Sicherheits-Due-Diligence sollte Produkt, Modell, Daten, Infrastruktur, Identität, Zugriff, Secrets, Software-Lieferkette, Kundenintegration, Monitoring, Incident Response und Geschäftskontinuität abdecken. Das Team sollte ermitteln, welche Kontrollen vom Unternehmen verwaltet werden und welche von Anbietern abhängen. Zertifizierungen können Nachweise stützen, wobei Umfang und operative Wirksamkeit noch zu prüfen bleiben.

AI-spezifische Szenarien können Prompt-Injection, Datenleckage, unsichere Tool-Nutzung, Modellextraktion, vergiftete Wissensquellen, unsichere Automatisierung und Missbrauch umfassen. Die Analyse sollte auf die Architektur und das Bedrohungsmodell des Produkts ausgerichtet sein. Ein Katalog möglicher Risiken ist kein Nachweis für Exposition oder Kontrolle.

Vorfälle, Beinahevorfälle, Schwachstellen und Ausnahmen sollten mit Behebung, Kundenauswirkung, vertraglicher Benachrichtigung und Kosten verknüpft werden. Resilienztests sollten den Ausfall von Abhängigkeiten und eine beeinträchtigte Modellleistung umfassen. Wesentliche Feststellungen können Bedingungen, Freistellungen, Rückstellungen, den Investitionszeitpunkt oder die Abbruchentscheidung beeinflussen.

23. Cloud- und Rechenleistungskonzentration bewerten

Die Rechenleistungskonzentration sollte über Anbieter, Region, Accelerator, Kapazitätsverpflichtung und Workload hinweg bewertet werden. Ein Unternehmen kann mehrere Cloud-Dienste nutzen und sich für ein kritisches Produkt dennoch auf eine Region oder Hardwareklasse stützen. Die Zuordnung sollte Deployment-, Evaluierungs-, Trainings-, Daten- und Geschäftskontinuitäts-Workloads umfassen.

Die Vertragsprüfung sollte Preis, Rabatte, Credits, Verpflichtungen, Kapazität, Service-Level, Datenstandort, Sicherheit, Kündigung und Migrationsunterstützung abdecken. Die technische Prüfung sollte Observability, Workload-Portabilität und Wiederherstellung testen. Das Finanzmodell sollte genutzte und zugesagte Kosten getrennt ausweisen.

Die CoreWeave-Einreichung aus 2025 erörtert Kundenakzeptanz, Leistung, Effizienz, verbleibende Leistungsverpflichtungen und die Finanzierung von AI-Infrastruktur [19]. Die Oracle-Einreichung aus 2026 beschreibt Stromversorgung, Kapazität und Abhängigkeiten von Rechenzentren Dritter [20]. Diese Infrastrukturangaben veranschaulichen vorgelagerte Bedingungen, die ein Anwendungsunternehmen über Preis, Verfügbarkeit oder Lieferantenbedingungen erreichen können.

24. Rechenleistungs-Sensitivität aufbauen

Die Rechenleistungs-Sensitivität sollte Workload-Volumen, Aufgabenerfolg, Modellmix, Eingabe- und Ausgabeintensität, Caching, Batch-Verarbeitung, Latenzstufe, Anbietertarif, Credits und Mindestverpflichtungen verknüpfen. Das Modell sollte für einen ausgewählten Zeitraum mit Rechnungen und Telemetrie abgestimmt werden. Anschließend sollte es eine Überleitung zum wiederkehrenden Deckungsbeitrag und Cash herstellen.

Das Team sollte eine einzelne Kennzahl „Kosten pro Abfrage“ vermeiden, wenn die Abfragen erheblich variieren. Kosten pro erfolgreich angenommenem Workflow können eine aussagekräftigere wirtschaftliche Einheit darstellen, sofern Erfolg klar definiert ist. Das Modell sollte außerdem fehlgeschlagene Versuche, Wiederholungen, menschliche Prüfung und Leerkapazität ausweisen.

Das Szenariodesign kann höheres Volumen, niedrigere Anbieterpreise, Modellmigration, Qualitätsschwellen, Kundenmix und Commitment-Auslastung testen. Jedes Szenario sollte die operative Machbarkeit wahren. Niedrigere Kosten können einen Qualitätskompromiss erfordern; ein größeres Commitment kann den Stückpreis verbessern, während es das Cash-Risiko erhöht.

Die Werte sind hypothetisch und veranschaulichen die Modellstruktur; sie sind weder eine Prognose noch eine Bewertungsaussage.

25. Produktzuverlässigkeit bewerten

Zuverlässigkeit sollte über das Kundenversprechen definiert werden. Kennzahlen können Verfügbarkeit, Latenz, Fehlerrate, erfolgreichen Abschluss, Eskalation, Wiederherstellung, Datenaktualität und Servicegutschriften umfassen. Aggregierte Betriebszeit kann einen fehlerhaften AI-Workflow innerhalb einer verfügbaren Anwendung verschleiern.

Das Team sollte Serviceziele, tatsächliche Leistung, Vorfälle, Ursachen, Behebung und Kundenkommunikation prüfen. Eine Analyse auf Release-Ebene kann zeigen, ob Geschwindigkeit die Vorfallhäufigkeit erhöht oder die Wiederherstellungszeit verringert. Wesentliche Kundensegmente und Spitzenzeiten sollten sichtbar sein.

Zuverlässigkeitsökonomie umfasst entgangenen Umsatz, Gutschriften, Support, Nacharbeit, doppelte Kapazität und Kundenabwanderung. Die Prognose sollte die zur Unterstützung des Wachstums erforderlichen Investitionen enthalten. Ein starker historischer Track Record bei begrenztem Umfang belegt keine Leistung bei prognostiziertem Volumen; der Kapazitäts- und Resilienzplan sollte den Übergang erläutern.

26. Produktorganisation bewerten

Organisations-Due-Diligence sollte Entscheidungsrechte, Führung, Produktmanagement, Engineering, Machine Learning, Daten, Sicherheit, Zuverlässigkeit, Customer Success und Finanzen abbilden. Das Team sollte prüfen, ob Verantwortliche Ergebnisse definieren, das Produkt instrumentieren, Nachweise prüfen und auf Vorfälle reagieren können. Die Mitarbeiterzahl allein belegt keine Fähigkeit.

Der Release-Durchsatz sollte nach Teamgröße, Architektur und Änderungsklasse normalisiert werden. Die Abhängigkeit von Schlüsselpersonen sollte technisches Wissen, Kundenbeziehungen und Genehmigungsrechte umfassen. Der Investor sollte Nachfolgeplanung, Bindung, Anreize, Einstellungsplan und Risiken durch Auftragnehmer prüfen und dabei geltende arbeits- und datenschutzrechtliche Anforderungen einhalten.

Der operative Plan sollte Neueinstellungen mit konkreten Engpässen verknüpfen. Das Hinzufügen von Entwicklern löst möglicherweise keine schlechte Produkt-Discovery, Datenrechte oder langsame Unternehmensfreigabe. Eine geplante Spezialistenrolle sollte Zeitpunkt, Kosten und Zwischenkontrolle umfassen. Der Investment Case sollte die nach dem Closing verfügbare Umsetzungskapazität widerspiegeln.

27. Kundenkonzentration und Referenzierbarkeit prüfen

Die Kundenkonzentration sollte über Umsatz, Bruttogewinn, Zahlungseingang, Arbeitsaufwand und Produktnachweise gemessen werden. Ein Kunde kann einen moderaten Umsatzanteil ausmachen und zugleich einen großen Anteil an Daten zur erfolgreichen Nutzung oder Produktausrichtung beitragen. Der Investor sollte kommerzielle und technische Konzentration gemeinsam verstehen.

Verträge sollten hinsichtlich Laufzeit, Kündigung, Verlängerung, Preisgestaltung, Mindestmengen, Abnahme, Servicelevel, Haftung, Datenrechten, Außendarstellung und Kontrollwechsel geprüft werden. Referenzgespräche erfordern die Zustimmung des Kunden und einen kontrollierten Fragenkatalog. Die Dokumentation sollte vom Management ausgewählte Fürsprecher von einer repräsentativen Stichprobe unterscheiden.

Referenzbelege sollten Problemrelevanz, Implementierung, Ergebnis, Zuverlässigkeit, Support, Alternativen, Verlängerungsabsicht und Expansion prüfen. Sie sollten außerdem Einschränkungen und kundenspezifische Faktoren erfassen. Eine begeisterte Referenz kann nicht die Kundenbindung über das gesamte Portfolio belegen. Die Erkenntnisse sollten, soweit zulässig, mit Nutzungs-, Support- und kaufmännischen Unterlagen abgeglichen werden.

28. Markt- und Wettbewerbsposition analysieren

Markt-Due-Diligence sollte das Kundenproblem, den wirtschaftlichen Käufer, den Nutzer, das Budget, den Einkaufsprozess und glaubwürdige Alternativen definieren. AI-native Unternehmen können mit Softwareanbietern, interner Entwicklung, ausgelagerten Dienstleistungen, Modellanbietern oder fortgesetzter manueller Arbeit konkurrieren. Die Marktgröße sollte sich an adressierbaren Workflows und der Zahlungsbereitschaft orientieren.

Wettbewerbsbelege sollten Kundenergebnis, Qualität, Integration, Sicherheit, Bereitstellung, Preis, direkte Kosten und Wechsel vergleichen. Funktionszahlen können irreführen, da sich Fähigkeiten in Produktionsreife und Kundenakzeptanz unterscheiden. Das Team sollte Win-Loss-Daten, Wettbewerberreferenzen und Verlängerungsentscheidungen prüfen und dabei die Einschränkungen der Stichprobe wahren.

Die Investmentthese sollte darlegen, wo der Vorteil liegt und wie er sich verändern könnte. Verbesserungen der Anbieter können das Produkt stärken oder die Differenzierung verringern. Offene Modelle können Kosten senken oder den Wettbewerb erhöhen. Regulierung kann Eintrittsbarrieren und Compliance-Kosten erhöhen. Szenarien sollten diese Kräfte mit Kundenergebnissen, Kundenbindung und Marge verbinden.

29. Preisgestaltung und Paketierung testen

Preis-Due-Diligence sollte die Abrechnungseinheit dem Kundennutzen und den Unternehmenskosten zuordnen. Seat, Workflow, Ergebnis, Abonnement, Verbrauch und hybride Strukturen verteilen Risiken unterschiedlich. Das Team sollte Listenpreis, realisierten Preis, Rabatte, Gutschriften, Mindestmengen, Mehrverbrauch, Dienstleistungen und Verlängerungsmechaniken nach Kohorte untersuchen.

Die Paketierung sollte zeigen, welche Funktionen Kundengewinnung, Einführung, Expansion und Kundenbindung treiben. AI-Funktionen, die zu niedrigem oder keinem inkrementellen Preis angeboten werden, können eine breitere Plattform stützen und zugleich die Hosting-Kosten erhöhen, wie Atlassian in seiner Einreichung als Risiko beschreibt [16]. Diese emittentenspezifische Aussage veranschaulicht die Notwendigkeit, die Paketökonomie des Zielunternehmens zu prüfen.

Preis Experimente sollten von vertraglich vereinbarten Ergebnissen getrennt werden. Der Investor sollte Zahlungsbereitschaft, Beschaffungsreaktion, Nutzungselastizität und Abwanderung prüfen. Eine Prognose, die höheren Preis und höhere Akzeptanz annimmt, sollte den Kundennutzen und den Übergangsplan erklären. Preisänderungen können auch Anforderungen an Support, Vertriebskanäle und Umsatzrealisierung verändern.

30. Wiederholbarkeit des Go-to-Market bewerten

Die Go-to-Market-Analyse sollte Zielkonto, qualifizierte Opportunity, technische Validierung, Sicherheitsprüfung, kaufmännische Freigabe, Implementierung, Einführung und Verlängerung nachverfolgen. Die Zykluszeit sollte nach Kunde und Anwendungsfall segmentiert werden. AI-Produkte können trotz schneller Demonstrationen lange Bewertungs- und Governance-Phasen durchlaufen.

Das Team sollte Kundenbeziehungsdaten, Verträge, Produkt-Telemetrie, Implementierungsunterlagen und Umsatz abgleichen. Pipeline-Phasen sollten evidenzbasierte Abschlusskriterien haben. Partnergewonnene, gründergeführte und Self-Service-Wege sollten getrennt dargestellt werden, da Kapazität und Conversion unterschiedlich sein können.

Wiederholbarkeit erfordert mehr als historisches Wachstum. Das Unternehmen sollte ein definiertes Problem, ein referenzierbares Ergebnis, eine tragfähige Bereitstellung, Supportkapazität und Unit Economics über aufeinanderfolgende Kohorten hinweg nachweisen. Die Prognose sollte Vertriebs-, Solution-Engineering-, Sicherheits-, Implementierungs- und Customer-Success-Ressourcen enthalten, die zur Reproduktion des Prozesses erforderlich sind.

31. Die Prognose aus operativen Treibern erstellen

Die Prognose sollte mit Kundenkohorten und operativen Treibern beginnen. Bestandskunden zu Beginn, Neukundengewinnung, Aktivierung, erfolgreiche wiederkehrende Nutzung, Verlängerung, Kontraktion, Expansion, Preis- und Umsatzzeitpunkt bilden die kommerzielle Brücke. Arbeitslast, Modellmix, Anbietersätze, Support und Implementierung bilden die Kostenbrücke.

Jede Annahme sollte eine Quelle, einen Basiszeitraum und einen Verantwortlichen haben. Historische Belege können eine Bandbreite statt eines Punktwerts stützen. Jüngste Produktänderungen können keine ausgereiften Verlängerungsdaten aufweisen. Das Modell sollte angeben, wo das Ermessen des Managements über die beobachteten Belege hinausgeht, und die Alternativszenarien beibehalten.

Bilanz und Kapitalflussrechnung sollten dem operativen Modell folgen. Abgegrenzte Erlöse, Forderungen, Anbieterverpflichtungen, aktivierte Entwicklungskosten, Leasingverhältnisse, Schulden, Steuern und Transaktionskosten können die Liquidität beeinflussen. Die Prognose sollte mit den Rechnungslegungsgrundsätzen abgestimmt werden und bei Bedarf einer qualifizierten Überprüfung unterzogen werden.

Tabelle 4. Evidenzkarte der Prognoseannahmen

Jede Annahme sollte eine Quelle, einen Beobachtungszeitraum und eine genehmigte Szenariobandbreite beibehalten.

32. Kohärente Szenarien erstellen

Szenarien sollten intern konsistente Betriebszustände beschreiben. Ein Basisszenario kann die aktuelle Produktakzeptanz, gemessene Retention und geplante Neueinstellungen annehmen. Ein Upside-Szenario kann eine stärkere Akzeptanz mit nachgewiesenem Support-Hebel kombinieren. Ein Downside-Szenario kann eine langsamere Enterprise-Bereitstellung, schwächere Verlängerungsraten und höhere Modellkosten kombinieren. Jedes Szenario sollte den Mechanismus angeben.

Das Team sollte vermeiden, alle günstigen Annahmen ohne betriebliche Abhängigkeiten in einem Szenario zu vermischen. Schnellere Releases können mehr Kapazität für Evaluierung und Zuverlässigkeit erfordern. Höheres Kundenvolumen kann Support und Working Capital erhöhen, bevor Effizienz entsteht. Niedrigere Anbieterpreise können sowohl Wettbewerber anziehen als auch die Marge verbessern.

Szenariowahrscheinlichkeiten sollten sorgfältig verwendet werden. Wo die Evidenz begrenzt ist, können Bandbreiten und Entscheidungsschwellen transparenter sein. Der Investmentausschuss sollte sehen, welche Annahmen den Wert des Instruments, den Kapitalbedarf und die Rendite treiben. Eine Sensitivitätsanalyse sollte keine kohärente Darstellung des Geschäftsbetriebs ersetzen.

33. Kapitalbedarf und Runway bestimmen

Der Kapitalbedarf sollte von der Unterzeichnung bis zu einer glaubwürdigen nächsten Finanzierung, einem Punkt der Eigenfinanzierung oder einer strategischen Entscheidung reichen. Er sollte operatives Bargeld, Anbieterverpflichtungen, Working Capital, Transaktionskosten, Schuldendienst, bedingte Zahlungen und eine Liquiditätsreserve umfassen. Das Modell sollte die tatsächlichen Instrumentbedingungen und Abschlussbedingungen verwenden.

Der Due-Diligence-Plan sollte Evidenzmeilensteine identifizieren, die Zeit und Barmittel erfordern. Enterprise-Verlängerungen, Modellmigrationen, Zertifizierungen und Marktexpansion können über die vorgeschlagene Runway hinausreichen. Ein gestaffeltes Instrument kann die Finanzierung mit Evidenz abstimmen, während es Ausführungs- und Kontrollaspekte einführt, die rechtliche und steuerliche Beratung erfordern.

Die Runway sollte unter verzögerten Umsätzen, höheren Kosten und Abschlussrisiko getestet werden. Ein unterzeichnetes Term Sheet stellt kein Bargeld bereit. Das Unternehmen kann Kapazität benötigen, um durch Dokumentation, Genehmigungen und Mittelzufluss zu operieren. Der Investor sollte außerdem verstehen, ob das Vertrauen von Kunden oder Lieferanten von der Bilanzstärke abhängt.

34. Erkenntnisse in die Bewertung überführen

Die Bewertung sollte Zweck, Grundlage, Methoden, Evidenz und Rechte des Instruments folgen. IFRS 13 definiert den beizulegenden Zeitwert als marktbasierte Messung und legt einen Rahmen für Bewertung und Angaben fest [4]. Die International Valuation Standards enthalten Standards, die für Bewertungsaufträge relevant sind [8]. Transaktionsspezifische qualifizierte Beratung kann erforderlich sein.

Marktansätze können vergleichbare Unternehmen und Transaktionen nutzen, wobei Anpassungen durch Unterschiede bei Wachstum, Retention, Marge, Konzentration, Kapitalintensität, Rechten und Risiko gestützt werden. Ertragsansätze können Kohorten- und Kostenevidenz in Cashflows übersetzen. Eine aktuelle Finanzierung kann Kontext liefern, erfordert aber eine Prüfung der Rechte und Marktbedingungen.

Due-Diligence-Erkenntnisse sollten über explizite Treiber in das Modell einfließen. Eine reife, gehaltene Kohorte kann die Umsatzdauerhaftigkeit beeinflussen; Modellkonzentration kann Marge, Kapitalbedarf oder Szenariobandbreite beeinflussen; Erkenntnisse zu den Instrumenten können Abschlussbedingungen und Investition beeinflussen. Willkürliche Abschläge können Effekte doppelt zählen, die bereits in der Prognose erfasst sind.

35. Den Wertpapier-Wasserfall modellieren

Der Unternehmenswert bestimmt ohne die Kapitalstruktur nicht den aktuellen Aktionärswert. Das Modell sollte Bargeld, Schulden, Wandelanleihen, Vorzugsrechte, Partizipationsrechte, Verwässerungsschutz, Warrants, Optionen, Pool-Veränderungen, Tranchen und Transaktionskosten enthalten. Definitionen sollten den tatsächlichen Dokumenten und einer qualifizierten rechtlichen Prüfung folgen.

Der Wasserfall sollte Erlöse über Unternehmenswert-Szenarien hinweg ausweisen und sie in Eigentümeranteile, Rendite und Downside des Investors umrechnen. Eine neue Finanzierung kann den operativen Wert verbessern und gleichzeitig die Zuteilung zwischen Wertpapieren verändern. Meilenstein-Tranchen, Liquidationspräferenzen und Governance-Rechte können sowohl Schutz als auch Anreize beeinflussen.

Der Ausschuss sollte Preis und Bedingungen gemeinsam bewerten. Eine höhere vordergründige Bewertung mit vorrangigen wirtschaftlichen Rechten kann zu einem anderen Ergebnis führen als ein niedrigerer Preis mit einfacheren Bedingungen. Das Entscheidungspaket sollte die Quelle der Cap Table, Annahmen und Sensitivität enthalten, damit das Ergebnis reproduziert werden kann.

36. Schutzmechanismen für die Beteiligung konzipieren

Schutzmechanismen sollten auf wesentliche, belegte Risiken reagieren. Sie können aufschiebende Bedingungen, gestaffelte Finanzierung, Informationsrechte, Board-Rechte, Zustimmungsvorbehalte, Covenants, Mittelverwendungskontrollen, Key-Person-Regelungen, Zusicherungen, Freistellungen oder konkrete Abhilfepläne umfassen. Ihre Machbarkeit und Wirkung erfordern rechtliche, regulatorische und steuerliche Beratung.

Das Team sollte vermeiden, Begriffe als Ersatz für das Verständnis des Geschäfts zu verwenden. Ein Covenant kann keinen Kundennutzen oder Modellportabilität schaffen. Er kann Informations-, Zustimmungs- oder Eingriffsrechte bieten, während er potenziell den Betrieb und die künftige Finanzierung einschränkt. Jeder Schutzmechanismus sollte ein definiertes Risiko, einen Auslöser, eine Abhilfemaßnahme und eine Überwachungsquelle haben.

Closing-Bedingungen sollten objektiv überprüfbar sein. Vage Anforderungen an verbesserte Technologie oder zufriedenstellende Leistung können Streit auslösen. Nachweise aus dem Due-Diligence-Ledger können konkrete Deliverables, Abnahmetests und autorisierte Freigabe unterstützen. Restrisiken sollten in der Investitionsempfehlung verbleiben.

37. Investment-Scorecard erstellen

Die Investment-Scorecard sollte Evidenzstärke, Betriebsergebnis, finanzielle Konsequenz und vorgeschlagene Reaktion kombinieren. Sie sollte eine einzelne undurchsichtige Gesamtsumme vermeiden, die ein fatales Problem verdeckt. Kategorien können Kundennutzen, Kundenbindung, Wirtschaftlichkeit, Abhängigkeit, Datenrechte, Sicherheit, Team, Markt, Prognose, Liquidität und Sicherheitenbedingungen umfassen.

Jede Bewertung sollte einer genehmigten Rubrik folgen und mit den zugrunde liegenden Belegen verknüpft sein. Der Ausschuss sollte Vertrauen und Einschränkung getrennt vom Ergebnis sehen. Ein starkes beobachtetes Ergebnis, das durch eine kleine Stichprobe gestützt wird, unterscheidet sich von einem schwachen Ergebnis, das durch eine vollständige Grundgesamtheit gestützt wird. Beide Dimensionen zählen.

Die Scorecard sollte die Beurteilung unterstützen, nicht automatisieren. Entscheidungsträger sollten Gründe, abweichende Meinungen, Bedingungen und ungeklärte Punkte dokumentieren. Änderungen zwischen Erstprüfung, Endgenehmigung und Closing sollten versioniert werden. Die Aufzeichnung kann dann die Post-Investment-Governance unterstützen.

Der Ausschuss sollte Betriebsergebnis, Vertrauen in die Evidenz, Einschränkung, Wertwirkung und vorgeschlagene Maßnahme berücksichtigen.

Tabelle 5. Felder der Investment-Scorecard

Ein Score hebt eine wesentliche Stoppbedingung oder Fachberatung nicht auf.

38. Das Paket für den Investmentausschuss vorbereiten

Das Paket für den Investmentausschuss sollte die beantragte Entscheidung, Sicherheiten, Preisspanne, Erlöse, Eigentümerschaft, Governance, Renditefälle und Bedingungen angeben. Anschließend sollte es die operative These, die Nachweiskette, wesentliche Feststellungen, das Szenariomodell, den Kapitalbedarf, den Distribution Waterfall, Schutzmechanismen, Einschränkungen und die Empfehlung darstellen. Anhänge sollten das detaillierte Ledger und Fachberichte enthalten.

Das Paket sollte zwischen Fakten, getesteten Berechnungen, Managementdarstellungen und Szenarien unterscheiden. Quelldaten und Versionen sind wichtig, weil sich Produkt- und Finanznachweise während eines Prozesses ändern können. Wesentliche Änderungen nach dem Versand sollten hervorgehoben und nicht stillschweigend übernommen werden.

Der Ausschuss sollte ausreichend Zeit erhalten, Annahmen zu hinterfragen. Fragen und Antworten sollten in das Entscheidungsprotokoll aufgenommen werden. Die Genehmigung sollte die delegierte Befugnis für die abschließende Verhandlung benennen und Änderungen definieren, die eine erneute Genehmigung erfordern. Eine Bewertungsspanne ohne klare Bedingungsgrenzen oder Abschlussbedingungen lässt das Mandat unvollständig.

Das Paket sollte eine klare Brücke von der ursprünglichen These zur abschließenden Empfehlung enthalten. Jede wesentliche Änderung sollte den Nachweis nennen, der sie ausgelöst hat, den betroffenen Modell-Input und die vorgeschlagene Reaktion des Ausschusses. Diese Disziplin hilft Prüfern, echtes Lernen von unerklärten Bewegungen in der Bewertungsspanne zu unterscheiden. Sie verringert zudem das Risiko, dass günstige operative Nachweise schnell übernommen werden, während nachteilige Feststellungen isoliert in Fachanhängen verbleiben.

Fachliche Schlussfolgerungen sollten ihren Geltungsbereich behalten. Ein technischer Prüfer kann bestätigen, dass ein alternatives Modell einen definierten Test besteht, während vertragliche Übertragbarkeit, Kundeneinwilligung und Migrationskosten anderen Beratern überlassen bleiben. Das integrierte Paket sollte diese Grenzen verbinden, ohne eine weitergehende Zusicherung nahezulegen. Rechts-, Steuer-, Buchhaltungs-, Cybersicherheits- und Bewertungsgutachten sollten dem qualifizierten Anbieter zugerechnet und innerhalb ihrer angegebenen Annahmen verwendet werden.

39. Die Überwachung nach der Investition einrichten

Die Überwachung nach der Investition sollte die Nachweisarchitektur der Due Diligence fortsetzen. Das Unternehmen kann Abnahme der Freigabe, erfolgreiche wiederkehrende Nutzung, Retention, direkte Kosten, Abhängigkeitsrisiko, Vorfälle, Liquidität, Prognose und Covenant-Status in einem kontrollierten Rhythmus berichten. Definitionen sollten stabil bleiben oder eine dokumentierte Überleitung aufweisen.

Das Board-Reporting sollte sich auf Schwellenwerte konzentrieren, die an die Investmentthese geknüpft sind. Ein Anstieg der Releases kann günstig sein, wenn Kundenerfolg und Zuverlässigkeit stabil bleiben. Er kann eine Intervention erforderlich machen, wenn Support, Vorfälle oder Churn steigen. Tests für Abhängigkeiten und Vertragsverlängerungen sollten eingeplant werden, bevor Wechseloptionen eingeschränkt sind.

Der Investor sollte Behebungszusagen, Mittelverwendung und Finanzierungsmeilensteine verfolgen. Ausnahmen sollten Verantwortliche und Termine haben. Die Überwachung sollte verhältnismäßig bleiben und die Entscheidungsbefugnis des Managements, die Vertraulichkeit und geltendes Recht respektieren. Ziel sind zeitnahe Entscheidungsnachweise, nicht operative Doppelarbeit.

Die Ausgestaltung der Überwachung sollte Kennzahlen-Drift adressieren. Da sich Produkte, Preisgestaltung und Kundensegmente ändern, muss das Management möglicherweise Definitionen überarbeiten. Das Board Pack sollte die vorherige Kennzahl, die überarbeitete Kennzahl, den Änderungsgrund und, soweit praktikabel, eine Überleitung für vergleichbare Zeiträume beibehalten. Eine Kennzahl, die sich nach einer Änderung des Nenners verbessert, sollte ohne die Überleitung nicht als operativer Fortschritt dargestellt werden.

Der Investor sollte außerdem Abhängigkeitsentscheidungen vor Vertragsablauf oder Kapazitätserneuerung einplanen. Ein Migrationstest hat begrenzten Wert, wenn die Restlaufzeit zu kurz ist, um ihn durchzuführen. Kalenderkontrollen können Lieferantenverlängerung, Kundenverpflichtungen, Liquiditätsschwellen und Produkt-Roadmaps miteinander verbinden. Dadurch wird Optionalität sichtbar und der Board erhält Zeit, einen Wechsel zu genehmigen, Schutz zu verhandeln, Duplizierung zu finanzieren oder die Risikoposition mit dokumentierter Begründung zu akzeptieren.

40. Fazit

AI-native Growth-Equity-Due-Diligence sollte die vollständige Kette vom Release über Kundennutzen, Kundenbindung, wiederkehrende Economics und Sicherheitsergebnis nachvollziehen. Produktgeschwindigkeit liefert nützliche Nachweise, wenn Releases definiert, getestet, angenommen und mit dauerhaften Workflows verknüpft sind. Kunden- und Finanzunterlagen müssen die Brücke schließen.

Abhängigkeiten von Modellen, Daten, Cloud und Rechenkapazität prägen Qualität, Kontinuität, Marge und Kapitalbedarf. Sie sollten auf Workflow-Ebene abgebildet und durch Verträge, produktionsnahe Evaluierung und machbare Migrationspläne geprüft werden. Nicht belegte Behauptungen zur Portabilität oder zu proprietären Vorteilen sollten als Einschränkungen bestehen bleiben.

Der Investmentausschuss benötigt einen reproduzierbaren Entscheidungsnachweis. Das Nachweisverzeichnis, kohärente Szenarien, die Bewertungsbrücke, der Security-Wasserfall und die Scorecard verbinden die Due Diligence mit Preis, Bedingungen, Governance, Maßnahme oder Abbruch. Sie schaffen außerdem eine kontrollierte Ausgangsbasis für die Überwachung nach der Investition. Die endgültige Entscheidung bleibt einzelfallbezogen und erfordert professionelles Urteilsvermögen und Fachberatung.

Ein disziplinierter Prozess sollte auch unter Zeitdruck nutzbar bleiben. Benannte Verantwortliche, datierte Quellen, kontrollierte Berechnungen und ausdrückliche Entscheidungsrechte ermöglichen es dem Team, Nachweise zu aktualisieren, ohne den gesamten Case neu aufzubauen. Diese operative Disziplin kann die Verhandlungsbereitschaft, die Closing-Kontrolle und die Qualität der ersten Board-Entscheidungen nach der Investition verbessern.

Quellen

1. National Institute of Standards and Technology, Risikomanagement-Rahmenwerk für Künstliche Intelligenz 1.0, https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-ai-rmf-10
2. National Institute of Standards and Technology, AI RMF-Kern, https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
3. National Institute of Standards and Technology, Rahmenwerk für das Risikomanagement künstlicher Intelligenz: Profil für generative künstliche Intelligenz, https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf
4. IFRS Foundation, IFRS 13 Bemessung des beizulegenden Zeitwerts, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/
5. IFRS Foundation, IFRS 15 Erlöse aus Verträgen mit Kunden, https://www.ifrs.org/issued-standards/list-of-standards/ifrs-15-revenue-from-contracts-with-customers/
6. Europäische Kommission, Rechtsrahmen für künstliche Intelligenz, https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
7. Organisation für wirtschaftliche Zusammenarbeit und Entwicklung, OECD AI-Prinzipien, https://oecd.ai/en/ai-principles
8. International Valuation Standards Council, Internationale Bewertungsstandards, https://www.ivsc.org/standards/
9. Internationale Organisation für Normung, ISO/IEC 42001 Managementsysteme für künstliche Intelligenz, https://www.iso.org/standard/81230.html
10. U.S. Securities and Exchange Commission, EDGAR-Datenbank für Unternehmensmeldungen, https://www.sec.gov/edgar/search/
11. U.S. Securities and Exchange Commission, Bemerkungen beim Roundtable zu künstlicher Intelligenz in der Finanzbranche, 27. März 2025, https://www.sec.gov/newsroom/speeches-statements/crenshaw-remarks-ai-roundtable-032725
12. Financial Accounting Standards Board, Accounting Standards Codification Topic 606, https://asc.fasb.org/topic&trid=2129938
13. Bank für Internationalen Zahlungsausgleich, Publikationen zum Thema künstliche Intelligenz, https://www.bis.org/topic/artificial_intelligence.htm
14. Amplitude Inc., Jahresberichte und SEC-Einreichungen, https://investors.amplitude.com/financial-information/sec-filings
15. DigitalOcean Holdings Inc., Ergebnisse für das vierte Quartal und das Gesamtjahr 2025, eingereicht bei der SEC, https://www.sec.gov/Archives/edgar/data/1582961/000158296126000015/a2025-q4dopressrelease.htm
16. Atlassian Corporation, Geschäftsbericht 2025, https://www.sec.gov/Archives/edgar/data/1650372/000165037225000060/team2025annualreport.pdf
17. Microsoft Corporation, bei der SEC eingereichter Geschäftsbericht 2025, https://www.sec.gov/Archives/edgar/data/789019/000095017025100235/msft-20250630.htm
18. Alphabet Inc., bei der SEC eingereichter Geschäftsbericht 2025, https://www.sec.gov/Archives/edgar/data/1652044/000165204426000018/goog-20251231.htm
19. CoreWeave Inc., bei der SEC eingereichter Geschäftsbericht 2025, https://www.sec.gov/Archives/edgar/data/1769628/000176962826000104/crwv-20251231.htm
20. Oracle Corporation, bei der SEC eingereichter Geschäftsbericht 2026, https://www.sec.gov/Archives/edgar/data/1341439/000119312526277521/orcl-20260531.htm
21. Snowflake Inc., Geschäftsberichte und SEC-Einreichungen, https://investors.snowflake.com/financials/sec-filings/default.aspx
22. C3.AI Inc., Geschäftsberichte und SEC-Einreichungen, https://ir.c3.ai/financials/sec-filings/default.aspx
23. NVIDIA Corporation, Finanzberichte und SEC-Einreichungen, https://investor.nvidia.com/financial-info/financial-reports-and-sec-filings/default.aspx
24. National Institute of Standards and Technology, AI RMF-Playbook, https://airc.nist.gov/airmf-resources/playbook/
25. National Institute of Standards and Technology, TEVV-Athlon-Rahmenwerk zur Bewertung von AI-Systemen, https://www.nist.gov/artificial-intelligence/ai-research/tevv-athlon-framework-evaluating-ai-systems
26. IFRS Foundation, Schulungsmaterial zur Messung des beizulegenden Zeitwerts nicht börsennotierter Eigenkapitalinstrumente, https://www.ifrs.org/content/dam/ifrs/supporting-implementation/ifrs-13/education-ifrs-13-eng.pdf